KR102343507B1 - 가변형 전류 고정 날개 및 가변형 전류 고정 날개의 열림각 조절 방법 - Google Patents

가변형 전류 고정 날개 및 가변형 전류 고정 날개의 열림각 조절 방법 Download PDF

Info

Publication number
KR102343507B1
KR102343507B1 KR1020200058680A KR20200058680A KR102343507B1 KR 102343507 B1 KR102343507 B1 KR 102343507B1 KR 1020200058680 A KR1020200058680 A KR 1020200058680A KR 20200058680 A KR20200058680 A KR 20200058680A KR 102343507 B1 KR102343507 B1 KR 102343507B1
Authority
KR
South Korea
Prior art keywords
blades
opening angle
draft
variable current
machine learning
Prior art date
Application number
KR1020200058680A
Other languages
English (en)
Other versions
KR20210141262A (ko
Inventor
임호정
Original Assignee
대우조선해양 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 대우조선해양 주식회사 filed Critical 대우조선해양 주식회사
Priority to KR1020200058680A priority Critical patent/KR102343507B1/ko
Publication of KR20210141262A publication Critical patent/KR20210141262A/ko
Application granted granted Critical
Publication of KR102343507B1 publication Critical patent/KR102343507B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63H—MARINE PROPULSION OR STEERING
    • B63H5/00—Arrangements on vessels of propulsion elements directly acting on water
    • B63H5/07—Arrangements on vessels of propulsion elements directly acting on water of propellers
    • B63H5/16—Arrangements on vessels of propulsion elements directly acting on water of propellers characterised by being mounted in recesses; with stationary water-guiding elements; Means to prevent fouling of the propeller, e.g. guards, cages or screens
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63H—MARINE PROPULSION OR STEERING
    • B63H1/00—Propulsive elements directly acting on water
    • B63H1/02—Propulsive elements directly acting on water of rotary type
    • B63H1/12—Propulsive elements directly acting on water of rotary type with rotation axis substantially in propulsive direction
    • B63H1/14—Propellers
    • B63H1/28—Other means for improving propeller efficiency
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T70/00—Maritime or waterways transport
    • Y02T70/50—Measures to reduce greenhouse gas emissions related to the propulsion system

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Ocean & Marine Engineering (AREA)
  • Mechanical Engineering (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Feedback Control In General (AREA)

Abstract

본 발명은 선박의 운항 속도 및/또는 흘수에 적합한 블레이드 각도를 제공할 수 있는 가변형 전류 고정 날개 및 가변형 전류 고정 날개의 열림각 조절 방법에 관한 것이다. 본 발명의 실시예에 따른 가변형 전류 고정 날개는, 선박의 다양한 운항 속도 및/또는 흘수에 대한 모형시험 등을 수행하여 동작 프로파일을 형성하고, 동작 프로파일을 입력 데이터로 수신하며, 입력 데이터에 대한 기계 학습을 수행하여 출력 데이터를 형성하고, 출력 데이터를 이용하여 하나 이상의 블레이드의 최적 열림각을 산출하며, 최적 열림각을 하나 이상의 블레이드에 적용한다.

