Lean burn hybrid electric vehicle optimization
and reinforcement learning
- Research
Super lean-burn spark-ignition engine for future hybrid electric vehicle초고효율 하이브리드 차량을 위한 초희박 불꽃 점화 엔진 연구
하이브리드 자동차는 엔진과 모터-배터리를 조합하여 에너지 효율을 극대화한 시스템이며 현재까지 수많은 자동차에 적용된 각광받는 차세대 기술임. 해당 시스템에서의 엔진은 직접 동력을 전달하거나 혹은 발전을 하는 등 선택적인 운전이 가능하기 때문에 일반 엔진과 다르게 운전 영역 선택에 대한 자유도가 높음. 더불어 특정 운전 영역에서 높은 효율을 갖는 불꽃 점화 엔진(Spark-ignition engine)의 특성으로 인해, 하이브리드 시스템에서 운전 영역의 집중화 및 효율 최적화가 가능해질 경우 기존 엔진 단독 시스템일 경우에 비해 월등한 효율 향상을 보여줌. 이러한 연비의 이점을 바탕으로 하이브리드 자동차는 친환경 자동차와 함께 차세대 동력원으로 각광받고 있음.
최근 들어 하이브리드 자동차 전용 엔진에서는 초희박 연소 기술이 주목을 받고 있으며 많은 개발이 이루어지고 있음. 초희박 연소란 일반적인 연료와 공기의 혼합 비율보다 공기의 투입 비율을 높인 연소 방식이며 높은 열효율과 우수한 배기 특성을 가짐. 그렇기에 해당 연소 방식의 장점들을 극대화하기 위한 다양한 연구들이 진행 중임. 비록 다양한 연구가 활발히 이루어지고 있지만 아직 기초 연구는 상대적으로 미흡한 상황임. 이러한 배경 아래 본 연구팀은 엔진 내부의 극한 열역학적 조건들과 유동을 독립적으로 모사할 수 있는 세계 최초의 시스템을 구축함. 따라서 본 연구는 다양한 열역학 조건에서의 내부 유동, 화염 등의 가시화를 통해 초희박 연소의 기초 특성에 대해 알아보고자 함.
프레서를 통해 압축(~90bar)된 공기를 봄베에 저장하며, 후단의 레귤레이터를 통해 공급 압력(20~60bar)을 제어. 테스트 챔버 전후단의 볼밸브의 개도를 통해 챔버 내 유량과 압력(10~30bar)을 제어하며 300kW급 히터를 통해 챔버 내 온도 제어
1차(충전)회로에 일정 기간 동안 전원을 공급하여 1차 코일이 충전되며,
전원이 cut-off 되는 순간에 1차 코일에 흐르던 전류가 갑자기 떨어지며
2차 코일에 자기장 유도가 발생함.
2차 전압이 서서히 증가하는 것은 외부 유동에 의하여 스파크 채널이 U자 형태로 길어지기 때문이며, 갑자기 전압이 떨어지는 것은 U자 형태의 스파크 채널을 가로지르는 새로운 채널이 형성되어 전반적인 스파크 길이가 짧아질 때 발생하는 short-circuit 현상에 해당함. 따라서, 오실로스코프를 통해 측정한 2차 전압 profile을 통해 이러한 현상을 포착할 수 있음.
<Machine Learning applications>에너지 시스템은 구성 요소들이 단독적으로 작동하는 것이 아니라 하나의 유기체로 작동함. 우리 연구실에서는 이런 비선형성이 강한 대상을 빅데이터 기반 방법론들을 활용하여 분석하고 최적화 하는 것에 대해서 연구하고 하고 있음. 특히, 현상에 대한 물리적 해석에 통계 처리 기법을 접목하여 보다 고도화된 인사이트를 만들고자 함.
