KR102343942B1

KR102343942B1 - 무선 전력 전송에서 딥러닝 기반의 간섭 객체를 검출하기 위한 장치 및 이를 위한 방법

Info

Publication number: KR102343942B1
Application number: KR1020190161302A
Authority: KR
Inventors: 임용석; 김용성; 임태범; 박용주
Original assignee: 한국전자기술연구원
Priority date: 2019-12-06
Filing date: 2019-12-06
Publication date: 2021-12-28
Also published as: KR20210072176A

Abstract

본 발명의 실시예에 따른 딥러닝 기반의 무선전력전송 사이의 간섭 객체를 검출하기 위한 장치는 송신기가 수신기로 전력을 전송하는 중 복수의 데이터를 수집하고, 수집된 복수의 데이터를 복수의 종류로 분류한 후, 복수의 종류로 분류된 복수의 데이터를 제공하는 데이터처리부와, 각각이 상응하는 종류의 복수의 데이터에 대해 각각의 인공신경망 알고리즘에 따른 연산을 수행하여 중간값을 산출하는 복수의 중간판별모델을 포함하는 다중판별부와, 상기 중간값에 대해 인공신경망 알고리즘에 따른 연산을 수행하여 간섭 객체가 존재할 확률을 나타내는 최종값을 출력하는 병합판별모델을 포함하는 병합판별부를 포함한다.

Description

무선 전력 전송에서 딥러닝 기반의 간섭 객체를 검출하기 위한 장치 및 이를 위한 방법{Apparatus for detecting interference objects based on deep learning in wireless power transmission and method therefor}

본 발명은 간섭 객체 검출 기술로, 보다 상세하게는, 무선 전력 전송에서 딥러닝 기반으로 무선 전력 전송을 간섭하는 객체를 검출하기 위한 장치 및 이를 위한 방법에 관한 것이다.

최근에 전기차, AGV, 로봇 등의 충전시스템에 실시간 충전, 생활방수, 충전 안전성 등과 같은 이슈가 발생하고 있으며 이를 해결할 수 있는 방안으로 비접점의 무선충전 기술의 필요성이 높아지고 있다. 현재까지 무선충전에서는 전송효율을 높이는 무선전력전송 회로, 안테나 기술이 주가 되어 있었으나, 최근에는 불요전자파 저감, 발열제어 및 FOD(Foreign Object Detection), LOD(Live Object Detection), PD(Position Detection), 인체의 안전성 등의 실제품 적용이 가능한 알고리즘이 상용화 기술의 핵심이 되고 있다. 특히, FOD(Foreign Object Detection), LOD(Live Object Detection)의 경우 안전과 생명에 지장을 줄 수 있기 때문에 WPC(Wireless Power consortium), SAE(국제자동차기술자협회) 등 산업표준화 기구 표준에서도 필수적으로 준수되어야 할 기술로 명시되어 있다.

휴대폰 등의 소출력 무선전력전송의 대표 표준인 자기유도방식의 WPC Qi 표준에서는 FOD를 별도의 기준을 두고 정의하고 있다. WPC 1.2.4에서의 FOD 측정 규정에 따르면, 시험 검증할 FO(Foreign Objects)로써 DISK, RING, FOIL 타입에 따라 직경과 두께 등을 정의하며, FO가 삽입된 상태에서 FO의 온도를 측정하고 있다. 예를 들면, 최대 출력 가능한 조건에서 Ring type FO(AlSiMg1Mn, Ø outer : 22mm, Ø inner : 20mm, thick : 1mm)를 삽입 후 전력전송 시작 후 10min간 FO 온도 측정, FO의 위치는 송수신 코일 사이공간의 X,Y,Z 10mm 간격으로 측정한다. 그러나 송신단과 수신단이 접촉되어 있는 휴대폰과 같은 응용에서의 FOD와 전기차와 같이 이격 거리가 있는 상황에서의 FOD 기술은 전혀 다르다. 특히, 무선전력전송의 출력과 안테나의 사이즈 및 이격 거리가 다르기 때문에 FOD 기술이 더 복잡해지고 있다. 여기에는 감지에 필요한 더 많은 변수가 있어야 하며, 금속성분의 객체가 아닌 살아있는 객체, 즉 LOD까지 감지해야 하는 상황이 발생한다.

한국공개특허 제2014-0102553호 2014년 08월 22일 공개 (명칭: 무선 전력 전송 시스템에서 이물질 감지 장치 및 방법)

본 발명의 목적은 무선 전력 전송에서 딥러닝 기반으로 무선 전력 전송을 간섭하는 객체를 검출하기 위한 장치 및 이를 위한 방법을 제공함에 있다.

상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 딥러닝 기반의 무선전력전송 사이의 간섭 객체를 검출하기 위한 장치는 송신기가 수신기로 전력을 전송하는 중 복수의 데이터를 수집하고, 수집된 복수의 데이터를 복수의 종류로 분류한 후, 복수의 종류로 분류된 복수의 데이터를 제공하는 데이터처리부와, 각각이 상응하는 종류의 복수의 데이터에 대해 각각의 인공신경망 알고리즘에 따른 연산을 수행하여 중간값을 산출하는 복수의 중간판별모델을 포함하는 다중판별부와, 상기 중간값에 대해 인공신경망 알고리즘에 따른 연산을 수행하여 간섭 객체가 존재할 확률을 나타내는 최종값을 출력하는 병합판별모델을 포함하는 병합판별부를 포함한다.

