KR102563584B1 - 신경망 기반 철도 차량의 소음 감소 시스템 - Google Patents

신경망 기반 철도 차량의 소음 감소 시스템 Download PDF

Info

Publication number
KR102563584B1
KR102563584B1 KR1020220160620A KR20220160620A KR102563584B1 KR 102563584 B1 KR102563584 B1 KR 102563584B1 KR 1020220160620 A KR1020220160620 A KR 1020220160620A KR 20220160620 A KR20220160620 A KR 20220160620A KR 102563584 B1 KR102563584 B1 KR 102563584B1
Authority
KR
South Korea
Prior art keywords
data
noise
neural network
time
noise data
Prior art date
Application number
KR1020220160620A
Other languages
English (en)
Inventor
한승영
이정후
주영학
Original Assignee
한승영
이정후
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 한승영, 이정후 filed Critical 한승영
Priority to KR1020220160620A priority Critical patent/KR102563584B1/ko
Application granted granted Critical
Publication of KR102563584B1 publication Critical patent/KR102563584B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61D—BODY DETAILS OR KINDS OF RAILWAY VEHICLES
    • B61D49/00—Other details
    • 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
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
    • G10K11/00—Methods or devices for transmitting, conducting or directing sound in general; Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/16—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/175—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound
    • G10K11/178—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound by electro-acoustically regenerating the original acoustic waves in anti-phase
    • G10K11/1785—Methods, e.g. algorithms; Devices
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
    • G10K2210/00—Details of active noise control [ANC] covered by G10K11/178 but not provided for in any of its subgroups
    • G10K2210/10—Applications
    • G10K2210/128—Vehicles
    • G10K2210/1283—Trains, trams or the like
    • 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
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mechanical Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Transportation (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Soundproofing, Sound Blocking, And Sound Damping (AREA)

Abstract

철도 노선을 따라 운행하는 철도 차량의 소음 데이터를 축적하고, 축적된 소음의 빅 데이터로 신경망을 학습시켜, 운행 위치 및 직전 소음을 입력하면 이후 소음을 추정하고, 추정된 소음의 역위상 소음을 출력하는, 신경망 기반 철도 차량의 소음 감소 시스템에 관한 것으로서, 신경망; 상기 기준 마이크에서 측정된 소음 데이터를 입력받는 데이터 입력부; 상기 소음 데이터를 수집하여 학습 데이터를 생성하되, 특정 시점의 이전 소음 데이터를 입력 데이터로 설정하고 특정 시점의 이후 소음 데이터(이하 후속 소음 데이터)를 정답 데이터로 설정하여 학습 데이터를 생성하는, 학습데이터 생성부; 생성된 학습 데이터로 신경망을 학습시키는 신경망 학습부; 상기 기준 마이크에서 실시간으로 측정된 소음 데이터를 입력 데이터로 상기 신경망에 적용하여 이후의 예측된 후속 소음 데이터를 획득하는 신경망 적용부; 및, 예측된 후속 소음 데이터를 조합하여 역위상 데이터를 생성하여 상기 역위상 스피커로 출력하는 역위상 출력부를 포함하는 구성을 마련한다.
상기와 같은 시스템에 의하여, 축적된 소음의 빅 데이터로 신경망을 학습시켜 역위상 소음을 출력함으로써, 별도의 에러 마이크를 설치하지 않아 소음 감소를 위한 시스템을 간단하게 구성할 수 있다.

