KR102561948B1 - Ga를 활용한 전이모델의 미세조정 모듈을 이용한 굴삭기 버켓 내 토사중량 예측 시스템 - Google Patents

Ga를 활용한 전이모델의 미세조정 모듈을 이용한 굴삭기 버켓 내 토사중량 예측 시스템 Download PDF

Info

Publication number
KR102561948B1
KR102561948B1 KR1020220168523A KR20220168523A KR102561948B1 KR 102561948 B1 KR102561948 B1 KR 102561948B1 KR 1020220168523 A KR1020220168523 A KR 1020220168523A KR 20220168523 A KR20220168523 A KR 20220168523A KR 102561948 B1 KR102561948 B1 KR 102561948B1
Authority
KR
South Korea
Prior art keywords
bucket
data
soil
excavator
learning
Prior art date
Application number
KR1020220168523A
Other languages
English (en)
Inventor
정황훈
이민수
신영일
Original Assignee
건설기계부품연구원
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 건설기계부품연구원 filed Critical 건설기계부품연구원
Priority to KR1020220168523A priority Critical patent/KR102561948B1/ko
Application granted granted Critical
Publication of KR102561948B1 publication Critical patent/KR102561948B1/ko

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01G—WEIGHING
    • G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
    • G01G19/52—Weighing apparatus combined with other objects, e.g. furniture
    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02F—DREDGING; SOIL-SHIFTING
    • E02F9/00—Component parts of dredgers or soil-shifting machines, not restricted to one of the kinds covered by groups E02F3/00 - E02F7/00
    • E02F9/20—Drives; Control devices
    • E02F9/2025—Particular purposes of control systems not otherwise provided for
    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02F—DREDGING; SOIL-SHIFTING
    • E02F9/00—Component parts of dredgers or soil-shifting machines, not restricted to one of the kinds covered by groups E02F3/00 - E02F7/00
    • E02F9/26—Indicating devices
    • E02F9/261—Surveying the work-site to be treated
    • E02F9/262—Surveying the work-site to be treated with follow-up actions to control the work tool, e.g. controller
    • E—FIXED CONSTRUCTIONS
    • E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
    • E02F—DREDGING; SOIL-SHIFTING
    • E02F9/00—Component parts of dredgers or soil-shifting machines, not restricted to one of the kinds covered by groups E02F3/00 - E02F7/00
    • E02F9/26—Indicating devices
    • E02F9/264—Sensors and their calibration for indicating the position of the work tool
    • E02F9/265—Sensors and their calibration for indicating the position of the work tool with follow-up actions (e.g. control signals sent to actuate the work tool)
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01G—WEIGHING
    • G01G3/00—Weighing apparatus characterised by the use of elastically-deformable members, e.g. spring balances
    • G01G3/12—Weighing apparatus characterised by the use of elastically-deformable members, e.g. spring balances wherein the weighing element is in the form of a solid body stressed by pressure or tension during weighing
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mining & Mineral Resources (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Operation Control Of Excavators (AREA)

Abstract

본 발명은 굴삭기 버켓 내 토사중량 측정 시스템에 관한 것으로서, 더욱 상세하게는 버켓 내에 설정된 중량을 가하여 작업을 수행하여 학습데이터(정답셋)를 획득하고, 이를 인공신경망을 통해 학습함으로써 버켓 내 수납되는 토사의 중량을 예측할 수 있는 GA를 활용한 전이모델의 미세조정 모듈을 이용한 굴삭기 버켓 내 토사중량 예측 시스템에 관한 것이다.

