KR101307224B1 - 인공 신경망 기법을 이용한 타이어 플랫스팟 성능 예측 방법 - Google Patents

인공 신경망 기법을 이용한 타이어 플랫스팟 성능 예측 방법 Download PDF

Info

Publication number
KR101307224B1
KR101307224B1 KR1020110128899A KR20110128899A KR101307224B1 KR 101307224 B1 KR101307224 B1 KR 101307224B1 KR 1020110128899 A KR1020110128899 A KR 1020110128899A KR 20110128899 A KR20110128899 A KR 20110128899A KR 101307224 B1 KR101307224 B1 KR 101307224B1
Authority
KR
South Korea
Prior art keywords
tire
data
neural network
performance
artificial neural
Prior art date
Application number
KR1020110128899A
Other languages
English (en)
Other versions
KR20130062567A (ko
Inventor
최대원
김기현
조명국
Original Assignee
넥센타이어 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 넥센타이어 주식회사 filed Critical 넥센타이어 주식회사
Priority to KR1020110128899A priority Critical patent/KR101307224B1/ko
Publication of KR20130062567A publication Critical patent/KR20130062567A/ko
Application granted granted Critical
Publication of KR101307224B1 publication Critical patent/KR101307224B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • G01M17/02—Tyres

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Tires In General (AREA)

Abstract

본 발명은 인공 신경망 기법을 이용한 타이어 플랫스팟(Tire Flat Spot) 성능 예측 방법에 관한 것이다.
본 발명의 목적은 완제품 타이어를 직접 제작하지 않고 데이터 마이닝 기법 중 인공 신경망 기법을 이용한 타이어 개발에 있어서 타이어 플랫스팟(Tire Flat-Spot)에 대한 성능 예측을 할 수 있는 인공 신경망 기법을 이용한 타이어 플랫스팟 성능 예측 방법을 제공하는 것 등에 그 목적이 있다.
상기 목적달성을 위해 본 발명의 방법은, 타이어 플랫스팟(Tire Flat-Spot)에 대한 성능을 예측하기 위해 외부의 장치로부터 각종의 데이터를 입력받는 단계; 데이터 전처리부에 의해 상기 입력된 데이터를 전 처리하는 단계; 인공 신경망 모델부 의해 타이어의 각 성능 예측 항목에 대해 예측 모델링하는 단계; 데이터 예측부에 의해 상기 예측 모델링을 기초로 타이어 플랫스팟(Tire Flat-Spot)에 대한 성능을 예측하는 단계; 데이터 후 처리부에 의해 상기 입력된 데이터를 후 처리하는 단계; 예측 출력부에 의해 상기 타이어 플랫스팟에 대한 성능 예측 결과를 출력하는 단계; 및 모니터링 부에 의해 상기 예측 출력 결과를 모니터링하는 단계를 포함하는 것을 특징으로 하는 인공 신경망 기법을 이용한 타이어 플랫스팟 성능 예측 방법을 제시한다.