Description

가변형 전류 고정 날개 및 가변형 전류 고정 날개의 열림각 조절 방법{VARIABLE PRE-SWIRL STATOR AND METHOD FOR REGULATING ANGLE THEREOF}
본 발명은 프로펠러의 전단부에 설치되는 전류 고정 날개에 관한 것으로, 보다 구체적으로는 선박의 운항 속도 및/또는 흘수에 적합한 블레이드의 최적 열림각을 제공할 수 있는 가변형 전류 고정 날개 및 가변형 전류 고정 날개의 열림각 조절 방법에 관한 것이다.
인공지능 시스템은 인간 수준의 지능을 구현하는 컴퓨터 시스템이며, 기존 Rule 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 Rule 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계 학습(딥러닝) 및 기계 학습을 활용한 요소기술들로 구성된다. 기계 학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계 학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
일반적으로 기계 학습 알고리즘을 실생활에 적용하기 위해서는 기계 학습의 기본 방법론의 특성상 Trial and Error 방식으로 학습을 수행하게 된다. 특히, 딥러닝의 경우 수십만 번의 반복 실행을 필요로 한다. 이를 실제 물리적인 외부 환경에서 실행하기는 불가능하여 대신 실제 물리적인 외부 환경을 컴퓨터상에서 가상으로 구현하여 시뮬레이션을 통해 학습을 수행한다.
한편, 선박은 프로펠러의 회전에 의해 추진력을 발생시키는데, 프로펠러가 회전 시 후류에서 프로펠러의 회전방향에 대한 접선방향의 속도성분(tangential velocity)이 불가피하게 생성된다. 이러한 접선방향의 속도성분은 좌현과 우현에서 각각 상부를 향하게 되며, 그 결과 프로펠러의 회전방향에 대한 접선방향의 속도성분이 선박의 추진효율을 저하시키는 원인으로 작용하게 된다.
이로 인해 프로펠러의 후류에서 소실되는 프로펠러의 운동에너지를 회수하기 위하여 다양한 구조가 적용되는데, 이 중에는 프로펠러의 전방에서 프로펠러의 축방향 중심선에 대해 방사상으로 설치되는 전류 고정 날개가 있다.
선박의 전류 고정 날개는 주로 저속 비대선에 적용되어 선박의 속도 성능을 향상시키도록 한다. 즉, 전류 고정 날개는 프로펠러에 의해 유기되는 접선방향의 속도와 반대되는 방향의 접선방향 속도를 제공하기 위하여 프로펠러의 전방에서 고정날개의 형태로 설치되며, 프로펠러의 후류에서 회전방향 운동에너지의 손실을 최소화하고, 이를 통해 선박의 추진효율을 향상시키도록 한다.
전류 고정 날개는 프로펠러의 전단부에 위치하고, 하나 이상의 블레이드(blade)들을 포함하는데, 각 블레이드들의 최적 각도는 선박 모형시험을 통해서 결정된다. 그러나, 이러한 방식으로 결정되는 블레이드들의 최적 각도는 사양서의 보증 속도에 최적화된 각도로, 실제로 운항 중인 선박의 속도 또는 흘수 등의 다양한 조건에 따른 최적화된 각도를 제공하지 못하는 문제점이 있다.
(특허문헌) 한국 공개특허공보 제10-2018-0076924호 (이동식 전류고정날개, 2018.07.06)
본 발명이 이루고자 하는 기술적 과제는, 인공지능 시스템과 연동하여 선박의 운항 속도 및/또는 흘수에 적합한 최적의 열림각을 제공할 수 있는 가변형 전류 고정 날개 및 가변형 전류 고정 날개의 열림각 조절 방법을 제공한다.
본 발명의 실시예에 따른　가변형 전류 고정 날개는, 프로펠러의 전방에서 상기 프로펠러의 축방향 중심선에 대하여 방사상으로 하나 이상의 블레이드가 설치되고, 선박의 운항 속도 및 흘수 중 어느 하나 이상의 값에 따라서 상기 하나 이상의 블레이드의 열림각 조절이 가능한 가변형 전류 고정 날개로서, 상기 선박의 운항 속도 및 흘수 중 어느 하나 이상을 측정하는 측정부; 및 상기 측정부에서 측정된 상기 선박의 운항 속도 및 흘수 중 어느 하나 이상의 값에 기초하여 상기 하나 이상의 블레이드의 최적 열림각을 산출하는 프로세서를 포함하되, 상기 프로세서는, 모형시험 또는 시운전을 통해 획득한 상기 선박의 운항 속도별 또는 흘수별에 대한 상기 하나 이상의 블레이드의 최적 열림각 정보, 또는 실 운항 중 획득한 동작 프로파일을 학습데이터로 기계 학습하여 상기 선박의 운항 속도별 또는 흘수별에 대한 상기 하나 이상의 블레이드의 최적 열림각 정보를 도출하는 기계 학습 알고리즘을 도출하고, 상기 측정부에서 측정된 상기 선박의 운항 속도 및 흘수 중 어느 하나 이상의 값을 입력 데이터로 하여 상기 기계 학습 알고리즘을 통해 상기 하나 이상의 블레이드의 최적 열림각 정보를 출력 데이터로 형성하며, 상기 도출된 출력 데이터에 기초하여 상기 하나 이상의 블레이드의 열림각을 실시간으로 조절한다.
여기서, 상기 하나 이상의 블레이드의 열림각 조절이 가능하도록 동작하는 열림각 조절부를 더 포함할 수 있다.
삭제
삭제
