KR102103988B1 - 기계학습을 이용한 자동차 휠 밸런스 진단 방법 및 장치 - Google Patents
기계학습을 이용한 자동차 휠 밸런스 진단 방법 및 장치 Download PDFInfo
- Publication number
- KR102103988B1 KR102103988B1 KR1020180065082A KR20180065082A KR102103988B1 KR 102103988 B1 KR102103988 B1 KR 102103988B1 KR 1020180065082 A KR1020180065082 A KR 1020180065082A KR 20180065082 A KR20180065082 A KR 20180065082A KR 102103988 B1 KR102103988 B1 KR 102103988B1
- Authority
- KR
- South Korea
- Prior art keywords
- wheel balance
- vehicle
- signal
- wheel
- diagnosis
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000010801 machine learning Methods 0.000 title claims abstract description 18
- 238000003745 diagnosis Methods 0.000 claims abstract description 65
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000001133 acceleration Effects 0.000 claims description 71
- 238000001228 spectrum Methods 0.000 claims description 52
- 230000006870 function Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000003062 neural network model Methods 0.000 abstract description 4
- 230000002028 premature Effects 0.000 abstract description 4
- 239000000725 suspension Substances 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 description 36
- 238000010586 diagram Methods 0.000 description 10
- 238000001914 filtration Methods 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 4
- 238000007435 diagnostic evaluation Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M1/00—Testing static or dynamic balance of machines or structures
- G01M1/14—Determining imbalance
- G01M1/16—Determining imbalance by oscillating or rotating the body to be tested
- G01M1/28—Determining imbalance by oscillating or rotating the body to be tested with special adaptations for determining imbalance of the body in situ, e.g. of vehicle wheels
-
- 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
- G01M17/013—Wheels
-
- 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
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Vehicle Body Suspensions (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
일반도로 주행시에도 진단 정확도를 향상시킬 수 있는 새로운 진단 기술이 필요한바, 본 발명은 딥러닝 등의 기계학습에 의해 학습된 신경망 모델을 이용함으로써 고속도로, 지방도로, 시내도로 등 일반도로 주행시에도 휠 밸런스 상태를 정확히 진단하여 운전자의 승차감을 향상시키고 현가부품의 조기마모를 예방하고자 한다. 본 발명의 한 측면에 따른 자동차 휠 밸런스 진단 방법은 기계학습을 위한 신경망을 사용한 휠 밸런스 진단 학습모델을 이용하여 차량의 휠 밸런스를 진단하는 방법으로서, 차량의 휠 밸런스 진단을 위한 학습데이터를 신경망에 입력하여 신경망을 학습시켜서 휠 밸런스 진단 학습모델을 생성하는 단계, 차량의 휠 밸런스 진단을 위한 원시데이터를 차량으로부터 수집하는 단계, 상기 원시데이터를 처리하여 상기 휠 밸런스 진단 학습모델에 인가될 휠 밸런스 질의신호를 생성하는 단계, 상기 휠 밸런스 질의신호를 상기 휠 밸런스 진단 학습모델에 인가하여 차량의 휠 밸런스를 진단하는 단계를 포함한다.
Description
본 발명은 자동차 휠 밸런스를 진단하기 위하여 기계학습을 이용하는 기술에 관한 것이다.
휠 밸런스 진단장치는 실차 주행상태에서 휠의 진동을 실시간 모니터링하고 고장을 진단하여 운전자에게 알림으로써 휠 언밸런스에 의한 승차감 저하를 방지하고 현가부품의 조기마모를 예방한다.
선행 기술에 따른 자동차 휠 밸런스 진단 방법에서는, 가속도센서의 가속도 신호의 파워스펙트럼을 생성하고 이 파워스펙트럼의 휠 회전주파수 구간에서 최대값 및 기준 초과 횟수에 따라 휠 밸런스 여부를 판단한다.
또 다른 종래 기술에서는 가속도 신호에 대하여 필터링을 수행한 후 실효치(RMS)를 이용하여 휠 밸런스 여부를 진단한다.
이와 같이 종래기술에서는 자동차 휠 밸런스 진단을 위하여 가속도 신호의 RMS값 또는 회전주파수 성분을 활용하나, 주행시험장 같은 표준화되고 균일한 도로주행시에는 비교적 만족스러운 진단 결과를 얻을 수 있지만 일반도로 주행시에는 다양한 노이즈의 영향으로 진단 정확도가 현저하게 떨어지는 문제가 있다.
일반도로 주행시에도 진단 정확도를 향상시킬 수 있는 새로운 진단 기술이 필요한바, 본 발명은 딥러닝 등의 기계학습에 의해 학습된 신경망 모델을 이용함으로써 고속도로, 지방도로, 시내도로 등 일반도로 주행시에도 휠 밸런스 상태를 정확히 진단하여 운전자의 승차감을 향상시키고 현가부품의 조기마모를 예방하고자 한다.