Description

신경망 기반 철도 차량의 소음 감소 시스템 { A railway vehicle noise reduction system based on neural network }
본 발명은 철도 노선을 따라 운행하는 철도 차량의 소음 데이터를 축적하고, 축적된 소음의 빅 데이터로 신경망을 학습시켜, 운행 위치 및 직전 소음을 입력하면 이후 소음을 추정하고, 추정된 소음의 역위상 소음을 출력하는, 신경망 기반 철도 차량의 소음 감소 시스템에 관한 것이다.
일반적으로, 수도권 전철의 복잡화로 굴곡진 부분이 늘어나고 소음도 증가하고 있다. 뿐만 아니라, KTX 등 고속철도가 늘어남에 따라 이동 소음원이 전국으로 늘어났으며, 터널 안에서는 전동차 소음이 증폭된다.
열차 소음에는 바퀴와 레일 표면 사이의 마찰에 의해 발생하여 '끼이익' 하고 들리는 스킬 소음과 궤도의 형태와 궤도 밑을 지지하는 재료인 도상도 열차 내부 소음에 영향을 준다. 차륜과 레일 사이에서 발생하는 전동소음과 추진장치와 냉각팬, 에어컨에서 발생되는 구동장치 소음, 높은 운행속도로 인한 차체와 집전장치의 공력 소음 및 구조물과 지반을 통하여 전달되는 저주파 소음이 있다. 이 밖에도 팬터그래프와 전차선 사이의 집전 소음이 있다.
전철, 고속철 등 철도의 실내소음저감 기술은 소음원 발생을 미리 차폐하는 수동적 방식과 소음의 제어용 신호(음원)을 발생하여 저감하는 능동형 방식으로 주로 나눌 수 있다. 수동적 방식의 열차 소음 저감 대책으로는 마모된 바퀴의 정삭, 요철이 심한 레일의 주기적인 연마, 레일 하부에 레일 패드를 설치하여 진동흡수, 터널 벽체나 바닥에 흡음재 설치, 곡선 궤도에서의 열차속도 조정, 자갈 도상 설치 등이 있다. 그리고 최근에는 흡음 블록, 웹 댐퍼를 설치해 객차 내 소음을 저감하고 있다.
또한, 능동형 방식은, 철도 실내에 발생하는 소음에 대하여 반대 위상을 갖는 음원을 발생 및 주사하여 실내 소음을 능동방식으로 저감하는 기술이며[특허문헌 1,2,3], 발생 소음의 주파수 및 진폭 또는 위상특성의 변이에도 강인 적응한 제어 성능을 기대할 수 있는 기술이다. 기구적 설비가 많이 드는 수동 방식에 비해 능동기술은 설비가 작게 들며 다양한 소음 특성에 대하여 적응형 기술을 적용할 수 있는 강점이 있다.
그런데, 상기 선행기술들은 능동 소음 방식의 기술을 채용하기 때문에, 역위상 소음을 보정하기 위한 에러 마이크를 반드시 구비해야 한다. 그러나 전철과 같이 입석이 많거나 탑승객의 좌석이 정해지지 않는 경우, 철도 차량 내에 에러 마이크를 설치할 위치를 정하기 매우 어렵다. 또한, 철도 차량의 실외로 발산되는 소음을 방지하기 위한 경우 에러 마이크를 설치할 수 없는 문제점이 있다.
한국공개특허 제10-2013-0044021호 (2013.05.02.공개) 한국공개특허 제10-2011-0066441호 (2011.06.17.공개) 한국공개특허 제10-2015-0114034호 (2015.10.12.공개)
본 발명의 목적은 상술한 바와 같은 문제점을 해결하기 위한 것으로, 철도 노선을 따라 운행하는 철도 차량의 소음 데이터를 축적하고, 축적된 소음의 빅 데이터로 신경망을 학습시켜, 운행 위치 및 직전 소음을 입력하면 이후 소음을 추정하고, 추정된 소음의 역위상 소음을 출력하는, 신경망 기반 철도 차량의 소음 감소 시스템을 제공하는 것이다.
상기 목적을 달성하기 위해 본 발명은 철도 차량에 설치된 기준 마이크와 역위상 스피커와 연결되는, 신경망 기반 철도 차량의 소음 감소 시스템에 관한 것으로서, 신경망; 상기 기준 마이크에서 측정된 소음 데이터를 입력받는 데이터 입력부; 상기 소음 데이터를 수집하여 학습 데이터를 생성하되, 특정 시점의 이전 소음 데이터를 입력 데이터로 설정하고 특정 시점의 이후 소음 데이터(이하 후속 소음 데이터)를 정답 데이터로 설정하여 학습 데이터를 생성하는, 학습데이터 생성부; 생성된 학습 데이터로 신경망을 학습시키는 신경망 학습부; 상기 기준 마이크에서 실시간으로 측정된 소음 데이터를 입력 데이터로 상기 신경망에 적용하여 이후의 예측된 후속 소음 데이터를 획득하는 신경망 적용부; 및, 예측된 후속 소음 데이터를 조합하여 역위상 데이터를 생성하여 상기 역위상 스피커로 출력하는 역위상 출력부를 포함하는 것을 특징으로 한다.
또한, 본 발명은 신경망 기반 철도 차량의 소음 감소 시스템에 있어서, 상기 신경망에 입력되는 입력 데이터로 상기 소음 데이터 외에 해당 시점의 부가 정보가 더 포함되고, 상기 부가 정보는 철로상의 위치, 시간상 주기 정보, 날씨로 구성되는 환경 정보, 승객의 무게 또는 위치로 구성되는 승객 정보, 열차 번호 또는 차량 번호로 구성되는 차량 정보 중 어느 하나 이상을 포함하는 것을 특징으로 한다.
또한, 본 발명은 신경망 기반 철도 차량의 소음 감소 시스템에 있어서, 상기 학습 데이터 생성부는 특정 시점 t에서 이전 n(n은 사전에 설정된 상수임)까지의 소음 데이터를 입력되는 소음 데이터로 설정하고, 해당 시점 t에서 사전에 설정된 d 만큼 이후의 후속 소음 데이터를 이에 해당하는 정답 데이터로 설정하는 것을 특징으로 한다.
또한, 본 발명은 신경망 기반 철도 차량의 소음 감소 시스템에 있어서, 상기 학습 데이터 생성부는 수집된 소음 데이터에 대하여 슬라이딩 윈도우를 사용하여 홉 길이 만큼 이동하면서 입력 소음 데이터 및 정답 데이터를 생성하는 것을 특징으로 한다.
