The Korean Society Of Automotive Engineers

Current Issue

Transactions of the Korean Society of Automotive Engineers - Vol. 29, No. 10

[ Article ]
Transactions of the Korean Society of Automotive Engineers - Vol. 29, No. 10, pp.909-919
Abbreviation: KSAE
ISSN: 1225-6382 (Print) 2234-0149 (Online)
Print publication date 01 Oct 2021
Received 03 May 2021 Revised 23 Jun 2021 Accepted 24 Jun 2021
DOI: https://doi.org/10.7467/KSAE.2021.29.10.909

진동신호를 이용한 CNG-디젤 이종연료 엔진 연소압력 예측 DNN 모델에서 천연가스 대체율 및 디젤 분사시기가 예측 정확도에 미치는 영향
김경곤1) ; 박찬수1) ; 김우영1) ; 전지연2) ; 전미연2) ; 배충식*, 1)
1)한국과학기술원 기계공학과
2)한국조선해양 디지털기술연구소

The Effect of Natural Gas Substitution Ratio and Diesel Injection Timing on Accuracy of In-cylinder Pressure Prediction DNN Model from Vibration Signal in a CNG-Diesel Dual-Fuel Engine
Gyeonggon Kim1) ; Chansoo Park1) ; Wooyeong Kim1) ; Jeeyeon Jeon2) ; Miyeon Jeon2) ; Choongsik Bae*, 1)
1)Department of Mechanical Engineering, Korea Advanced Institute of Science and Technology, Daejeon 34141, Korea
2)Digital Technology Research Institute, Korea Shipbuilding & Offshore Engineering, 55 Bundang-ro, Bundang-gu, Seognam-si, Gyeonggi 13591, Korea
Correspondence to : *E-mail: csbae@kaist.ac.kr


Copyright Ⓒ 2021 KSAE / 191-03
This is an Open-Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License(http://creativecommons.org/licenses/by-nc/3.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium provided the original work is properly cited.
Funding Information ▼

Abstract

In-cylinder pressure of a single-cylinder dual-fuel engine using compressed natural gas(CNG) and diesel was predicted from engine block vibration. A supervised learning model was built using a deep neural network (DNN). Vibration and in-cylinder pressure signals measured by the accelerometer and piezoelectric pressure sensor were used as input and output labels. A parametric study was conducted in order to check the effects of the composition of train conditions on the accuracy of the model. CNG substitution ratio and diesel injection timing were selected as main parameters. Train conditions were divided by combustion modes, which are the pilot-dual fuel(pilot-DF) and reactivity-controlled compression ignition(RCCI), in order to study the effects of parameters on the accuracy of the model. The results showed that the prediction accuracy of the model is related to the amount of train data which have similar trends of in-cylinder pressure with the test conditions, regardless of the total amount of train data.


Keywords: Deep neural network, Block vibration, Dual fuel, In-cylinder pressure, Injection timing, Substitution ratio
키워드: 심층 신경망, 블록 진동, 이종 연료, 실린더 내부압력, 분사시기, 대체율

1. 서 론

실린더 내부 압력은 엔진 운전 시 연소와 관련된 대부분의 정보를 담고 있기 때문에, 정확한 실린더 내부 압력 측정은 분석과 제어에 있어서 필수적이다. 이로 인해 선박용 엔진들의 경우 모든 실린더에 고성능의 압전 소자(Piezoelectric) 방식의 압력 센서가 설치되고 있다. 하지만 압전 소자 방식의 압력 센서는 가격이 매우 높을 뿐만 아니라, 연소실 내에서 발생하는 열 부하(Thermal stress)로 인한 열 드리프트(Thermal drift) 현상이 일어난다는 고질적인 문제가 존재한다. 또한, 실린더 내에서 지속적으로 변동하는 열 부하에 장기간 노출되면서 압력 센서가 영구적인 변형 혹은 파손되는 문제가 있어, 주기적인 점검과 교체로 인한 유지 및 관리 비용의 상승이 문제점으로 지적되어왔다. 이러한 문제점들로 인해 실린더 내부 압력을 간접적으로 측정할 수 있는 간접 측정 방식이 연구되어왔다.1)

실린더 내부 압력을 간접적으로 측정하는 대표적인 방식으로는 엔코더(Encoder)를 이용한 크랭크 각속도 및 각가속도의 변화량의 측정, 스트레인 게이지(Strain gauge)를 이용한 실린더 라이너(Cylinder liner)의 팽창률 측정, 가속도 센서를 이용한 엔진 블록 진동의 측정이 있다.2,3) 먼저, 크랭크 각속도 및 각가속도 측정의 경우 다기통 엔진에 적용하기 위해서는 고해상도의 엔코더 장착이 필수적이며, 6기통 이상의 엔진의 경우 각 실린더 별 크랭크 각속도 변화 신호가 서로 중첩되기 때문에 엔코더 신호만으로 각 기통별 압력 정보를 알기 어렵다는 단점이 있다.4) 스트레인 게이지를 이용한 실린더 라이너 팽창률 측정의 경우 연소 압력 변화에 의한 팽창뿐만 아니라 냉각수, 엔진오일, 그리고 연소 온도 변화에 의한 열팽창의 영향 역시 크기 때문에 예측 정확성이 크게 떨어진다는 단점이 있다.5) 따라서 최근에는 가속도계(Accelerometer) 혹은 노킹 센서(Knocking sensor)를 이용하여 엔진 블록으로부터의 진동 신호를 취득하는 방식에 대한 연구가 활발하게 진행되고 있다.6-8)