본 발명에 의한 휠 밸런스 진단 방법에서는 시험주행장 환경이 아닌 고속도로, 지방도로, 시내도로 등의 일반도로에서도 정확한 휠 밸런스를 진단할 수 있도록 기계학습 기술을 활용한다.
본 발명의 한 측면에 따른 자동차 휠 밸런스 진단 방법은 기계학습을 위한 신경망을 사용한 휠 밸런스 진단 학습모델을 이용하여 차량의 휠 밸런스를 진단하는 방법으로서, 차량의 휠 밸런스 진단을 위한 학습데이터를 신경망에 입력하여 신경망을 학습시켜서 휠 밸런스 진단 학습모델을 생성하는 단계, 차량의 휠 밸런스 진단을 위한 원시데이터를 차량으로부터 수집하는 단계, 상기 원시데이터를 처리하여 상기 휠 밸런스 진단 학습모델에 인가될 휠 밸런스 질의신호를 생성하는 단계, 상기 휠 밸런스 질의신호를 상기 휠 밸런스 진단 학습모델에 인가하여 차량의 휠 밸런스를 진단하는 단계를 포함한다.
상기 방법 구성에서 차량 휠 밸런스 진단을 위한 학습데이터 및 휠 밸런스 질의신호는 차량의 종방향 가속도 신호로부터 생성된 파워스펙트럼을 포함할 수 있다. 다른 실시예에서, 상기 차량 휠 밸런스 진단을 위한 학습데이터 및 휠 밸런스 질의신호는, 차량의 종방향 가속도 신호로부터 생성된 파워스펙트럼에 대한 공진영역의 파워스펙트럼 크기합에서 산출된 이동평균을 포함할 수 있다.
상기 구성에서 또한, 상기 차량 휠 밸런스 진단을 위한 원시데이터는 차량의 종방향 가속도와, 차속 및 제동 신호를 포함할 수 있다.
상기 휠 밸런스 질의신호를 생성하는 단계는, 상기 종방향 가속도 신호의 실효치(RMS)를 계산하고 상기 차속 및 제동 신호의 평균치를 계산하는 단계, 상기 가속도 신호에 대하여 해닝 창함수(Hanning Window)를 취하고 파워스펙트럼을 생성하는 단계를 포함할 수 있다.
상기 휠 밸런스 질의신호를 생성하는 단계는, 상기 종방향 가속도 신호의 실효치(RMS)를 계산하고 상기 차속 및 제동 신호의 평균치를 계산하는 단계, 상기 가속도 신호에 대하여 해닝 창함수(Hanning Window)를 취하고 파워스펙트럼을 생성하는 단계, 생성된 파워스펙트럼에 대한 공진영역의 파워스펙트럼 크기합을 계산하는 단계, 상기 파워스펙트럼 크기합에서 이동평균을 산출하는 단계를 포함할 수 있다.
발명의 다른 실시예에서, 상기 휠 밸런스 질의신호를 생성하는 단계는, 상기 종방향 가속도 신호의 실효치(RMS) 및 상기 차속 및 제동 신호의 평균치를 계산하는 단계 이후에 그리고 상기 파워스펙트럼을 생성하는 단계 이전에, 상기 가속도 신호의 RMS값이 0.5G 이하, 제동이 2 이하, 차속이 80~160km/h의 범위에 드는지 판단하는 단계를 추가로 포함할 수 있다.
한편, 본 발명의 다른 측면에 따른 자동차 휠 밸런스 진단 장치는 기계학습을 위한 신경망을 사용한 휠 밸런스 진단 학습모델을 이용하여 차량의 휠 밸런스를 진단하는 장치로서, 기계학습을 위한 신경망을 사용한 휠 밸런스 진단 학습모델을 이용하여 차량의 휠 밸런스를 진단하는 장치로서, 차량의 휠 밸런스 진단을 위한 학습데이터를 신경망에 입력하여 신경망을 학습시켜서 생성된 휠 밸런스 진단 학습모델, 차량의 종방향 가속도와, 차속 및 제동 신호를 수집하는 신호수집부, 상기 수집된 신호를 전처리하여 휠 밸런스 진단 학습모델에 인가할 휠 밸런스 질의신호를 생성하는 신호처리부, 상기 휠 밸런스 질의신호가 인가된 상기 휠 밸런스 진단 학습모델에서의 연산결과를 받아 진단 결과를 출력하는 진단결과 출력부를 포함한다.
상기 장치 구성에서, 차량 휠 밸런스 진단을 위한 학습데이터 및 휠 밸런스 질의신호는 차량의 종방향 가속도 신호로부터 생성된 파워스펙트럼을 포함할 수 있다. 발명의 다른 실시예에서, 상기 차량 휠 밸런스 진단을 위한 학습데이터 및 휠 밸런스 질의신호는 차량의 종방향 가속도 신호로부터 생성된 파워스펙트럼에 대한 공진영역의 파워스펙트럼 크기합에서 산출된 이동평균을 포함할 수 있다.