상기 데이터처리부는 상기 송신기 혹은 상기 수신기에서 측정할 수 있는 물리량을 나타내는 내부측정변수와, 상기 송신기 혹은 상기 수신기의 외부의 센서를 이용하여 계측된 값인 외부계측변수와, 상기 내부측정변수 및 상기 외부계측변수에 속하는 복수의 서로 다른 변수 간의 상관관계를 나타내는 조합변수를 포함하는 복수의 데이터를 수집하는 수집모듈과, 상기 수집된 복수의 데이터를 비시계열 데이터인 제1종 데이터, 시계열 데이터인 제2종 데이터 및 멀티미디어인 제3종 데이터로 분류하는 분류모듈을 포함한다.

상기 다중판별부는 상기 제1종 데이터를 입력받고, 입력된 제1종 데이터에 대해 제1 인공신경망 알고리즘에 따른 연산을 수행하여 제1 중간값을 출력하는 제1 중간판별모델과, 상기 제2종 데이터를 입력받고, 입력된 제2종 데이터에 대해 제2 인공신경망 알고리즘에 따른 연산을 수행하여 제2 중간값을 출력하는 제2 중간판별모델과, 상기 제3종 데이터를 입력받고, 입력된 제3종 데이터에 대해 제3 인공신경망 알고리즘에 따른 연산을 수행하여 제3 중간값을 출력하는 제3 중간판별모델을 포함한다.

상기 병합판별모델은 상기 제1 중간값, 상기 제2 중간값 및 상기 제3 중간값에 대해 제4 인공신경망 알고리즘에 따른 연산을 수행하여 간섭 객체가 존재할 확률을 나타내는 최종값을 출력한다.

상술한 간섭 객체를 검출하기 위한 장치는 상기 제1종 데이터, 상기 제2종 데이터 및 상기 제3종 데이터 중 적어도 하나를 이용하여 상기 복수의 중간판별모델 및 상기 병합판별모델이 상기 간섭 객체의 존재 여부를 판별하도록 학습시키는 학습처리부를 더 포함한다.

상기 학습처리부는 상기 송신기 및 상기 수신기 사이에 간섭 객체가 없는 상황, 상기 송신기 및 상기 수신기의 코일간 위치를 변경에 따른 간섭 객체가 없는 상황 및 상기 송신기 및 상기 수신기 사이에 간섭 객체가 없을 시, 상기 송신기 및 상기 수신기 중 어느 하나의 형상 중 적어도 하나를 학습시킬 수 있다.

상술한 간섭 객체를 검출하기 위한 장치는 상기 최종값에 따라 상기 간섭 객체의 존재 여부를 확인하여 상기 간섭 객체가 존재하는 경우, 상기 송신기의 전력을 차단하거나, 빛 및 소리 중 적어도 하나의 알람을 울리거나, 상기 간섭 객체의 존재 사실을 알리는 메시지를 사용자장치로 전송하는 대응처리부를 더 포함한다.

상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 딥러닝 기반의 무선전력전송 사이의 간섭 객체를 검출하기 위한 방법은 데이터처리부가 송신기가 수신기로 전력을 전송하는 중 복수의 데이터를 수집하고, 수집된 복수의 데이터를 복수의 종류로 분류한 후, 복수의 종류로 분류된 복수의 데이터를 제공하는 단계와, 다중판별부의 복수의 중간판별모델 각각이 상응하는 종류의 복수의 데이터에 대해 각각의 인공신경망 알고리즘에 따른 연산을 수행하여 중간값을 산출하는 단계와, 병합판별부의 병합판별모델이 상기 중간값에 대해 인공신경망 알고리즘에 따른 연산을 수행하여 간섭 객체가 존재할 확률을 나타내는 최종값을 출력하는 단계를 포함한다.

본 발명에 따르면, 송수신단 이격 거리가 다양할 수 있고, 삽입되는 종류의 이물질도 다양한 무선전력전송환경에서 인식률 100%에 근접하는 FOD, LOD 기술을 개발하고, 이를 통하여 무선충전 기술의 안정성을 확보할 수 있다.

도 1은 본 발명의 실시예에 따른 무선 전력 전송에서 딥러닝 기반의 간섭 객체 검출 시스템의 구성을 설명하기 위한 도면이다.
도 2는 본 발명의 실시예에 따른 간섭객체검출장치(30)의 구성을 설명하기 위한 도면이다.
도 3 내지 도 5는 본 발명의 실시예에 따른 간섭객체검출장치의 복수의 중간판별모델의 세부적인 구성을 설명하기 위한 도면이다.
도 6은 본 발명의 실시예에 따른 간섭객체검출장치의 병합판별모델의 세부적인 구성을 설명하기 위한 도면이다.
도 7은 본 발명의 실시예에 따른 딥러닝 기반의 무선전력전송 사이의 간섭 객체를 검출하기 위한 방법을 설명하기 위한 흐름도이다.

본 발명의 상세한 설명에 앞서, 이하에서 설명되는 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 실시예에 불과할 뿐, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예들을 상세히 설명한다. 이때, 첨부된 도면에서 동일한 구성 요소는 가능한 동일한 부호로 나타내고 있음을 유의해야 한다. 또한, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략할 것이다. 마찬가지의 이유로 첨부 도면에 있어서 일부 구성요소는 과장되거나 생략되거나 또는 개략적으로 도시되었으며, 각 구성요소의 크기는 실제 크기를 전적으로 반영하는 것이 아니다.

먼저, 본 발명의 실시예에 따른 무선 전력 전송에서 딥러닝 기반의 간섭 객체 검출 시스템에 대해서 설명하기로 한다. 도 1은 본 발명의 실시예에 따른 무선 전력 전송에서 딥러닝 기반의 간섭 객체 검출 시스템의 구성을 설명하기 위한 도면이다. 도 1을 참조하면, 간섭 객체 검출 시스템은 송신기(10), 수신기(20) 및 간섭객체검출장치(30)를 포함한다.