엔진으로부터 취득되는 진동신호에는 크게 연소에 의한 진동과 엔진의 기계적인 움직임에 의한 진동, 압력파에 의한 충격으로부터 비롯되는 엔진의 고유 진동 등이 있으며, 이 외에도 공기의 유동으로 인한 진동, 펌프 및 터빈 등의 구동으로 인한 진동 등이 포함되어 있다.9) 연소로 인한 진동은 실린더 내부 기체의 압력 변화로 인해 실린더 벽면이 받는 힘의 변화에서 비롯되기 때문에, 가속도 센서는 필수적으로 엔진 구조에 직접적으로 연결되어 있어야 한다. 하지만 상기한 연소 이외의 요인으로부터 비롯되는 노이즈 진동 신호들의 영향으로 진동 신호와 실린더 내부 압력 간의 관계를 재현하는 모델을 구축하는 데 큰 어려움이 따른다. 이론적인 지식을 기반으로 한 모델의 경우 실린더 벽면이 받는 힘으로부터 내부 압력 변화를 역산할 수 있다는 원리로부터 비롯되는데, 이 경우 작은 크기의 노이즈 진동 신호에도 압력 추정 값이 크게 변화한다는 단점이 존재한다.10)

따라서 이론적 지식을 기반으로 하는 방법 대신 경험적 지식(Empherical method)을 이용한 실린더 내부 압력 측정에 대한 연구가 각광받고 있으며, 이러한 기법으로써 인공 신경망(Neural network)을 이용한 기계 학습(Machine learning) 모델에 대한 연구가 주목받고 있다.11-13) 이 중 특히 기계학습에 보편적으로 사용되는 심층 신경망(Deep Neural Network, DNN)을 통한 연구가 활발하게 이루어지고 있으며, 구조적으로 간단하며 시뮬레이션에 비해 연산량을 크게 줄일 수 있다는 장점이 있다. 뿐만 아니라 노이즈 신호를 학습에 함께 고려하기 때문에 이론적인 모델에 비해 보다 실제적인 결과를 얻을 수 있으며, 간단한 구조의 신경망으로도 매우 다양한 분야의 예측 모델을 만들 수 있다.

Fig. 1은 대표적인 기계학습 모델인 심층 신경망의 기본적인 구조를 나타낸다. 예측을 위한 입력 데이터는 입력 층(Input layer)을 통해 모델에 입력되고, 예측하고자 하는 목표 데이터는 출력 층(Output layer)으로 계산된다. 입력 층과 출력 층 사이에 존재하는 1개 이상의 층을 은닉 층(Hidden layer)이라고 하며 비선형적 모델을 구축하는 데에 핵심적인 역할을 수행한다. 각 층은 다수의 노드(Node)로 구성되어 있으며, 각 노드 간의 연결은 인공(Artificial) 신경망의 신경 세포에 해당하는 퍼셉트론(Perceptron)들의 다층 연결(Multi-Layer Perceptron, MLP)에 의해 이루어진다. Fig. 2는 인공 신경망을 구성하는 퍼셉트론의 구조를 나타낸다. 하나의 퍼셉트론은 이전 층의 각 노드로부터 신호를 전달받아 가중치(Weight)와 편중치(Bias)를 적용하여 합산한 후, 활성화 함수(Activation function)를 통해 각 노드의 활성화 정도를 결정한다. 그 후 계산된 최종 결과를 다음 층의 노드에 입력 신호로써 전달하여 신경망을 구성하게 된다. 이러한 일련의 과정을 거쳐 계산된 결과와 측정된 실제 값(Label)을 비교하여, 실제 값과의 오차를 최소화하는 방향으로 모델을 스스로 갱신하게 되며, 이러한 학습 방식을 지도 학습(Supervised learning)이라 한다.14) 실린더 압력 예측 모델의 경우 실제 압력을 정확하게 예측하는 것이 목적이기 때문에 지도 학습을 통해 모델 학습을 진행하게 된다.


Fig. 1 
A basic structure of deep neural network model


Fig. 2 
A basic matrix arithmetic structure of individual node point

지도 학습을 통해 구축된 모델의 정확성은 일반적으로 학습 조건(Train condition)의 구성 및 예측 조건(Test condition)과의 유사도, 학습 데이터의 정확성, 모델의 구성 및 데이터의 전처리(Preprocessing) 방법, 최적화 알고리즘 및 학습률(Learning rate) 등에 의해 변화하게 된다. 따라서 정확한 모델의 개발을 위해서는 위 변수들이 모델의 예측 정확도에 미치는 영향에 대한 정량적인 분석이 필요하다. 특히 학습 조건 변화에 의한 테스트 조건의 예측 정확성은 조건을 구성하는 변수의 비선형성(Non-linearity)에 크게 영향을 받으므로 면밀한 검토를 위해 학습 조건이 구성되어야 한다. 일반적인 엔진 연구에서의 실린더 내부 압력 예측 모델의 경우 대부분 단일 연료를 사용하였기 때문에 비교적 비선형성이 낮은 단순한 연소 특성을 보였다. 하지만 세탄가(Cetane number)가 다른 2개의 연료를 서로 다른 시기에 분사하는 이종 연료(Dual fuel)의 연소 특성은 단일 연료에 비해 더욱 복잡하며, 고세탄가 연료의 대체율(Substitution ratio)에 따라 연소 특성이 달라지기 때문에, 이에 따른 연소압 변화 양상에 대한 분석이 필요하다.15,16)

