KR102624263B1 - 무선충전모듈의 코어 설계하는 방법 - Google Patents

무선충전모듈의 코어 설계하는 방법 Download PDF

Info

Publication number
KR102624263B1
KR102624263B1 KR1020230122949A KR20230122949A KR102624263B1 KR 102624263 B1 KR102624263 B1 KR 102624263B1 KR 1020230122949 A KR1020230122949 A KR 1020230122949A KR 20230122949 A KR20230122949 A KR 20230122949A KR 102624263 B1 KR102624263 B1 KR 102624263B1
Authority
KR
South Korea
Prior art keywords
core
information
space
placement
machine learning
Prior art date
Application number
KR1020230122949A
Other languages
English (en)
Inventor
김윤수
박요한
조우영
이현웅
Original Assignee
광주과학기술원
오션스바이오 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 광주과학기술원, 오션스바이오 주식회사 filed Critical 광주과학기술원
Priority to KR1020230122949A priority Critical patent/KR102624263B1/ko
Application granted granted Critical
Publication of KR102624263B1 publication Critical patent/KR102624263B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01F—MAGNETS; INDUCTANCES; TRANSFORMERS; SELECTION OF MATERIALS FOR THEIR MAGNETIC PROPERTIES
    • H01F41/00—Apparatus or processes specially adapted for manufacturing or assembling magnets, inductances or transformers; Apparatus or processes specially adapted for manufacturing materials characterised by their magnetic properties
    • H01F41/02—Apparatus or processes specially adapted for manufacturing or assembling magnets, inductances or transformers; Apparatus or processes specially adapted for manufacturing materials characterised by their magnetic properties for manufacturing cores, coils, or magnets
    • H01F41/0206—Manufacturing of magnetic cores by mechanical means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01F—MAGNETS; INDUCTANCES; TRANSFORMERS; SELECTION OF MATERIALS FOR THEIR MAGNETIC PROPERTIES
    • H01F38/00—Adaptations of transformers or inductances for specific applications or functions
    • H01F38/14—Inductive couplings
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J50/00—Circuit arrangements or systems for wireless supply or distribution of electric power
    • H02J50/005—Mechanical details of housing or structure aiming to accommodate the power transfer means, e.g. mechanical integration of coils, antennas or transducers into emitting or receiving devices

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Power Engineering (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Physiology (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Genetics & Genomics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

본 발명은 기계학습을 기반으로 송신코일 및 수신코일을 포함하는 무선충전장치에 사용되는 코어 형상을 설계하는 방법으로서, (a) 제1 기계학습모델을 통해, 코어의 할당공간을 구성하는 단위공간에 대한 페라이트블록의 최적 배치율이 연산되는 단계로서, 상기 단위공간은 페라이트블록이 채워지거나 또는 빈공간을 형성되며, 상기 페라이트블록이 채워지는 단위공간을 기준으로 배치율이 규정되는, 단계; (b) 상기 최적 배치율을 기준으로, 상기 단위공간에 대한 상기 페라이트블록의 배치형태를 변경하면서 배치정보를 생성하고, 상기 배치정보에 따른 상기 코어의 성능을 미리 설정된 방식으로 평가하여 평가정보를 생성하는 단계; (c) 상기 배치정보 및 평가정보를 학습정보로 하여 제2 기계학습모델을 학습시키는 단계; 및 (d) 상기 제2 기계학습모델을 통해, 상기 단위공간에 대한 상기 페라이트블록의 최적 배치형태가 연산되는 단계; 를 포함하고, 상기 제1 및 제2 기계학습모델은, 서로 다른 방식의 기계학습모델인, 방법을 제공한다.