또한, 본 발명은 신경망 기반 철도 차량의 소음 감소 시스템에 있어서, 상기 역위상 출력부는 상기 신경망 적용부를 통해 시간 d 간격으로 현재 시점의 d시간 이후의 d 길이의 후속 소음 데이터를 획득하게 하고, 시간 d 간격으로 d 길이로 획득되는 후속 소음 데이터를 조합하고, 조합된 후속 소음 데이터의 역위상 데이터를 생성하는 것을 특징으로 한다.
상술한 바와 같이, 본 발명에 따른 신경망 기반 철도 차량의 소음 감소 시스템에 의하면, 축적된 소음의 빅 데이터로 신경망을 학습시켜 역위상 소음을 출력함으로써, 별도의 에러 마이크를 설치하지 않아 소음 감소를 위한 시스템을 간단하게 구성할 수 있는 효과가 얻어진다.
또한, 본 발명에 따른 신경망 기반 철도 차량의 소음 감소 시스템에 의하면, 소음원에 소음 측정을 위한 기본 마이크 및 스피커만 설치함으로써, 철도 차량 내 탑승객의 위치가 불명확한 경우나, 철도 차량의 실외로 발산되는 소음을 방지하기 위한 경우에도 적용할 수 있는 효과가 얻어진다.
도 1은 본 발명을 실시하기 위한 전체 시스템에 대한 구성도.
도 2는 본 발명의 일 실시예에 따른 기준 마이크 및 역위상 스피커의 배치 구성에 대한 예시도.
도 3은 본 발명의 일실시예에 따른 신경망 기반 철도 차량의 소음 감소 시스템의 구성에 대한 블록도.
도 4는 본 발명의 일실시예에 따른 신경망의 구성에 대한 블록도.
도 5는 본 발명의 일실시예에 따른 신경망의 입출력 구성에 대한 블록도.
도 6는 본 발명의 일실시예에 따른 소음 데이터의 샘플링에 대한 예시도.
도 7은 본 발명의 일실시예에 따른 연산 시간에 따른 소음 데이터의 예측 데이터의 출력 시간을 예시한 도면.
도 8은 본 발명의 일실시예에 따른 일련의 소음 데이터 예측 과정을 나타낸 예시도.
도 9는 본 발명의 일실시예에 따른 슬라이딩 윈도우를 이용한 학습 데이터의 생성과정을 나타낸 예시도.
이하, 본 발명의 실시를 위한 구체적인 내용을 도면에 따라서 설명한다.
또한, 본 발명을 설명하는데 있어서 동일 부분은 동일 부호를 붙이고, 그 반복 설명은 생략한다.
먼저, 본 발명을 실시하기 위한 전체 시스템 구성의 일례를 도 1을 참조하여 설명한다.
도 1에서 보는 바와 같이, 본 발명을 실시하기 위한 전체 시스템은 소음을 측정하는 기준 마이크(10), 역위상 소음을 출력하는 역위상 스피커(20), 철도 차량에 설치되는 소음감소 클라이언트(30a), 및, 원격에 설치되는 소음감소 서버(30b)로 구성된다. 소음감소 클라이언트(30a)와 소음감소 서버(30b)는 유선망 또는 무선망 등 네트워크(80)를 통해 서로 연결되어 통신한다.
특히, 본 발명에 따른 소음 감소 시스템(30)은 소음감소 클라이언트(30a)와 소음감소 서버(30b)로 구성된 서버-클라이언트 시스템으로 구성되어 실행될 수 있다. 즉, 전체 시스템의 기능들을 클라이언트의 성능이나 서버와의 통신량 등에 따라 분담될 수 있다. 또한, 소음감소 서버는 다수의 서버가 분산된 클라우드 서버로 구성될 수 있다.
먼저, 기준 마이크(10)는 소음원에서 발생하는 소음을 측정하는 장치이다.
또한, 역위상 스피커(20)는 발생하는 소음과 반대되는 위상을 가지는 역위상 소음을 출력하는 장치이다.
도 2(a)에서 보는 바와 같이, 기준 마이크(10)와 역위상 스피커(20)는 철도 차량의 내부, 또는 실내에 설치될 수 있다. 이때, 기준 마이크(10)에서 철도 차량의 실내에서 발생하는 소음을 측정하고, 역위상 스피커(20)에서 측정된 소음과 반대되는 위상(역위상)의 소음을 출력한다.
특히, 기준 마이크(10)는 측정 방향이 소음원 방향으로 향하도록 배치되고, 역위상 스피커(20) 보다 소음원에 더 가깝게 배치된다. 또한, 기준 마이크(10)는 역위상 스피커(20)의 출력 방향과 반대 방향을 향하도록 설치된다.
또한, 역위상 스피커(20)는 철도 차량의 내부, 또는 실내에 향하도록 배치된다. 특히, 역위상 스피커(20)는 전면 방향으로만 소음이 출력되도록 구성된다. 즉, 후면 방향으로 소음이 출력되는 것을 방지하도록, 방음재 등이 역위상 스피커(20)의 후면에 구비될 수 있다. 이러한 구성은 기준 마이크(10)에서 온전히 소음원의 소음을 측정하기 위한 것이다.
바람직하게는, 기준 마이크(10)와 역위상 스피커(20)는 사전에 정해진 거리 이내로 가깝게 설치된다. 즉, 이러한 구성은, 기준 마이크(10)의 위치에서 측정되는 소음에 대한 역위상 소음을 해당 위치에서 동일하게 역위상 소음을 출력하기 위한 것이다.
또한, 도 2(b)에서 보는 바와 같이, 기준 마이크(10)와 역위상 스피커(20)는 철도 차량의 외부 또는 외부 측면(외부 방향)에 설치될 수 있다. 이때, 기준 마이크(10)에서 철도 차량의 외부(바퀴 부분 등)에서 발생하는 소음을 측정하고, 역위상 스피커(20)에서 측정된 소음과 반대되는 위상(역위상)의 소음을 차량 외부 방향으로 출력한다.
기준 마이크(10)는 측정 방향이 레일과 닿는 바퀴의 방향으로 향하도록 배치되고, 역위상 스피커(20)는 철도 차량의 외부 방향으로 향하도록 배치된다. 즉, 기준 마이크(10)는 역위상 스피커(20)의 출력 방향과 반대 방향을 향하도록 설치된다. 이 경우에도, 역위상 스피커(20)의 후면에 방음재 등이 구비되어, 후면 방향으로 소음이 출력되는 것을 방지할 수 있다.