본 연구에서는 6 L 급 건설기계용 단기통으로 개조한 압축천연가스(Compressed Natural Gas, CNG)-디젤(Diesel) 이종연료 압축 착화(Compression Ignition, CI) 엔진에서 실린더 내 압력을 예측하는 DNN 모델을 개발하였다. 지도 학습을 수행하기 위해 엔진 블록에 부착된 가속도 센서를 통해 블록 진동 신호를 측정하였으며, 실린더 내부 압력을 압력 센서로 측정하였다. 디젤 분사시기(Injection timing) 및 천연가스 대체율(Substitution ratio, SR)을 학습 조건의 주요 변수로 하여, 학습 조건 변화에 따른 DNN 모델의 예측 정확성 변화를 분석하였다. 각 변수의 영향을 독립적으로 살펴보기 위해, 학습 조건을 분사시기 변화 조건과 SR 변화 조건으로 나누어 분석하고, DNN 모델의 예측 정확성 개선을 위한 방안을 모색하였다.


2. 실험 장치 및 모델 구성
2.1 실험 장치

Fig. 3은 실험에 사용된 엔진의 개략도를 나타낸 것이다. 본 연구에서는 6기통 건설기계용 디젤 엔진을 단기통으로 개조한 후, 이종연료 압축 착화 연소 구현을 위해 별도의 CNG 공급 라인을 구축하였다. 본 실험은 이종연료 엔진의 성능 및 배기 배출 특성 연구와 동일한 실험 환경에서 수행되었다.17) 엔진 및 연료의 구체적인 사양은 Tables 1~3과 같다.


Fig. 3 
Schematic of dual-fuel compression ignition engine and measurement systems

Table 1 
Specification of engine
Component Specification
Displacement [cc] 982
Valves per cylinder 4
Bore x Stroke [mm x mm] 100 x 125
Compression ratio 17.4:1
Fuel supply system Diesel: DI, CNG: Port fumigation

Table 2 
Properties of the diesel fuel
Property Value
Density at 293 K [kg/m3] 826
Kinematic viscosity at 313 K [mm2/s] 2.12
Cetane number 52.1
Lower heating value [MJ/kg] 42.5
Stoichiometric air–fuel ratio 14.5
Distillation temperature [K] 10 % 508
50 % 562
90 % 616

Table 3 
Properties and chemical composition of the natural gas
Property Value
Density [kg/m3] 0.826
Motor octane number 124
Methane number 81.7
Lower heating value [MJ/kg] 48.5
Stoichiometric air–fuel ratio 16.93
Chemical composition Methane [%] 91.31
Ethane [%] 5.34
Propane [%] 2.17
n-Butane [%] 0.48
Isobutane [%] 0.46
Nitrogen [%] 0.222
Isopentane [%] 0.016
n-Pentane [%] 0.002

엔진 크랭크 회전 속도 제어에는 AC 동력계(Alternating current dynamometer, RDL1611Y, UNICO)를 이용하였으며, 압축 천연가스와 디젤의 공급은 각각 흡기포트 분사 방식과 직분사 방식으로 이루어졌다. 압축 천연가스는 흡기 포트에 지속적으로 흘려보냄으로써 흡기와의 혼합 시간을 충분히 확보하였고, 천연가스의 유량은 전자식 유량 제어기(EL-FLOW, Bronkhorst)를 이용하여 조절하였다. 디젤의 경우 인젝터 드라이버(Peak & hold injector driver, Zenobalti)에 자체 제작한 엔진 컨트롤러에서 분사시기 및 분사 기간을 조절하였으며, 커먼 레일(Common rail) 시스템을 통해 연료 분사 압력을 100 MPa로 고정하였다. 디젤 분사량은 연비계(AVL 733s)를 통해 취득하였으며, 흡기 유량은 공기 유량계 (IN-Flow, Bronkhorst)를 통해 측정하였다. 또한 흡기 온도와 배기 온도는 각 포트에 K-type 열전대를 이용하여 측정하였으며, 흡기 압력은 흡기 포트에서 피에조 압력 센서(4045A5, Kistler)를 이용하여 측정하였다.

기계 학습 모델의 입력 값인 엔진 블록의 진동 신호는 3축 가속도 센서(8763B250BT, Kistler)를 이용하여 측정하였으며, 센서의 위치는 실린더로부터 진동 신호가 가장 직접적으로 전달되는 흡기 포트 옆 실린더 블록 외벽으로 설정하였다.18) 3축 가속도 센서로부터 얻은 진동 신호 데이터를 기반으로, Z축 방향으로의 진동 신호의 S/N 비율(Signal-to-Noise ratio)이 가장 큰 것으로 확인되어 Z축 방향의 진동 신호를 학습 및 예측에 이용하였다. 실린더 내부 압력은 피에조 압력 센서(6052C, Kistler)를 이용하여 취득하였으며, 인공지능 모델의 목표값으로 사용되었다. 진동 신호 및 압력 신호는 엔진의 운전 조건별로 300 cycle씩 취득하여 학습 및 예측에 필요한 데이터 양을 충분히 확보하였다.