Description

무선충전모듈의 코어 설계하는 방법{Core design method of wireless charging module}
본 발명은 무선충전모듈의 코어 설계하는 방법에 관한 것이다.
전자약은 전자(electronics)와 약품(pharmaceutical)의 합성어로 뇌와 신경세포에서 발생하는 전기신호를 조절하여 질병을 치료하는 전자장치를 의미한다.
오늘날 전자약은 주로 신경에서 발생되는 장애나 문제를 개선하기 위하여 사용되고 있다. 전자약의 원리는 인위적으로 또는 신체 신호에 반응하여 생성되도록 설계된 장치를 통해 발생되는 전기신호로 신경을 포함한 다양한 세포-조직-장기 등을 자극하여 병태 생리환경을 개선 또는 정상화한다는 개념이다.
체내에서 자유이온들과 쌍극자, 분극 분자들은 세포와 조직, 기관이 전기를 생성하고 전도할 수 있게 한다. 미세한 생체 전기가 생리 현상을 조절하고 생명 유지에 중요한 역할을 한다. 생체에서 항상성 유지와 조화는 전기신호와 화학신호에 의해 조절되며 전기신호와 화학신호는 상호 교류한다. 전기신호의 변화가 화학신호를 변경할 수 있고 화학신호가 전기신호를 변경할 수 있다.
전자약이 개발된 초기에는 심장박동기와 같은 단순한 형태의 이식형 의료기기가 주를 이루었다. 최근에는 뇌전증, 당뇨, 관절염, 고혈압 등 만성 질환을 치료하기 위해 신경조직을 자극하는 전자기기로 진화하고 있다.
종래에 사용되는 전통적인 약은 혈관을 타고 돌면서 원하지 않는 부위에서 부작용이 발생할 가능성이 있다. 반면에, 전자약은 치료가 필요한 특정 신경만 선택해 자극하기 때문에 인체에도 안전하다. 전자약은 피하에 매립되어 사용되는 바, 치료가 필요한 특정한 부분만을 골라서 자극하므로 부작용을 최소화할 수 있고, 만일의 경우 약효를 즉시 중단할 수 있는 장점을 가지고 있다.
다만, 현재 개발되어 있는 전자약의 경우 대부분 1차 전지를 사용하고 있어 정기적으로 인체 외부로 인출하여 전지를 교환하여야 하며, 2차 전지를 사용하는 경우도 마찬가지로 정기적으로 인체 외부로 인출하여 전지를 충전해야 하는 단점을 가지고 있다.
이는 관리를 번거롭게 할 뿐만 아니라, 신경과 직접적으로 연결되어 있는 전자약을 신체에 이식하고 인출하는 과정을 반복해야 하므로 신경이 손상될 확률이 상당히 높은 문제를 내포하고 있다. 따라서, 2차 전지를 이용하되, 전자약 자체를 신체에서 장기간 인출하지 않을 수 있게 무선충전방식을 이용함이 바람직하다.
이러한 무선충전방식을 이용할 경우, 전자약에 내장되는 무선충전모듈의 크기로 인해, 전자약은 기존 대비 크기가 커질 수밖에 없는 본질적인 문제가 있다.
자기유도방식의 무선충전 시스템은 코어를 필수구성으로 포함하며, 코어는 송신부 및 수신부의 자속에 영향을 미친다. 또한, 송신부 및 수신부 코일 사이의 자속 분포는 무선 전력전송의 전송효율에 영향을 미친다. 따라서, 코어 형상의 디자인을 통해 무선충전 모듈을 설계할 필요가 있다.
(특허문헌 1) 한국등록특허 제10-2085010호
본 발명은 상기한 문제점을 해결하기 위해 안출된 것으로서, 본 발명은 단순히 공간을 채우는 형태의 코어가 아닌, 최적화된 코어 형상을 설계함으로써, 저중량 고효율의 코어를 설계하는 기술을 제안하고자 한다.
또한, 본 발명은 코어 질량의 감소를 통해, 코어를 포함하는 무선충전모듈 전체를 경량화시킴으로써, 소형 전자기기 시장에서 경쟁력을 갖춤과 동시에, 재료비를 절감하여 생산성을 향상시키는 기술을 제안하고자 한다.
상기와 같은 과제를 해결하기 위한 본 발명의 일 실시예는, 기계학습을 기반으로 송신코일 및 수신코일을 포함하는 무선충전장치에 사용되는 코어 형상을 설계하는 방법으로서, (a) 제1 기계학습모델을 통해, 코어의 할당공간을 구성하는 단위공간에 대한 페라이트블록의 최적 배치율이 연산되는 단계로서, 상기 단위공간은 페라이트블록이 채워지거나 또는 빈공간을 형성되며, 상기 페라이트블록이 채워지는 단위공간을 기준으로 배치율이 규정되는, 단계; (b) 상기 최적 배치율을 기준으로, 상기 단위공간에 대한 상기 페라이트블록의 배치형태를 변경하면서 배치정보를 생성하고, 상기 배치정보에 따른 상기 코어의 성능을 미리 설정된 방식으로 평가하여 평가정보를 생성하는 단계; (c) 상기 배치정보 및 평가정보를 학습정보로 하여 제2 기계학습모델을 학습시키는 단계; 및 (d) 상기 제2 기계학습모델을 통해, 상기 단위공간에 대한 상기 페라이트블록의 최적 배치형태가 연산되는 단계; 를 포함하고, 상기 제1 및 제2 기계학습모델은, 서로 다른 방식의 기계학습모델인, 방법을 제공한다.