송신기(10)는 무선으로 전력을 전송하기 위한 장치이며, 수신기(20)는 무선으로 전력을 수신하기 위한 장치이다. 송신기(10) 및 수신기(20)는 일정 간격 이상 이격되어 위치한다.

송신기(10)와 수신기(20)가 이격된 공간에 객체가 존재할 수 있으며, 이러한 객체를 간섭 객체라고 칭하기로 한다. 이러한 간섭 객체는 FO(Foreign Objects) 및 LO(Live Object)를 포함한다.

간섭객체검출장치(30)는 송신기(10)가 수신기(20)로 전력을 전송하는 중 간섭 객체가 존재하는지 여부를 판별하고, 그 결과에 따른 대처를 하기 위한 것이다. 이러한 간섭객체검출장치(30)는 송신기(10) 및 수신기(20) 중 적어도 하나의 장치에 구현되거나, 송신기(10) 및 수신기(20) 외부에 독립적으로 구현될 수 있다.

간섭객체검출장치(30)는 간섭 객체 존재 여부를 판별하기 위하여 복수의 종류의 복수의 데이터를 이용한다. 그리고 간섭객체검출장치(30)는 데이터의 종류별로 해당 종류의 데이터를 처리하기에 적합한 복수의 인공신경망 알고리즘을 학습시켜 복수의 중간판별모델을 생성하고, 복수의 중간판별모델이 처리한 복수의 중간값을 병합하여 처리하는 또 다른 인공신경망 알고리즘을 학습시켜 병합판별모델을 생성한다. 그런 다음, 간섭객체검출장치(30)는 복수의 중간판별모델을 통해 복수의 종류의 복수의 데이터를 처리하여 복수의 중간값을 도출하고, 병합판별모델을 통해 복수의 중간값을 처리하여 간섭 객체 존재 여부를 나타내는 최종값을 도출한다.

그러면, 보다 자세히, 본 발명의 실시예에 따른 간섭객체검출장치(30)의 구성에 대해서 설명하기로 한다. 도 2는 본 발명의 실시예에 따른 간섭객체검출장치(30)의 구성을 설명하기 위한 도면이다. 도 3 내지 도 5는 본 발명의 실시예에 따른 간섭객체검출장치의 복수의 중간판별모델의 세부적인 구성을 설명하기 위한 도면이다. 도 6은 본 발명의 실시예에 따른 간섭객체검출장치의 병합판별모델의 세부적인 구성을 설명하기 위한 도면이다.

먼저, 도 2를 참조하면, 간섭객체검출장치(30)는 데이터처리부(100), 다중판별부(200), 병합판별부(300), 학습처리부(400) 및 대응처리부(500)를 포함한다.

데이터처리부(100)는 송신기(10)가 수신기(20)로 전력을 전송하는 중 복수의 데이터를 수집하고, 수집된 복수의 데이터를 복수의 종류로 분류한 후, 종류 별로 복수의 데이터를 제공하기 위한 것이다. 이러한 데이터처리부(100)는 수집모듈(110) 및 분류모듈(120)을 포함한다.

수집모듈(110)은 복수의 데이터를 수집하기 위한 것이다. 여기서, 수집되는 데이터는 내부측정변수, 외부계측변수 및 조합변수를 포함한다.

내부측정변수는 송신기(10) 혹은 수신기(20)에서 측정할 수 있는 물리량을 나타낸다. 내부측정변수는 송수신간 임피던스 및 임피던스의 시계열 변화량, 송신기(10) 온도 및 송신기(10) 온도의 시계열 변화량, 수신기(20) 온도 및 수신기(20) 온도의 시계열 변화량, 송신기(10) 출력값 (Voltage, Current, Power), 수신기(20) 입력값 (Voltage, Current, Power), 송신기(10)와 수신기(20)의 전송효율 (PRX/PTX), 수신기(20) 부하 및 수신기(20) 부하의 시계열 변화량 등을 예시할 수 있다.

외부계측변수는 송신기(10) 및 수신기(20)의 외부의 센서를 이용하여 계측된 값이다. 외부계측변수는 초음파 감지센서를 통해 계측한 송신기(10) 및 수신기(20)의 정렬, 송신기(10)와 수신기(20) 사이의 거리, 레이저센서를 통해 계측한 라인 레이저 프로파일(line laser profile)을 통해 얻을 수 있는 송신기(10) 표면 형상, 카메라를 통해 촬영한 송신기(10)와 수신기(20) 사이 공간의 영상, 마이크를 통해 통해 계측한 송신기(10)와 수신기(20) 사이 공간의 소음 등이 될 수 있다.

조합변수는 내부측정변수 및 외부계측변수에 속하는 복수의 서로 다른 변수 간의 상관관계를 나타낸다. 다른 말로, 조합변수는 복수의 내부측정변수 및 복수의 외부측정변수 중 어느 하나의 변수와 선택된 1 이상의 다른 변수와의 상관관계를 나타낸다. 예를 들면, 송신기(10) 및 수신기(20)의 임피던스의 변화가 일어나는 경우, 임피던스의 변화가 간섭 객체에 의한 것인지 혹은 송신기(10) 및 수신기(20)의 거리 변화에 의한 것인지 여부를 판단할 수 없다. 이러한 경우, 이 경우 송신기(10) 및 수신기(20)의 온도 변화량을 통해 임피던스 변환의 원인이 간섭 객체로 인한 것인지 혹은 거리 변화에 의한 것인지를 알 수 있다. 이와 같이, 임피던스가 변하는 동안 송신기(10)와 수신기(20)의 거리 변화 및 임피던스거 변하는 동안의 온도의 변화로부터 임피던스 변화와 거리 변화의 상관도 및 임피던스 변화와 온도 변화의 상관도를 조합변수로 제공할 수 있다.