Description

인공 신경망 기법을 이용한 타이어 플랫스팟 성능 예측 방법{Method for Predicting Flat-Spot Performance through Neural Network}
본 발명은 인공 신경망 기법을 이용한 타이어 플랫스팟(Tire Flat Spot) 성능 예측 방법에 관한 것으로, 특히 완제품 타이어를 직접 제작하지 않고 데이터 마이닝 기법 중 인공 신경망 기법을 이용한 타이어 개발에 있어서 타이어 플랫스팟(Tire Flat-Spot)에 대한 성능 예측을 할 수 있는 인공 신경망 기법을 이용한 타이어 플랫스팟 성능 예측 방법에 관한 것이다.
차량이 인도되기 전 장시간 방치된 상태나 또는 주행 후 타이어가 발열된 상태에서 장시간 주차를 하고 나서 다시 주행을 시작하게 되면 타이어 트레드면 접촉부위에서 약간의 변형이 일어날 수 있게 된다. 이런 상태로 계속 주행을 하게 되면 약간의 불규칙한 진동이나 소음이 발생하게 된다. 이러한 현상을 플랫 스팟(Flat Spot) 현상이라고 한다.
최근, 국제적으로 자동차의 승차감에 대한 관심이 높아지고 있는 추세이며, 특히 전술한 바와 같은 자동차를 장기간 고온 및 저온에 장기간 주차 후 차량 운행시 발생되는 진동 즉 플랫 스팟을 줄이기 위해서 타이어 구조 설계 및 타이어 재료 연구를 통한 최적화 연구가 매우 활발히 이루어지고 있다.
일부 타이어 원주 방향 토크를 예측하는 방법 및 타이어 구동 효율성 측정 방법, 타이어 소음 측정 방법, 타이어 수명 예측 방법, 타이어 공기압 이상 예측 방법과 관련하여 몇몇의 특허문헌들이 공개되어 있다. 예를 들어 대한민국공개특허 제10-2000-0014285호, 제10-2006-0039787호, 제10-1998-072583호 등에 타이어 관련 예측 장비 및 방법들이 개시되어 있다.
위에서 언급한 특허들의 내용을 구체적으로 살펴보면, 상기 공개특허 제10-2000-0014285호는 제품생산 이전 설계단계에서 타이어의 소음을 시뮬레이션을 통해 예측·개선하는 방법에 관한 것으로, 타이어 패턴 소음을 발생시키는 가진력을 수학적으로 모델화함에 있어서, 접지면에 따른 타이어의 폭 방향으로의 가중 팩터와 타이어 진행방향으로의 가중 팩터를 사용함으로써 실제 주행상황과 유사하게 타이어 패턴 소음을 예측 및 평가할 수 있고, 타이어의 폭 방향 및 진행방향 가중 팩터는 접지면을 단위요소로 분할하여 접지압 측정장치를 이용하여 측정하고, 이를 다중회귀분석한 결과를 통하여 계산하고, 타이어의 접지면 단위요소에 대한 접지압 가중 팩터와 가진력을 곱하여 얻은 결과를 타이어 폭 방향 및 주행방향으로 중첩시키고, 피치율을 곱하여 원주상에 특정 순서로 배열함으로써 타이어 패턴 소음을 예측하는 것에 대해 개시하고 있다.
상기 공개특허 제10-2006-0039787호는 타이어의 내부 온도 및 압력 변동치에 따라 타이어의 교체시기를 알려주는 타이어 수명 예측 장치 및 방법에 관한 것으로, 타이어 위치 식별 정보를 저장하고 차량의 주행에 따른 타이어의 내부 압력과 노면과 마찰에 의한 타이어의 내부 온도를 측정하여 상기 위치 식별 정보와 함께 전송하는 송신기와, 타이어 교체 온도 기준값 및 압력 기준값을 저장하고 상기 송신기가 전송한 타이어 위치 식별 정보와 상기 타이어의 내부 온도 및 압력을 검출하여 상기 타이어 교체 온도 기준값 및 압력 기준값과 비교하여 상기 타이어 내부 온도 및 압력 중 어느 하나가 상기 타이어 교체 온도 기준값 및 압력 기준값 보다 크면 타이어를 교체할 것을 알리는 경보 신호를 생성하여 출력하는 수신기와, 상기 경보 신호를 입력받아 운전자에게 경보하는 경보부를 구비한 타이어 수명 예측 장치에 대해 개시하고 있다.