이때, 상기 프로세서는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트 (Adaboost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming) 및 군집화(Clustering) 중 어느 하나 이상의 기계 학습 알고리즘을 이용하여 상기 입력 데이터로부터 상기 출력 데이터를 형성할 수 있다.
본 발명의 실시예에 따른 가변형 전류 고정 날개의 열림각 조절 방법은, 프로펠러의 전방에서 상기 프로펠러의 축방향 중심선에 대하여 방사상으로 하나 이상의 블레이드가 설치되고, 선박의 운항 속도 및 흘수 중 어느 하나 이상의 값에 따라서 상기 하나 이상의 블레이드의 열림각 조절이 가능한 가변형 전류 고정 날개의 열림각 조절 장법으로서, 상기 선박의 운항 속도 및 흘수 중 어느 하나 이상을 측정하는 단계; 및 상기 측정된 선박의 운항 속도 및 흘수 중 어느 하나 이상의 값에 기초하여 상기 하나 이상의 블레이드의 최적 열림각을 산출하는 단계를 포함하되, 상기 하나 이상의 블레이드의 최적 열림각을 산출하는 단계는, 모형시험 또는 시운전을 통해 획득한 상기 선박의 운항 속도별 또는 흘수별에 대한 상기 하나 이상의 블레이드의 최적 열림각 정보, 또는 실 운항 중 획득한 동작 프로파일을 학습데이터로 기계 학습하여 상기 선박의 운항 속도별 또는 흘수별에 대한 상기 하나 이상의 블레이드의 최적 열림각 정보를 도출하는 기계 학습 알고리즘을 도출하는 단계, 상기 측정된 상기 선박의 운항 속도 및 흘수 중 어느 하나 이상의 값을 입력 데이터로 하여 상기 기계 학습 알고리즘을 통해 상기 하나 이상의 블레이드의 최적 열림각 정보를 출력 데이터로 형성하는 단계, 및 상기 도출된 출력 데이터에 기초하여 상기 하나 이상의 블레이드의 열림각을 실시간으로 조절하는 단계를 포함한다.
삭제
삭제
또한, 상기 기계 학습 알고리즘을 통해 상기 하나 이상의 블레이드의 최적 열림각 정보를 출력 데이터로 형성하는 단계는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트 (Adaboost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming) 및 군집화(Clustering) 중 어느 하나 이상의 기계 학습 알고리즘을 이용하여 상기 입력 데이터로부터 상기 출력 데이터를 형성할 수 있다.
본 발명의 실시예들에 따르면, 선박의 다양한 운항 속도 및/또는 흘수에 따른 최적화된 전류 고정 날개의 열림각을 적용함으로써, 프로펠러의 후류에서 회전방향 운동에너지의 손실을 최소화하고, 이를 통해 선박의 추진효율을 향상시킬 수 있으며, 선박의 연료 효율성 또한 증대시킬 수 있다.
도 1은 본 발명의 실시예에 따른 가변형 전류 고정 날개의 구성을 보이는 예시도이다.
도 2는 본 발명의 실시예에 따른 가변형 전류 고정 날개 제어 장치의 구성을 보이는 예시도이다.
도 3은 본 발명의 실시예에 따른 가변형 전류 고정 날개의 구성을 보이는 정면도이다.
도 4는 본 발명의 실시예에 따른 가변형 전류 고정 날개의 열림각 조절 방법의 절차를 보이는 흐름도이다.
이하, 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 도 1은 본 발명의 실시예에 따른 가변형 전류 고정 날개의 구성을 보이는 예시도이다.
도 1에 도시한 바와 같이, 가변형 전류 고정 날개(100)는, 블레이드(110), 열림각 조절부(120) 및 연결부(121)를 포함할 수 있다. 일 실시예에 따르면, 가변형 전류 고정 날개(100)는, 선박의 선미부에 위치하는 프로펠러(200)의 전단부에 설치될 수 있다. 가변형 전류 고정 날개(100)의 이 구성요소들 중 적어도 하나가 생략되거나, 다른 구성요소가 가변형 전류 고정 날개(100)에 추가될 수 있다. 아울러, 추가적으로(additionally) 또는 대체적으로(alternatively), 일부의 구성요소들이 통합되어 구현되거나, 하나 이상의 개체로 구현될 수 있다. 예를 들어, 가변형 전류 고정 날개(100)에 도 2의 가변형 전류 고정 날개 제어 장치(300)가 통합되어 구성될 수 있다.
일 실시예에 따르면, 가변형 전류 고정 날개(100)는, 선박의 선미부에 설치되는 프로펠러(200)의 전방에서 프로펠러(200)의 축방향 중심선에 대하여 방사상으로 하나 이상의 블레이드(blade)(110)를 포함할 수 있다. 예를 들어, 가변형 전류 고정 날개(100)와 프로펠러(200)는 매개부(30)를 통하여 서로 연결될 수 있다.
또한, 가변형 전류 고정 날개(100)는, 선박의 운항 속도 및/또는 흘수에 따라서 하나 이상의 블레이드(110)의 열림각 조절이 가능할 수 있다. 즉, 하나 이상의 블레이드(110)는 가변형 전류 고정 날개 제어 장치(300)의 제어에 의해서 다양한 각도로 피치를 조절할 수 있도록 구성될 수 있다.