분류모듈(120)은 수집모듈(110)이 수집한 복수의 데이터를 복수의 종류로 분류한다. 분류모듈(120)은 복수의 데이터를 비시계열 데이터인 제1종 데이터, 시계열 데이터인 제2종 데이터 및 멀티미디어인 제3종 데이터로 분류할 수 있다. 이러한 분류는 아래에서 설명될 인공신경망 모델이 처리하기에 적합한 형식에 따라 분류한 것이며, 아래에서 더 상세하게 설명하기로 한다.

삭제

다중판별부(200)는 복수의 중간판별모델(210, 220, 230)을 포함한다. 또한, 다중판별부(200)는 입력계층(201)을 더 포함할 수 있다. 하지만, 이러한 입력계층(201)은 선택적인 것이며, 복수의 중간판별모델(210, 220, 230) 각각의 내부에 입력계층을 구성할 수도 있다. 이하에서, 인공신경망 모델의 입력계층은 복수의 중간판별모델(210, 220, 230) 각각의 내부에 구성되는 것으로 가정하여 설명될 것이다.

복수의 중간판별모델(210, 220, 230)은 서로 다른 인공신경망 알고리즘이다. 이에 따라, 복수의 중간판별모델(210, 220, 230) 각각은 앞서 분류모듈(120)이 분류한 복수의 종류 중 자신의 인공신경망 알고리즘에 상응하는 종류의 복수의 데이터를 입력받고, 입력받은 종류의 복수의 데이터에 대해 각각의 인공신경망 알고리즘에 따른 연산을 수행하여 중간값을 산출한다.

그러면, 이러한 복수의 중간판별모델(210, 220, 230) 각각의 바람직한 실시예에 대해서 도 3 내지 도 5를 참조하여 설명하기로 한다.

제1 중간판별모델(210)은 비시계열 데이터인 제1종 데이터를 입력받고, 입력된 제1종 데이터에 대해 제1 인공신경망 알고리즘에 따른 연산을 수행하여 제1 중간값을 출력한다. 이러한 제1 중간판별모델(210)은 비시계열 데이터인 제1종 데이터를 처리하는 데에 적합한 다층퍼셉트론(MLP: multi-layer perceptron) 구조를 가지는 인공신경망 모델이 될 수 있다.

예컨대, 도 3을 참조하면, 제1 중간판별모델(210)은 입력층(211), 은닉층(212) 및 출력층(213)을 포함하는 복수의 계층을 가지며, 복수의 계층(211, 212, 213) 각각은 복수의 퍼셉트론(P)으로 이루어진다. 각 퍼셉트론은 이전 계층의 퍼셉트론으로 입력이 들어오면 연산을 한 후 다음 계층으로 출력하며, 이러한 출력에는 가중치가 적용된다. 따라서 제1 중간판별모델(210)은 입력층을 통해 제1종 데이터를 입력받으면, 제1 인공신경망 알고리즘에 따른 연산을 수행하여 그 연산 결과인 제1 중간값을 출력층으로 출력한다. 이러한 제1 인공신경망 알고리즘에 따른 연산은 step 함수, sigmoid 함수, ReLU 함수 등의 활성화 함수를 이용한 연산이 될 수 있다.

제2 중간판별모델(220)은 시계열 데이터인 제2종 데이터를 입력받고, 입력된 제2종 데이터에 대해 제2 인공신경망 알고리즘에 따른 연산을 수행하여 제2 중간값을 출력한다. 이러한 제2 중간판별모델(210)은 시계열 데이터인 제2종 데이터를 처리하는 데에 적합한 RNN(Recurrent Neural Network), LSTM(Long Short-Term Memory model) 등이 될 수 있다.

예컨대, 도 4를 참조하면, 제2 중간판별모델(220)은 복수의 스테이지의 입력층(221-1, 221-2, 221-3, 221-4), 복수의 스테이지의 은닉층(222-1, 222-2, 222-3, 222-4) 및 복수의 스테이지의 출력층(223-1, 223-2, 223-3, 223-4)을 포함한다. 본 발명에서 각 층이 4개의 스테이지로 구성되는 것으로 설명하지만, 본 발명을 이에 한정하는 것은 아니며, 각 층을 원하는 길이의 스테이지로 모델링할 수 있다는 것을 이 기술분야의 통상의 지식을 가진자라면 이해할 수 있을 것이다.

제2 중간판별모델(220)에 입력되는 제2종 데이터는 시계열 데이터이다. 이에 따라, 이 실시예에서 입력 데이터(x1, x2, x3, x4)는 4의 길이를 가지며, 시간 순서대로 정렬된 데이터이다. 제2 중간판별모델(220)의 복수의 스테이지의 입력층(221-1, 221-2, 221-3, 221-4)은 입력 데이터(x1, x2, x3, x4)를 대응하는 스테이지의 은닉층(222-1, 222-2, 222-3, 222-4)에 입력한다. 그러면, 복수의 스테이지의 은닉층(222-1, 222-2, 222-3, 222-4)은 연산을 수행한 후, 그 결과를 중간값(y1, y2, y3, y4)으로 출력한다. 여기서, h1, h2, h3은 은닉 데이터이며, 복수의 스테이지의 은닉층(222-1, 222-2, 222-3, 222-4) 각각이 연산을 통해 다음 스테이지로 출력한다. 이에 따라, 복수의 스테이지의 은닉층(222-1, 222-2, 222-3, 222-4)은 현재 스테이지의 입력 데이터(x1, x2, x3, x4)와 이전 스테이지의 은닉 데이터(h1, h2, h3)를 입력 받고, 연산을 수행한 후, 중간값인 결과 데이터(y1, y2, y3, y4)를 도출한다. 대표적으로, 스테이지 2의 은닉층(222-2)을 살펴보면, 스테이지 2의 은닉층(222-2)은 스테이지 2의 입력층(221-2)으로부터 입력 데이터 x2를 입력받고, 스테이지 1의 은닉층(222-1)으로부터 은닉 데이터 h1을 입력받는다. 그러면, 스테이지 2의 은닉층(222-2)은 입력 데이터 x2 및 은닉 데이터 h1에 대한 연산을 통해 스테이지 2의 출력 데이터 y2를 도출한다. 이와 같이, 제2 중간판별모델(220)은 제2 인공신경망 알고리즘을 통해 복수의 스테이지 각각이 이전 스테이지의 은닉 데이터(h1, h2, h3)와 현 스테이지의 입력 데이터(x1, x2, x3, x4)를 이용하여 현 스테이지의 출력 데이터인 제2 중간값(y1, y2, y3, y4)을 도출한다.