또한, 공개특허 제10-1998-072583호는 타이어의 공기압 이상 예측방법에 관한 것으로, 자동차의 차축에 마그네틱 픽업과 기어형태의 디스크를 부착하여 차속을 측정하는 차속센서로부터의 차속신호와 조향각 센서로부터의 스티어링 휠 중립신호를 ECU에서 제어하여 각 바퀴의 회전속도를 측정하고, 스티어링 휠이 중립상태 인가를 판단하여 스티어링 휠이 중립상태를 유지하고 4바퀴의 회전속도가 일정시간 동안 계속적으로 다르게 계측되면 운전자에게 경고하게끔 한 타이어의 공기압 이상 예측방법에 대해 개시하고 있다.
그러나 타이어 성능 예측 방법에 대해서는 아직 연구가 미진한 실정에 있다. 타이어 플랫스팟(Tire Flat-Spot)에 대한 성능 예측 방법으로 인공 신경망 기법을 적용한 예는 종래에 제안된 바가 없었다.
따라서 본 발명자는 기존의 다양한 분야에서 적용되고 있는 데이터 마이닝 기법 중 하나인 인공 신경망 기법을 타이어 플랫스팟(Tire Flat-Spot)에 대한 성능 예측 방법에 적용하는 것을 고려하게 되었다. 여기서 참고로 데이터 마이닝 기법은 데이터베이스로부터 과거에는 알지 못했지만 데이터 속에서 유도된 새로운 데이터 모델을 발견하여 미래에 실행 가능한 정보를 추출해 내고 의사 결정에 이용하는 과정을 말한다. 즉 데이터에 숨겨진 패턴과 관계를 찾아내어 광맥을 찾아내듯이 정보를 발견해 내는 것을 말한다.
또한, 타이어는 비선형 복합체이며 타이어 성능을 높이기 위해서는 특성 인자의 변경뿐만 아니라 복합적인 설계 인자를 다양하게 변경하는 것이 일반적이다. 그래서 비선형 복합체인 타이어의 성능을 예측하기 위해서는 선형적인 예측보다는 비선형 예측에 적합한 예측 기법을 적용한 방법이 필요하게 될 것이다.
대한민국공개특허 제10-2000-0014285호, 제10-2006-0039787호, 제10-1998-072583호
본 발명은 상기와 같은 종래 기술의 배경하에서 안출된 것으로서, 데이터 마이닝 기법중 하나인 인공 신경망 기법을 타이어 성능 예측에 적용하여, 타이어 제조 시 선택되는 구조, 고무, 패턴, 사이즈 데이터와 시험 환경 조건 데이터를 인공 신경망에 적용하고 타이어 전용 인공 신경망 모델부를 거쳐 최종 출력물인 타이어 플랫스팟(Tire Flat-Spot) 성능을 예측할 수 있도록 한 인공 신경망 기법을 이용한 타이어 플랫스팟 성능 예측 방법을 제공하는데 그 목적이 있다.
또한, 본 발명은 타이어 해석 기반의 예측 방법과 전혀 다른 예측 방법을 이용하여 일반적인 타이어 해석 기법에서 많은 소요 시간과 성능별 다량의 타이어 해석 모델이 필요로 하는 문제를 해결할 수 있는 인공 신경망 기법을 이용한 타이어 플랫스팟 성능 예측 방법을 제공하는데 다른 목적이 있다.
본 발명은 상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 인공 신경망 기법을 이용한 타이어 플랫스팟 성능 예측 방법은, 데이터 마이닝 기법 중 인공 신경망 기법을 이용한 타이어 개발에 있어서 타이어 플랫스팟(Tire Flat-Spot)에 대한 성능을 인공 신경망 기법을 이용하여 예측하는 방법으로서,
타이어 플랫스팟(Tire Flat-Spot)에 대한 성능을 예측하기 위해 외부의 장치로부터 각종의 데이터를 입력받는 단계;
데이터 전처리부에 의해 상기 입력된 데이터를 전 처리하는 단계;
인공 신경망 모델부에 의해 타이어의 각 성능 예측 항목에 대해 예측 모델링하는 단계;
데이터 예측부에 의해 상기 예측 모델링을 기초로 타이어 플랫스팟(Tire Flat-Spot)에 대한 성능을 예측하는 단계;
데이터 후 처리부에 의해 상기 입력된 데이터를 후 처리하는 단계;
예측 출력부에 의해 상기 타이어 플랫스팟에 대한 성능 예측 결과를 출력하는 단계; 및