2.2 인공지능 모델 구성

본 연구에 사용된 인공지능 모델은 Python의 기계학습 라이브러리인 Tensorflow Keras를 이용하여 구축되었으며, 입력 층과 출력 층 사이에 2개의 은닉 층을 구성하였다. 연소 특성이 두드러지는 TDC 기준 -30도에서 30도까지의 데이터를 보기 위해, 0.2 크랭크각(CAD)단위로 데이터를 수집한 것을 고려하여 입력 층과 출력 층의 노드 수를 각각 300으로 설정하였다. 각 은닉 층의 후단에 배치 정규화(Batch normalization)와 활성화 함수를 거치도록 하였고, 다양한 조합을 시행착오 방식(Trial and error)으로 실험해 본 결과, 첫 번째 은닉층에 노드 개수 30개, 두 번째 은닉층에 노드 개수 20개를 배치하고, 첫 번째와 두 번째 활성 함수를 각각 Hard sigmoid함수와 Sigmoid함수를 사용하는 것이 가장 높은 예측 정확성을 보이는 것으로 확인되었다. 모델의 학습률(Learning rate)은 0.002로 설정하였으며, 실제 값과 예측 값 사이의 오차의 크기를 정의하는 손실 함수(Loss function)은 평균 제곱 오차(Mean Square Error, MSE)를 사용하였다. 모델 최적화 알고리즘으로는 RMSprop함수를 사용하였는데, 이는 손실 함수의 지수 가중 이동 평균(Exponentially weighted moving average)를 통해 최근 기울기를 더 크게 반영하여 최적화할 수 있는 알고리즘이다. 모델의 입력 값인 진동 신호는 CAD 별로 전체 평균과 표준편차를 이용하여 정규화를 거친 후 학습에 사용하였다. 모델의 예측 성능의 지표로는 결정계수(Coefficient of determination, R2)을 사용하였으며, 이 값이 1에 가까울수록 예측 결과와 실제 결과가 서로 유사하다는 것을 의미한다. 식 (1)~(3)은 RMSprop함수, 결정계수 및 SR의 식이다.

hi=γhi-1+1-γLW2(1) 
  • where h : accumulated square of loss gradient
  •    γ : hyper parameter
  •    L : loss function
  •    W : weight
R2=Σyi^-y¯2Σyi-y¯2(2) 
  • where R2 : coefficient of determination
  •    y^ I : predicted result
  •    y¯ : average of measured result
  •    yi : measured result
SR %=m˙NGLHVNGm˙NGLHVNG+m˙DLHVD×100(3) 
  • where SR : substitution ratio
  •    m˙ : mass flow rate
  •    LHV : lower heating value
  •    NG : natural gas
  •    D : diesel

3. 실험 조건

Fig. 4는 실험에 사용된 전체 실험 조건을 나타낸 것이다. 디젤 분사사기의 경우 피스톤 상사점(Top dead center, TDC)을 기준으로 10 CAD 단위로 진각(Advance)시켰고, SR의 경우 60 % 이하인 영역에서는 20 % 단위로 변화시켰다. 주요 운전 영역인 60 % 이상 에서는 10 % 단위로 SR을 변화시켰으나, SR이 90 % 이상인 조건과 SR 80 %, 디젤 분사시기 bTDC 50 CAD에서는 도시 평균 유효 압력 변동 계수(Coefficient of variation of indicated mean effective pressure, COV IMEP)가 안정적인 연소의 기준인 5 %를 넘는 문제로 인해 조건에서 제외하였다. 또한 엔진의 구조적 안정성 확보를 위해, 최대 압력 상승률(Maximum pressure rise rate, MPRR)이 0.5 MPa/CAD를 넘어가는 조건인 SR 0 % 및 디젤 분사시기 bTDC 40 CAD 이상 조건 역시 제외하였다. 본 연구에서는 연소 안정성이 낮아 실린더 내 압력 변화가 두드러지는 저부하 영역에서의 모델 예측 정확도를 분석하기 위해 엔진의 도시 평균 유효 압력(Indicated mean effective pressure, IMEP)와 엔진 속도를 각각 0.3 MPa과 1400 rpm으로 고정하였다.


Fig. 4 
Experiment conditions for machine learning and model evaluation

학습 영역은 Fig. 5와 같이 디젤의 분사시기에 따라 연소상(Combustion phase) 변화 경향의 역전이 일어나는 TDC 이전(Before TDC, bTDC) 약 25 CAD를 기준으로 파일럿 이종연료(Pilot-DF) 연소 영역과 반응성 제어 압축착화(Reactivity Controlled Compression Ignition, RCCI) 연소 영역으로 분리하였다. 각 연소 영역은 디젤 분사시기에 따른 국부적 혼합기 반응성 차이로 인해 발생되는 점화지연 기간(Ignition delay period)을 원인으로 구분된다. RCCI 연소 영역의 경우 상대적으로 긴 점화지연기간으로 인해 천연가스-디젤 연료와 공기가 예혼합(Premixed)된 상태에서 연소가 진행되기 때문에, 혼합기의 반응성에 직접적인 영향을 미치는 SR에 따라 압력 선도의 위치와 크기가 Pilot-DF 연소 영역과 큰 차이를 보인다.16,19) 따라서 본 연구에서는 각 연소 영역에서 디젤 분사시기와 SR을 개별적으로 변화시켜, 각 인자가 모델의 예측 정확도에 미치는 영향을 연소 영역별로 분석하였다.