다음으로, 소음감소 클라이언트(30a)는 철도 차량에 설치된 컴퓨터 장치, 또는, 컴퓨터 장치에 설치된 프로그램 시스템일 수 있다.
즉, 일례로서, 소음감소 클라이언트(30a)는 전용 단말로 구현될 수 있다. 예를 들어, 소음감소 클라이언트(30a)는 마이크로 프로그램으로 구성되어 마이크로프로세서에 의해 구동되는 하나의 전용 IC칩으로 실시되거나, ASIC(주문형 반도체) 등 하나의 전자회로로 구성되어 실시될 수 있다. 즉, 소프트웨어 형태, FPGA 칩이나 여러 개의 회로소자로 구성된 전자회로의 형태로 구성될 수도 있다. 그 외 가능한 다른 형태도 실시될 수 있다.
또는, 소음감소 클라이언트(30a)는 컴퓨팅 기능을 구비한 컴퓨터 장치에 설치된 프로그램 시스템일 수 있다. 이 경우, 컴퓨터 장치(미도시)가 기준 마이크(10)와 역위상 스피커(20)와 연결되고, 소음감소 클라이언트(30a)는 컴퓨터 장치를 통해 기준 마이크(10)와 역위상 스피커(20)와 통신을 수행한다.
소음감소 클라이언트(30a)는 기준 마이크(10)와 역위상 스피커(20)와 연결되어, 기준 마이크(10)로부터 측정된 소음 데이터를 수신하거나, 역위상 스피커(20)로 역위상 소음 데이터(또는 역위상 데이터)를 출력한다.
구체적으로, 소음감소 클라이언트(30a)는 소음감소 서버(30b)와 연동하여, 기준 마이크(10)로부터 측정된 소음 데이터를 수신하고, 수신된 소음 데이터로부터 역위상 소음 데이터를 예측하고, 예측된 역위상 소음 데이터를 역위상 스피커(20)로 출력한다.
이때, 소음감소 클라이언트(30a)는 신경망(40)을 이용하여 소음 데이터를 예측한다.
다음으로, 소음감소 서버(30b)는 온라인 상에 설치되는 통상의 서버로서, 소음감소 클라이언트(30a)와 연동하여, 철도 소음의 역위상을 생성하여 소음을 감소시키는 서비스를 제공한다.
특히, 소음감소 서버(30b)는 소음감소 클라이언트(30a)와 서버-클라이언트로 구성되어, 소음 감소를 위한 작업을 분담하여 해당 서비스를 제공한다. 특히, 소음감소 서버(30b)는 다수의 서버가 분산된 클라우드 서버로 구성될 수 있다.
또한, 소음감소 서버(30b)는 기준 마이크(10)로부터 측정된 소음 데이터를 수집하여 축적한다. 이때, 소음 데이터 외에도, 측정된 시간 정보, 선로 위치 등 위치정보, 기온/습도 등 환경정보, 탑승인원/무게/위치 등 승객 정보를 함께 수집한다. 이들 수집된 데이터는 신경망 학습을 위한 빅데이터로 활용된다. 이러한 부가 정보는 철도운영 서버, 기상청 서버 등 다른 서버 또는 사이트로부터 가져오거나 해당 정보를 가진 서버 또는 사이트로부터 가져온다.
또한, 소음감소 서버(30b)는 신경망(40)을 구비하여 수집된 데이터로 해당 신경망(40)을 학습시킨다. 이때, 신경망(40)은 소음 데이터, 위치정보, 환경정보, 승객 정보 등을 입력하면, 이후의 소음 데이터를 예측한다.
다음으로, 본 발명의 일실시예에 따른 신경망 기반 철도 차량의 소음 감소 시스템(30)을 도 3을 참조하여 설명한다.
도 3에서 보는 바와 같이, 본 발명에 따른 신경망 기반 철도 차량의 소음 감소 시스템(30)은 소음 데이터를 입력받아 저장하는 데이터 입력부(31), 소음 데이터 및 해당 부가 정보를 수집하여 학습 데이터를 생성하는 학습데이터 생성부(32), 생성된 학습 데이터로 신경망을 학습시키는 신경망 학습부(33), 분석할 대상의 소음 데이터를 신경망에 적용하여 이후의 예측된 소음 데이터를 획득하는 신경망 적용부(35), 및, 예측된 소음 데이터를 조합하여 역위상 데이터를 생성하고 출력하는 역위상 출력부(36)로 구성된다. 또한, 신경망(40)을 더 포함하여 구성된다.
먼저, 신경망(40)은 학습 기반의 신경망으로서, 소음 데이터, 위치정보, 환경정보, 승객 정보 등을 입력하면, 이후의 소음 데이터를 예측한다.
바람직하게는, 신경망은 학습이 가능한 모델로서, DNN(Deep Neural Network) 또는 딥러닝 모델, 순환형 신경망(RNN), 합성곱 신경망(CNN) 등이 적용될 수 있다. 특히, 도 4에서 보는 바와 같이, 신경망은 심층신경망으로서, 입력층, 출력층, 및, n개의 은닉층으로 구성된다.
한편, 도 5에서 보는 바와 같이, 신경망(10)에 입력되는 데이터는 현재까지의 소음 데이터와, 해당 소음 데이터의 부가 정보(위치정보, 주기정보 등)으로 구성되고, 출력되는 데이터는 예측 소음 데이터(또는 후속 소음 데이터)로 구성된다.
이때, 입력되는 소음 데이터의 크기는 사전에 설정된 n이고, 출력되는 소음 데이터의 크기는 사전에 설정된 m이다. 바람직하게는, 소음 데이터는 일련의 샘플링 데이터로 구성된다.
다음으로, 데이터 입력부(31)는 기준 마이크(10)에서 측정된 소음 데이터를 입력받아 저장한다.
바람직하게는, 소음 데이터는 샘플링된 디지털 데이터로 입력된다. 즉, 아날로그 오디오 신호는 PCM(Pulse Code Modulation) 방식 등에 의하여 이산적인 디지털 신호로 변환된다. 이때, 도 6과 같이, 샘플링 주파수에 의해 아날로그 오디오 신호가 샘플링 되고 양자화 되어 디지털 값으로 변환된다. 일례로서, 오디오 데이터가 44.1kHz로 샘플링 되는 경우, 1개 샘플의 시간(시간 간격)은 0.0000227초(=1/44.1k)이다.