Parallel Computing for Energy System Control Logic Validation and Diagnosis병렬 연산을 통한 에너지 시스템 제어 로직 검증 및 진단
기존의 에너지 시스템 제어 로직에 대한 검증이나 진단은, 엔지니어의 인사이트에 기반한 시험 조건에 대해서 실제 환경에서 실험하며 이루어져 왔음. 하지만 이를 통해 취득한 데이터가 모든 실제 운전 조건들을 대표할 수 없고, 시간과 비용이 많이 필요하다는 단점이 있었음. 또한, 상용 모델링 툴인 Simulink, GT-SUITE 혹은 Modelica를 통한 해석은 에너지 시스템 전반에 대해서가 아닌, 특정 컴포넌트 대상으로 이루어져 통합적인 이해가 불가능했음. 하지만 최근의 공학계에서는 시뮬레이션 모델간 상호작용을 가능하게 만들기 위해 FMI 표준 (Functional Mock-Up Interface)를 개발하고자 하는 노력이 있음. 이를 통해 각기 다른 플랫폼에서 만들어진 모델을 통합하여 하나의 시스템으로 통합하여 완성적인 해석을 할 수 있게 됨. 또한, 컴퓨터의 정보 처리 능력이 크게 발전되어, 복잡한 연산을 병렬적으로 빠르게 처리할 수 있게 되었음. 이를 통해 실제 환경에서의 실험이나 컴포넌트 차원의 분석을 넘어서, 시스템 차원의 시뮬레이션을 보다 다양한 운전 조건에서 고성능 컴퓨터에서 병렬 연산을 통해 에너지 시스템을 해석하는 것에 대한 연구가 활발히 이루어지고 있음. 우리 연구실에서도 HPC (High Performance Computer) 서버를 구축해 이러한 빅데이터 시뮬레이션을 해오고 있음. 대표적으로 차세대 자동차의 다양한 제어 로직 검증 및 진단에 관한 연구가 있음. 구체적으로 하이브리드 자동차(HEV)는 연비 향상 및 NOx 등과 같은 배출물 저감이, 전기자동차(EV)는 전비 향상이 해석의 목적이라 할 수 있음.
우리 연구실에서 과거부터 축적해온 다양한 실주행 데이터들뿐만 아니라, 교통 시뮬레이션 오픈소스인 SUMO (Simulation of Urban MObility)를 활용해 생성한 가상 주행 데이터를 해석에 필요한 운전 조건으로 활용하고 있음. 이를 통해 실제와 거의 유사한 테스트 환경을 구축할 수 있음. 또한, Simulink나 GT-SUITE으로 모델링 된 컴포넌트들을 하나의 FMI로 통합해 시스템 차원의 시뮬레이션을 할 수 있도록 함.
마지막으로 이러한 실험 주행 환경과 대상 모델을 자체 개발한 Python 기반의 병렬 연산 플랫폼에 통합하여 해석을 진행함. 그리고 취득한 데이터들에 대해 역학과 통계 기법들을 상호 보완적으로 활용하여 분석하는 방법론에 대해 연구하고 있음.
Integration of physics-based model and machine-learning-based model of energy system물리 기반 모델과 머신러닝 기반 모델의 결합을 통한 에너지 시스템 모사 연구
CO₂(이산화탄소), PM(미세먼지), NOx(질소산화물) 등 차량 배출물에 대한 관심과 규제가 강화되고 있어, 엔진 배기 배출 특성에 대한 연구가 꾸준히 진행되어 옴. 이 중 NOx는 산성비를 야기하거나 미세먼지의 2차 발생원이 되는 등 대기 환경에 여러 악영향을 주어 배출 규제 물질 중 하나로 손꼽히고 있음. 질소산화물은 주로 고온 연소에서 발생하며, 특히 가솔린 엔진에 비하여 디젤 엔진에서 많이 배출되는 것으로 알려져 있지만, 최근 수 십년 동안 배기 재순환 장치(Exhaust Gas Recirculation, EGR)나 배기 후처리 장치 등의 개발 등을 통해 디젤 차량에서의 NOx 배출량은 현저히 저감되어 왔음. 차량 배기 배출 규제에 대한 기준이 이전에는 실내에서 차대 동력계 위에서 정해진 cycle(속도 프로파일)을 뛰었을 때의 배출량이었다면, 최근에는 이러한 cycle이 훨씬 더 높은 속도나 부하 영역까지 포함하도록 가혹해지거나, 이를 넘어서 차량이 실제 도로 위를 주행하면서 발생하는 배출량 real-driving emission(RDE)에 대한 규제로 넘어 가고 있는 추세임. 따라서 자동차 제조사 및 정책 입안자 입장에서도 실도로 주행이라는 새로운 환경에서의 배출 특성이 어떻게 일어나고 이를 저감하기 위한 전략에 관심을 가지는 추세임.
