A Deep Learning Model using In-cylinder Pressure for LP-EGR Estimation in a T-GDI Engine

Abstract

As vehicle energy and CO2 emission regulations have been strengthened worldwide, low-pressure cooled exhaust gas recirculation (LP-EGR) is regarded as one of the most promising technologies for improving the fuel efficiency of turbocharged gasoline direct injection (T-GDI) engines. To realize the beneficial effects of LP-EGR, the accurate estimation of the LP-EGR rate is essential for the sophisticated control of the engine equipped with an LP-EGR system. In this respect, previous studies have suggested in-cylinder pressure-based LP-EGR models to obtain the LP-EGR rate into the cylinders with a fast response. However, these methods have difficulty in precisely estimating the LP-EGR rate over a wide range of engine operations due to the limited number of combustion factors to determine the dilution effects of the LP-EGR. Moreover, these methods cannot deal with cycle-to-cycle variation in the cylinder pressure measurements caused by an inherent characteristic of the spark ignition (SI) engine combustion. In order to resolve these limitations, this dissertation investigates two main subjects for the design of in-cylinder pressure based LP-EGR estimation models. The first subject is a design of the LP-EGR model based on various combustion parameters derived from (1) heat release analysis, (2) central moment calculation, and (3) principal component analysis (PCA). These approaches focus on extracting the combustion parameters that are highly correlated to the diluent effects of LP-EGR. Furthermore, in order to resolve the estimation errors from cycle-to-cycle variations, a static Kalman filter is applied to provide the practically usable estimates. The proposed model demonstrated fast and precise LP-EGR estimation performance under steady and transient conditions. The model was evaluated for a wide range of steady-state conditions with an R2 value over 0.98. The instantaneous response of the cycle-basis LP-EGR estimation was validated under transient conditions. As a second method to further improve LP-EGR estimation performance, a deep learning based LP-EGR model is proposed. The previous combustion parameter based LP-EGR model demonstrates reasonable estimation accuracy; however, it requires considerable manual processing to extract and analyze combustion characteristics from cylinder pressure traces. In addition, the performance of the model is restricted solely to certain hand-crafted characteristics and their mathematical formulations. To solve these problems, an in-cylinder pressure based convolutional neural network (CNN) is proposed for LP-EGR estimation. Because the CNN model automatically learns the complex function between the raw input of the high-dimensional cylinder pressure traces and the LP-EGR rate through an end-to-end deep learning framework, this model provides a more effective and precise modeling process compared to the conventional combustion characteristics based regression models. The proposed CNN model consists of the input layer with the previous consecutive cycles of the pressure traces to resolve the model uncertainty from cycle-to-cycle variations. This input layer is connected to one convolutional layer, two fully-connected layers, and a final output layer that produces the target LP-EGR rate. The proposed model was trained, validated, and tested using a total of 50,000 cycles of engine experimental data under various transient driving conditions. The remarkable accuracy of the proposed model was evaluated with R2 values over 0.99 and RMSE values of less than 1.5% under the transient conditions. Moreover, the real-time performance and low memory requirement were also verified on the target embedded platform.