제3 중간판별모델(230)은 멀티미디어 데이터인 제3종 데이터를 입력받고, 입력된 제3종 데이터에 대해 제3 인공신경망 알고리즘에 따른 연산을 수행하여 제3 중간값을 출력한다. 이러한 제3 중간판별모델(230)은 멀티미디어 데이터를 처리하는 데에 적합한 CNN(Convolutional Neural Network)이 될 수 있다.

예컨대, 도 5를 참조하면, 제3 중간판별모델(230)은 입력층(231), 하나 이상의 컨벌루션층(convolutional layer, 232, 234), 하나 이상의 풀링층(pooling layer, 233, 235), 완전연결층(Fully-connected layer, 236) 및 출력층(237)을 포함한다.

제3 중간판별모델(230)에 입력되는 제3종 데이터는 음성, 이미지, 영상 등과 같은 멀티미디어 데이터이다. 예를 들면, 이 실시예에서 입력 데이터는 이미지라고 가정한다. 입력층(231)은 입력되는 이미지의 가로 세로의 픽셀 개수와 동일한 크기를 가지는 행렬이 될 수 있으며, 각 행렬의 원소는 이미지의 각 픽셀값에 대응할 수 있다. 제3 중간판별모델(230)은 입력층(231)에 대해 필터(혹은 커널)를 통한 컨벌루션 연산(Convolution_1)을 통해 복수의 특징지도(F)를 가지는 제1 컨벌루션층(232)을 구성하고, 제1 컨벌루션층(232)에 대해 필터(혹은 커널)를 통한 샘플링 연산(sampling_1, 여기서, sub-sampling)을 수행하여 복수의 특징지도(F)를 가지는 제1 풀링층(233)을 구성한다. 특징지도(F)는 컨벌루션 연산, 샘플링 연산 등의 결과를 소정 크기의 행렬로 저장한다. 반복해서, 제3 중간판별모델(230)은 다시 컨벌루션 연산(Convolution_2) 및 샘플링 연산(sampling_2)을 통해 순차로 제2 컨벌루션층(234) 및 제2 풀링층(235)을 구성한다. 그런 다음, 제2 풀링층(235)으로부터 완전연결층(236)를 생성하고, 완전연결층(236)의 활성화 함수를 통한 연산을 통해 출력층(237)의 출력 데이터인 제3 중간값을 도출한다. 이와 같이, 제3 중간판별모델(230)은 제3 인공신경망 알고리즘을 통해 컨벌루션 연산, 샘플링 연산 및 활성화 함수에 의한 연산을 수행하여 출력 데이터인 제3 중간값을 도출한다.

다시, 도 2를 참조하면, 병합판별부(300)는 병합판별모델(310)을 포함한다. 또한, 병합판별부(300)는 출력계층(302)을 더 포함한다. 하지만, 이러한 출력계층(302)은 선택적인 것이며, 병합판별모델(310)의 내부에 출력계층을 구성할 수도 있다. 이하에서, 인공신경망 모델의 출력계층은 병합판별모델(310)의 내부에 구성되는 것으로 가정하여 설명될 것이다.

병합판별모델(310)은 전술한 제1, 제2 및 제3 중간값에 대해 제4 인공신경망 알고리즘에 따른 연산을 수행하여 간섭 객체가 존재할 확률을 나타내는 최종값을 출력한다.

병합판별모델(310)의 제4 인공신경망 알고리즘은 제1, 제2 및 제3 인공신경망 알고리즘 중 어느 하나와 동일한 인공신경망 알고리즘이거나, 제1, 제2 및 제3 인공신경망 알고리즘 중 2 이상의 인공신경망 알고리즘의 조합이 될 수 있다.

예컨대, 도 6을 참조하면, 병합판별모델(310)은 입력층(311), 은닉층(312) 및 출력층(313)을 포함한다. 입력층(311)은 제1 중간값, 제2 중간값 및 제3 중간값을 입력받는다. 은닉층(312)은 다층퍼셉트론(MLP: multi-layer perceptron), RNN(Recurrent Neural Network), LSTM(Long Short-Term Memory model), CNN(Convolutional Neural Network) 중 어느 하나 이거나, 이들이 조합된 구성이 될 수 있다. 출력층(313)은 2개의 노드(O1, O2)를 가지며, 제1 출력노드(O1)는 간섭 객체가 존재할 확률을 나타내며, 제2 출력노드(O2)는 간섭 객체가 존재하지 않을 확률을 나타낸다.

병합판별모델(310)은 제1 중간값, 제2 중간값 및 제3 중간값에 대해 제4 인공신경망 알고리즘에 따른 연산을 수행하여 간섭 객체가 존재할 확률을 나타내는 최종값을 출력한다. 예컨대, 최종값이 O1 = 0.82이고, O2 = 0.18이라면, 간섭 객체가 존재할 확률이 82%이고, 존재하지 않을 확률이 18%이기 때문에 간섭 객체가 존재하는 것으로 판단할 수 있다.