일 실시예에 따르면, 하나 이상의 블레이드(110)는 통과하는 해수의 흐름이 넓게 퍼지도록 하는 후퇴익으로 이루어질 수 있다. 여기서, 후퇴익이란 끝단부로 갈수록 후방으로 쳐지는 모양을 가지도록 형성되는 블레이드를 의미할 수 있지만, 이에 한정되지 않는다. 또한, 가변형 전류 고정 날개(100)는, 다수로 이루어지는 경우, 프로펠러(200) 전방의 선미부에서 프로펠러(200)의 중심선을 기준으로 양측에 대칭적으로 설치되거나, 비대칭적으로 설치될 수 있고 이와 달리 어느 일측, 예컨대 선박의 좌현이나 우현으로 치우치도록 설치될 수도 있다.
열림각 조절부(120)는, 선박의 선미부에서 가변형 전류 고정 날개(100) 본체와 연결부(121)를 통하여 연결되어 하나 이상의 블레이드(110)의 열림각 조절이 가능하도록 동작할 수 있다. 일 실시예에 따르면, 연결부(121)는, 볼트와 너트, 리벳 등의 구성을 포함하여 하나 이상의 블레이드(110)와 가변형 전류 고정 날개(100)의 본체를 연결할 수 있지만, 연결부(121)의 구성이 이에 한정되지 않는다.
도 2는 본 발명의 실시예에 따른 가변형 전류 고정 날개 제어 장치(300)의 구성을 보이는 예시도이다.
도 2에 도시한 바와 같이, 가변형 전류 고정 날개 제어 장치(300)는, 측정부(310), 프로세서(320), 열림각 조절부(120), 메모리(330) 및 시스템 버스(340)를 포함할 수 있다. 일 실시예에 따르면, 측정부(310), 프로세서(320), 열림각 조절부(120) 및 메모리(330)는 시스템 버스(340)를 통하여 서로 통신 가능하도록 연결될 수 있다. 예를 들어, 가변형 전류 고정 날개 제어 장치(300)는, 가변형 전류 고정 날개(100)에 포함될 수 있다.
측정부(310)는, 선박의 운항 속도 및/또는 흘수를 측정하여 디지털 패킷(350) 형태로 형성하도록 동작할 수 있다.
프로세서(320)는, 측정부(310)에서 측정된 선박의 운항 속도 및/또는 흘수에 기초하여 하나 이상의 블레이드(110)의 최적 열림각을 디지털 패킷(350) 형태로 산출할 수 있다. 일 실시예에 따르면, 프로세서(320)는, 선박의 다양한 운항 속도 및/또는 흘수에 대한 모형시험 또는 시운전을 수행하거나, 운항 중 획득한 디지털 패킷(350) 형태의 동작 프로파일을 학습데이터로 기계 학습하여 선박의 운항 속도 및/또는 흘수별에 대한 하나 이상의 블레이드(110)의 최적 열림각 정보를 도출하는 기계 학습 알고리즘을 도출하고, 측정부(310)에서 측정된 선박의 운항 속도 및/또는 흘수의 값을 입력 데이터로 수신하여 앞서 도출된 기계 학습 알고리즘을 통해 하나 이상의 블레이드(110)의 최적 열림각 정보를, 디지털 패킷(350) 형태의 출력 데이터로 형성할 수 있다. 예를 들어, 프로세서(320)는, 인공지능을 이용한 심층학습 알고리즘 또는 빅데이터를 이용한 기계학습 알고리즘을 통하여 입력 데이터로부터 출력 데이터를 형성할 수 있다.
또한, 프로세서(320)는, 출력 데이터를 이용하여 산출된 하나 이상의 블레이드(110)의 최적 열림각을 하나 이상의 블레이드(110)에 적용하도록 열림각 조절부(120)를 제어할 수 있다.
열림각 조절부(120)는, 프로세서(320)에서 산출된 디지털 패킷(350) 형태의 최적 열림각을 이용하여 하나 이상의 블레이드(110)의 열림각 조절을 수행할 수 있다.
네트워크(N)는　선박의 다양한 운항 속도 및/또는 흘수에 대한 모형시험 또는 시운전을 수행하거나, 또는 운항 중 획득한 동작 프로파일을 입력 데이터로 수신하기 위하여 선박 외부의 전자 단말들과 무선 또는 유선 통신을 수행할 수 있다.　예를 들어,　네트워크(N)는　LTE(long-term evolution), LTE-A(LTE Advanced), CDMA(code division multiple access), WCDMA(wideband CDMA), WiBro(Wireless BroadBand), WiFi(wireless fidelity),　블루투스(Bluetooth), NFC(near field communication), GPS(Global Positioning System)　또는　GNSS(global navigation satellite system)　등의 방식에 따른 무선 통신을 수행할 수 있다.　　예를 들어,　네트워크(N)는　USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard 232)　또는　POTS(plain old telephone service)　등의 방식에 따른 유선 통신을 수행할 수도 있다.
메모리(330)는, 다양한 데이터를 저장할 수 있다. 메모리(330)에 저장되는 데이터는, 가변형 전류 고정 날개 제어 장치(300)의 적어도 하나의 구성요소에 의해 획득되거나, 처리되거나, 사용되는 데이터로서, 소프트웨어(예를 들어: 프로그램)를 포함할 수 있다. 메모리(330)는, 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 일 실시예로서, 메모리(330)는, 선박 외부로부터 수신된 선박의 다양한 운항 속도 및/또는 흘수에 대한 모형시험 또는 시운전을 수행하거나, 또는 운항 중 획득한 동작 프로파일을 저장할 수 있다.
