Journal Archive

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.

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

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.