Fig. 5 
Diesel injection timing vs combustion phase

구체적인 학습 및 테스트 조건은 Figs. 6~7에서 확인할 수 있다. Pilot-DF 연소 영역의 경우 SR 60 %, 디젤 분사시기 bTDC 10 CAD를 테스트 조건으로 설정하여, 각각 SR과 디젤 분사시기를 변화시킨 데이터셋들을 학습 조건으로 선정하였다. RCCI 연소 영역에서는 SR 60 %, 디젤 분사시기 bTDC 40 CAD를 테스트 조건으로 설정하여, Pilot-DF 영역에서와 동일한 방식으로 학습을 진행하였다. 또한, 각 운전 영역별로 모델의 정확성을 평가하기 위해 Fig. 8과 같이 각 운전 영역 내에서 테스트 조건을 제외한 모든 조건들을 학습 조건으로 사용하여 학습을 진행하였다.


Fig. 6 
Train and test conditions for Pilot-DF test condition in Pilot-DF combustion region


Fig. 7 
Train conditions for RCCI test condition in RCCI combustion region


Fig. 8 
Expanded train conditions for test conditions in separated combustion regions

마지막으로, 학습 조건에 대한 대조군으로써 분사시기 및 SR 모두 분리된 테스트 조건을 선정하였다. 이는 테스트 조건에 대한 학습조건이 잘못 구성되었을 때의 결과를 확인하기 위함이며, Fig. 9와 같이 학습 조건 및 테스트 조건을 설정하여 학습을 진행하였다. 구체적인 엔진 운전 조건과 학습 조건에 관한 정보는 Tables 4~8에서 확인할 수 있다.


Fig. 9 
Train and test conditions for an outlier test condition

Table 4 
Fixed engine operating conditions
Engine parameter Value
Engine load (IMEP) [MPa] 0.3
Engine speed [rpm] 1,400
Intake air pressure [MPa] 0.1
Coolant temperature [K] 353
Oil temperature [K] 353

Table 5 
Engine operating conditions in Pilot-DF combustion region
Train conditions Value
#1 Injection timing [CAD bTDC] 10
Substitution ratio [%] 0, 20, 40, 70, 80
#2 Injection timing [CAD bTDC] 0, 20, 30, 40, 50
Substitution ratio [%] 60
Test condition Value
Injection timing [CAD bTDC] 10
Substitution ratio [%] 60

Table 6 
Engine operating conditions in RCCI combustion region
Train conditions Value
#3 Injection timing [CAD bTDC] 40
Substitution ratio [%] 20, 40, 70, 80
#4 Injection timing [CAD bTDC] 0, 10, 20, 30, 50
Substitution ratio [%] 60
Test condition Value
Injection timing [CAD bTDC] 40
Substitution ratio [%] 60

Table 7 
Engine operating conditions in separated combustion regions
Train conditions Value
#5 Injection timing [CAD bTDC] 0, 10, 20
Substitution ratio [%] 0, 20, 40, 60, 70, 80
#6 Injection timing [CAD bTDC] 30, 40, 50
Substitution ratio [%] 0, 20, 40, 60, 70, 80
Pilot-DF test condition Value
Injection timing [CAD bTDC] 10
Substitution ratio [%] 60
RCCI test condition Value
Injection timing [CAD bTDC] 10
Substitution ratio [%] 60

Table 8 
Engine operating conditions for an outlier test condition
Train conditions Value
#7 Injection timing [CAD bTDC] 10
Substitution ratio [%] 0, 20, 40, 60, 70, 80
#8 Injection timing [CAD bTDC] 0, 10, 20, 30, 40, 50
Substitution ratio [%] 60
Test condition Value
Injection timing [CAD bTDC] 20
Substitution ratio [%] 40


4. 실험 결과
4.1 Pilot-DF 연소 영역의 테스트 데이터 예측 결과

Pilot-DF 연소 영역의 테스트 데이터에 대한 예측 결과는 Table 9Figs. 10~12에서 확인할 수 있다. Table 9에서 학습 조건 구성에 따라 예측 정확성(R2)에 큰 차이가 있음을 확인할 수 있다. 이는 TDC 전후 영역의 압력 그래프(Figs. 10~12)에서 더욱 명확하게 나타난다. 그래프를 통해 학습 조건 #2를 통해 학습한 모델의 예측 정확성이 다른 학습 조건에 비해 떨어지는 것을 알 수 있는데, 이는 디젤 분사시기에 따라 Pilot-DF에서 RCCI로 연소 형태가 변화하기 때문에 학습 조건들의 압력 선도가 크게 달라져, 테스트 조건과 유사한 압력 선도가 학습 조건에 포함되지 않았기 때문으로 판단된다.