따라서 소음 데이터는 현재 시점이 t로부터 n개 전까지의 샘플 데이터는 다음과 같이 표시될 수 있다.
[수학식 1]
x[t-n-1], x[t-n-2], ..., x[t-1], x[t]
여기서, x[t]는 시간 t(또는 샘플 t)에서의 크기(또는 음압값)을 나타낸다.
한편, 소음 데이터는 기준 마이크(10)에서 측정되는 연속적인 소음이므로, 실시간으로 연속적으로 데이터가 입력된다.
입력된 소음 데이터는 학습데이터 생성부(32)로 전달되어 신경망 학습에 이용되거나, 신경망 적용부(35)에 전달되어 학습된 신경망을 통해 이후 소음 데이터를 예측하는데 이용된다.
다음으로, 학습데이터 생성부(32)는 소음 데이터 및, 해당 소음 데이터에 대한 부가 정보를 수집하여, 학습 데이터를 생성한다.
앞서 설명한 바와 같이, 소음 데이터는 일련의 샘플링 데이터들로 구성된다. 학습 데이터에서 사용되는 소음 데이터는 사전에 정해진 크기로 설정된다.
즉, 학습데이터 생성부(32)는 소음 데이터로부터 입력되는 소음 데이터(또는 입력 소음 데이터)와, 이에 해당하는 정답 데이터를 생성한다.
또한, 신경망(40)에 입력 데이터를 입력하면, 예측 소음 데이터를 출력시킨다. 이때, 신경망(40) 내에서 CPU 및 메모리 등 컴퓨팅 자원에 의해 다량의 연산이 수행되므로, 일정한 연산 시간을 소요된다. 이때, 연산 시간 d는 사전에 설정될 수 있다. 연산 시간을 단축하려면 그만큼 고비용의 고속 프로세서를 사용해야 한다
도 7에서 보는 바와 같이, 현재 시점 t에서 신경망(40)이 연산을 하여 예측한 소음 데이터(또는 후속 소음 데이터)를 출력하면, 시점 t+d에 예측 데이터가 출력된다. 따라서 이미 시간은 t+d로 경과되었으므로, 시점 t+1에서 t+d 까지의 예측 데이터는 불필요하다.
도 8에서 보는 바와 같이, 시점 t-2d의 k-1번째 연산에서, 입력하는 소음 데이터는 x[t-2d-n-1], ..., x[t-2d-1], x[t-2d]이고, 출력되는 소음 데이터는 시점 t-2d 이후의 데이터(후속 소음 데이터)이다. 그러나 이미 시점은 t-d로 경과되었으므로, 예측된 데이터(또는 후속 소음 데이터) 중에서 t-d+1이후의 데이터, 즉, x[t-d+1], x[t-d+2], ... 만 사용된다.
또한, 시점 t-d에서, k-1번째 연산이 종료되므로, 다시 연산을 시작할 수 있다. 따라서 k번째 연산이 시작되고 이때 입력되는 소음 데이터는 x[t-d-n-1], ..., x[t-d-1], x[t-d]이고, 출력되는 소음 데이터는 시점 t-d 이후의 데이터이다. 그러나 이미 시점은 t로 경과되었으므로, 후속 소음 데이터 중에서 t+1이후의 데이터, 즉, x[t+1], x[t+2], ... 만 사용된다.
한편, t-d 시점의 연산결과는 x[t+1] 부터 예측할 수 있으므로, t-2d 시점에서 x[t]까지만 예측하면 된다. 따라서 시점 t-2d의 k-1번째 연산에서, x[t-d+1], x[t-d+2], ... x[t]만 예측하면 된다.
따라서 신경망(40)은 현재 시점 t를 기준으로, t+d+1 에서 t+2d 까지의 소음 데이터만 예측하면 된다. 즉, 시점 t에서의 신경망(40)의 입력 데이터와 출력 데이터는 다음과 같이 표시될 수 있다.
[입력 데이터] x[t-d+1], x[t-d+2], ..., x[t]
[출력 데이터] x[t+d+1], x[t+d+], ..., x[t+2d]
한편, 이미 수집된 소음 데이터의 경우, 입력 데이터 x[t-d+1], x[t-d+2], ..., x[t]이면, 출력 데이터 x[t+d+1], x[t+d+], ..., x[t+2d]는 정답 데이터가 된다.
따라서, 학습데이터 생성부(32)는 시점 t에서 이전 n까지의 소음 데이터를 입력되는 소음 데이터로 설정하고, 해당 시점 t에서 d 만큼 이후의 후속 소음 데이터를 이에 해당하는 정답 데이터로 설정한다.
한편, 도 9에서 보는 바와 같이, 학습데이터 생성부(32)는 수집된 소음 데이터에 대하여 슬라이딩 윈도우를 사용하여 홉 길이 만큼 이동하면서 입력 소음 데이터 및 정답 데이터를 생성한다. 슬라이딩 윈도우는 입력 소음 데이터를 추출하기 위한 입력 윈도우와, 정답 데이터를 추출하기 위한 정답 데이터로 구성된다.
특히, 입력 소음 데이터의 윈도우 크기는 n이고 사전에 설정된다. 또한, 정답 데이터의 윈도우 크기는 d이다. d는 연산속도와 관련된 상수로서 사전에 설정된다. 또한, 정답 윈도우는 입력 윈도우에 비하여 n+d 만큼 이동된 윈도우이다. 또한, 바람직하게는, 홉의 길이는 1로 설정된다.
다음으로, 부가 정보는 해당 소음 데이터의 발생 시점(또는 측정 시점)에서의 철로상의 위치, 주기(시간상 주기) 정보, 환경 정보, 승객 정보, 차량 정보 등으로 구성된다.
철로상의 위치는 해당 소음 데이터의 측정 시점(또는 발생 시점)에서, 해당 철도의 철로 상의 위치를 나타낸다. 특히, 철로의 시작점에서부터의 (철로 궤도 상) 거리로 나타낼 수 있다. 철로상 위치는 GPS 등 위치센서에 의해 측정되거나, 철도 차량의 휠의 회전에 의해 측정되거나, 철로 상에 설치된 마커를 인식하는 등 통상의 방식에 의해 측정될 수 있다. 동일한 철로 상에서는 철도 차량이 유사한 소음을 발생할 수 있다. 따라서 철로 상의 위치도 함께 입력하여 학습시킨다.