다시, 도 2를 참조하면, 학습처리부(400)는 복수의 중간판별모델(210, 220, 230) 및 병합판별모델(310)을 학습시키기 위한 것이다. 학습처리부(400)는 제1종 데이터, 제2종 데이터 및 제3종 데이터 중 적어도 하나를 이용하여 복수의 중간판별모델(210, 220, 230) 및 병합판별모델(310)이 간섭 객체의 존재 여부를 판별하도록 학습시킨다.

제1 실시예에 따르면, 학습처리부(400)는 송신기(10) 및 수신기(20) 사이에 간섭 객체가 없는 상황을 학습시킬 수 있다. 이때, 학습처리부(400)는 간섭 객체가 없는 상황이 알려진 학습 데이터를 마련한다. 즉, 학습처리부(400)는 간섭 객체가 없는 상황에서 송신기(10) 및 수신기(20) 사이에 간섭 객체가 없는 상황에서 수집되고 분류된 제1종 데이터, 제2종 데이터 및 제3종 데이터를 마련한다. 그런 다음, 학습처리부(400)는 간섭 객체가 없는 상황을 기댓값으로 설정한다. 예컨대, 학습처리부(400)는 간섭 객체가 존재할 확률을 나타내는 제1 출력노드(O1) 및 간섭 객체가 존재하지 않을 확률을 나타내는 제2 출력노드(O2)에 대한 기댓값을 ‘O1 ≥ 0.70 AND O2 < 0.30’과 같이 설정할 수 있다. 그런 다음, 학습처리부(400)는 학습 데이터를 다중판별부(200)에 입력한다. 그러면, 복수의 중간판별모듈 및 병합판별모델(310)이 제1 내지 제4 인공신경망 알고리즘에 따른 연산을 수행하여 최종값을 출력할 것이다. 그러면, 학습처리부(400)는 기댓값과 최종값을 비교하여 기댓값과 최종값의 차이가 최소가 되도록 역전파(back-propagation) 알고리즘을 통해 1 내지 제4 인공신경망 알고리즘에 따른 연산의 가중치를 수정한다. 예컨대, 최종값이 O1 = 0.69이고, O2 = 0.31이라면, 기댓값 ‘O1 ≥ 0.70 AND O2 < 0.30’을 만족하지 않기 때문에 차이를 최소로 하기 위하여 역전파 알고리즘을 통해 1 내지 제4 인공신경망 알고리즘에 따른 연산의 가중치를 조정한다. 그리고 학습처리부(400)는 전술한 바와 같은 절차를 반복하여 제1 내지 제4 인공신경망 알고리즘에 대해 송신기(10) 및 수신기(20) 사이에 간섭 객체가 없는 상황을 학습(deep leaning)시킬 수 있다.

제2 실시예에 따르면, 학습처리부(400)는 송신기(10) 및 수신기(20) 사이에 코일간의 위치 변경에 따른 간섭 객체가 없는 상황을 학습시킬 수 있다. 학습처리부(400)는 코일간의 위치를 변경하면서 전술한 제1 실시예와 동일하게 제1 내지 제4 인공신경망 알고리즘에 대해 송신기(10) 및 수신기(20) 사이에 간섭 객체가 없는 상황을 학습(deep leaning)시킬 수 있다.

제3 실시예에 따르면, 송신기(10) 및 수신기(20) 사이에 간섭 객체가 없을 시, 송신기(10) 및 수신기(20) 중 어느 하나의 형상 중 적어도 하나를 학습시킬 수 있다. 학습처리부(400)는 송신기(10) 및 수신기(20) 중 어느 하나의 형상 중 적어도 하나를 포함하는 학습 데이터를 이용하여 전술한 제1 실시예와 동일하게 제1 내지 제4 인공신경망 알고리즘에 대해 송신기(10) 및 수신기(20) 사이에 간섭 객체가 없는 상황을 학습(deep leaning)시킬 수 있다.

대응처리부(500)는 최종값에 따라 간섭 객체의 존재 여부를 확인하여 간섭 객체가 존재하는 경우, 이에 대응한다. 예컨대, 최종값이 O1 = 0.95이고, O2 = 0.05이라면, 간섭 객체가 존재할 확률이 95%이고, 존재하지 않을 확률이 5%이기 때문에 대응처리부(500)는 간섭 객체가 존재하는 것으로 판단한다. 그러면, 대응처리부(500)는 송신기(10)의 전력을 차단하거나, 빛 및 소리 중 적어도 하나의 알람을 울리거나, 간섭 객체의 존재 사실을 알리는 메시지를 사용자장치(미도시)로 전송할 수 있다.

다음으로, 본 발명의 실시예에 따른 딥러닝 기반의 무선전력전송 사이의 간섭 객체를 검출하기 위한 방법에 대해서 설명하기로 한다. 도 7은 본 발명의 실시예에 따른 딥러닝 기반의 무선전력전송 사이의 간섭 객체를 검출하기 위한 방법을 설명하기 위한 흐름도이다. 도 7의 설명에 앞서, 학습처리부(400)에 의해 제1 내지 제4 인공신경망 알고리즘이 모두 학습(deep learning)된 상태라고 가정한다.

도 7을 참조하면, 데이터처리부(100)는 송신기(10)와 수신기(20)의 내부 및 외부에 대한 정보를 가지는 복수의 데이터를 수집하고, 수집된 복수의 데이터를 복수의 종류로 분류한 후, 종류 별로 복수의 데이터를 제공하기 위한 것이다. 이러한 데이터처리부(100)는 수집모듈(110) 및 분류모듈(120)을 포함한다.