이상에서 소개한 본 발명 사상의 구성과 효과는 이하에서 도면과 함께 설명하는 발명의 상세한 설명에 의해 보다 더 명확해질 것이다.
본 발명에 의한 휠 밸런스 진단 방법 및 장치는 일반도로 주행 중에도 휠 밸런스의 상태를 정확히 진단하여 진단 오류로 인한 운전자의 불안감을 해소할 수 있으며, 정확한 진단 및 정비를 통해 운전자의 승차감을 향상시킬 수 있고, 현가부품의 조기마모를 예방할 수 있다.
도 1은 컨볼루션 신경망(CNN)의 개략적 구성도
도 2는 실시예 1 및 2에 따른 자동차 휠 밸런스 진단 장치의 개략 구성도
도 3은 실시예 1에 따른 자동차 휠 밸런스 진단 방법의 구성도
도 4는 실시예 2에 따른 자동차 휠 밸런스 진단 방법의 구성도
도 5는 RMS 계산된 좌측 휠의 가속도 신호의 파형도
도 6은 RMS 계산된 우측 휠의 가속도 신호의 파형도
도 7은 차량 주행속도(차속) 신호의 그래프
도 8은 가속도 신호의 파워스펙트럼 그래프
도 9는 공진영역의 파워스펙트럼의 크기합 데이터 그래프
도 10은 계산된 이동평균 데이터 그래프
도 2는 실시예 1 및 2에 따른 자동차 휠 밸런스 진단 장치의 개략 구성도
도 3은 실시예 1에 따른 자동차 휠 밸런스 진단 방법의 구성도
도 4는 실시예 2에 따른 자동차 휠 밸런스 진단 방법의 구성도
도 5는 RMS 계산된 좌측 휠의 가속도 신호의 파형도
도 6은 RMS 계산된 우측 휠의 가속도 신호의 파형도
도 7은 차량 주행속도(차속) 신호의 그래프
도 8은 가속도 신호의 파워스펙트럼 그래프
도 9는 공진영역의 파워스펙트럼의 크기합 데이터 그래프
도 10은 계산된 이동평균 데이터 그래프
이하, 본 발명을 실제로 실시하기 위한 구체적인 실시예들을 설명한다.
<실시예 1>
실시예 1에서는 기존의 휠 밸런스 진단 기술의 문제점을 해결하기 위해 딥러닝을 위한 CNN(컨볼루션 신경망)을 사용하여, 가속도 센서에서 출력된 가속도 신호로부터 생성된 파워 스펙트럼 데이터와 다양한 도로 형태의 노면 또는 각종 도로 변수에 해당되는 환경데이터가 포함된 많은 양의 휠 밸런스 진단 학습데이터를 컨볼루션 신경망(CNN)에 입력하여 휠 밸런스 진단을 학습시켜서 휠 밸런스 진단 모델(CNN 학습모델)을 생성하고 이 모델을 이용하여 현재 차량의 휠에서 취득되는 가속도 신호의 파워 스펙트럼으로부터 휠 밸런스를 평가한다.
도 1은 본 실시예에서 학습모델로서 사용한 신경망 중 하나인 컨볼루션 신경망(CNN)의 개략적 구성도이다.
CNN은 가중치가 부여되는 필터를 포함하는 컨벌루션 레이어(convolution layer)와 완전연결 레이어(fully connected layer)로 구성된 학습 알고리즘을 통해, 입력 데이터(input)에 대해 휠 밸런스 진단 결과를 출력하게 된다. CNN을 학습하기 위해서는 많은 양의 데이터가 입력되어야 한다. 컨볼루션 레이어에서는 입력되는 신호에 대해 로컬 필터링을 적용하여 다음 레이어의 입력으로 전달하는 기능을 수행한다. 컨볼루션 레이어의 필터 계수는 전방경로(forward-path)와 후방경로(backward-path) 과정을 통해 학습된다. 전방경로에서는 필터를 슬라이딩(sliding) 시키면서 로컬 필터링된 값을 구하고 후방경로에서는 로컬 필터링된 값과 목적값과의 차이를 후방으로 전파(propagation) 시키면서 필터의 계수를 학습한다(오류 역전파 기법). 이렇게 CNN이 학습되면 이제 새로운 입력 신호(파워 스펙트럼)에 대해 정확한 휠 밸런스 진단 결과를 얻을 수 있게 된다. 결국, CNN 학습이란 입력 신호에 대해 그에 적합한 진단 결과를 출력하도록 필터 계수를 학습시키는 과정이다.