본 발명에서, 프로그램은 메모리(330)에 저장되는 소프트웨어로서, 가변형 전류 고정 날개 제어 장치(300)의 리소스를 제어하기 위한 운영체제, 어플리케이션 및/또는 어플리케이션이 가변형 전류 고정 날개 제어 장치(300)의 리소스들을 활용할 수 있도록 다양한 기능을 어플리케이션에 제공하는 미들 웨어 등을 포함할 수 있다.
본 발명에서, 인공지능은 인간의 학습능력, 추론능력, 지각능력 등을 모방하고, 이를 컴퓨터로 구현하는 기술을 의미하고, 기계 학습, 심볼릭 로직 등의 개념을 포함할 수 있다. 기계 학습은 입력 데이터들의 특징을 스스로 분류 또는 학습하는 알고리즘 기술이다. 인공지능의 기술은 기계 학습의 알고리즘으로써 입력 데이터를 분석하고, 그 분석의 결과를 학습하며, 그 학습의 결과에 기초하여 판단이나 예측을 할 수 있다. 또한, 기계 학습의 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술들 역시 인공지능의 범주로 이해될 수 있다. 예를 들어, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야가 포함될 수 있다.
기계 학습은 데이터를 처리한 경험을 이용해 신경망 모델을 훈련시키는 처리를 의미할 수 있다. 기계 학습을 통해 컴퓨터 소프트웨어는 스스로 데이터 처리 능력을 향상시키는 것을 의미할 수 있다. 신경망 모델은 데이터 사이의 상관 관계를 모델링하여 구축된 것으로서, 그 상관 관계는 복수의 파라미터에 의해 표현될 수 있다. 신경망 모델은 주어진 데이터로부터 특징들을 추출하고 분석하여 데이터 간의 상관 관계를 도출하는데, 이러한 과정을 반복하여 신경망 모델의 파라미터를 최적화해 나가는 것이 기계 학습이라고 할 수 있다. 예를 들어, 신경망 모델은 입출력 쌍으로 주어지는 데이터에 대하여, 입력과 출력 사이의 매핑(상관 관계)을 학습할 수 있다. 또는, 신경망 모델은 입력 데이터만 주어지는 경우에도 주어진 데이터 사이의 규칙성을 도출하여 그 관계를 학습할 수도 있다.
인공지능 학습모델 또는 신경망 모델은 인간의 뇌 구조를 컴퓨터 상에서 구현하도록 설계될 수 있으며, 인간의 신경망의 뉴런을 모의하며 가중치를 가지는 복수의 네트워크 노드들을 포함할 수 있다. 복수의 네트워크 노드들은 뉴런이 시냅스를 통하여 신호를 주고받는 뉴런의 시냅틱 활동을 모의하여, 서로 간의 연결 관계를 가질 수 있다. 인공지능 학습모델에서 복수의 네트워크 노드들은 서로 다른 깊이의 레이어에 위치하면서 컨볼루션 연결 관계에 따라 데이터를 주고받을 수 있다. 인공지능 학습모델은, 예를 들어, 인공 신경망 모델(Artificial Neural Network), 컨볼루션 신경망 모델(Convolution Neural Network: CNN) 등일 수 있다. 일 실시예로서, 인공지능 학습모델은, 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화 학습(Reinforcement Learning) 등의 방식에 따라 기계 학습될 수 있다. 기계 학습을 수행하기 위한 기계 학습 알고리즘에는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트 (Adaboost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming), 군집화(Clustering) 등이 사용될 수 있다.
이중, CNN은 최소한의 전처리를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용한다. 이러한 구조 덕분에 CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여준다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다.
컨볼루션 네트워크는 묶인 파라미터들을 가지는 노드들의 집합들을 포함하는 신경 네트워크들이다. 사용 가능한 트레이닝 데이터의 크기 증가와 연산 능력의 가용성이, 구분적 선형 단위 및 드롭아웃 트레이닝과 같은 알고리즘 발전과 결합되어, 많은 컴퓨터 비전 작업들이 크게 개선되었다. 오늘날 많은 작업에 사용할 수 있는 데이터 세트들과 같은 엄청난 양의 데이터 세트에서는 초과 맞춤(outfitting)이 중요하지 않으며, 네트워크의 크기를 늘리면 테스트 정확도가 향상된다. 컴퓨팅 리소스들의 최적 사용은 제한 요소가 된다. 이를 위해, 심층 신경 네트워크들의 분산된, 확장 가능한 구현 예가 사용될 수 있다.
도 3은 본 발명의 실시예에 따른 가변형 전류 고정 날개(100)의 구성을 보이는 정면도이다.
도 3에 도시한 바와 같이, 가변형 전류 고정 날개(100)가 다수의 블레이드들(110)을 포함하는 경우, 선박의 일측(예를 들면, 좌현)에 3개, 타측(예를 들면, 우현)에 1개의 블레이드(110)를 포함할 수 있고, 일측에 설치된 3개의 블레이드(110)는 동일한 사잇각(예를 들어, 45°)을 갖도록 구비될 수 있지만, 이에 한정되지 않는다.