모니터링 부에 의해 상기 예측 출력 결과를 모니터링하는 단계를 포함하는 것을 특징으로 하는 인공 신경망 기법을 이용한 타이어 플랫스팟 성능 예측 방법을 제시한다.
본 발명에 의하면 기존의 개발 과정의 시스템 변경 없이 개발자가 제조하기 위한 타이어의 제조 사양만 있으면 개발자가 쉽고 간편하게 타이어 플랫스팟(Tire Flat-Spot)을 예측함으로써 타이어 신개발품 및 성능 육성 단계에서 발생될 수 있는 개발 지연 및 추가 비용을 줄일 수 있는 효과를 얻을 수 있다. 또한 기존 유한요소해석을 이용한 타이어 성능을 확인하는 방식 대비 시간적인 측면 및 신뢰성 측면에서 이점을 기대할 수 있으며, 또한 타이어 개발 비용 면에서 이점을 기대할 수 있다. 또한 타이어 플랫스팟(Tire Flat-Spot)과 트레드 오프(Trade Off) 관계 즉, 타이어의 일부 성능을 높이기 위해서 타이어 구조 설계 변경 또는 타이어 고무 설계 변경 또는 타이어 트레드 패턴 변경 등을 하게 되면 반대 성향을 가지는 타이어의 다른 성능이 낮아지는 관계에 있는 타이어 고속 내구력, 부하 내구력, 조정 안정성 및 트랙션(traction)의 성능 육성에도 간접적인 효과를 얻을 수 있다.
도 1은 타이어 플랫스팟(Tire Flat-Spot) 성능 예측 방법에 대한 흐름도를 도시한다.
도 2는 도 1의 인공 신경망 모델부의 상세 구성을 나타낸 도면이다.
도 3은 타이어 플랫스팟에 대한 예측 결과와 실제 시험 결과의 회귀 결과를 나타낸 도면이다.
도 4는 타이어 플랫스팟에 대한 예측 결과와 실제 시험 결과의 편차 분석 결과를 나타낸 도면이다.
도 5는 타이어 플랫스팟에 대한 예측 결과와 실제 시험 결과를 나타낸 도면이다.
이하 본 발명의 실시 예에 따른 인공 신경망 기법을 이용한 타이어 플랫스팟(Tire Flat-Spot) 성능 예측 방법을 도면을 참조로 하여 상세히 설명하기로 한다.
도 1은 타이어 플랫스팟(Tire Flat-Spot) 성능 예측 방법에 대한 흐름도를 도시한다.
이하, 도 1을 참조로 하여 타이어 플랫스팟(Tire Flat-Spot)에 대한 성능 예측 방법에 대해 설명한다.
먼저 도시치 않은 외부의 장치로부터 타이어 플랫스팟(Tire Flat-Spot)에 대한 성능을 예측하기 위해 각종 데이터를 입력받고(S10), 상기 입력받은 데이터를 데이터 전 처리부(300)에 의해 전처리 한 다음(S20) 인공 신경망 모델부(500)에 의해 플랫 스팟 성능을 예측 모델링하고, 데이터 예측부(600)에 의해 데이터를 예측하고, 데이터 후 처리부(700)에 의해 데이터를 후 처리하고(S30, S40, S50) 상기 후 처리된 데이터를 예측 출력부(800)에 의해 예측 출력하고, 이 출력된 데이터를 모니터링부(900)에 의해 모니터링하는 단계로 이루어진다(S60, S70).
상기 단계 S10에서 타이어 플랫스팟(Tire Flat-Spot)에 대한 성능을 예측하기 위해서는 도시치 않은 외부장치로부터 데이터 구조 인자 및 데이터, 타이어 고무 조성물 데이터, 타이어 고무 특성 데이터, 타이어 트레드 패턴, 타이어 사이즈, 시험 환경 조건에 대한 데이터 등을 입력받는다.
상기 입력은 구체적으로 예측을 위한 입력 인자 도시한 표 1과 표 2에 열거한 바와 같은 세부 인자에 대한 데이터를 입력 받게 된다.
입력 인자
제조사양 Tread Type
전폭
길이
TC 두께
SideWall Compound
전폭
SWF
SWI
SWC
Inner Liner 두께
Patch.전폭
Bead Filler Comp'd
Filler높이
Steel Belt Construction
SB#1Width
SB#2Width
Angle
Edge Tape 유/무
입력 인자
제조사양 Body Ply Contruction
Top'g Compound
Top'g Gauge
BP#1 폭
BP#2 폭