실시예 1에서, 신경망 모델은 전체 데이터의 80%를 학습데이터로 사용하여서, 약 3만개의 데이터를 이미지화하여 3만 번의 반복을 통해 학습시켰다. 학습을 위한 측정 데이터의 이미지화는 가속도 신호를 이용하여 구현하였다. 가속도센서 신호는 1초당 2000개의 데이터를 시간축으로 수집하고, 이를 파워 스펙트럼 데이터(후술 참조)로 변환할 경우 1초당 1000개의 데이터가 주파수축으로 형성된다. 이중 1~100Hz에 해당하는 100개의 데이터를 가로축 10개와 세로축 10개로 구성되는 10×10 픽셀의 이미지형태로 변경하여 CNN 입력 데이터로 사용하였다.
도 1에 나타낸 본 실시예에서 설계한 CNN 내부의 컨벌루션 레이어는 컨벌루션 계층과 풀링(pooling) 계층으로 구성되는데, 이중 컨벌루션 계층은 3×3으로 설정하여 컨벌루션 연산을 수행하고, 풀링 계층은 2×2로 설정하여 차원 축소를 하도록 구성하였다. CNN 출력 데이터는 휠 밸런스 정상 이미지를 0으로, 휠 언밸런스 이미지를 1로 설정하여 입력데이터와 동기화되는 배열로 구성하였다. CNN은 입력 이미지와 출력 데이터에 대한 반복적인 학습을 통해 휠 밸런스 진단을 위한 딥러닝 모델을 생성한다.
도 2는 실시예 1에 따른 자동차 휠 밸런스 진단 장치의 개략 구성도이다. (도 2는 나중에 설명하는 실시예 2에 따른 장치의 구성과 세부적인 기능의 차이가 있을 뿐 전체적으로는 동일하다.)
도 2에서, 신호수집부(1)는 차량의 종방향 가속도와, 차속 및 제동 신호를 수집한다. 종방향 가속도는 휠 인근(가령, 너클)에 설치된 가속도 센서로부터 얻을 수 있고, 차속 및 제동 신호는 차량 내의 적절한 부분에서 취득할 수 있다. 이들 신호의 수집은 일정 시간동안(예를 들어, 1초), 일정 빈도(예를 들어, 2000Hz)로 수집할 수 있다.
신호처리부(3)는 CNN 학습모델(5)에 인가할 휠 밸런스 질의신호의 전처리를 위한 것이다. 신호처리부(3)에서는, 수집한 가속도 신호에 대하여 1~100Hz 대역의 밴드패스 필터링를 하고, 이 가속도 신호의 실효치(RMS)를 계산하고 상기 차속 및 제동 신호의 평균치를 계산한다.
도 5는 RMS 계산된 좌측 휠의 가속도 신호의 파형을 예시한다. 이 신호는 휠 밸런스가 정상인 휠의 경우의 가속도 신호 파형이다.
도 6은 RMS 계산된 우측 휠의 가속도 신호의 파형을 예시한다. 이 신호는 휠 밸런스가 맞지 않는(즉, 휠 언밸런스) 상태의 휠의 경우의 가속도 신호 파형이다.
도 7은 차량 주행속도(차속) 신호의 파형을 예시한다.
이어서 신호처리부(3)는 가속도 신호의 RMS값이 0.5G 이하인지, 제동 지수가 2 이하인지, 차속이 80~160km/h의 범위에 드는지 판단한다. 이들 범위에 들면 가속도 신호에 대하여 해닝 창함수(Hanning Window)를 취하고 파워스펙트럼을 생성한다. 여기서 제동 지수가 2 이하라는 것의 의미는 제동이 이루어지지 않은 경우(off)를 의미한다.
도 8은 도 5, 6에 나타낸 가속도 신호의 파워스펙트럼 파형을 나타낸다. 밸런스가 정상인 좌측 휠의 경우에는 피크 파형이 없지만(청색 파형), 휠 언밸런스 상태인 추측 휠의 경우에는 12Hz 부근에서 피크 파형이 나타나고 있다(적색 파형).
생성된 파워스펙트럼 데이터는 도 1에서 나타낸 것과 같이 기계학습(딥러닝)으로 학습된 CNN 학습모델(5)에 인가되어 해당 데이터의 휠 밸런스 진단이 이루어진다.
진단결과출력부(5)는 CNN 학습모델(5)로부터 연산결과를 받아 최종적으로 진단 결과를 출력한다. 본 실시예에서는 2회 이상 연속해서 휠 언밸런스인 것으로 연산된 경우에 최종적으로 휠 언밸런스 진단을 출력하고 운전자에게 경고 알람을 보내도록 진단결과출력부(5)를 구성한다. 그러나 이에 한정되는 것은 아니다.