일 실시예에 따르면, 가변형 전류 고정 날개(100)가 포함하는 다수의 블레이드들(110) 각각은, 가변형 전류 고정 날개 제어 장치(300)의 프로세서(320)에서 형성된 출력 데이터에 기초하여 선박의 속도 및/또는 흘수에 적합한 최적 열림각을 제공하도록 피치 조절이 가능할 수 있다.
도 4는 본 발명의 실시예에 따른 가변형 전류 고정 날개의 열림각 조절 방법의 절차를 보이는 흐름도이다. 도 4의 흐름도에서 프로세스 단계들, 방법 단계들, 알고리즘들 등이 순차적인 순서로 설명되었지만, 그러한 프로세스들, 방법들 및 알고리즘들은 임의의 적합한 순서로 작동하도록 구성될 수 있다. 다시 말하면, 본 발명의 다양한 실시예들에서 설명되는 프로세스들, 방법들 및 알고리즘들의 단계들이 본 발명에서 기술된 순서로 수행될 필요는 없다. 또한, 일부 단계들이 비동시적으로 수행되는 것으로서 설명되더라도, 다른 실시예에서는 이러한 일부 단계들이 동시에 수행될 수 있다. 또한, 도면에서의 묘사에 의한 프로세스의 예시는 예시된 프로세스가 그에 대한 다른 변화들 및 수정들을 제외하는 것을 의미하지 않으며, 예시된 프로세스 또는 그의 단계들 중 임의의 것이 본 발명의 다양한 실시예들 중 하나 이상에 필수적임을 의미하지 않으며, 예시된 프로세스가 바람직하다는 것을 의미하지 않는다.
도 4에 도시한 바와 같이, 단계(S410)에서, 선박의 다양한 운항 속도 및/또는 흘수에 대한 모형시험 또는 시운전이 수행하거나, 운항 중 획득한 동작 프로파일이 형성된다. 예를 들어, 도 1 내지 도 3을 참조하면, 가변형 전류 고정 날개 제어 장치(300)는 네트워크(N)를 통하여 선박 외부로부터 선박의 다양한 운항 속도 및/또는 흘수에 대한 모형시험, 시운전 또는 운항을 수행하여 형성된 동작 프로파일을 수신할 수 있다.
단계(S420)에서, 동작 프로파일이 입력 데이터로 수신된다. 예를 들어, 도 1 내지 도 3을 참조하면, 가변형 전류 고정 날개 제어 장치(300)의 프로세서(320)는, 선박 외부로부터 수신된 디지털 패킷(350) 형태의 동작 프로파일을 입력 데이터로서 수신할 수 있다.
단계(S430)에서, 입력 데이터에 대한 기계 학습이 수행되어 출력 데이터가 형성된다. 예를 들어, 도 1 내지 도 3을 참조하면, 가변형 전류 고정 날개 제어 장치(300)의 프로세서(320)는, 다양한 기계 학습 알고리즘을 이용하여 신경망 모델을 훈련시켜 디지털 패킷(350) 형태의 입력 데이터로부터 출력 데이터를 형성할 수 있다. 구체적으로, 프로세서(320)는 선박의 다양한 운항 속도 및/또는 흘수에 대한 모형시험 또는 시운전을 수행하거나, 운항 중 획득한 디지털 패킷(350) 형태의 동작 프로파일을 학습데이터로 기계 학습하여 선박의 운항 속도 및/또는 흘수별에 대한 하나 이상의 블레이드(110)의 최적 열림각 정보를 도출하는 기계 학습 알고리즘을 도출하고, 측정부(310)에서 측정된 선박의 운항 속도 및/또는 흘수의 값을 입력 데이터로 수신하여 앞서 도출된 기계 학습 알고리즘을 통해 하나 이상의 블레이드(110)의 최적 열림각 정보를, 디지털 패킷(350)의 출력 데이터로 형성할 수 있다. 예를 들어, 프로세서(320)는, 의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트 (Adaboost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming) 및 군집화(Clustering) 중 적어도 하나의 기계 학습 알고리즘을 이용하여 입력 데이터로부터 출력 데이터를 형성할 수 있지만, 이에 한정되지 않는다.
단계(S440)에서, 출력 데이터를 이용하여 하나 이상의 블레이드(110)의 최적 열림각이 산출된다. 예를 들어, 도 1 내지 도 3을 참조하면, 가변형 전류 고정 날개 제어 장치(300)의 프로세서(320)는, 측정부(310)에서 측정된 운항 중인 선박의 속도 및/또는 흘수에 대한 정보를 기초로, 단계 S430에서 형성된 출력 데이터를 이용하여 하나 이상의 블레이드(110)의 최적 열림각을 산출할 수 있다.
단계(S450)에서, 산출된 최적 열림각이 하나 이상의 블레이드(110)에 적용된다. 예를 들어, 도 1 내지 도 3을 참조하면, 단계 S440에서 산출된 최적 열림각은 열림각 조절부(120)에 적용되어 하나 이상의 블레이드(110)의 열림각을 조절할 수 있다.
이상, 본 발명을 도면에 도시된 실시예를 참조하여 설명하였다. 그러나, 본 발명은 이에 한정되지 않고 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 본 발명과 균등한 범위에 속하는 다양한 변형예 또는 다른 실시예가 가능하다. 따라서, 본 발명의 진정한 보호범위는 이어지는 특허청구범위에 의해 정해져야 할 것이다.
100: 가변형 전류 고정 날개 110: 블레이드
120: 열림각 조절부 121: 연결부
200: 프로펠러 210: 프로펠러 블레이드
30: 매개부 300: 가변형 전류 고정 날개 제어 장치
310: 측정부 320: 프로세서
330: 메모리 340: 시스템 버스
350: 디지털 패킷 N: 네트워크