Description

GA를 활용한 전이모델의 미세조정 모듈을 이용한 굴삭기 버켓 내 토사중량 예측 시스템{Soil Weight Prediction System in Excavator Bucket Using Fine-tuning Module of Transition Model Using GA}
본 발명은 굴삭기 버켓 내 토사중량 측정 시스템에 관한 것으로서, 더욱 상세하게는 버켓 내에 설정된 중량을 가하여 작업을 수행하여 학습데이터(정답셋)를 획득하고, 이를 인공신경망을 통해 학습함으로써 버켓 내 수납되는 토사의 중량을 예측할 수 있는 GA를 활용한 전이모델의 미세조정 모듈을 이용한 굴삭기 버켓 내 토사중량 예측 시스템에 관한 것이다.
굴삭기는 주로 토사를 굴삭하는 장비로서, 토사 적재, 건물 기초 작업, 택지 조성 작업 및 화물 적재 등 다양한 작업을 할 수 있는 건설기계이다.
일반적으로 굴삭기는 유압탱크에서 흡입된 유압유가 메인펌프에서 토출되어 조이스틱레버의 조작에 따라 방향전환밸브인 컨트롤밸브를 통해 굴삭기에 장착된 붐 실린더, 암대 실린더, 버켓 실린더(41)에 공급되어, 엑츄에이터부 즉, 붐대, 암대, 버켓 등을 작동시켜 원하는 작업을 할 수 있도록 구성된다.
굴삭 환경은 매우 열악하고 위험하기 때문에 작업자의 수동 조작이 아닌 무인 상태에서 소정의 제어 알고리즘을 이용하여 자동으로 제어되는 지능형 굴삭기에 대한 연구가 활발히 진행되고 있다,
이러한 지능형 굴삭기를 이용한 굴삭 작업 자동화 및 무인화 시스템은, 작업 중 버켓 토사량 측정을 실시하지 않고, 정해진 작업 영역을 굴삭기의 사양에 맞도록 다수의 섹션으로 나누어 미리 정의되어 프로그램 된 버켓의 경로에 따라 정해진 굴삭 횟수만큼 반복하도록 되어있다.
따라서 상기와 같은 방법에 의해 굴삭 작업이 수행되는 경우, 자동 작업 종료 이후 결과가 작업 계획에 대비하여 상이할 가능성이 있고, 작업 효율성 또한 사람이 직접 작업한 결과보다 낮을 수 있기 때문에 버켓 내 토사량을 측정 또는 예측하여 굴삭작업이 수행되게 하는 다양한 알고리즘이 개발되고 있다.
일반적으로 버켓 내 토사량을 측정하는 기술로서 측량(weighing) 시스템을 사용하고 있으며, 상기 시스템은 굴삭기의 붐대 링크와 암대 링크의 각변위, 스윙 모터의 각변위, 붐 실린더의 차압 등을 센서를 통해 측정하고, 측정된 데이터는 동정을 통해 구한 굴삭기의 파라미터와 동역학방정식으로부터 페이로드(payload)를 역계산함으로써 버켓 내 토사량을 실시간으로 측량할 수 있다.
하지만 동력학방정식을 이용하는 측량 시스템의 경우, 시스템을 구성하기 위한 측정 센서를 제한함에 따라 페이로드의 오차가 발생하게 되고, 특히, 동력학방정식의 계산에 소요되는 관성항 및 감쇄항에 존재하는 가속도항 및 속도항이 센서 노이즈에 취약하여 이에 의한 오차가 발생하는 문제가 있다.
한편, 동력학방정식을 사용하지 않고 굴삭기의 버켓 내 토사량을 측정하는 기술 중 하나로 공개특허공보 제10-2020-0132217호가 개시되어 있다.
동력학방정식을 사용하지 않는 측정기술은 버켓에 적재된 토사의 적재 형상에 대한 정보를 취득하고, 취득한 형상으로부터 토사량을 산출함으로써 실시간으로 굴삭 작업의 경로가 수정될 수 있게 하고 있으나, 이는 이미지 형상으로부터 토사량을 산출하는 것이기 때문에 토사의 종류, 비율 등에 따라 오차가 발생하는 문제가 있다.
공개특허공보 제10-2020-0132217호 (2020.11.25.공개)
본 발명은 상기 종래기술이 갖는 문제점을 해결하기 위하여 창출된 것으로서, 본 발명에서 해결하고자 하는 과제는 버켓 내에 설정된 중량을 가하여 작업을 수행하여 학습데이터(정답셋)를 획득하고, 이를 인공신경망을 통해 학습함으로써 버켓 내 수납되는 토사의 중량을 예측할 수 있는 GA를 활용한 전이모델의 미세조정 모듈을 이용한 굴삭기 버켓 내 토사중량 예측 시스템을 제공하는 것이다.
본 발명은 굴삭기가 동작하는 과정동안 굴삭기에서 발생하는 각종 물리값을 정답 데이터로서 취득하며, 취득한 정보를 데이터 저장부(200)로 전송하는 데이터 획득부(100); 상기 데이터 획득부(100)에 의해 측정된 데이터를 저장 관리하는 데이터 저장부(200); 및 데이터 저장부(200)로부터 데이터를 전달받으며, 전달받은 데이터를 학습하는 과정을 복수 회 수행하는 학습부(300);를 포함하는 것을 특징으로 한다.
한편, 상기 데이터 획득부(100)는, 굴삭기의 버켓(40)이 흙을 퍼올린 뒤, 차체가 목표지점측을 향하도록 스윙한 후, 목표지점에 흙을 내려놓는 1사이클 동안의 과정동안 굴삭기의 각 구성에서 측정되는 물리값을 취득할 수 있다.