BP#1TUH
BP#2TUH
TPI 유/무
위치
크기
Warp Contruction
CapType
성형시 Spec' PA폭
BTB
시험조건 Forming
조건		 공기압 [kgf/cm2]
하중 [kgf]
STEP #1 온도 [℃]
시간 [hr]
STEP #2 온도 [℃]
시간 [hr]
STEP #3 온도 [℃]
시간 [hr]
측정
조건		 하중 [kgf]
속도 km/h
상기 플랫스팟 성능 예측 모델링 단계(S30)는 구체적으로는 타이어 플랫스팟(Tire Flat-Spot) 성능 예측 항목에 대한 예측 모델링을 하는 단계로 타이어 레디얼 런아웃(Tire Radial Run-Out) 및 타이어 RFV(Tire Radial Force Variation; 타이어 반경방향 힘 변화)에 대한 모델링을 포함한다(S30-1, S30-2).
상기 플랫스팟 성능 예측 모델링 단계에서는 타이어 플랫스팟에 대한 모델링 후의 예측 결과를 도출하기 위해서 다음의 과정을 필요로 한다. 데이터베이스 서버(100)에 의해 기존 시험 결과에 대한 데이터 베이스를 구축하고, 데이터 수집부(200)에 의해 데이터를 수집하고, 데이터 전 처리부(300)에 의해 상기 수집된 데이터를 전처리하는 과정을 포함한다(S30"-1, S30"-2, S30"-3).
이어 인공신경망 적용부(400)에 의해 인공 신경망을 적용하는 것으로(S30'), 제1 계수(First Coefficient)를 적용하고, 성형 계수(Forming Coefficient)를 적용하고, 성형 지수(Forming Index)를 적용한다(S30'-1, S30'-2, S30'-3).
이렇게 인공신경망 적용부(400)에 의해 처리된 최종 최적화 가중치를 이용해 하여 인공 신경망 모델부(500)에 의해 상기 타이어 레디얼 런아웃(Tire Radial Run-Out) 모델링과 타이어 RFV(Tire Radial Force Variation) 모델링을 수행한다. 전술한 바와 같은 플랫스팟 성능 예측 모델링을 통해서 데이터 예측이 가능하게 된다. 상기 인공 신경망 적용부(400)에서는 인공 신경망 기법을 적용하게 된다.
도 2는 도 1의 인공 신경망 모델부의 상세 구성을 나타낸 도면이다.
상기 인공 신경망 모델부(500)는 플랫스팟 성능 예측 모델링에 적용되며, 입력층(In-Put Layer; 10), 은닉층(Hidden Layer; 20), 출력층(Out-Put Layer; 30)으로 설계된 다층 신경망이다.
입력층(10)은 단층 구조로 최소 1개에서 최대 2000개의 뉴런(Neuron)으로 설계되어 있으며, 은닉층(20)은 2층 다중 구조로 각 층마다 최소 1개에서 최대 1500개의 뉴런(Neuron)으로 설계되어 있다. 또한, 출력층(30)은 단층 구조로 최소 1개에서 최대 1000개의 뉴런(Neuron)으로 구성되어 있다.
상기 플랫스팟 성능 예측 모델링 단계(S30)에서 도출된 각 성능 항목의 결과는 데이터 예측 단계(S40), 데이터 후 처리단계(S50)를 거쳐 최종으로 예측 출력 단계(S60)에서는 타이어 플랫스팟(Tire Flat-Spot)에 대한 성능 예측 결과를 출력하게 된다. 성능 예측에 대한 세부 조건 및 결과 인자에 대한 데이터 범위는 표 3, 표 4에 상세히 도시되어 있다.