| 차량의 에너지 및 이산화탄소 규제가 강화됨에 따라 저압 배기가스 재순환 (Low Pressure cooled Exhaust Gas Recirculation, LP-EGR) 시스템은 터보 가솔린 직분사 (Turbocharged Gasoline Direct Injection, T-GDI) 엔진의 연비를 향상시킬 수 있는 기술로 촉망받고 있으며, LP-EGR의 연비향상을 실현하기 위해서는 정교한 엔진 제어를 위한 정확한 LP-EGR의 추정이 필수적이다. 이러한 관점에서, 빠른 응답성능으로 정확한 추정이 가능한 연소압력 기반 LP-EGR 모델이 주목받고 있다. 하지만, 이전 연구 사례에서는 제한된 수의 연소인자로 인하여 광범위한 엔진 운전 영역에서 LP-EGR을 정확하게 추정하는 데 어려움이 있으며, 특히 스파크 점화 (Spark Ignition, SI) 엔진 연소의 사이클 간 편차를 고려하지 못하기 때문에 실제 과도구간 운전영역에서 적용할 수 없다. 이러한 문제점을 극복하기 위하여, 본 박사학위논문에서는 연소압력 기반 LP-EGR 추정 모델 설계에 대한 두 가지 주요 방법을 제시한다. 먼저, (1) 열 발생량 분석, (2) 중심 모멘트 연산, 그리고 (3) 주성분 분석을 이용한 연소인자 기반 LP-EGR 회귀 모델을 제안한다. 이 접근법은 희석연소 효과와 상관관계가 높은 다양한 연소특성을 도출하는 것에 중점을 두며, 또한 사이클 간 편차로 인한 추정 오차를 저감하기 위하여 칼만 필터를 적용한다. 제안된 모델의 정확한 추정 성능과 빠른 응답성능은 다양한 정상상태 및 과도구간 엔진실험을 통해 검증되었다. 더 나아가 LP-EGR 추정 성능을 향상시키기 위하여, 이 논문은 최종적으로 딥러닝 기반 LP-EGR 모델을 제시한다. 앞서 제안한 연소인자 기반 LP-EGR 모델 또한 합리적인 모델 성능을 나타내지만, 이러한 방법은 실린더 내 압력 파형으로부터 연소 특성을 추출하고 분석하기 위한 상당한 수작업의 노력을 수반한다. 또한, 최종적인 LP-EGR의 추정 성능 역시 사람이 수작업으로 도출한 연소인자와 그들만의 수학적 관계식으로 제한된다. 이러한 문제를 해결하기 위하여 본 논문에서 실린더 내 압력 기반 컨볼루션 신경망 (Convolutional Neural Network, CNN) 모델을 새로운 접근방법으로 제안한다. CNN 모델은 종단 간 심층학습기법을 통하여 고차원 실린더 압력 파형의 원시 입력과 최종 출력인 LP-EGR의 복잡한 관계를 자동화된 프로세스로 학습하기 때문에 더욱 효과적인 모델링 프로세스를 제공하며, 전체적인 모델의 추정 성능이 수동적인 프로세스에 의해 한정되지 않기 때문에 더욱 정확한 추정 결과를 획득할 수 있다. 제안한 CNN 모델은 실린더 내 압력의 사이클 간 편차로 인한 모델의 불확실성을 완화하기 위하여 이전의 연속된 연소압력 사이클을 이용하여 입력 계층을 구성한다. 이러한 입력 계층은 하나의 컨볼루션 계층, 두 개의 완전연결계층을 거쳐 출력 계층인 LP-EGR로 연결되며, 최종적인 네트워크의 구조는 하이퍼파라미터 최적화를 기반으로 결정된다. 제안한 CNN 기반 딥러닝 모델은 다양한 과도구간 주행 조건에서 총 50,000 사이클의 엔진 실험데이터를 이용하여 학습, 검증, 그리고 테스트 되었으며, 0.99 이상의 높은 상관관계계수와 1.5% 미만의 오차로 상당히 정확한 LP-EGR 추정 성능을 입증하였다. 또한, 대상 임베디드 환경에서 1.5 ms 의 실시간 성능과 37 kB 의 적은 메모리 요구사항 역시 확인되었다.; however, it requires considerable manual processing to extract and analyze combustion characteristics from cylinder pressure traces. In addition, the performance of the model is restricted solely to certain hand-crafted characteristics and their mathematical formulations. To solve these problems, an in-cylinder pressure based convolutional neural network (CNN) is proposed for LP-EGR estimation. Because the CNN model automatically learns the complex function between the raw input of the high-dimensional cylinder pressure traces and the LP-EGR rate through an end-to-end deep learning framework, this model provides a more effective and precise modeling process compared to the conventional combustion characteristics based regression models. The proposed CNN model consists of the input layer with the previous consecutive cycles of the pressure traces to resolve the model uncertainty from cycle-to-cycle variations. This input layer is connected to one convolutional layer, two fully-connected layers, and a final output layer that produces the target LP-EGR rate. The proposed model was trained, validated, and tested using a total of 50,000 cycles of engine experimental data under various transient driving conditions. The remarkable accuracy of the proposed model was evaluated with R2 values over 0.99 and RMSE values of less than 1.5% under the transient conditions. Moreover, the real-time performance and low memory requirement were also verified on the target embedded platform.