데이터처리부(100)의 수집모듈(110)은 S110 단계에서 송신기(10)가 수신기(20)로 전력을 전송하는 중 복수의 데이터를 수집한다. 여기서, 수집되는 데이터는 내부측정변수, 외부계측변수 및 조합변수를 포함한다. 내부측정변수는 송신기(10) 혹은 수신기(20)에서 측정할 수 있는 물리량이고, 외부계측변수는 송신기(10) 및 수신기(20)의 외부의 센서를 이용하여 계측된 값이며, 조합변수는 내부측정변수 및 외부계측변수에 속하는 복수의 서로 다른 변수 간의 상관관계를 나타낸다.

데이터처리부(100)의 분류모듈(120)은 S120 단계에서 앞서 수집된 복수의 데이터를 비시계열 데이터인 제1종 데이터, 시계열 데이터인 제2종 데이터 및 멀티미디어인 제3종 데이터로 분류한다.

다중판별부(200)의 복수의 중간판별모델(210, 220, 230)은 S130 단계에서 앞서 분류모듈(120)이 분류한 복수의 종류 중 자신의 인공신경망 알고리즘에 상응하는 종류의 복수의 데이터에 대해 각각의 인공신경망 알고리즘에 따른 연산을 수행하여 중간값을 산출한다. 여기서, 이러한 S130 단계의 복수의 중간판별모델(210, 220, 230) 각각의 동작에 대해 보다 구체적으로 설명하면 다음과 같다. 즉, 제1 중간판별모델(210)은 비시계열 데이터인 제1종 데이터를 입력받고, 입력된 제1종 데이터에 대해 제1 인공신경망 알고리즘에 따른 연산을 수행하여 제1 중간값을 출력한다. 제2 중간판별모델(220)은 시계열 데이터인 제2종 데이터를 입력받고, 입력된 제2종 데이터에 대해 제2 인공신경망 알고리즘에 따른 연산을 수행하여 제2 중간값을 출력한다. 제3 중간판별모델(230)은 멀티미디어 데이터인 제3종 데이터를 입력받고, 입력된 제3종 데이터에 대해 제3 인공신경망 알고리즘에 따른 연산을 수행하여 제3 중간값을 출력한다.

다음으로, 병합판별부(300)의 병합판별모델(310)은 S140 단계에서 앞서 복수의 중간판별모델(210, 220, 230)이 산출한 제1, 제2 및 제3 중간값에 대해 제4 인공신경망 알고리즘에 따른 연산을 수행하여 간섭 객체가 존재할 확률을 나타내는 최종값을 출력한다.

이어서, 대응처리부(500)는 최종값에 따라 간섭 객체의 존재 여부를 확인하여 간섭 객체가 존재하는 경우, 송신기(10)의 전력을 차단하거나, 빛 및 소리 중 적어도 하나의 알람을 울리거나, 간섭 객체의 존재 사실을 알리는 메시지를 사용자장치(미도시)로 전송할 수 있다.

이상 본 발명의 실시예에 대해 설명하였다. 기존의 방식에서는 단순한 파라미터 측정을 통하여 전송시 전력 손실(Power Loss)의 차를 이용하는 알고리즘으로 FOD 와 LOD를 수행하였다. 하지만, 본 발명은 다양한 변수를 기반으로 딥러닝을 활용, 상호 복잡한 관계성의 특징(feature)을 추출하여 간섭 객체 검출, 즉, FOD와 LOD의 인식률을 높인다.

한편, 전술한 본 발명의 실시예에 따른 방법은 다양한 컴퓨터수단을 통하여 판독 가능한 프로그램 형태로 구현되어 컴퓨터로 판독 가능한 기록매체에 기록될 수 있다. 여기서, 기록매체는 프로그램 명령, 데이터 파일, 데이터구조 등을 단독으로 또는 조합하여 포함할 수 있다. 기록매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예컨대 기록매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광 기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함한다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 와이어뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 와이어를 포함할 수 있다. 이러한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상 본 발명을 몇 가지 바람직한 실시예를 사용하여 설명하였으나, 이들 실시예는 예시적인 것이며 한정적인 것이 아니다. 이와 같이, 본 발명이 속하는 기술분야에서 통상의 지식을 지닌 자라면 본 발명의 사상과 첨부된 특허청구범위에 제시된 권리범위에서 벗어나지 않으면서 균등론에 따라 다양한 변화와 수정을 가할 수 있음을 이해할 것이다.