타이어 플랫스팟 성능 예측 결과는 표 4에 도시한 바와 같이 타이어 플랫스팟의 실제 시험 조건 및 표 3의 절차의 결과를 예측하게 된다. 표 1의 타이어 제조 사양과 표 2의 타이어 플랫스팟(Tire Flat-Spot) 결과에 대한 과거 데이터를 도 1의 인공 신경망 적용을 거쳐 최적화 가중치를 도출한다. 상세하게는 도 2의 D를 거쳐 도출된 최적화 가중치는 다시 도 1의 플랫 성능 예측 모델링 단계(S30)의 타이어 레디얼 런아웃(Tire Radial Run-Out) 모델링과 및 타이어 RFV(Tire Radial Force Variation) 모델링을 통해 최종 타이어 플랫스팟(Tire Flat-Spot) 성능 예측 모델링을 하는데 적용되게 된다. 타이어 플랫스팟 성능 예측 모델링이 만들어진 상태에서 예측을 하기 위해서 표 1과 표 2의 예측 입력 인자를 결정하게 되면 아래의 표 3의 예측 조건 범위와 표 4의 결과 범위 내에서 타이어 플랫스팟의 결과인 복원율[%]을 예측하게 된다.
Flat-Spot 예측 Condition
Forming
Condition		 Step 1 Inflation 1~1000kPa
Load 100kgf ~ 2000kgf
Temp. 0 ~120℃
Time 1 ~ 72hr
Step 2 Inflation 1~1000kPa
Load 100kgf ~ 2000kgf
Temp. -120 ~ 120℃
Time 1 ~ 72hr
Step 3 Inflation 1~1000kPa
Load 100kgf ~ 2000kgf
Temp. -60 ~ 60℃
Time 1 ~ 72hr
Uniformity
Test		 Speed 20 ~ 140km/h
Factor RRO, RFV, R1H
출력(예측결과) 인자 및 범위
구분 단위 예측 결과 수준
Flat Spot 결과 복원율[%] 0 ~ 99%
따라서 본 발명에 의한 타이어 플랫스팟 성능 예측 방법을 적용할 경우 종래의 특별한 예측 기술 없이 타이어 개발 및 생산에 소요되는 시간 및 비용을 줄일 수 있으며, 더불어 타이어 플랫스팟(Tire Flat-Spot) 성능의 트래드 오프(trade-off) 관계에 있는 타이어 고속 내구력, 부하 내구력, 조정 안정성, 트랙션(traction) 성능의 향상도 기대할 수 있다.
이하 본 발명을 타이어를 실제로 제작하여 시험한 결과와 본 발명의 실시예에 따라 예측한 결과를 통하여 상세히 설명하기로 한다. 그러나 본 발명은 이하 기술하는 설명으로 한정되지 않으며, 청구범위에 기술하는 본 발명의 영역 내에서 당업자에 의해 여러 가지로 수정 및 변형될 수 있음은 물론이다.
도 5는 타이어 플랫스팟(Tire Flat-Spot) 시험 및 예측 결과를 보여주고 있다. 타이어 구조, 패턴, 크기가 전혀 다른 15본의 타이어를 대상으로 실제 시험 및 예측을 하였다. 도 4는 타이어 플랫스팟(Tire Flat-Spot)에 대한 예측 결과와 실제 시험 결과의 편차 분석 도면으로서, 도 4에서 볼 수 있는 바와 같이, 시험 결과와 예측 결과의 오차는 최소 0.9%에서 최대 2.5%이며 일반적으로 타이어 플랫스팟 시험의 시험 오차는 약 3.0%이다. 또한 타이어 플랫스팟(Tire Flat-Spot)에 대한 예측 결과와 실제 시험 결과의 회귀 결과 도면인 도 3에서 타이어 플랫스팟의 예측결과 대비 실제 시험 결과의 회귀분석 결과 다중상관계수 R2 = 0.9238를 고려한 결과 예측 성능은 매우 우수함을 확인할 수 있다.
지금까지 본 발명의 일 실시예에 따른 인공 신경망 기법을 이용한 타이어 플랫스팟 성능 예측 방법을 첨부 도면을 참조로 하여 설명하였으나 이것은 예시 목적이지 이것으로 본 발명을 한정하고자 함은 아니며, 본 발명의 범위는 상세한 설명보다는 이하의 부속청구범위에 의해 정해지며, 본 발명의 특허청구범위의 의미 및 범위 그리고 그 등가 개념으로부터 도출되는 모든 변경 또는 변형 형태는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.
10: 입력층 20: 은닉층
30: 출력층 100: 데이터베이스서버
200: 데이터 수집부 300: 데이터 전 처리부
500: 플랫 스팟 성능 예측 모델부
600: 데이터 예측부 700: 데이터 후 처리부
800: 예측 출력부 900: 모니터링 부