도 3은 본 실시예 1에 따른 자동차 휠 밸런스 진단 방법의 구성도이다. 도 2를 통해 설명한 것과 같이, 차량의 종방향 가속도, 차속, 제동 신호를 1초동안 2000Hz로 수집한 후(10) 가속도 신호에 대하여 1~100Hz의 밴드패스 필터링을 한다(20). 필터링 후 가속도 신호에 대해서는 실효치(RMS)를 계산하고, 차속 및 제동 신호에 대해서는 평균을 계산한다(30). 계산된 값이, 가속도신호 RMS가 0.5G 이하, 제동이 2 이하, 차속이 80~160km/h의 범위인지 판단하여(40) 그럴 경우에 가속도신호에 대하여 Hanning Window(해닝 창함수)를 취하고(50) 파워스펙트럼을 생성한다(60). 이 파워스펙트럼 데이터를 도 1과 같은 딥러닝으로 학습된 CNN 학습모델로 연산한다(70). 그 후 휠 언밸런스 여부의 진단 결과를 출력한다(80). 진단 결과는 예를 들어 2회 이상 연속으로 휠 언밸런스가 진단된 경우에 출력하고, 출력시에 운전자에게 경고 알람을 함께 보낼 수 있다.
<실시예 2>
실시예 2에서도 기본적으로 딥러닝을 위한 CNN(컨볼루션 신경망)을 사용하는 것은 실시예 1과 동일하다. 단, 가속도 센서에서 출력된 가속도 신호로부터 파워 스펙트럼 데이터를 생성하는 것에서 더 나아가, 생성된 파워스펙트럼으로부터 공진영역 파워스펙트럼의 크기합을 계산하고 나서 이를 증폭하여 이동평균을 구한 데이터를 이용한다. 이 이동평균 데이터와 함께 다양한 도로 형태의 노면 또는 각종 도로 변수에 해당되는 환경데이터가 병합된 많은 양의 휠 밸런스 진단 학습데이터를 컨볼루션 신경망(CNN)에 입력하여 휠 밸런스 진단을 학습시켜서 휠 밸런스 진단 모델(CNN 학습모델)을 생성하고 이 모델을 이용하여 현재 차량의 휠 밸런스를 평가하는 것이 본 실시예 2의 개념이다.
본 실시예 2에서 학습모델로서 사용가능한 신경망 중 하나인 컨볼루션 신경망(CNN)의 개략적 구성은 도 1에 나타낸 것과 유사하다. 실시예 2에서, 신경망 모델은 전체 데이터에서 80%를 학습데이터로 사용하여 약 290개의 데이터를 이미지화 하여 3만 번의 반복을 통해 CNN 모델로 학습시켰다. 학습을 위한 입력데이터의 이미지화는 도 10의 이동평균 데이터를 이용하여 구현하였다. 이동평균 데이터는 이동거리축으로 1,035km 거리에 대하여 29,000개 데이터로 형성되어 있다. 이중 100개 데이터씩 세트를 나누고 1개 세트에 포함된 100개의 데이터를 가로축 10개와 세로축 10개로 구성되는 10×10 픽셀의 이미지형태로 변경하여 290개의 이미지 데이터를 CNN 입력 데이터로 사용하였다.
실시예 2에 따른 자동차 휠 밸런스 진단 장치의 개략적 구성은 앞의 도 2에 나타낸 것과 그 세부적인 기능을 제외하고는 동일하다.
앞에서 설명한 도 2를 다시 참조하면, 신호수집부(1)는 차량의 종방향 가속도와, 차속 및 제동 신호를 수집한다. 종방향 가속도는 휠 인근(가령, 너클)에 설치된 가속도 센서로부터 얻을 수 있고, 차속 및 제동 신호는 차량 내의 적절한 부분에서 취득할 수 있다. 이들 신호의 수집은 일정 시간동안(예를 들어, 1초), 일정 빈도(예를 들어, 2000Hz)로 수집할 수 있다.
신호처리부(3)는 CNN 학습모델(5)에 인가할 휠 밸런스 질의신호의 전처리를 위한 것이다. 신호처리부(3)에서는, 수집한 가속도 신호에 대하여 1~100Hz 대역의 밴드패스 필터링를 하고, 이 가속도 신호의 실효치(RMS)를 계산하고 상기 차속 및 제동 신호의 평균치를 계산한다.
도 5는 RMS 계산된 좌측 휠의 가속도 신호의 파형을 예시한다. 이 신호는 휠 밸런스가 정상인 휠의 경우의 가속도 신호 파형이다.
도 6은 RMS 계산된 우측 휠의 가속도 신호의 파형을 예시한다. 이 신호는 휠 밸런스가 맞지 않는(즉, 휠 언밸런스) 상태의 휠의 경우의 가속도 신호 파형이다.
도 7은 차량 주행속도(차속) 신호의 파형을 예시한다.