또한, 상기 (b) 단계는, 상기 배치정보에 따른 상기 코어의 성능을 미리 설정된 시뮬레이션 방식으로 평가함으로써, 상기 배치정보에 따른 평가정보를 생성할 수 있다.
또한, 상기 미리 설정된 시뮬레이션 방식은, 엔시스맥스웰(Ansys Maxwell)을 통해 해석하되, 상기 배치정보에 따른 상기 코어의 상호인덕턴스(Mutual Inductance)를 모델링함으로써, 상기 배치정보에 따른 평가정보로 이용할 수 있다.
또한, 상기 (c) 단계에서, 상기 제2 기계학습모델은 유전 알고리즘(Genetic Algorithm)일 수 있다.
또한, 상기 (c) 단계는, (c1) 제1 내지 제n 배치정보를 생성하는 초기화 단계; (c2) 상기 평가정보에 최적화된 성능을 나타내는 적합도 함수(fitness function)를 생성하는 단계; (c3) 상기 (c2) 단계의 적합도 함수에 기초하여, 상기 제1 내지 제n 배치정보 중 적어도 어느 하나를 선택하는 단계; (c4) 상기 (c3) 단계에서 선택된 배치정보를 대상으로, 크로스오버(Crossover)가 수행되는 단계; 및 (c5) 상기 배치정보에 대한 돌연변이(Mutation)가 연산되는 단계; 를 포함할 수 있다.
또한, 상기 (c1) 단계는, 하기의 수식 1에 의해 생성될 수 있다.
[수식 1]
또한, 상기 (a) 단계에서, 상기 제1 기계학습모델은, 가우시안 프로세스 회귀(Gaussian Process Regression, GPR)일 수 있다.
또한, 상기 (a) 단계는, (a1) 코어에 할당된 공간을 확인하고, 상기 공간을 적어도 둘 이상의 단위공간으로 분할하는 단계; (a2) 상기 단위공간 각각에 독립적으로 페라이트블록을 배치시키거나 또는 빈공간으로 형성시킴으로써, 상기 할당된 공간에 대한 페라이트블록의 배치율이 결정되는 단계; (a3) 상기 배치율에 따른 코어의 성능을 평가하는 단계로서, 상기 배치율에 따른 코어의 상호인덕턴스를 연산하며, 상기 페라이트블록의 배치율을 변경하여 상기 코어의 성능 평가가 반복적으로 수행되는 단계; 및 (a4) 상기 (a3) 단계에서 연산된 상기 배치율별 최대 상호인덕턴스를 기준으로 평가함으로써, 상기 코어에 대한 최적 배치율이 연산되는 단계; 를 포함할 수 있다.
또한, 상기 (b) 단계는, 상기 최적 배치율을 기준으로, 샘플 배치정보를 생성하고, 상기 샘플 배치정보에 대한 샘플 평가정보를 생성하며, 상기 (d) 단계는, 상기 최적 배치율을 기준으로, 모든 배치정보에 대한 평가정보를 연산할 수 있다.
또한, 본 발명은 전술한 방법을 이용하여 제조된 코어; 송신코일 및 수신코일; 피하에 매립되어 신경에 전기 자극을 제공하는 신경자극부; 및 상기 신경자극부에 전원을 공급하며, 반복적인 충방전이 가능하도록 형성된 배터리부; 를 포함하는, 전자약을 제공한다.
본 발명의 효과는 다음과 같다.
본 발명은 상기한 문제점을 해결하기 위해 안출된 것으로서, 본 발명은 단순히 공간을 채우는 형태의 코어가 아닌, 최적화된 코어 형상을 설계함으로써, 저중량 고효율의 코어를 설계할 수 있다.
또한, 본 발명은 코어 질량의 감소를 통해, 코어를 포함하는 무선충전모듈 전체를 경량화시킴으로써, 소형 전자기기 시장에서 경쟁력을 갖춤과 동시에, 재료비를 절감하여 생산성을 향상시킬 수 있다.
본 발명의 특정한 바람직한 실시예들의 상기에서 설명한 바와 같은 또한 다른 측면들과, 특징들 및 이득들은 첨부 도면들과 함께 처리되는 하기의 설명으로부터 보다 명백하게 될 것이다.
도 1은 전자약이 체내에 삽입되어 신경과 연결된 상태에서, 사용자단말을 통해 제어되는 과정을 개략적으로 나타낸 모식도이다.
도 2는 전자약 중 무선충전장치에 사용되는 구성을 개략적으로 나타낸 모식도이다.
도 3의 (a)는 전자약 중 코어가 차지하는 할당공간을 나타내고, (b)는 (a)의 할당공간이 단위공간으로 분할된 상태를 나타낸다.
도 4는 코어의 할당공간이 단위공간으로 분할된 상태를 나타내며, 개별 단위공간을 식별하기 위한 입체좌표가 부여된 상태를 나타낸다.
도 5는 코어의 할당공간이 단위공간으로 분할된 상태에서, 페라이트가 채워진 공간인 페라이트블록 및 빈공간(진공)으로 구성된 코어를 나타낸다.
도 6은 코어 형상 설계 시스템의 구성을 나타내는 블록도이다.
도 7은 코어의 할당공간에 대한 평면도로써, 개별 단위공간의 형태가 서로 상이한 것을 나타낸다.