주기 정보는 해당 소음 데이터의 측정 시점의 시간상 주기에 대한 정보로서, 월, 요일, 시간(출발시간) 등으로 구성된다. 철도 차량은 정해진 일정표에 따라 해당 철로를 주기적으로 운행한다. 즉, 주기 정보는 주기적인 운행 정보를 나타낸다. 월은 1년 단위를 기준으로 하는 주기이고, 요일은 1주일 단위를 기준으로 하는 주기이다. 또한, 시간은 1일 단위 기준에 의한 주기이다. 시간은 출발시간(또는 출발-도착 시간) 등으로 설정될 수 있다.
철도 차량의 상태가 주기 단위로 유사한 상태일 가능성이 높다. 예를 들어, 주중의 탑승객 상태는 주말의 탑승객 상태와 다를 것이고, 아침시간/점심시간 등 각 시간대에 따라 탑승객 상태가 다를 것이다. 그러나 동일한 요일과 동일한 시간대에는 철도 차량의 탑승객 상태는 유사할 수 있다. 따라서 주기 정보를 함께 입력하여 학습시킨다.
환경 정보는 해당 소음 데이터의 측정 시점의 날씨 등 환경에 따른 데이터로서, 기온, 습도, 우천 등을 나타낸다. 기온, 습도 등 환경 정보는 날씨 정보를 제공하는 기관 또는 업체의 서버(사이트)로부터 수집된다.
온도나 날씨에 따라 철도 차량의 상태는 다를 수 있다. 따라서 온도나 날씨 등 환경 정보도 함께 입력하여 학습시킨다.
또한, 승객 정보는 철도 차량에 탑승한 승객에 대한 정보로서, 승객 수, 승객 무게, 승객 위치 등을 나타낸다. 탑승객 정보는 열차 티켓 정보, 즉, 티켓 서버 등으로부터 수집될 수 있다. 또는, 철도 차량 내의 카메라에 의해 분석되거나, 철도 차량의 좌석 내 설치된 중량 센서 등에 의해 수집될 수 있다.
탑승객에 의해 철도 차량 내의 무게 배치가 다를 수 있다. 무게 배치가 유사하면 유사한 소음이 발생할 가능성이 높다. 따라서 탑승객에 의한 차량 내 무게 배치에 영향을 주는 승객 수, 무게, 위치 등을 함께 입력하여 학습시킨다.
또한, 차량 정보는 전체 열차를 나타내는 열차 번호, 열차를 구성하는 각 철도 차량의 차량 번호, 차량 수 등으로 구성된다. 열차는 일련으로 연결된 다수의 철도 차량으로 구성된다. 철도 차량 개수, 각 철도 차량에 따라 소음이 달라질 수 있다. 즉, 철도 차량의 노후화나 자체의 특성에 따라 소음이 다를 수 있다. 따라서 열차, 해당 열차의 철도 차량, 차량 수 등을 함께 입력하여 학습시킨다.
다음으로, 신경망 학습부(33)는 생성된 학습 데이터로 신경망을 학습시킨다.
앞서 설명한 바와 같이, 학습데이터 생성부(32)에 의하여, 특정 시점에서 소음 데이터로부터 해당 시점의 이전까지의 데이터를 입력 소음 데이터로 추출되고, 해당 시점의 d 만큼 이후의 소음 데이터가 정답 데이터로 추출된다. 또한, 추출된 입력 소음 데이터와, 해당 시점의 부가 정보가 결합되어 입력 데이터가 생성된다.
이와 같이, 생성된 입력 데이터와 정답 데이터를 학습 데이터로 하여, 신경망(40)을 학습 시킨다.
다음으로, 신경망 적용부(35)는 분석할 대상의 소음 데이터를 신경망(40)에 적용하여 이후의 예측된 소음 데이터를 획득한다.
앞서 설명한 바와 같이, 데이터 입력부(31)를 통해, 소음 데이터는 실시간으로 연속적으로 샘플링 데이터가 입력된다.
신경망 적용부(35)는 현재 시점 t로부터 n개 전까지의 샘플 데이터를 입력 소음 데이터로 추출하고, 추출된 입력 소음 데이터와 해당 시점의 부가 정보를 결합하여 입력 데이터를 생성한다.
부가 정보는 학습데이터 생성부(32)에서 설명한 부가 정보와 동일하다.
또한, 신경망 적용부(35)는 생성된 입력 데이터를 신경망(40)에 적용하여, 그 출력, 즉, 현재 시점 t로부터 d 이후의 예측된 소음 데이터를 획득한다.
바람직하게는, 신경망 적용부(35)는 시간 d 간격으로 예측된 소음 데이터를 획득한다. 즉, 도 8에서 보는 바와 같이, 소음 데이터를 획득하기 위해서는 연산 시간 등이 소요되어, 시간 d 간격으로 d 길이의 소음 데이터가 예측된다.
다음으로, 역위상 출력부(36)는 예측된 소음 데이터를 조합하여 역위상 데이터를 생성하고 출력한다.
신경망 적용부(35)에 의해 예측된 소음 데이터가 획득된다. 이때, 도 8에서 보는 바와 같이, 예측된 소음 데이터는 시간 d 간격으로 d 길이로 획득된다. 즉, 역위상 출력부(36)는 신경망 적용부(35)를 통해 시간 d 간격으로 현재 시점의 d시간 이후의 d 길이의 후속 소음 데이터를 획득하게 한다.
역위상 출력부(36)는 시간 d 간격으로 d 길이로 획득되는 예측 소음 데이터를 조합(결합)하여 전체 후속 소음 데이터를 생성한다. 또한, 역위상 출력부(36)는 생성된 전체 후속 소음 데이터의 역위상 데이터를 생성하여, 생성된 역위상 소음 데이터를 스피커(20)를 통해 출력한다.
이상, 본 발명자에 의해서 이루어진 발명을 실시 예에 따라 구체적으로 설명하였지만, 본 발명은 실시 예에 한정되는 것은 아니고, 그 요지를 이탈하지 않는 범위에서 여러 가지로 변경 가능한 것은 물론이다.
10 : 기준 마이크 20 : 역위상 스피커
30 : 소음감소 시스템 31 : 데이터 입력부
32 : 학습데이터 생성부 33 : 신경망 학습부
35 : 신경망 적용부 36 : 역위상 생성부
40 : 신경망 80 : 네트워크