이어서 신호처리부(3)는 가속도 신호의 RMS값이 0.5G 이하, 제동이 2 이하, 차속이 80~160km/h의 범위에 드는지 판단한다. 이들 범위에 들면 가속도 신호에 대하여 해닝 창함수(Hanning Window)를 취하고 파워스펙트럼을 생성한다.
도 8은 도 5, 6에 나타낸 가속도 신호의 파워스펙트럼 파형을 나타낸다. 밸런스가 정상인 좌측 휠의 경우에는 피크 파형이 없지만(청색 파형), 휠 언밸런스 상태인 추측 휠의 경우에는 12Hz 부근에서 피크 파형이 나타나고 있다(적색 파형).
실시예 2에서는 파워스펙트럼을 생성한 후 이 생성된 파워스펙트럼 데이터에서 공진영역(10~20Hz)에서의 파워스펙트럼의 크기합을 추가로 계산한다.
도 9는 공진영역(고유진동수 영역)의 파워스펙트럼의 크기합 데이터를 나타낸다. 좌측 정상 휠의 경우의 분포(청색)와 우측 언밸런스 휠의 분포(적색)의 차이를 볼 수 있다.
공진영역 파워스펙트럼 크기합을 계산하고 이 신호를 증폭한 후에 이동평균을 산출한다. 이동 평균(moving average)은 연속적인 관측치들의 모조 부분군으로부터 계산되는 평균이다. 시간 가중 데이터에 대해 이동 평균을 생성할 수 있다.
도 10은 계산된 이동평균 데이터 그래프이다. 좌측 정상 휠의 이동평균 분포(청색)와 우측 언밸런스 휠의 이동평균 분포(적색)의 차이가 확연하게 드러남을 볼 수 있다.
계산된 이동평균 데이터를 도 1에서 나타낸 것과 같이 기계학습(딥러닝)으로 학습된 CNN 학습모델(5)에 인가하여 해당 데이터의 휠 밸런스 진단을 한다.
다시 도 2로 돌아가, 진단결과출력부(5)는 CNN 학습모델(5)로부터 연산결과를 받아 최종적으로 진단 결과를 출력한다. 실시예 1과 마찬가지로 2회 이상 연속해서 휠 언밸런스인 것으로 연산된 경우에 최종적으로 휠 언밸런스 진단을 출력하고 운전자에게 경고 알람을 보내도록 진단결과출력부(5)를 구성할 수 있다.
도 4는 본 실시예 2에 따른 자동차 휠 밸런스 진단 방법의 구성도이다. 위에서 설명한 것과 같이, 차량의 종방향 가속도, 차속, 제동 신호를 1초동안 2000Hz로 수집한 후(10') 가속도 신호에 대하여 1~100Hz의 밴드패스 필터링을 한다(20'). 필터링 후 가속도 신호에 대해서는 실효치(RMS)를 계산하고, 차속 및 제동 신호에 대해서는 평균을 계산한다(30'). 계산된 값이, 가속도신호 RMS가 0.5G 이하, 제동이 2 이하, 차속이 80~160km/h의 범위인지 판단하여(40') 그럴 경우에 가속도신호에 대하여 Hanning Window(해닝 창함수)를 취하고(50') 파워스펙트럼을 생성한다(60'). 파워스펙트럼을 생성한 후 이 생성된 파워스펙트럼 데이터에서 공진영역(10~20Hz)에서의 파워스펙트럼의 크기합을 추가로 계산한다(90). 공진영역 파워스펙트럼 크기합을 계산하면 이 신호를 증폭한 후에 이동평균을 산출한다(100).
계산된 이동평균 데이터를 도 1과 같은 딥러닝으로 학습된 CNN 학습모델로 연산한다(70'). 그 후 휠 언밸런스 여부의 진단 결과를 출력한다(80'). 실시예 2에서도 진단 결과는 예를 들어 2회 이상 연속으로 휠 언밸런스가 진단된 경우에 출력하고, 출력시에 운전자에게 경고 알람을 함께 보낼 수 있다.
<진단 정확도의 검증>
본 발명에 의한 휠 밸런스 진단의 정확도를 측정 및 검증하기 위해 앞에서 소개한 도 5, 6, 7과 같이 좌우 휠의 가속도 신호와 차속 데이터를 수집하였다. 전륜의 좌측 휠은 정상 휠 밸런스로 설정하고 우측 휠에는 50g의 균형추를 부착하여 휠 언밸런스 상태로 설정하였다.
휠 부위에 가속도센서를 설치하고, 고속도로(40%), 지방도로(30%), 시내도로(30%)를 국제기준에 의한 비율로 약 1,000km를 주행하였다. 수집된 데이터에 대하여 종래 기술의 휠 밸런스 진단 방법에 따라 일정 기준값(0.5G)에 대하여 평가하였을 때 휠 밸런스의 진단정확도는 75%로 나타났다.