Table 9 
R2 score in Pilot-DF combustion region
Condition number R2 Score
#1 0.99737
#2 0.95098
#5 0.99779


Fig. 10 
In-cylinder pressure comparison of train conditions #1, Pilot-DF test condition and model prediction


Fig. 11 
In-cylinder pressure comparison of train conditions #2, Pilot-DF test condition, and model prediction


Fig. 12 
In-cylinder pressure comparison of train conditions #5, Pilot-DF test condition, and model prediction

Pilot-DF 연소 영역에서는 연료의 착화 시기 및 연소상이 디젤 분사시기에 의해 결정되기 때문에, 같은 디젤 분사시기 조건 하에서 SR은 압력 변화 양상에 크게 영향을 미치지 못한다. 반면, SR을 고정하고 디젤 분사시기를 변화시킬 시, 착화 시기 및 연소상이 크게 달라지므로 이에 따라 압력 선도가 크게 달라진다. 따라서 Pilot-DF 연소 영역에서는 SR을 변화시킨 학습 조건들의 압력 선도가 테스트 조건의 압력 선도와 서로 유사하므로 모델의 예측 정확성이 높은 것으로 볼 수 있다. 이에 반해, 디젤 분사시기를 변화시킨 학습 조건의 경우, 학습 조건들과 테스트 조건 간의 압력 선도 차이가 훨씬 크기 때문에 모델의 예측 정확도가 상대적으로 낮아진다고 볼 수 있다.

이와 별개로, Fig. 12의 Pilot-DF 전체 연소 영역을 학습한 모델의 결과를 보면 테스트 조건과 상이한 압력 선도를 가지는 학습 조건이 상당수 포함되었음에도 불구하고 모델의 예측 정확성이 상당히 높은 것을 확인할 수 있다. 위 결과로부터 모델의 예측 정확성은 학습 데이터의 절대적인 양보다 테스트 데이터와 유사한 형태를 가지는 데이터가 얼마나 학습에 사용되는가에 좌우된다는 결론을 도출할 수 있다.

학습 데이터에 포함된 테스트 데이터와 유사한 형태를 가지는 데이터의 영향은 Table 10Figs. 13~14에서 더욱 명확하게 드러난다. 학습 조건 #7의 압력 선도는 해당 모델의 테스트 조건의 압력 선도와 상이하여, 테스트 조건과 유사한 압력 선도를 가지는 학습 조건이 전혀 포함되지 않아, 모델 예측 정확도가 크게 하락한 것을 알 수 있다. 반면 학습 조건 #8의 경우 분사시기를 변화시켜 학습을 진행하였음에도 테스트 조건과 유사한 형태를 가지는 데이터가 포함됨에 따라 예측 정확도가 크게 상승하였다.

Table 10 
R2 score of outlier test condition
Condition number R2 Score
#7 0.70978
#8 0.99239


Fig. 13 
In-cylinder pressure comparison of train conditions #7, outlier test condition, and model prediction


Fig. 14 
In-cylinder pressure comparison of train conditions #8, outlier test condition, and model prediction

실린더 블록의 진동 신호 역시 실린더 내 압력 신호와 같은 경향을 보인다. 실린더 내 연소에 의해 진동 신호가 발생하므로 진동 신호와 압력 신호는 서로 연관되어 있으며, Figs. 10~12에서 이를 확인할 수 있다. 따라서 진동 신호에 대한 추가적인 분석 없이 압력 선도에 대한 분석만으로도 테스트 조건에 대한 학습 조건의 영향을 분석하는 데에 충분하다.

4.2 RCCI 연소 영역의 테스트 데이터 예측 결과

RCCI 연소 영역에서 학습을 진행한 결과는 Table 11Figs. 15~17에서 확인할 수 있다. RCCI 연소 영역의 경우 Pilot-DF 연소 영역과는 다르게 SR을 변화시킨 학습 조건 #3에서의 R2값이 상당히 낮은 것을 알 수 있다. 이것은 학습 조건과 테스트 조건에서의 압력 선도의 형태가 서로 차이가 나는 것을 의미하는데, Fig. 15에서 압력 변화 양상 간의 차이를 확인할 수 있다.

Table 11 
R2 score in RCCI combustion region
Condition number R2 Score
#3 0.91373
#4 0.97157
#6 0.98655


Fig. 15 
In-cylinder pressure comparison of train conditions #3, RCCI test condition and model prediction


Fig. 16 
In-cylinder pressure comparison of train conditions #4, RCCI test condition and model prediction


Fig. 17 
In-cylinder pressure comparison of train conditions #6, RCCI test condition and model prediction

RCCI 연소 영역에서는 디젤과 천연가스가 균일하게 혼합될 충분한 시간이 주어지기 때문에, 실린더 내부 연료의 반응성은 디젤과 천연가스의 혼합 비율에 의해 결정된다. SR이 높아지면 혼합기의 착화성이 감소하게 되고, 이에 따라 연소가 일어나는 시점이 늦춰져 압력 선도 형태가 크게 달라진다. 학습 조건들의 압력 선도 형태들을 살펴보면, SR을 변화시킴에 따라 연소 시작 지점 및 최대 압력에 도달하는 지점이 점진적으로 변화하는 것을 알 수 있다. 이에 따라 학습 조건에서의 압력 선도와 테스트 조건에서의 압력 선도 간의 차이가 커짐에 따라 모델의 예측 정확성 역시 떨어지는 것을 확인할 수 있다.