이때, 기 물리값은, 붐대(20)의 각변위(a), 암대(30)의 각변위(b), 버켓(40)의 각변위(c), 붐 실린더(21)의 차압, 암 실린더(31)의 차압, 버켓 실린더(41)의 차압, 차체(10)의 각변위 및 원동장치(M)의 회전수를 포함할 수 있다.
한편, 상기 데이터 획득부(100)는, 최소 3사이클 이상의 과정동안의 데이터를 측정하게 되며, 각 사이클에서 버켓(40)에 수납되는 토양의 중량은 상이하게 구성될 수 있다.
한편, 상기 데이터 저장부(200)는, 상기 데이터 획득부(100)로부터 전달된 데이터를 일정 시간 단위로 저장 관리할 수 있다.
한편, 상기 학습부(300)는, 인공신경망(ANN : Artificial Neural Network)으로 구성되어 딥러닝을 수행할 수 있다.
한편, 상기 인공신경망은, 전이학습 및 미세조정이 이루어지게 한다.
본 발명에 따르면, 인공신경망에 데이터 베이스로부터 전달받은 정답셋을 입력하여 전이학습을 수행하고, 이를 미세조정함으로써, 인공신경망의 구조를 최적화하되, 인공신경망의 정확도를 향상할 수 있는 장점이 있다.
또한, 본 발명에서는 기존과 달리 장비의 규격이 달라지는 경우, 미세조정을 통한 딥러닝이 가능함에 따라 버켓 내 토사 중량 예측과정이 빠른 시간내에 수행될 수 있는 장점이 있다.
도 1은 본 발명에 따른 GA를 활용한 전이모델의 미세조정 모듈을 이용한 굴삭기 버켓 내 토사 중량 예측 시스템의 개략도.
도 2는 일반적인 굴삭기의 구조를 개략적으로 나타내는 도면.
도 3은 본 발명에 따른 토사 중량 예측을 위해 굴삭기의 구조를 단순화한 도면.
도 4a 및 도 4b는 본 발명에 적용되는 인공신경망의 시뮬레이션한 실시예의 도면.
이하 첨부된 도면을 참조하여 본 발명의 바람직한 실시 예를 더욱 상세하게 설명한다.
본 발명은 굴삭기 버켓 내 토사중량 측정 시스템에 관한 것으로서, 더욱 상세하게는 버켓 내에 설정된 중량을 가하여 작업을 수행하여 학습데이터(정답셋)를 획득하고, 이를 인공신경망을 통해 학습함으로써 버켓 내 수납되는 토사의 중량을 예측할 수 있는 GA를 활용한 전이모델의 미세조정 모듈을 이용한 굴삭기 버켓 내 토사중량 예측 시스템에 관한 것이다.
본 발명에 따른 시스템은 도 2에 도시된 바와 같이, 데이터 획득부(100), 데이터 저장부(200) 및 학습부(300)를 포함한다.
상기 데이터 획득부(100)는 인공신경망을 이용한 학습에 사용될 정답 데이터(정답셋)를 취득하기 위한 것으로서, 굴삭기가 동작하는 과정동안 굴삭기에서 발생하는 각종 물리값을 정답 데이터로서 취득하며, 취득한 정보를 데이터 저장부(200)로 전송하도록 구성된다.
상술하면, 상기 데이터 획득부(100)는 굴삭기의 버켓(40)이 흙을 퍼올린 뒤, 차체가 목표지점측을 향하도록 스윙한 후, 목표지점에 흙을 내려놓는 1사이클 동안의 과정동안 굴삭기의 각 위치에서 측정되는 물리값을 취득할 수 있다.
상기 물리값에는 상하 회동이 이루어지는 각 구성간의 조인트 위치(P1, P2, P3)의 각변위, 각 구성을 회동시키기 위한 실린더의 차압, 차체(10)를 좌우로 회전시키는 원동장치(M)의 물리값 등이 포한된다.
상술하면, 도 2는 일반적인 굴삭기를 도시한 것으로, 굴삭기는 차체(10), 주행장치(D), 턴테이블(11), 원동장치(M), 붐대(20), 암대(30), 버켓(40), 붐 실린더(21), 암 실린더(31) 및 버켓 실린더(41)를 포함하여 구성되는데, 상기 물리값은 상기와 같이 구성되는 굴삭기가 동작하는 과정에서 발생하는 붐대(20)의 각변위(a), 암대(30)의 각변위(b), 버켓(40)의 각변위(c), 붐 실린더(21)의 차압, 암 실린더(31)의 차압, 버켓 실린더(41)의 차압, 차체(10)의 각변위, 원동장치(M)의 회전수, 붐대(20)의 각속도와 각가속도, 암대(30)의 각속도와 각가속도, 버켓(40)의 각속도와 각가속도 및 차체(10)의 각속도와 각가속도 등을 포함한다.
여기서 차체(10)는 굴삭기의 주행 및 동작을 제어하기 위한 것이고, 주행장치(D)는 차체가 전후진할 수 있게 하는 구동장치이며, 턴테이블(11)은 차체가 주행장치(D)의 상부에 좌우방향으로 회전할 수 있게 하는 것이고, 원동장치(M)는 턴테이블(11)을 좌우방향으로 회전시키는 구동장치이다.
한편, 붐대(20)는 일단이 차체와 상하방향으로 회동 가능하게 체결되는 바(bar)이고, 암대(30)는 일단이 붐대(20)의 타단에 상하방향으로 회동 가능하게 체결되는 바(bar)이며, 버켓(40)은 암대(30)의 타단에 상하방향으로 회동 가능하게 체결되어 바스켓으로 토양을 퍼 올리는 주체이다.