10: 송신기
20: 수신기
100: 데이터처리부
200: 다중판별부
300: 병합판별부
400: 학습처리부
500: 대용처리부

Claims

딥러닝 기반의 무선전력전송 사이의 간섭 객체를 검출하기 위한 장치에 있어서,
송신기가 수신기로 전력을 전송하는 중 복수의 데이터를 수집하고, 수집된 복수의 데이터를 복수의 종류로 분류한 후, 복수의 종류로 분류된 복수의 데이터를 제공하는 데이터처리부;
각각이 상응하는 종류의 복수의 데이터에 대해 각각의 인공신경망 알고리즘에 따른 연산을 수행하여 중간값을 산출하는 복수의 중간판별모델을 포함하는 다중판별부; 및
상기 중간값에 대해 인공신경망 알고리즘에 따른 연산을 수행하여 간섭 객체가 존재할 확률을 나타내는 최종값을 출력하는 병합판별모델을 포함하는 병합판별부;를 포함하되,
상기 데이터처리부는
상기 송신기 혹은 상기 수신기에서 측정할 수 있는 물리량을 나타내는 내부측정변수와, 상기 송신기 혹은 상기 수신기의 외부의 센서를 이용하여 계측된 값인 외부계측변수와, 상기 내부측정변수 및 상기 외부계측변수에 속하는 복수의 서로 다른 변수 간의 상관관계를 나타내는 조합변수를 포함하는 복수의 데이터를 수집하는 수집모듈; 및
상기 수집된 복수의 데이터를 비시계열 데이터인 제1종 데이터, 시계열 데이터인 제2종 데이터 및 멀티미디어인 제3종 데이터로 분류하는 분류모듈;을 포함하고,
상기 다중판별부는
상기 제1종 데이터를 입력받고, 입력된 제1종 데이터에 대해
제1 인공신경망 알고리즘에 따른 연산을 수행하여 제1 중간값을 출력하는 제1 중간판별모델;
상기 제2종 데이터를 입력받고, 입력된 제2종 데이터에 대해
상기 제1 인공신경망 알고리즘과 다른 종류의 제2 인공신경망 알고리즘에 따른 연산을 수행하여 간섭 객체가 존재할 확률을 나타내는 제2 중간값을 출력하는 제2 중간판별모델; 및
상기 제3종 데이터를 입력받고, 입력된 제3종 데이터에 대해
상기 제1 인공신경망 알고리즘 및 상기 제2 인공신경망 알고리즘과 다른 종류의 제3 인공신경망 알고리즘에 따른 연산을 수행하여 간섭 객체가 존재할 확률을 나타내는 제3 중간값을 출력하는 제3 중간판별모델;을 포함하는 것을 특징으로 하는
간섭 객체를 검출하기 위한 장치.
삭제
삭제
제1항에 있어서,
상기 병합판별모델은
상기 제1 중간값, 상기 제2 중간값 및 상기 제3 중간값에 대해 제4 인공신경망 알고리즘에 따른 연산을 수행하여 간섭 객체가 존재할 확률을 나타내는 최종값을 출력하는 것을 특징으로 하는
간섭 객체를 검출하기 위한 장치.
제1항에 있어서,
상기 제1종 데이터, 상기 제2종 데이터 및 상기 제3종 데이터 중 적어도 하나를 이용하여 상기 복수의 중간판별모델 및 상기 병합판별모델이 상기 간섭 객체의 존재 여부를 판별하도록 학습시키는 학습처리부;를 더 포함하는 것을 특징으로 하는
간섭 객체를 검출하기 위한 장치.
제5항에 있어서,
상기 학습처리부는
상기 송신기 및 상기 수신기 사이에 간섭 객체가 없는 상황,
상기 송신기 및 상기 수신기의 코일간 위치를 변경에 따른 간섭 객체가 없는 상황 및
상기 송신기 및 상기 수신기 사이에 간섭 객체가 없을 시, 상기 송신기 및 상기 수신기 중 어느 하나의 형상 중
적어도 하나를 학습시키는 것을 특징으로 하는
간섭 객체를 검출하기 위한 장치.
제1항에 있어서,
상기 최종값에 따라 상기 간섭 객체의 존재 여부를 확인하여 상기 간섭 객체가 존재하는 경우,
상기 송신기의 전력을 차단하거나,
빛 및 소리 중 적어도 하나의 알람을 울리거나,
상기 간섭 객체의 존재 사실을 알리는 메시지를 사용자장치로 전송하는
대응처리부;를 더 포함하는 것을 특징으로 하는
간섭 객체를 검출하기 위한 장치.
딥러닝 기반의 무선전력전송 사이의 간섭 객체를 검출하기 위한 방법에 있어서,
데이터처리부가 송신기가 수신기로 전력을 전송하는 중 복수의 데이터를 수집하고, 수집된 복수의 데이터를 복수의 종류로 분류한 후, 복수의 종류로 분류된 복수의 데이터를 제공하는 단계;
다중판별부의 복수의 중간판별모델 각각이 상응하는 종류의 복수의 데이터에 대해 각각의 인공신경망 알고리즘에 따른 연산을 수행하여 중간값을 산출하는 단계; 및
병합판별부의 병합판별모델이 상기 중간값에 대해 인공신경망 알고리즘에 따른 연산을 수행하여 간섭 객체가 존재할 확률을 나타내는 최종값을 출력하는 단계;를 포함하되,
상기 복수의 데이터를 제공하는 단계는,
상기 송신기 혹은 상기 수신기에서 측정할 수 있는 물리량을 나타내는 내부측정변수와, 상기 송신기 혹은 상기 수신기의 외부의 센서를 이용하여 계측된 값인 외부계측변수와, 상기 내부측정변수 및 상기 외부계측변수에 속하는 복수의 서로 다른 변수 간의 상관관계를 나타내는 조합변수를 포함하는 복수의 데이터를 수집하는 단계; 및
상기 수집된 복수의 데이터를 비시계열 데이터인 제1종 데이터, 시계열 데이터인 제2종 데이터 및 멀티미디어인 제3종 데이터로 분류하는 단계;를 포함하고,
상기 중간값을 산출하는 단계는
상기 제1종 데이터를 입력받고, 입력된 제1종 데이터에 대해
제1 인공신경망 알고리즘에 따른 연산을 수행하여 제1 중간값을 출력하는 단계;
상기 제2종 데이터를 입력받고, 입력된 제2종 데이터에 대해
상기 제1 인공신경망 알고리즘과 다른 종류의 제2 인공신경망 알고리즘에 따른 연산을 수행하여 간섭 객체가 존재할 확률을 나타내는 제2 중간값을 출력하는 단계; 및
상기 제3종 데이터를 입력받고, 입력된 제3종 데이터에 대해
상기 제1 인공신경망 알고리즘 및 상기 제2 인공신경망 알고리즘과 다른 종류의 제3 인공신경망 알고리즘에 따른 연산을 수행하여 간섭 객체가 존재할 확률을 나타내는 제3 중간값을 출력하는 단계;를 포함하는
간섭 객체를 검출하기 위한 방법.