Claims (9)

  1. 프로펠러의 전방에서 상기 프로펠러의 축방향 중심선에 대하여 방사상으로 하나 이상의 블레이드가 설치되고, 선박의 운항 속도 및 흘수 중 어느 하나 이상의 값에 따라서 상기 하나 이상의 블레이드의 열림각 조절이 가능한 가변형 전류 고정 날개로서,
    상기 선박의 운항 속도 및 흘수 중 어느 하나 이상을 측정하는 측정부; 및
    상기 측정부에서 측정된 상기 선박의 운항 속도 및 흘수 중 어느 하나 이상의 값에 기초하여 상기 하나 이상의 블레이드의 최적 열림각을 산출하는 프로세서를 포함하되,
    상기 프로세서는,
    모형시험 또는 시운전을 통해 획득한 상기 선박의 운항 속도별 또는 흘수별에 대한 상기 하나 이상의 블레이드의 최적 열림각 정보, 또는 실 운항 중 획득한 동작 프로파일을 학습데이터로 기계 학습하여 상기 선박의 운항 속도별 또는 흘수별에 대한 상기 하나 이상의 블레이드의 최적 열림각 정보를 도출하는 기계 학습 알고리즘을 도출하고,
    상기 측정부에서 측정된 상기 선박의 운항 속도 및 흘수 중 어느 하나 이상의 값을 입력 데이터로 하여 상기 기계 학습 알고리즘을 통해 상기 하나 이상의 블레이드의 최적 열림각 정보를 출력 데이터로 형성하며,
    상기 도출된 출력 데이터에 기초하여 상기 하나 이상의 블레이드의 열림각을 실시간으로 조절하는,
    가변형 전류 고정 날개.
  2. 제 1 항에 있어서,
    상기 하나 이상의 블레이드의 열림각 조절이 가능하도록 동작하는 열림각 조절부를 더 포함하는,
    가변형 전류 고정 날개.
  3. 삭제
  4. 삭제
  5. 제 1 항에 있어서,
    상기 프로세서는,
    의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트 (Adaboost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming) 및 군집화(Clustering) 중 어느 하나 이상의 기계 학습 알고리즘을 이용하여 상기 입력 데이터로부터 상기 출력 데이터를 형성하는,
    가변형 전류 고정 날개.
  6. 프로펠러의 전방에서 상기 프로펠러의 축방향 중심선에 대하여 방사상으로 하나 이상의 블레이드가 설치되고, 선박의 운항 속도 및 흘수 중 어느 하나 이상의 값에 따라서 상기 하나 이상의 블레이드의 열림각 조절이 가능한 가변형 전류 고정 날개의 열림각 조절 장법으로서,
    상기 선박의 운항 속도 및 흘수 중 어느 하나 이상을 측정하는 단계; 및
    상기 측정된 선박의 운항 속도 및 흘수 중 어느 하나 이상의 값에 기초하여 상기 하나 이상의 블레이드의 최적 열림각을 산출하는 단계를 포함하되,
    상기 하나 이상의 블레이드의 최적 열림각을 산출하는 단계는,
    모형시험 또는 시운전을 통해 획득한 상기 선박의 운항 속도별 또는 흘수별에 대한 상기 하나 이상의 블레이드의 최적 열림각 정보, 또는 실 운항 중 획득한 동작 프로파일을 학습데이터로 기계 학습하여 상기 선박의 운항 속도별 또는 흘수별에 대한 상기 하나 이상의 블레이드의 최적 열림각 정보를 도출하는 기계 학습 알고리즘을 도출하는 단계,
    상기 측정된 상기 선박의 운항 속도 및 흘수 중 어느 하나 이상의 값을 입력 데이터로 하여 상기 기계 학습 알고리즘을 통해 상기 하나 이상의 블레이드의 최적 열림각 정보를 출력 데이터로 형성하는 단계, 및
    상기 도출된 출력 데이터에 기초하여 상기 하나 이상의 블레이드의 열림각을 실시간으로 조절하는 단계를 포함하는,
    가변형 전류 고정 날개의 열림각 조절 방법.
  7. 삭제
  8. 삭제
  9. 제 6 항에 있어서,
    상기 기계 학습 알고리즘을 통해 상기 하나 이상의 블레이드의 최적 열림각 정보를 출력 데이터로 형성하는 단계는,
    의사결정트리(Decision Tree), 베이지안 망(Bayesian Network), 서포트 벡터 머신(Support Vector Machine), 인공 신경망(Artificial Neural Network), 에이다부스트 (Adaboost), 퍼셉트론(Perceptron), 유전자 프로그래밍(Genetic Programming) 및 군집화(Clustering) 중 어느 하나 이상의 기계 학습 알고리즘을 이용하여 상기 입력 데이터로부터 상기 출력 데이터를 형성하는,
    가변형 전류 고정 날개의 열림각 조절 방법.
KR1020200058680A 2020-05-15 2020-05-15 가변형 전류 고정 날개 및 가변형 전류 고정 날개의 열림각 조절 방법 KR102343507B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200058680A KR102343507B1 (ko) 2020-05-15 2020-05-15 가변형 전류 고정 날개 및 가변형 전류 고정 날개의 열림각 조절 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200058680A KR102343507B1 (ko) 2020-05-15 2020-05-15 가변형 전류 고정 날개 및 가변형 전류 고정 날개의 열림각 조절 방법