Claims (8)

  1. 데이터 마이닝 기법 중 인공 신경망 기법을 이용한 타이어 개발에 있어서 타이어 플랫스팟(Tire Flat-Spot)에 대한 성능을 인공 신경망 기법을 이용하여 예측하는 방법으로서,
    타이어 플랫스팟(Tire Flat-Spot)에 대한 성능을 예측하기 위해 외부의 장치로부터 각종의 데이터를 입력받는 단계;
    데이터 전처리부에 의해 상기 입력된 데이터를 전 처리하는 단계;
    단층 구조의 입력층(In-Put Layer)과 다층 구조의 은닉층(Hidden Layer) 및 단층 구조의 출력층(Out-Put Layer)으로 설계된 다층 신경망을 포함하는 인공 신경망 모델부 의해 타이어의 각 성능 예측 항목에 대해 예측 모델링하는 단계;
    데이터베이스 서버에 의해 기존 시험 결과에 대한 데이터 베이스를 구축하는 단계;
    데이터 수집부에 의해 데이터를 수집하는 단계;
    데이터 전 처리부에 의해 데이터를 전 처리하는 단계;
    인공 신경망 적용부에 의해 인공신경망을 적용하는 단계;
    데이터 예측부에 의해 상기 예측 모델링을 기초로 타이어 플랫스팟(Tire Flat-Spot)에 대한 성능을 예측하는 단계;
    데이터 후 처리부에 의해 상기 입력된 데이터를 후 처리하는 단계;
    예측 출력부에 의해 상기 타이어 플랫스팟에 대한 성능 예측 결과를 출력하는 단계; 및
    모니터링 부에 의해 상기 예측 출력 결과를 모니터링하는 단계를 포함하고,
    상기 인공신경망 적용단계는 제1 계수(First Coefficient) 적용 단계, 성형 계수(Forming Coefficient) 적용 단계, 및 성형 지수(Forming Index) 적용 단계를 포함하며,
    상기 플랫스팟 성능 예측 모델링 단계는 상기 베이스 구축 단계, 데이터 수집 단계, 데이터 전 처리 단계, 및 인공신경망 적용단계를 거처 처리된 최종 최적화 가중치를 이용하여 타이어 레디얼 런아웃(Tire Radial Run-Out)을 예측 모델링하는 단계, 및 타이어 RFV(Tire Radial Force Variation)를 예측 모델링하는 단계를 수행하는 것을 특징으로 하는 인공 신경망 기법을 이용한 타이어 플랫스팟 성능 예측 방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 청구항 1에 있어서,
    상기 각종 데이터는,
    타이어 구조 인자 및 데이터;
    타이어 고무 조성물 데이터;
    타이어 고무 특성 데이터;
    타이어 트레드 패턴;
    타이어 사이즈; 및
    시험 환경 조건을 포함하는 것을 특징으로 하는 인공 신경망 기법을 이용한 타이어 플랫스팟 성능 예측 방법.
  6. 삭제
  7. 삭제
  8. 삭제
KR1020110128899A 2011-12-05 2011-12-05 인공 신경망 기법을 이용한 타이어 플랫스팟 성능 예측 방법 KR101307224B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020110128899A KR101307224B1 (ko) 2011-12-05 2011-12-05 인공 신경망 기법을 이용한 타이어 플랫스팟 성능 예측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020110128899A KR101307224B1 (ko) 2011-12-05 2011-12-05 인공 신경망 기법을 이용한 타이어 플랫스팟 성능 예측 방법