Fig. 16의 분사시기를 변화시켜 구성한 학습 조건의 경우 Pilot-DF 연소 영역에서와 마찬가지로 디젤 분사시기에 의해 압력 변화 양상이 크게 변화하여 모델의 예측 정확성이 떨어지는 것을 확인할 수 있었다. Fig. 17의 RCCI 전역 학습 조건의 경우, 테스트 조건과 유사한 압력 분포를 보이는 데이터들이 일부 포함되어 모델의 예측 정확성은 상대적으로 상승하였지만, 여전히 유사 경향을 가지는 데이터의 양이 적기 때문에 모델이 완벽하게 압력 변화 양상을 예측하기 어려웠다.

두 가지 테스트 데이터의 예측 결과를 통해 최적의 모델 학습 데이터 구성 방향성을 제시할 수 있다. 모델을 학습할 때, 기존에 행하던 운전 조건의 단순 변화 대신, 예측하고자 하는 조건과 비슷한 출력 신호를 가지는 학습 조건에 집중해야 한다. 이를 위해 엔진의 주요 운전 조건을 파악한 후, 이와 비슷한 출력 신호를 가지는 학습 조건을 최대한 학습시키는 것이 중요하다. 다만 이 경우 모델의 과적합(Overfitting) 가능성이 있으므로 주요 운전 조건 외부의 데이터를 고르게 학습해주는 것이 필요하다.


5. 결 론

본 연구에서는 1L급 단기통 CNG-디젤 이종연료 압축 착화 엔진의 실린더 블록 진동을 통한 실린더 내부 압력 예측 모델을 구축하였다. 디젤 분사시기 및 SR 변화를 통해 학습 조건의 변화가 모델의 예측 성공률에 미치는 영향을 분석하였다. 실린더 내부 압력 예측은 DNN을 통해 이루어졌으며, 실린더 진동이 S/N(Signal to Noise) ratio 기준으로 가장 직접적으로 전달되는 흡기 포트 옆 실린더 외벽에 3축 가속도계를 설치하여 진동 신호를 취득하였다. 실린더 내부 압력은 실린더 내부에 피에조 압력 센서를 설치하여 취득하였다. 연소에 의한 압력 변화가 두드러지는 TDC 기준 -30 CAD 에서 30 CAD까지의 진동 신호 및 압력 데이터를 각각 모델의 입력과 출력으로 설정하여, 진동 신호를 통해 모델이 예측한 압력 선도와 실제 압력 선도의 상관성을 R2값을 이용하여 비교하였다. 학습 조건의 경우 디젤 분사시기를 기준으로 TDC 이전 20 CAD까지를 Pilot-DF 연소 영역, 이후를 RCCI 연소 영역으로 분리하여 각 연소 영역에서의 SR 및 디젤 분사시기의 모델 예측 성공률에 대한 영향을 분석하였다. 또한 각 연소 영역에 해당하는 데이터 전체를 학습 조건으로 설정함으로써, 학습 조건의 절대적인 양이 모델의 예측 성공률에 미치는 영향을 분석하였다.

본 연구의 주요 결론은 다음과 같다.

  • 1) Pilot-DF 연소 영역에서는 실린더 내부 착화성이 디젤의 분사 여부에 크게 좌우되기 때문에, 같은 분사시기에서 SR 변화는 압력 선도 변화 및 모델 예측 정확성에 큰 영향을 미치지 못함.
  • 2) RCCI 연소 영역에서는 실린더 내부 착화성이 디젤과 천연가스가 혼합됨에 따라 두 연료 간의 비율에 영향을 크게 받기 때문에, 같은 디젤 분사시기라 하더라도 SR의 변화가 압력 선도 형태 및 모델 예측 정확성에 큰 영향을 미침.
  • 3) Pilot-DF 및 RCCI 연소 영역에 관계없이 디젤 분사시기에 의해 연소 압력 변화가 크게 일어남에 따라 테스트 조건과 유사한 압력 선도를 가지는 학습 조건의 부재로 인해 모델 예측 정확성이 낮아짐.
  • 4) Pilot-DF 및 RCCI 연소 영역 모두 테스트 조건을 제외한 모든 조건을 학습 조건으로 이용한 결과 절대적인 데이터 양보다 테스트 조건과 유사한 학습 조건의 양이 모델의 예측 정확성에 더 큰 영향을 미침을 밝힘.
  • 5) RCCI 연소 영역과 같이 두 가지 인자의 영향이 동시에 큰 경우 테스트 조건과 인접한 영역에서의 2차원 학습을 통해 모델의 예측 정확도를 높일 수 있을 것으로 예상됨.
  • 6) 향후 선박 엔진의 주요 운전 조건을 반영한 고부하, 저속, 과급 조건에 대한 체계적인 학습을 통해 모델의 예측 정확성 향상에 대한 추가적인 연구가 수행될 예정.

Nomenclature
aTDC : after top dead center
bTDC : before top dead center
CAD : crank angle degree
CI : compression ignition
CNG : compressed natural gas
COV : coefficient of variation
DF : dual fuel
DNN : deep neural network
IMEP : indicated mean effective pressure
MLP : multi-layer perceptron
MPRR : maximum pressure rise rate
MSE : mean square error
R2 : coefficient of determinant
RCCI : reactivity-controlled compression ignition
S/N : signal-to-noise
SR : substitution ratio
TDC : top dead center

Acknowledgments

A part of this paper was presented at the KSAE 2021 Spring Conference

본 연구는 한국조선해양(Korea shipbuilding & offshore engineering) 산학연구과제(개별 실린더 내부 압력 대체 측정 및 연소 분석 기술개발)의 금전적 기술적 지원에 의해 수행되었으며, 이에 감사드립니다.