Publications (2)

Publication Number Publication Date
KR20210141262A KR20210141262A (ko) 2021-11-23
KR102343507B1 true KR102343507B1 (ko) 2021-12-27

Family

ID=78695236

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200058680A KR102343507B1 (ko) 2020-05-15 2020-05-15 가변형 전류 고정 날개 및 가변형 전류 고정 날개의 열림각 조절 방법

Country Status (1)

Country Link
KR (1) KR102343507B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240033534A (ko) 2022-09-05 2024-03-12 한화오션 주식회사 모형선박용 전류 고정 날개 시스템 및 이를 포함하는 모형선박

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013129242A (ja) * 2011-12-20 2013-07-04 National Maritime Research Institute 船舶のプロペラ位置最適化プログラム及びプロペラ位置最適化方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101900851B1 (ko) * 2016-07-22 2018-11-08 목포해양대학교 산학협력단 선박 항해 감시장치 및 방법
KR102647301B1 (ko) 2016-12-28 2024-03-13 한화오션 주식회사 이동식 전류고정날개
KR20190058120A (ko) * 2017-11-21 2019-05-29 대우조선해양 주식회사 각도변형 기능을 구비한 전류고정날개

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013129242A (ja) * 2011-12-20 2013-07-04 National Maritime Research Institute 船舶のプロペラ位置最適化プログラム及びプロペラ位置最適化方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240033534A (ko) 2022-09-05 2024-03-12 한화오션 주식회사 모형선박용 전류 고정 날개 시스템 및 이를 포함하는 모형선박

Also Published As

Publication number Publication date
KR20210141262A (ko) 2021-11-23

Similar Documents

Publication Publication Date Title
KR102659892B1 (ko) 객체 인식 장치, 이를 포함하는 전자 장치 및 객체 인식 방법
Bhopale et al. Reinforcement learning based obstacle avoidance for autonomous underwater vehicle
KR102548732B1 (ko) 신경망 학습 방법 및 이를 적용한 장치
CN110046710A (zh) 一种神经网络的非线性函数极值优化方法及系统
CN112347923A (zh) 一种基于对抗生成网络的路侧端行人轨迹预测算法
JP2023514172A (ja) 連続学習サーバーを利用してクライアントのイメージを分類するクラシファイアを連続学習する方法及びこれを利用した連続学習サーバー
US20220335303A1 (en) Methods, devices and media for improving knowledge distillation using intermediate representations
Løver et al. Explainable AI methods on a deep reinforcement learning agent for automatic docking
KR102343507B1 (ko) 가변형 전류 고정 날개 및 가변형 전류 고정 날개의 열림각 조절 방법
Miquel et al. Retinanet object detector based on analog-to-spiking neural network conversion
Witt et al. Recent technological advances in the control and guidance of ships
Ma et al. Neural network model-based reinforcement learning control for auv 3-d path following
Wang et al. A collision avoidance method for intelligent ship based on the improved bacterial foraging optimization algorithm
Wang et al. Knowledge transfer strategy for enhancement of ship maneuvering model
KR102586799B1 (ko) 인공지능 모델을 활용한 웹소설 기반 웹북 생성 자동화 처리 방법, 장치 및 시스템
Priandana et al. Development of self-organizing maps neural networks based control system for a boat model
Priandana et al. Comparison of neural networks based direct inverse control systems for a double propeller boat model
KR102546807B1 (ko) 대변 이미지 분석 기반 영양 정보 제공 방법,　장치 및 시스템
Zhang et al. Reinforcement Learning from Demonstrations by Novel Interactive Expert and Application to Automatic Berthing Control Systems for Unmanned Surface Vessel
Vianna et al. Neural Network Based Model Predictive Control for an Autonomous Vehicle
CN114952791A (zh) 肌肉骨骼机器人控制方法及装置
Bakshi Model reference adaptive control of quadrotor UAVs: A neural network perspective
Zhao et al. Semi-supervised multi-granularity CNNs for text classification: an application in human-car interaction
Hartono et al. Classificability-regulated self-organizing map using restricted RBF
Sun et al. Deep learning-based trajectory tracking control forunmanned surface vehicle

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant