표제지
목차
요약 10
Abstract 11
제1장 서론 12
1.1. 연구배경 12
1.2. 연구 목적 13
1.3. 연구 방법 13
제2장 이론적 배경 15
2.1. 머신러닝 및 딥러닝 기법 15
2.1.1. Gradient Boosting Regressor Tree 15
2.1.2. Deep Neural Network 15
2.1.3. 1D-Convolution Neural Network 15
2.1.4. Long Short Term Memory 16
2.2. 밸브트레인 16
2.3. 밸브트레인 동특성 18
2.3.1. Contact Loss 18
2.3.2. Valve Seating Velocity 19
제3장 실험 방법 20
3.1. 데이터 확보 및 전처리 20
3.1.1. 데이터 확보 20
3.1.2. 데이터 전처리 22
3.2. 예측 모델 구축 23
3.2.1. GBRT 예측 모델 23
3.3.2. 딥러닝 기반 예측 모델 23
제4장 실험 및 결과 25
4.1. 예측모델의 성능 평가 25
4.1.1. GBRT 예측모델 성능 25
4.1.2. 딥러닝 기반 예측모델 성능 28
4.2. 예측 모델 검증 31
4.2.1. Base 사양 데이터에 대한 모델 성능 비교 31
4.2.2. Crank Angle 기준 Valve Train Force 예측결과 비교 34
4.2.3. 엔진 회전수 전 구간 Valve Train Force 예측결과 비교 36
4.2.4. Crank Angle 기준 Valve Seating Velocity 예측결과 비교 37
4.2.5. 엔진 회전수 전구간 Valve Seating Velocity 예측결과 비교 39
제5장 결론 41
참고 문헌 42
표 3-1. GBRT 예측 모델의 하이퍼 파라미터 23
표 3-2. 딥러닝 기반 예측모델의 하이퍼 파라미터 24
표 3-3. GBRT 예측 모델의 성능 25
표 3-4. Valve Train Force 예측에 대한 딥러닝 기반 예측모델의 성능 비교 28
표 3-5. Valve Seating Velocity 예측에 대한 딥러닝 기반 예측모델의 성능 비교 28
표 4-1. GBRT 및 1D-CNN 모델의 Base 사양 Valve Train Force에 대한 성능 비교 31
표 4-2. GBRT 및 1D-CNN 모델의 Base 사양 Valve Seating Velocity에 대한 성능 비교 33
그림 2-1. 밸브트레인의 개략도 17
그림 2-2. Contact Loss 18
그림 2-3. Valve Seating Velocity 19
그림 3-1. AVL EXCITE Timing Drive Dynamics 20
그림 3-2. 독립변수 및 종속변수 별 그래프 21
그림 3-3. 전처리 과정 개략도 22
그림 3-4. 1D-CNN & LSTM 모델 입력 데이터 형태 변경 24
그림 4-1. GBRT 모델 Valve Train Force 예측 26
그림 4-2. GBRT 모델 Valve Seating Velocity 예측 27
그림 4-3. 1D-CNN 모델 Valve Train Force 예측 29
그림 4-4. 1D-CNN 모델 Valve Seating Velocity 예측 30
그림 4-5. GRBT 및 1D-CNN 모델의 Base 사양 Valve Train Force 실제값과 예측값의 비교 32
그림 4-6. GRBT 및 1D-CNN 모델의 Base 사양 Valve Seating Velocity 실제값과 예측값의 비교 34
그림 4-7. GBRT 및 1D-CNN 모델의 Crank Angle 기준 엔진 RPM 별 Valve Train Force 실제값과 예측값 비교 35
그림 4-8. GBRT 및 1D-CNN 모델의 엔진 RPM 전 구간 Valve Train Force 실제값과 예측값 비교 37
그림 4-9. GBRT 및 1D-CNN 모델의 Crank Angle 기준 엔진 RPM 별 Valve Seating Velocity 실제값과 예측값 비교 38
그림 4-10. GBRT 및 1D-CNN 모델의 엔진 RPM 전 구간 Valve Seating Velocity 실제값과 예측값 비교 40