한편, 붐 실린더(21)는 붐대(20)를 상하방향으로 회동시키는 구동장치이며, 암 실린더(31)는 암대(30)를 상하방향으로 회동시키는 구동장치고, 버켓 실린더(41)는 버켓(40)이 상하방향으로 회동되게 하는 구동장치이다.
상기와 같이 구성되는 굴삭기에서 붐대(20)의 각변위(a)는 붐대(20)의 상하방향 회동각의 변위를 의미하는 것으로서, 붐대(20)와 차체(10)가 힌지 체결된 조인트에서 수직 또는 수평방향으로 연장된 선을 제 1붐대 기준선(A1)이라 하고, 붐대(20)와 차체(10)가 힌지 체결된 조인트(P1)에서 붐대(20)의 타단을 연결한 선을 제 2붐대 기준선(A2)이라 할 때, 제 1붐대 기준선(A1)과 제 2붐대 기준선(A2) 사이의 각도 변위이다.
암대(30)의 각변위(b)는 암대(20)와 붐대(30)가 힌지 체결된 조인트(P2)에서 수직 또는 수평방향으로 연장된 선을 제 1암대 기준선(B1)이라 하고, 암대(30)와 붐대(20)가 힌지 체결된 조인트에서 암대(30)의 타단을 연결한 선을 제 2암대 기준선(B2)이라 할 때, 제 1암대 기준선(B1)과 제 2암대 기준선(B2) 사이의 각도 변위이다.
버켓(40)의 각변위(c)는 암대(20)와 버켓(40)이 힌지 체결된 조인트(P3)에서 수직 또는 수평방향으로 연장된 선을 제 1버켓 기준선(C1)이라 하고, 암대(30)와 버켓(40)이 힌지 체결된 조인트(P3)에서 버켓(40)의 무게 중심까지 연장된 선을 제 2버켓 기준선(C2)이라 할 때, 제 1버켓 기준선(C1)과 제 2버켓 기준선(C2) 사이의 각도 변위이다.
붐 실린더의 차압는 붐대(20)를 상하방향으로 회동하는 과정에서 발생하는 붐 실린더의 압력 변화이다.
암 실린더(31)의 차압는 암대(30)를 상하방향으로 회동하는 과정에서 발생하는 암 실린더(31)의 압력 변화이다.
버켓 실린더(41)의 차압는 버켓(40)을 상하방향으로 회동하는 과정에서 발생하는 버켓 실린더(41)의 압력 변화이다.
차체(10)의 각변위는 차체가 좌우방향으로 회동한 회동각도의 변위이다.
원동장치(M)의 회전수는 차체를 일정속도로 좌우방향으로 회동시킬 때 원동장치(M)의 RPM(분당 회전수)이다.
붐대(20)의 각속도와 각가속도, 암대(30)의 각속도와 각가속도, 버켓(40)의 각속도와 각가속도 및 차체(10)의 각속도와 각가속도는 상기에서 도출된 각 구성의 각변위를 이용하여 계산으로 도출한 것으로서, 이는 일반적은 동력학 계산에 의한 것이므로 이에 대한 자세한 설명은 생략하기로 한다.
상기와 같이, 상기 데이터 획득부(100)는 굴삭기가 동작하는 과정에서 발생하는 각종 물리값을 측정하여 정답셋으로 사용할 수 있는데, 이때, 버켓에 수용되는 토사의 중량은 하중센서 등을 이용하여 측정하거나 또는 토사의 중량을 직접 측정함으로써 획득할 수 있다.
상술하면, 본 발명에서는 실제로 임의의 토사를 1사이클 동안 굴삭하여 버켓에 수용된 토사의 중량을 하중센서를 이용하여 측정함으로써 정답셋으로 획득할 수 있다.
이때, 상기 데이터 획드부(100)에서는 학습 정확도의 향상을 위해 최소 3사이클 이상의 과정동안의 데이터를 측정하게 되며, 각 사이클마다 토사의 중량은 상이하게 이루어진다.
한편, 본 발명에서는 이후 후술할 학습기가 더욱 정확한 학습을 하기 위해, 학습 데이터로 사용되는 물리값으로 붐 실린더(21), 암 실린더(31) 및 버켓 실린더(41)의 회동각 변위를 더 포함할 수 있다.
여기서, 여기서 붐 실린더(21)의 회동각(d) 변위는 붐 실린더(21)와 차체(10)가 힌지 체결된 조인트(P4)에서 수직 또는 수평방향으로 연장된 선을 제 1붐 실린더 기준선(D1)이라 하고, 붐 실린더(21)와 차체(10)가 힌지 체결된 조인트(P4)에서 붐 실린더 로드의 끝단까지의 연장된 선을 제 2붐 실린더 기준선(D2)라 할 때, 제 1붐 실린더 기준선(D1)과 제 2붐 실린더 기준선(D2)의 사이 각도 변위이다.
한편, 상기 암 실린더(31)의 회동각(e) 변위는 암 실린더(31)과 붐대(20)가 힌지 체결된 조인트(P5)에서 수직 또는 수평방향으로 연장된 선을 제 1암 실린더 기준선(E1)이라 하고, 암 실린더(31)와 붐대(20)가 힌지 체결된 조인트(P5)에서 암 실린더 로드의 끝단까지 연장된 선을 제 2암 실린더 기준선(E2)라 할 때, 제 1암 실린더 기준선(E1)과 제 2암 실린더 기준선(E2)의 사이 각도 변위이다.
한편, 버켓 실린더(41)의 회동각(f)의 변위는 버켓 실린더(41)와 암대(30)가 힌지 체결된 조인트(P6)에서 수직 또는 수평방향으로 연장된 선을 제 1버켓 실린더 기준선(F1)이라 하고, 버켓 실린더(41)와 암대(30)가 힌지 체결된 조인트(P6)에서 버켓 실린더 로드의 끝단까지 연장된 선을 제 2버켓 실린더 기준선(F2)라 할 때, 제 1버켓 실린더 기준선(F1)과 제 2버켓 실린더 기준선(F2)의 사이 각도 변위이다.
한편, 상기 데이터 저장부(200)는 상기 데이터 획득부(100)에 의해 측정된 데이터(정답셋)를 저장 관리한다.
상술하면, 상기 데이터 저장부(200)는 상기 데이터 획득부(100)로부터 전달된 데이터를 일정 시간 단위로 저장 관리하게 되는데, 이는 복수 번의 사이클인 경우, 각 사이클 별로 각 측정값이 일정 시간 단위로 저장하여 관리할 수 있다.
이때, 상기 시간 단위는 초 또는 콤마 초 등의 다양한 단위로 설정될 수 있는데, 이는 사용자가 원하는 학습 데이터의 개수에 따라 적절하게 결정하여 사용할 수 있다.
한편, 상기 학습부(300)는 데이터 저장부(200)로부터 데이터를 전달받으며, 전달받은 데이터를 학습하는 과정을 복수 회 수행할 수 있다.
상술하면, 상기 학습부(300)는 인공신경망(ANN : Artificial Neural Network)으로 구성되어 딥러닝을 수행하게 되는데, 상기 데이터 저장부(200)로부터 정답 데이터인 측정된 데이터를 전달받아 이를 이용하여 버켓(40) 내 토사의 중량을 예측하기 위한 알고리즘을 생성하게 된다.
여기서 인공신경망은 사람의 생물학적 뇌의 동작원리를 모방하여 데이터 내에 존재하는 독특한 패턴이나 구조를 인지하기 위한 방법이다.
하기에서는 본 발명의 학습부(300)에 적용되는 인공신경망 구조를 선정하는 과정에 대해 설명하기로 한다.
본 발명에서는 종래의 계량 시스템(weighing system)에서 착안하여, 데이터 획득부에서 취득하는 학습 데이터 중 붐대(20)의 각변위, 각속도 및 각가속도, 암대(30)의 각변위, 각속도 및 각가속도, 차체(10)의 각변위, 각가속도 및 각가속도와 붐 실린더(21)의 차압을 학습 데이터로 선정하여 사용하였다.
여기서 종래의 계량 시스템은 센서를 최소한으로 사용하면서 버켓 내의 토사 중량을 계산하는 것을 목적으로 하는 것이기 때문에 본 발명에서도 최소한의 학습데이터를 이용하여 정확한 토사 중량을 예측할 수 있게 동일한 파라미터를 학습 데이터로 사용하였으며, 신경망의 활성화 함수는 Relu를 적용하였다.
아울러, 본 발명에서는 RCGA(Real Coded Genetic Algorithm) 기법을 활용하여 목적함수에 최적화된 은닉층 구조를 추정하도록 구성되며, 파이썬(Python)을 기반으로 하는 신경망을 목적함수에 최적인 구조로 선정하기 위해 DEAP(Distributed Evolutionary Algorithms in Python)를 사용하였다.
여기서 일반적인 RCGA 기법은 개체집단을 초기화하고, 1 세대의 각 염색체에 대한 목적함수를 계산하여 재생산 연산을 한 뒤, 재생산된 개체집단에 대한 교배 연산을 수행하고 이후, 이에 대한 돌연변이 연산을 수행하여 다음 세대의 개체집단으로 선정하고, 이를 최대 세대만큼 반복 연산하는 과정을 수행함으로써 개체집단을 최적화하게 된다.
이때, 목적함수의 계산에는 엘리티즘 전략과 벌점전략이 적용되는데, 엘리티즘 전략은 한 세대에 대하여 가장 최적인 개체를 다음 개체까지 유지하는 전략으로, 각 세대에서 최적의 개체를 보존함으로써 세대수 증가 시, 개체집단이 최적해에 수렴하게 하는 역할을 하는 것이기 때문에 인공신경망에 GA를 적용하기 위해서는 반드시 적용되어야 한다.
한편, 벌점전략은 주목하고자 하는 특징에 대하여 가점 또는 감점을 통해 진화의 방향을 조절하는 전략이다.
상기와 같은 일반적인 RCGA 기법을 인공신경망에 적용하게 되면, 인공신경망 특유의 특성에 의해 동일한 입력의 동일한 학습 절차에 대해서 다른 출력이 나타나는 문제가 발생할 수 있다.
따라서 본 발명에서는 인공신경망에 GA를 적용하기 위해 인공신경망의 특징에 따라 기존 GA의 유전연산자의 역할을 다르게 적용하여 계산한다.
상술하면, 일반적인 인공신경망은 동일한 입력과 동일한 학습 절차에 대해서도 다른 출력을 나타내는 것이 특징인데, 이에 따라 본 발명에서는 돌연변이 확률을 일반적인 GA보다 높은 0.4로 선정하고, 엘리티즘 기법 적용시, 수렴하지 않는 개체집단의 진화연산에서 개체집단의 최대치를 저장하게 한다.
부연하면, 일반적인 GA에서는 돌연변이 확률이 낮을수록 개체집단이 최적값에 수렴하기 때문에 돌연변이 확률을 약 0.1로 선정하여 최적값을 도출하게 하는데, 본 발명에서는 앞서 설명한 인공신경망의 특징에 따라 돌연변이 확률을 0.4로 선정함에 따라 개체집단의 세대수가 증가하더라도 최적값에 수렴하지 않고 최적치 근처의 탐색영역을 지속적으로 찾게 함으로써 인공신경망에 GA가 적용될 수 있게 한다.