반면에 본 발명의 실시예 1에 따라 도 8에서 나타낸 파워스펙트럼 데이터에 대하여 도 1과 같이 딥러닝으로 학습된 CNN 학습모델을 사용하여 진단 평가를 수행했을 때에는 진단정확도가 97%로 나타났고, 실시예 2의 발명에 따라 도 9와 같이 파워스펙트럼 크기의 합을 계산 후 도 10과 같이 이동평균을 수행한 데이터에 대하여 도 1과 같이 딥러닝으로 학습된 CNN 학습모델을 사용하여 진단 평가를 수행했을 때에는 진단정확도가 100%로 나타나, 본 발명의 목적이 달성되었음을 확인하였다.
이상에서, 본 발명을 구체적인 실시예로 예로 들어 설명하였다. 그러나 본 발명의 기술적 범위는 이러한 실시예에 의해 제한되는 것이 아니라, 이하의 특허청구범위의 합리적 해석에 의해 정해지는 것이다.
Claims (10)
- 삭제
- 삭제
- 기계학습을 위한 신경망을 사용한 휠 밸런스 진단 학습모델을 이용하여 차량의 휠 밸런스를 진단하는 방법으로서,
차량의 휠 밸런스 진단을 위한 학습데이터를 신경망에 입력하여 신경망을 학습시켜서 휠 밸런스 진단 학습모델을 생성하는 단계,
차량의 휠 밸런스 진단을 위한 원시데이터를 차량으로부터 수집하는 단계,
상기 원시데이터를 처리하여 상기 휠 밸런스 진단 학습모델에 인가될 휠 밸런스 질의신호를 생성하는 단계, 및
상기 휠 밸런스 질의신호를 상기 휠 밸런스 진단 학습모델에 인가하여 차량의 휠 밸런스를 진단하는 단계를 포함하되,
상기 차량의 휠 밸런스 진단을 위한 학습데이터 및 휠 밸런스 질의신호는 차량의 종방향 가속도 신호로부터 생성된 파워스펙트럼에 대한 공진영역의 파워스펙트럼 크기합에서 산출된 이동평균을 포함하는, 기계학습을 이용한 자동차 휠 밸런스 진단 방법. - 제3항에서, 상기 차량의 휠 밸런스 진단을 위한 원시데이터는 차량의 종방향 가속도 신호와, 차속 및 제동 신호를 포함하는, 기계학습을 이용한 자동차 휠 밸런스 진단 방법.
- 제4항에서, 상기 휠 밸런스 질의신호를 생성하는 단계는
상기 종방향 가속도 신호의 실효치(RMS)를 계산하고 상기 차속 및 제동 신호의 평균치를 계산하는 단계,
상기 종방향 가속도 신호에 대하여 해닝 창함수(Hanning Window)를 취하고 파워스펙트럼을 생성하는 단계를 포함하는, 기계학습을 이용한 자동차 휠 밸런스 진단 방법. - 제4항에서, 상기 휠 밸런스 질의신호를 생성하는 단계는
상기 종방향 가속도 신호의 실효치(RMS)를 계산하고 상기 차속 및 제동 신호의 평균치를 계산하는 단계,
상기 종방향 가속도 신호에 대하여 해닝 창함수(Hanning Window)를 취하고 파워스펙트럼을 생성하는 단계,
생성된 파워스펙트럼에 대한 공진영역의 파워스펙트럼 크기합을 계산하는 단계,
상기 파워스펙트럼 크기합에서 이동평균을 산출하는 단계를 포함하는, 기계학습을 이용한 자동차 휠 밸런스 진단 방법. - 제5항 또는 제6항에서, 상기 휠 밸런스 질의신호를 생성하는 단계는
상기 종방향 가속도 신호의 실효치(RMS) 및 상기 차속 및 제동 신호의 평균치를 계산하는 단계 이후에 그리고 상기 파워스펙트럼을 생성하는 단계 이전에
상기 종방향 가속도 신호의 RMS값이 0.5G 이하, 제동이 2 이하, 차속이 80~160km/h의 범위에 드는지 판단하는 단계를 추가로 포함하는, 기계학습을 이용한 자동차 휠 밸런스 진단 방법. - 삭제
- 삭제
- 기계학습을 위한 신경망을 사용한 휠 밸런스 진단 학습모델을 이용하여 차량의 휠 밸런스를 진단하는 장치로서,
차량의 휠 밸런스 진단을 위한 학습데이터를 신경망에 입력하여 신경망을 학습시켜서 생성된 휠 밸런스 진단 학습모델,
차량의 종방향 가속도 신호와 차속 및 제동 신호를 수집하는 신호수집부,
상기 수집된 신호를 전처리하여 휠 밸런스 진단 학습모델에 인가할 휠 밸런스 질의신호를 생성하는 신호처리부,
상기 휠 밸런스 질의신호가 인가된 상기 휠 밸런스 진단 학습모델에서의 연산결과를 받아 진단 결과를 출력하는 진단결과 출력부를 포함하되,
상기 차량의 휠 밸런스 진단을 위한 학습데이터 및 휠 밸런스 질의신호는 차량의 종방향 가속도 신호로부터 생성된 파워스펙트럼에 대한 공진영역의 파워스펙트럼 크기합에서 산출된 이동평균을 포함하는, 기계학습을 이용한 자동차 휠 밸런스 진단 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180065082A KR102103988B1 (ko) | 2018-06-05 | 2018-06-05 | 기계학습을 이용한 자동차 휠 밸런스 진단 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180065082A KR102103988B1 (ko) | 2018-06-05 | 2018-06-05 | 기계학습을 이용한 자동차 휠 밸런스 진단 방법 및 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20190143516A KR20190143516A (ko) | 2019-12-31 |
