차량 통합 열관리 시스템의 개발을 위한 냉각계 모델링의 물리기반 방식과 신경망 방식의 비교
Comparison Between Physical and Neural Network Method of Cooling System Modeling for Development of Vehicle Integrated Thermal Management System
- 주제(키워드) Thermal Management , Deep Learning , Neural Network , VTMS , ITM
- 발행기관 아주대학교
- 지도교수 이종화, 박진일
- 발행년도 2021
- 학위수여년월 2021. 2
- 학위명 박사
- 학과 및 전공 일반대학원 기계공학과
- 실제URI http://www.dcollection.net/handler/ajou/000000030826
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
차량통합열관리시스템 (VTMS)은 엔진의 구동계의 냉각, 윤활, 과급, 배기재순환(EGR), 실내 공기조화 시스템 (HVAC) 뿐만 아니라, 전기자동차의 배터리 등 다양한 분야에서 열에너지를 효율적으로 사용하기 위한 서브시스템을 총칭한다. 최근 VTMS는 단가 대비 뛰어난 연비효과로 인해 주목 받으며 양산 차량에도 적용 범위가 넓어지는 등, 중요성이 강조되고 있다. VTMS는 최적의 제어를 위해 에너지 흐름을 모사한 모델을 필요로 한다. 모델링은 물리학 기반의 모델기반 예측모델이 일반적으로 사용된다. 그러나 물리 기반 모델링에는 필요한 매개 변수를 얻기 위해 별도의 실험적 접근이 필요하다. 매개 변수를 얻기 위한 실험적 접근 방식은 대부분 차량 단계가 아닌 부품단계에서 실험을 해야 하며, 외부 공기온도와 같이 제어하기 어려운 요소의 영향을 받는다. 따라서 냉각 챔버와 같은 별도의 실험 장치를 구성하고, 각각의 단품의 물리적 특성을 찾아내는데 큰 비용과 노력 그리고 전문성을 요구로 한다. 최근 딥러닝으로 잘 알려진 신경망 분야는 급격한 성장을 이루었다. 신경망 기법은 데이터의 입력과 출력간의 상관 관계만을 분석하기 때문에 매개 변수를 얻기 위한 별도의 실험을 필요로 하지 않는다. 따라서 본 연구에서는 VTMS를 개발하는 데 필요한 비용과 노력을 줄이기 위해, 딥러닝으로 익히 알려진 신경망 기반 방식을 적용한다. 또한 물리 기반 모델링을 Convolutional Long-Short Term Memory (ConvLSTM) 및 Temporal Convolutional Network (TCN)과 같은 최신 신경망 기법과 비교하여 모델의 정확도 측면에서 적합성을 확인하였다. 모델의 적합성을 검증하기 위해 전기제어밸브(ECV)가 장착 된 1L급 승용차의 물리적 특성을 측정하였다. 측정은 공인연비 인증 모드인 FTP-75, HWFET, WLTC 및 무작위의 실제 도로 주행 조건을 선정하였으며, 엔진오일과 냉각수의 온도를 측정하여 예측과 실제를 비교하여 정확도를 확인하였다. 테스트 된 모델의 비교 결과, 신경망 방식 중 TCN이 가장 우수한 성능을 보였으며 물리 기반 모델링과 비교하여 모델을 형성하는데 시간과 비용이 덜 소모되었다. 실제 측정 결과와 비교할 경우 TCN 모델의 오차는 MAE 0.2269, MSE 0.7441로, 기존의 물리기반 모델의 오차 MAE 1.9697, MSE 6.6763과 비교하여 신경망 기반 모델이 차량 냉각 시스템의 특성을 예측하는 데 효과적일 수 있음 확인하였다. 또한, 가상의 입력 조건에 대한 예측의 타당성을 물리기반 모델과 비교하였다. 제안 된 신경망 기법 모델을 사용할 경우, 예측 제어 및 VTMS 설계 분야의 연구 비용을 절감 할 수 있을 것으로 예상한다.
more목차
제1장 서론 1
제1절 연구의 배경 및 연구 동향 1
1. 차량 통합 열관리 시스템 (VTMS)의 연구 동향 1
2. 신경망 기법의 연구 동향 7
제2절 연구 내용 및 방법 12
제2장 물리 기반 모델링 14
제1절 차량 제원 및 냉각계 구조 14
제2절 이론적 수식화 21
1. 엔진 오일 모델 22
2. 냉각수 모델 26
제3절 실험적 상관계수 및 매개변수 연구 30
1. ECV (전자식 냉각수 유량 제어 밸브) 32
2. 기계식 워터펌프 35
3. 라디에이터 36
4. 엔진 발열 39
5. 기타 열교환기 43
6. 전체 시스템 45
제4절 시뮬레이션 모델 구성 50
1. 시뮬레이션 개요 51
2. 시뮬레이션 구조 상세 56
제3장 신경망 기반 모델링 62
제1절 신경망 기반 모델링 개요 62
1. 개발 환경 63
2. 입력 및 출력 데이터 65
3. 학습 및 검증 데이터 67
제2절 신경망 아키텍처 선별 연구 69
1. 자기회귀누적이동평균 (ARIMA) 70
2. 다층 퍼셉트론 (Multi-Layer Perceptron) 72
3. LSTM (Long Short-Term Memory) 77
4. GRU (Gated Recurrent Unit) 및 손실함수 변형 모델 82
5. Convolutional LSTM 87
6. Temporal Convolutional Network 92
제4장 연구 결과 97
제1절 모델링 결과 및 비교 97
1. 물리 기반 모델링 98
2. 신경망 아키텍처 선정을 위한 비교 103
3. 신경망 기반 모델링 109
제2절 신뢰성 판단을 위한 임의 입력 조건의 예측 비교 114
제3절 결과검토 및 기대효과 고찰 121
제5장 결론 125
참고문헌 127