아울러, 일반적으로 GA 엘리티즘 기법 적용시, 수렴하지 않는 개체집단의 진화 연산에서 가장 최적치를 저장함으로써 앞서 설명한 인공신경망의 특징에도 불구하고 일정한 GA를 지속적으로 유지할 수 있으며, 이에 따라 본 발명에서는 도 4a 및 도 4b와 같이, GA의 각 세대수에 대한 최적치 값이 하나의 값에 수렴하지 않고, 흔들리게 도출되는 특징을 갖게 된다.
한편, 본 발명에서는 최적화를 위해 목적함수를 정의하게 되는데, 신경망 모델을 학습하는데 필요한 평가함수는 오차제곱의 평균으로 나타낼 수 있다.
상술하면, 학습 데이터에 대한 모델의 오차 제곱의 평균을
Figure 112022130886587-pat00001
라 하고, 검증 데이터에 대한 모델의 오차 제곱의 평균을
Figure 112022130886587-pat00002
이라 하며, 객체 내의 은닉층 수의 합을
Figure 112022130886587-pat00003
이라 하고, 객체 내 은닉층 수의 최대값을
Figure 112022130886587-pat00004
라 할 때, 목적함수
Figure 112022130886587-pat00005
는 하기와 같은 식으로 정의할 수 있다.
Figure 112022130886587-pat00006
상기한 조건에 따라 GA를 활용하여 인공신경망을 연산하게 되면, 인공신경망의 은닉층 수는 4개, 각 은닉층의 뉴런수는 1층에서 4층으로 순차적으로 63개, 28개, 59개 및 53개이며, 학습 결과에 따른 목적함수에 대한 값 중 훈련 오차(loss)는 6072.08이고, 검증 오차(val_loss)는 9383.87이다.
한편, 본 발명에서는 학습 데이터를 정규화(normalizing)함으로써 학습에 소요되는 시간을 감소할 수 있으며, 저사양의 시스템에서도 구동할 수 있게 한다.
상술하면, 본 발명에서는 정규화에 일반적으로 널리 사용되는 방법인 최소-최대 정규화 방법을 사용하고 있으며, 이는 하기 함수를 사용하여 구현될 수 있다.
data normalize(i) = (data(i) - min(data))/(max(data)-min(data))
상기와 같이 정규화된 데이터를 활용하여 본 발명에 따른 인공신경망을 구현하게 되면, 인공신경망의 은닉수는 4개, 각 은닉층의 뉴런수는 1층에서 4층으로 순차적으로 63개, 28개, 59개 및 53개이며, 학습결과에 따른 훈련 오차(loss)는 1689.52이고, 검증 오차(val_loss)는 1664.17로, 앞서 정규화되지 않은 데이터를 사용할 때 보다 목적함수의 값이 감소함을 알 수 있다.
한편, 굴삭기의 규격이 달라지는 경우, 이를 보정하기 위해 본 발명에서는 전이학습과 미세조정이 이루어질 수 있다.
여기서 전이학습은 부족한 학습 데이터 셋을 이용하여 딥러닝을 수행하기 위해 유사한 특징을 갖는 시스템에 대하여 학습한 모델을 활용하여 높은 정확도를 가질 수 있게 하는 기법으로, 본 발명에서는 GA를 이용한 전이학습 및 미세조정이 이루어진 인공신경망을 사용할 수 있다.
본 발명에서는 상기와 같이, 굴삭기가 굴삭 작업을 수행하는 과정에서 측정되는 각종 물리값을 이용하여 버켓 내 토사 중량을 예측할 수 있는 인공신경망을 구축하고, 이를 최적화함으로써 토사 중량의 예측 정확도를 향상할 수 있다.
또한, 본 발명에서는 기존과 달리 장비의 규격이 달라지는 경우, 전이학습과 미세조정을 통한 딥러닝이 가능함에 따라 버켓 내 토사 중량 예측과정이 빠른 시간내에 수행될 수 있다.
한편, 제어기 등을 이용하여 상기와 같은 학습이 이루어진 학습기에 학습데이터로서 사용되는 굴삭기 물리값에 대한 질의를 입력하게 되면, 학습기에서는 해당 데이터에 대응하는 버켓 내 토사 중량을 예측하여 출력하게 되며, 상기 제어기는 출력된 정보를 별도의 화면표시장치 등에 시각정보로서 이를 출력하거나, 저장장치 등에 이를 저장 관리할 수 있다.
이상에서 본 발명의 바람직한 실시 예를 설명하였으나, 본 발명의 권리범위는 이에 한정되지 아니하며 본 발명의 실시 예와 실질적으로 균등한 범위에 있는 것까지 본 발명의 권리범위가 미치는 것으로 이해되어야 하며, 본 발명의 정신을 벗어나지 않는 범위 내에서 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형 실시가 가능하다.
D : 주행장치 M : 원동장치
10 : 차체 11 : 턴테이블
20 : 붐대 21 : 붐 실린더
30 : 암대 31 : 암 실린더
40 : 버켓 41 : 버켓 실린더
100 : 데이터 획득부 200 : 데이터 저장부
300 : 학습부