Claims (5)

  1. 철도 차량에 설치된 기준 마이크와 역위상 스피커와 연결되는, 신경망 기반 철도 차량의 소음 감소 시스템에 있어서,
    신경망;
    상기 기준 마이크에서 측정된 소음 데이터를 입력받는 데이터 입력부;
    상기 소음 데이터를 수집하여 학습 데이터를 생성하되, 특정 시점의 이전 소음 데이터를 입력 데이터로 설정하고 특정 시점의 이후 소음 데이터(이하 후속 소음 데이터)를 정답 데이터로 설정하여 학습 데이터를 생성하는, 학습데이터 생성부;
    생성된 학습 데이터로 신경망을 학습시키는 신경망 학습부;
    상기 기준 마이크에서 실시간으로 측정된 소음 데이터를 입력 데이터로 상기 신경망에 적용하여 이후의 예측된 후속 소음 데이터를 획득하는 신경망 적용부; 및,
    예측된 후속 소음 데이터를 조합하여 역위상 데이터를 생성하여 상기 역위상 스피커로 출력하는 역위상 출력부를 포함하고,
    상기 신경망에 입력되는 입력 데이터로 상기 소음 데이터 외에 해당 시점의 부가 정보가 더 포함되고, 상기 부가 정보는 철로상의 위치, 시간상 주기 정보, 및, 승객의 무게 및 위치로 구성되는 승객 정보를 포함하고,
    상기 철로상의 위치는 해당 소음 데이터의 측정 시점에서, 해당 철도의 철로 상의 위치를 나타내고, 철로의 시작점에서부터의 철로 궤도 상 거리로 나타내고, 철로상 위치는 위치센서에 의해 측정되거나, 철도 차량의 휠의 회전에 의해 측정되거나, 철로 상에 설치된 마커를 인식하는 방식에 의해 측정되고,
    상기 시간상 주기 정보는 해당 소음 데이터의 측정 시점의 시간상 주기에 대한 정보로서, 월, 요일, 시간으로 구성되고, 사전에 정해진 철도 차량의 일정표에 따른 주기적인 운행 정보이고, 월은 1년 단위를 기준으로 하는 주기이고, 요일은 1주일 단위를 기준으로 하는 주기이고, 시간은 1일 단위 기준에 의한 주기로서 출발시간으로 설정되고,
    상기 승객 정보는 승객 수, 승객 무게, 승객 위치로 구성되고, 열차 티켓 정보로부터 수집되거나, 철도 차량 내의 카메라에 의해 분석되거나, 철도 차량의 좌석 내 설치된 중량 센서에 의해 수집되는 것을 특징으로 하는 신경망 기반 철도 차량의 소음 감소 시스템.
  2. 삭제
  3. 제1항에 있어서,
    상기 학습 데이터 생성부는 특정 시점 t에서 이전 n(n은 사전에 설정된 상수임)까지의 소음 데이터를 입력되는 소음 데이터로 설정하고, 해당 시점 t에서 사전에 설정된 d 만큼 이후의 후속 소음 데이터를 이에 해당하는 정답 데이터로 설정하는 것을 특징으로 하는 신경망 기반 철도 차량의 소음 감소 시스템.
  4. 제3항에 있어서,
    상기 학습 데이터 생성부는 수집된 소음 데이터에 대하여 슬라이딩 윈도우를 사용하여 홉 길이 만큼 이동하면서 입력 소음 데이터 및 정답 데이터를 생성하는 것을 특징으로 하는 신경망 기반 철도 차량의 소음 감소 시스템.
  5. 제3항에 있어서,
    상기 역위상 출력부는 상기 신경망 적용부를 통해 시간 d 간격으로 현재 시점의 d시간 이후의 d 길이의 후속 소음 데이터를 획득하게 하고, 시간 d 간격으로 d 길이로 획득되는 후속 소음 데이터를 조합하고, 조합된 후속 소음 데이터의 역위상 데이터를 생성하는 것을 특징으로 하는 신경망 기반 철도 차량의 소음 감소 시스템.
KR1020220160620A 2022-11-25 2022-11-25 신경망 기반 철도 차량의 소음 감소 시스템 KR102563584B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220160620A KR102563584B1 (ko) 2022-11-25 2022-11-25 신경망 기반 철도 차량의 소음 감소 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220160620A KR102563584B1 (ko) 2022-11-25 2022-11-25 신경망 기반 철도 차량의 소음 감소 시스템