Publications (2)

Publication Number Publication Date
KR20130062567A KR20130062567A (ko) 2013-06-13
KR101307224B1 true KR101307224B1 (ko) 2013-09-11

Family

ID=48860244

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020110128899A KR101307224B1 (ko) 2011-12-05 2011-12-05 인공 신경망 기법을 이용한 타이어 플랫스팟 성능 예측 방법

Country Status (1)

Country Link
KR (1) KR101307224B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104156766A (zh) * 2014-07-28 2014-11-19 山东山大世纪科技有限公司 针对高压开关动作时间智能记忆与自学习系统的应用

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
인공신경망을 이용한 타이어 FLAT SPOT 성능 예측 프로그램 개발 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104156766A (zh) * 2014-07-28 2014-11-19 山东山大世纪科技有限公司 针对高压开关动作时间智能记忆与自学习系统的应用

Also Published As

Publication number Publication date
KR20130062567A (ko) 2013-06-13

Similar Documents

Publication Publication Date Title
US10005328B2 (en) Method and system for estimating wear of axially divided tread zones of tire
US20210125428A1 (en) Apparatus and Method for Tire Separation Monitoring
EP3237239A1 (en) Method and system for determining a wheel load acting on a tire of a vehicle
JP7459106B2 (ja) タイヤの摩耗及び寿命末期を予測するためのモデル
KR101305095B1 (ko) 타이어 플랫스팟 성능 예측 방법
US9428018B2 (en) Scalable vehicle models for indoor tire testing
CN107226048B (zh) 车辆损坏检测器
CN112976956A (zh) 评估轮胎状况的方法
KR20120002720A (ko) 인공 신경망을 이용한 타이어 성능 예측 방법
US20230347901A1 (en) Maximum friction coefficient estimation system and maximum friction coefficient estimation method
CN115335243A (zh) 轮胎外胎寿命管理系统及轮胎外胎寿命管理方法
Matsuzaki et al. Intelligent tires based on measurement of tire deformation
Caban et al. Impact of specific factors on the state of the tire pressure value
KR101307224B1 (ko) 인공 신경망 기법을 이용한 타이어 플랫스팟 성능 예측 방법
JP2018501466A (ja) 屋内タイヤ試験に対するスケール変更可能な車両モデル
CN1399599A (zh) 监控汽车行驶过程中轮胎瞬间状态的方法和设备
JP7356958B2 (ja) タイヤ物理情報推定システムおよびタイヤ物理情報推定方法
CN109918792A (zh) 一种基于计算机的轮胎不平衡量的动力学模拟系统及方法
Höpping et al. Dynamic tire pressure control system-analysis of the effect to longitudinal vehicle dynamics and fuel consumption
Moon et al. Methodology for predicting the durability of aged tire sidewall under actual driving conditions
Karpenko et al. Comparison analysis between pneumatic and airless tires by computational modelling for avoiding road traffic accidents
CN105774422B (zh) 轮胎压力监控装置及方法
Virkar et al. Parametric study and experimental evaluation of vehicle tire performance
Ridha et al. Developments in tire technology
Tong et al. An experiment investigation to the radial tire noise

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20160829

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20170821

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20180828

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20190828

Year of fee payment: 7