Claims (7)

  1. 굴삭기가 동작하는 과정동안 굴삭기에서 발생하는 각종 물리값을 정답 데이터로서 취득하며, 취득한 정보를 데이터 저장부(200)로 전송하는 데이터 획득부(100);
    상기 데이터 획득부(100)에 의해 측정된 데이터를 저장 관리하는 데이터 저장부(200); 및
    데이터 저장부(200)로부터 데이터를 전달받으며, 전달받은 데이터를 학습하는 과정을 복수 회 수행하는 학습부(300);
    를 포함하며,
    상기 데이터 획득부(100)는,
    굴삭기의 버켓(40)이 설정된 중량의 흙을 퍼올린 뒤, 차체가 목표지점측을 향하도록 스윙한 후, 목표지점에 흙을 내려놓는 1사이클 동안의 과정동안 굴삭기의 각 구성에서 측정되는 물리값을 취득하며,
    상기 물리값은,
    붐대(20)의 각변위(a), 암대(30)의 각변위(b), 버켓(40)의 각변위(c), 붐 실린더(21)의 차압, 암 실린더(31)의 차압, 버켓 실린더(41)의 차압, 차체(10)의 각변위 및 원동장치(M)의 회전수를 포함하고,
    상기 학습부(300)는,
    인공신경망(ANN : Artificial Neural Network)으로 구성되어 딥러닝을 수행하며,
    상기 인공신경망은,
    전이학습 및 미세조정이 이루어지며,
    상기 인공신경망은,
    RCGA(Real Coded Genetic Algorithm) 기법을 활용하여 은닉층 구조를 추정하도록 구성되되, DEAP(Distributed Evolutionary Algorithms in Python)를 사용하여 구조를 선정하도록 구성되며,
    상기 인공신경망은,
    학습시, 돌연변이 확률을 0.4로 선정하고, RCGA(Real Coded Genetic Algorithm) 기법의 적용시, 목적함수의 계산에 엘리티즘 전략과 벌점전략을 적용하며, 엘리티즘 기법 적용시, 수렴하지 않는 개체집단의 진화연산에서 개체집단의 최대치를 저장하도록 이루어져, 개체집단의 세대수가 증가하더라도 최적값에 수렴하지 않고, 최적치 근처의 탐색영역을 지속적으로 찾도록 인공신경망을 구성하는 것을 특징으로 하는 GA를 활용한 전이모델의 미세조정 모듈을 이용한 굴삭기 버켓 내 토사중량 예측 시스템.
  2. 삭제
  3. 삭제
  4. 청구항 1에 있어서,
    상기 데이터 획득부(100)는,
    최소 3사이클 이상의 과정동안의 데이터를 측정하게 되며, 각 사이클에서 버켓(40)에 수납되는 토양의 중량은 상이하게 구성되는 것을 특징으로 하는 GA를 활용한 전이모델의 미세조정 모듈을 이용한 굴삭기 버켓 내 토사중량 예측 시스템.
  5. 청구항 1에 있어서,
    상기 데이터 저장부(200)는,
    상기 데이터 획득부(100)로부터 전달된 데이터를 일정 시간 단위로 저장 관리하는 것을 특징으로 하는 GA를 활용한 전이모델의 미세조정 모듈을 이용한 굴삭기 버켓 내 토사중량 예측 시스템.
  6. 삭제
  7. 삭제
KR1020220168523A 2022-12-06 2022-12-06 Ga를 활용한 전이모델의 미세조정 모듈을 이용한 굴삭기 버켓 내 토사중량 예측 시스템 KR102561948B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220168523A KR102561948B1 (ko) 2022-12-06 2022-12-06 Ga를 활용한 전이모델의 미세조정 모듈을 이용한 굴삭기 버켓 내 토사중량 예측 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220168523A KR102561948B1 (ko) 2022-12-06 2022-12-06 Ga를 활용한 전이모델의 미세조정 모듈을 이용한 굴삭기 버켓 내 토사중량 예측 시스템

Publications (1)

Publication Number Publication Date
KR102561948B1 true KR102561948B1 (ko) 2023-07-31

Family

ID=87458399

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220168523A KR102561948B1 (ko) 2022-12-06 2022-12-06 Ga를 활용한 전이모델의 미세조정 모듈을 이용한 굴삭기 버켓 내 토사중량 예측 시스템

Country Status (1)

Country Link
KR (1) KR102561948B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019066310A (ja) * 2017-09-29 2019-04-25 株式会社Kcm ホイールローダおよびバケット積載荷重演算方法
JP2020111876A (ja) * 2019-01-08 2020-07-27 日立建機株式会社 作業機械
KR20200132217A (ko) 2019-05-16 2020-11-25 두산인프라코어 주식회사 굴삭기의 굴삭 작업 중 버켓 토사량의 측정 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019066310A (ja) * 2017-09-29 2019-04-25 株式会社Kcm ホイールローダおよびバケット積載荷重演算方法
JP2020111876A (ja) * 2019-01-08 2020-07-27 日立建機株式会社 作業機械
KR20200132217A (ko) 2019-05-16 2020-11-25 두산인프라코어 주식회사 굴삭기의 굴삭 작업 중 버켓 토사량의 측정 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Yao, ZongWei, et al. "Deep learning-based prediction of piled-up status and payload distribution of bulk material." Automation in Construction 121 (2021): 103424.* *

Similar Documents

Publication Publication Date Title
CN105339561B (zh) 作业机械的姿势运算装置、作业机械及作业机械的姿势运算方法
US6363632B1 (en) System for autonomous excavation and truck loading
US6076030A (en) Learning system and method for optimizing control of autonomous earthmoving machinery
CN112004975A (zh) 施工机械的驾驶支援系统、施工机械
CN112424430B (zh) 控制装置、装载机械及控制方法
JP7079896B2 (ja) 学習機能付き建設機械
JP7404278B2 (ja) ショベル
JP7419348B2 (ja) 作業機械を含むシステム、コンピュータによって実行される方法、および学習済みの姿勢推定モデルの製造方法
EP3940154A1 (en) System including work machine and work machine
CN113825879B (zh) 学习完成的作业分类推断模型的制造方法、学习用数据、由计算机执行的方法、以及包括作业机械的系统
CN113684885B (zh) 作业机械控制方法、装置及作业机械
KR20200132217A (ko) 굴삭기의 굴삭 작업 중 버켓 토사량의 측정 방법
US12043988B2 (en) Selectively causing remote processing of data for an autonomous digging operation
CN116933441A (zh) 装载机自主铲掘过程的数字孪生数据驱动模型建模方法
KR102561948B1 (ko) Ga를 활용한 전이모델의 미세조정 모듈을 이용한 굴삭기 버켓 내 토사중량 예측 시스템
Yang et al. Neural network controller for autonomous pile loading revised
US20230243130A1 (en) Excavation plan creation device, working machine, and excavation plan creation method
JPH11315556A (ja) 土工機械の自律制御を最適化する学習システムおよび方法
JP7451240B2 (ja) 作業システム、コンピュータによって実行される方法、および学習済みの姿勢推定モデルの製造方法
EP4026954B1 (en) Method for detecting a work or agricultural vehicle mission through a neural network and control unit implementing the method
Osaka et al. Route optimization for autonomous bulldozer by distributed deep reinforcement learning
JP6816783B2 (ja) クレーン
Shi et al. Autonomous rock excavation: intelligent control techniques and experimentation
WO2024135603A1 (ja) ショベルの施工支援システム
WO2023190877A1 (ja) 支援装置、作業機械、プログラム

Legal Events

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