References
1. R. Otmani, N. Benmoussa and B. Benyoucef, “The Thermal Drift Characteristics of Piezoresistive Pressure Sensor,” Physics Procedia, Vol.21, pp.47- 52, 2011.
2. L. Romani, A. Bianchini, G. Vichi, A. Bellissima and G. Ferrara, “Experimental Assessment of a Methodology for the Indirect in-Cylinder Pressure Evaluation in Four-Stroke Internal Combustion Engines,” Energies, Vol.11, No.8, Paper No.1982, 2018.
3. R. Johnsson, “Cylinder Pressure Reconstruction Based on Complex Radial Basis Function Networks from Vibration and Speed Signals,” Mechanical Systems and Signal Processing, Vol.20, No.8, pp.1923-1940, 2006.
4. M. Zhang, Y. Zi, L. Niu, S. Xi and Y. Li, “Intelligent Diagnosis of V-Type Marine Diesel Engines Based on Multifeatures Extracted from Instantaneous Crankshaft Speed,” IEEE Transactions on Instrumentation and Measurement, Vol.68, No.3, pp.722-740, 2019.
5. R. Amirante, C. Casavola, E. Distaso and P. Tamburrano, “Towards the Development of the In-Cylinder Pressure Measurement Based on the Strain Gauge Technique for Internal Combustion Engines,” SAE 2015-24-2419, 2015.
6. X. Zhao, Y. Cheng and S. Ji, “Combustion Parameters Identification and Correction in Diesel Engine via Vibration Acceleration Signal,” Applied Acoustics, Vol.116, pp.205-215, 2017.
7. L. Jia, J. Naber, J. Blough and S. A. Zekavat, “Accelerometer-based Combustion Metrics Reconstruction with Radial Basis Function Neural Network for a 9 L Diesel Engine,” Journal of Engineering for Gas Turbines and Power, Vol.136, No.3, pp.1-9, 2014.
8. G. Kim, C. Park, W. Kim, J. Jeon, M. Jeon and C. Bae, “The Effect of Training Datasets on In-cylinder Pressure Prediction DNN Model from Vibration Signal in a Duel-Fuel Engine,” KSAE Spring Conference Proceedings, p.64, 2021.
9. S. Delvecchio, P. Bonfiglio and F. Pompoli, “Vibro-acoustic Condition Monitoring of Internal Combustion Engines: A Critical Review of Existing Techniques,” Mechanical Systems and Signal Processing, Vol.99, pp.661-683, 2018.
10. M. S. Hossain, Z. C. Ong, Z. Ismail, S. Noroozi and S. Y. Khoo, “Artificial Neural Networks for Vibration Based Inverse Parametric Identifications: A Review,” Applied Soft Computing, Vol.52, pp.203-219, 2017.
11. K. Bizon, G. Continillo, E. Mancaruso and B. M. Vaglieco, “Reconstruction of in-cylinder Pressure in a Diesel Engine from Vibration Signal using a RBF Neural Network Model,” SAE No.2011-24-0161, 2011.
12. S. Trimby, J. F. Dunne, C. Bennett and D. Richardson, “Unified Approach to Engine Cylinder Pressure Reconstruction Using Time-delay Neural Networks with Crank Kinematics or Block Vibration Measurements,” International Journal of Engine Research, Vol.18, No.3, pp.256-272, 2017.
13. Y. Xia, G. Hao, C. Shan, Z. Ni and W. Zhang, “Reconstruction of Cylinder Pressure of I.C. Engine Based on Neural Networks,” 2010 First International Conference on Pervasive Computing, Signal Processing and Applications, pp.924-927, 2010.
14. S. B. Kotsiantis, I. D. Zaharakis and P. E. Pintelas, “Machine Learning: A Review of Classification and Combining Techniques,” Artificial Intelligence Review, Vol.26, No.3, pp.159-190, 2006.
15. W. Kim, H. Kim and C. Bae, “Investigation of Combustion Process and Emission Characteristics of CNG/Diesel Dual-Fuel PCCI Combustion in a 1.0 Liter Optical CI Engine,” Transactions of KSAE, Vol.29, No.4, pp.321-329, 2021.
16. M. Kim, J. Lim, K. Kang and S. Lee, “A Study on Combustion and Emission Characteristics of a Diesel Engine Fuelled with Premixed Gasoline/Pilot Diesel,” Transactions of KSAE, Vol.25, No.3, pp.326-335, 2017.
17. H. Park, E. Shim and C. Bae, “Improvement of Combustion and Emissions with Exhaust Gas Recirculation in a Natural Gas-diesel Dual-fuel Premixed Charge Compression Ignition Engine at Low Load Operations,” Fuel, Vol.235, pp.763-774, 2019.
18. X. Zhao, Y. Cheng and S. Ji, “Combustion Parameters Identification and Correction in Diesel Engine via Vibration Acceleration Signal,” Applied Acoustics, Vol.116, pp.205-215, 2017.
19. R. D. Reitz and G. Duraisamy, “Review of High Efficiency and Clean Reactivity Controlled Compression Ignition(RCCI) Combustion in Internal Combustion Engines,” Progress in Energy and Combustion Science, Vol.46. pp.12-71, 2015.