| KR102103988B1 true KR102103988B1 (ko) | 2020-04-27 |
Family
ID=69051540
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180065082A KR102103988B1 (ko) | 2018-06-05 | 2018-06-05 | 기계학습을 이용한 자동차 휠 밸런스 진단 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102103988B1 (ko) |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110130918A (ko) | 2010-05-28 | 2011-12-06 | 황민선 | 부체의 구조 및 그 제조방법 |
| KR101329291B1 (ko) * | 2011-12-08 | 2013-11-14 | 자동차부품연구원 | 자동차 휠 밸런스 진단 장치 및 그 휠 밸런스 진단 방법 |
| KR101864860B1 (ko) * | 2016-09-13 | 2018-06-05 | 오토시맨틱스 주식회사 | 딥러닝을 통한 자동차 상태 진단 방법 |
-
2018
- 2018-06-05 KR KR1020180065082A patent/KR102103988B1/ko active IP Right Grant
Also Published As
| Publication number | Publication date |
|---|---|
| KR20190143516A (ko) | 2019-12-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109357822B (zh) | 一种基于车桥耦合系统时变动力特征改变的桥梁快速测试与评估方法 | |
| US8452552B2 (en) | Method for testing a vibration damper of a motor vehicle in the installed state, and vibration damper-test system for a motor vehicle | |
| CN110308002B (zh) | 一种基于地面检测的城轨列车悬挂系统故障诊断方法 | |
| CN106441548A (zh) | 变速器齿轮敲击实验及噪声声品质分析方法 | |
| KR101329291B1 (ko) | 자동차 휠 밸런스 진단 장치 및 그 휠 밸런스 진단 방법 | |
| CN104792937A (zh) | 一种基于车载重力加速度传感器的桥头跳车检测评价方法 | |
| JP3018907B2 (ja) | 鉄道車両の乗り心地と車両振動の測定方法 | |
| CN106710242B (zh) | 基于桥梁动应变识别车队车辆数的方法 | |
| DE3937403A1 (de) | Verfahren und einrichtung zur ueberwachung der funktionstuechtigkeit eines fahrwerks fuer ein kraftfahrzeug | |
| CN106143012A (zh) | 车辆部件状态实时处理方法 | |
| CN109406147A (zh) | 一种变速工况下的列车轴承轨边声学诊断方法 | |
| CN113343928A (zh) | 变速路段高速铁路钢轨波磨检测方法及装置、计算机设备 | |
| CN108520227A (zh) | 一种基于双传感器信息的传递熵的桥梁结构损伤定位方法 | |
| CN115758289A (zh) | 一种基于多任务学习神经网络的钢轨波磨识别方法 | |
| JP2016532123A (ja) | 車両の走行中に車両の車輪のアンバランスを検出する方法 | |
| CN111157244A (zh) | 一种高速列车齿轮箱传动系统轴承故障检测方法 | |
| KR102103988B1 (ko) | 기계학습을 이용한 자동차 휠 밸런스 진단 방법 및 장치 | |
| CN109910527A (zh) | 一种汽车轮胎胎压确定方法与装置 | |
| JP2006192993A (ja) | 鉄道車両及びその異常検知方法 | |
| CN101391568A (zh) | 一种估计车辆悬架行程的方法及实现该方法的装置 | |
| CN113252777B (zh) | 一种堆石坝水下混凝土面板裂缝的检测装置及其检测方法 | |
| CN112594356B (zh) | 一种高铁与地铁齿轮箱运行监测和故障诊断系统 | |
| EP1186877A2 (en) | Method and apparatus for determining the efficiency of a vehicle's shock absorbers | |
| JP2005306119A (ja) | 乗り心地監視システム | |
| KR100784280B1 (ko) | 타이어 승차감 성능분석 방법 |
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 |