Publications (1)

Publication Number Publication Date
KR102563584B1 true KR102563584B1 (ko) 2023-08-07

Family

ID=87561184

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220160620A KR102563584B1 (ko) 2022-11-25 2022-11-25 신경망 기반 철도 차량의 소음 감소 시스템

Country Status (1)

Country Link
KR (1) KR102563584B1 (ko)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110066441A (ko) 2009-12-11 2011-06-17 현대로템 주식회사 철도차량용 능동 소음 제거장치 및 방법
KR20120057339A (ko) * 2010-11-26 2012-06-05 우송대학교 산학협력단 열차 차량 내의 소음 감지 시스템 및 방법
KR20130044021A (ko) 2011-10-21 2013-05-02 이권순 고속철도 실내소음 저감용 다중채널 능동소음 제어장치
KR20150114034A (ko) 2014-03-31 2015-10-12 한국철도기술연구원 철도차량 운전석의 저소음 공간 확보 장치
KR20150145125A (ko) * 2014-06-18 2015-12-29 케이티엠엔지니어링(주) 고속 전동 열차의 진동 분석에 의한 위험 예방 시스템
KR102102887B1 (ko) * 2018-11-16 2020-04-22 고려대학교 세종산학협력단 잡음 환경에서 변압기 소리 검출을 위한 방법
JP2021076776A (ja) * 2019-11-12 2021-05-20 トヨタ自動車株式会社 乗物用消音装置及び乗物用消音方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110066441A (ko) 2009-12-11 2011-06-17 현대로템 주식회사 철도차량용 능동 소음 제거장치 및 방법
KR20120057339A (ko) * 2010-11-26 2012-06-05 우송대학교 산학협력단 열차 차량 내의 소음 감지 시스템 및 방법
KR20130044021A (ko) 2011-10-21 2013-05-02 이권순 고속철도 실내소음 저감용 다중채널 능동소음 제어장치
KR20150114034A (ko) 2014-03-31 2015-10-12 한국철도기술연구원 철도차량 운전석의 저소음 공간 확보 장치
KR20150145125A (ko) * 2014-06-18 2015-12-29 케이티엠엔지니어링(주) 고속 전동 열차의 진동 분석에 의한 위험 예방 시스템
KR102102887B1 (ko) * 2018-11-16 2020-04-22 고려대학교 세종산학협력단 잡음 환경에서 변압기 소리 검출을 위한 방법
JP2021076776A (ja) * 2019-11-12 2021-05-20 トヨタ自動車株式会社 乗物用消音装置及び乗物用消音方法

Similar Documents

Publication Publication Date Title
US20180274989A1 (en) Integrated Rail Efficiency and Safety Support System
AU2010200383B2 (en) Method and system for using location information in conjunction with recorded operating information for a railroad train
CN101374713B (zh) 检测及考虑行驶中的轨道车辆所受侧风负荷的方法和所相应实施的其端部车厢
US9493176B2 (en) Method for operating a railway safety system, and railway safety system
JP2021528302A (ja) 鉄道路線における交通制御のためのシステム及び方法
CA2273400A1 (en) Method and apparatus for controlling trains by determining a direction taken by a train through a railroad switch
US20210146933A1 (en) Method and system for monitoring and evaluating a performance of a driver of a vehicle
KR20190064035A (ko) 분산음향광센서 기반 철도운행 상태 감시 시스템 및 그 방법
KR102563584B1 (ko) 신경망 기반 철도 차량의 소음 감소 시스템
ATE249954T1 (de) Verfahren zur erkennung von schäden im schienenverkehr
JP2023522157A (ja) 鉄道線路の表面状態の監視
Żuchowski et al. Reduction of tram noise by using a rail lubrication device
Młyńczak et al. Research on dynamics of shunting locomotive during movement on marshalling yard by using prototype of remote control unit
Van Der Toorn et al. Measuring TGV source strength with Syntacan
Kljaić et al. Utilization of Track Condition Information from Remote Wireless Sensor Network in Railways-A Mountainous Rail Track Case Study
Bestem’yanov et al. Study of the Electromagnetic Environment in Electrified Railroad Sections
Liepert et al. The impact of rail grinding on noise levels and residents’ noise responses–Part I: Study design and acoustical results
EP2704120A1 (de) Verfahren zur Ermittlung von Verkehrsinformationen
JP2018155541A (ja) 鉄道車両振動測定用データ収集システム
AU2017365364A1 (en) Method and devices for monitoring physical quantities of a geographical zone
JP2004271219A (ja) Ｇｐｓ速度情報補正方法及びｇｐｓ補正速度情報算出装置
Kopylova et al. GEOECOLOGICAL RISKS OF TECHNOGENIC NOISE AT LOW FREQUENCIES
Kurze et al. Sound emission limits for rail vehicles
RU2282197C1 (ru) Автономное бортовое устройство для определения положения и скорости рельсового экипажа (варианты)
RU2284928C1 (ru) Способ автоматического торможения подвижного состава при сходе вагона с рельсов и устройство для его осуществления

Legal Events

Date Code Title Description
GRNT Written decision to grant