이러한 흐름 속에서 우리 연구실에서는 특정 디젤 엔진 차량(19년식 현대 싼타페)을 타겟으로 삼아 해당 엔진의 성능이나 배출 특성을 모사할 수 있는 물리 기반의 모델을 개발해 왔음. 이 모델은 터보차저, EGR 제어 시스템, 연료 분사 시스템, 연소 현상 등에 대한 물리적 현상을 토대로 한다는 점에서 NOx 배출 현상이나 배출량에 대해 실제적으로 이해할 수 있다는 이점이 있음. 하지만 이러한 모델은 매우 짧은 시간 간격에 대하여 각 위치별 물리량(온도, 압력, 유량, 조성 등)을 ODE solver를 통해 일일이 풀어야 한다는 점에서 많은 시간과 컴퓨팅 파워가 요구된다는 단점이 있음. 이를 보완하기 위하여 머신 러닝 기법 중 deep-neural -network 모델 적용을 통해 분석을 수행하고 있으며, 비록 물리 기반 모델에 비해서 결과값이나 모델 자체에서 현상적인 이해가 어렵다는 한계가 있지만, 모델이 가볍고 예측성이 좋다는 등의 장점에 주목하고 있음. 따라서 두 형태의 모델 중 하나가 나머지의 완벽한 대체재가 될 수는 없지만, 두 모델 각각의 장점을 활용하여 서로 보완적인 형태의 예측 모델을 개발하려는 시도를 진행중임.
Reinforced Learning강화학습
강화학습을 통해 복잡한 시스템을 제어하기 위한 시도와 연구 결과들이 많아지고 있음. 강화학습 분야 자체도 계속해서 범용적이고 더 높은 성능을 보장하는 알고리즘들이 개발되고 있음. 특히 차량에서도 여러 부분에서 제어로직을 필요로 하고 있으며 동적 계획법과 비슷한 성능을 구사하면서 더 다양한 환경에서 작동할 수 있는 학습에 용이한 모델들을 개발할 수 있을 것이라 예상됨.
-
하이브리드 차량 모터 엔진 동력 분배
배출가스 규제가 강화되고 있어 하이브리드 차량의 도입이 가속되었음. 여전히 차량 제어의 핵심 요인은 배출가스와 동력의 효율임. 하이브리드 차량 또한 배출가스의 규제를 만족하면서 엔진과 모터의 적절한 분배를 통해 차량 운행 효율을 극대화하는 것이 중요함. 특히 배터리를 효과적으로 사용하면서도 적절한 회생제동을 통해 충전 상태를 유지해야 함. 차량이 요구하는 속도 프로파일을 정확하게 따라가면서 엔진과 배터리의 효율을 최대화할 수 있는 동력 분배 제어가 필요함.
-
시동 과정이나 급격한 부하 변화 구간 맵데이터 보완
EV 모드에서 엔진을 시동하는 과정과 급격하게 부하가 변화하는 구간과 같이 NOx가 집중적으로 발생하는 영역들에 대해서는 추가적인 보완이 필요함. 기존의 실험을 통한 맵데이터로는 실험하지 못한 영역까지 교정하기에 데이터가 부족함. 시험데이터를 통해 기초적인 맵데이터 이상의 성능을 보장할 수 있는 모델을 통해 실험되지 않은 영역까지도 일정 수준 이상의 배출가스 저감을 보장할 수 있는 제어 모델을 생성하고자 함.