도 8은 코어 형상 설계 시스템을 이용한 방법의 순서를 개략적으로 나타낸 순서도이다.
도 9는 코어 형상 설계 시스템을 이용하여 최적 배치율을 연산하는 방법을 나타낸 순서도이다.
도 10은 페라이트 배치율에 따른 최대 상호인덕턴스 및 평균 상호인덕턴스를 나타낸 그래프이다.
도 11은 일 예시인 특정 페라이트 배치율(13/16)인 경우를 기준으로, 코어의 배치형태 중 일부를 학습하여 전체 배치형태를 모델링한 그래프이다.
도 12는 기계학습을 기반으로 코어 형상을 설계하는 방법의 순서도이다.
도 13은 도 12의 단계(S23)를 자세히 나타낸 순서도이다.
도 14는 도 12에 사용되는 일 예시적 수식이다.
도 15의 (a)는 페라이트블록 및 빈공간으로 구성된 코어 형상(시험대상)이며, (b)는 페라이트블록으로만 구성된 코어 형상(비교대상)의 실제 사진이다.
도 16의 (a)는 도 15의 (a)에 대한 송신부(좌) 및 수신부(우)의 전압, 전류 측정결과이며, (b)는 도 15의 (b)에 대한 전압, 전류 측정결과이다.
도 17의 (a) 및 (b)는 각각 도 16의 (a) 및 (b)에 대한 측정결과를 나타낸 표이다.
도 18은 도 16의 실험을 위한 회로 구성도를 나타낸다.
이하, 본 발명의 다양한 실시예가 첨부된 도면을 참조하여 기재된다. 본 발명은 특정 실시예에 대해 한정되지 아니며, 본 발명의 실시예들의 다양한 변경(modification), 균등물(equivalent), 및/또는 대체물(alternative)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.
본원에서, "가진다", "가질 수 있다", "포함한다", 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본원에서, "A 또는 B", "A 또는/및 B 중 적어도 하나", 또는 "A 또는/및 B 중 하나 또는 그 이상" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B", "A 및 B 중 적어도 하나", 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본원에서 사용된 "제1", "제2", "첫째", 또는 "둘째" 등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 예를 들면, 본원에 기재된 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 바꾸어 명명될 수 있다.
본원에서 사용된 용어들은 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 다른 실시예의 범위를 한정하려는 의도가 아닐 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 용어들은 본원에 기재된 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다.
본원에 사용된 용어들 중 일반적인 사전에 정의된 용어들은 관련 기술의 문맥상 가지는 의미와 동일 또는 유사한 의미로 해석될 수 있으며, 본원에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 경우에 따라서, 본원에서 정의된 용어일지라도 본원의 실시예들을 배제하도록 해석될 수 없다.
이하 첨부된 도면 및 실시예를 통하여 본 발명을 상세히 설명하기로 하며, 하기에서 본 발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그에 대해 상세한 설명을 생략하였다.
그리고 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로써, 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
이하, 도면을 참조하여 본 발명의 다양한 실시예들에 대해서 살펴보기로 한다.
도 1은 전자약이 체내에 삽입되어 신경과 연결된 상태에서, 사용자단말을 통해 제어되는 과정을 개략적으로 나타낸 모식도이다. 전자약(1)은 피하에 매립되어 신경(3)에 전기 자극을 제공할 수 있다. 이를 위해, 전자약(1)은 외관을 형성하는 하우징을 포함하고, 하우징 내부에는 본 발명에 적용되는 코어가 내장될 수 있다. 전자약(1)은 신경연결부(2)를 포함하며, 신경연결부(2)를 통해 신경(3)과 연결될 수 있다. 또한, 사용자단말(4)과 무선 통신될 수 있으며, 사용자단말(4)을 모니터링 및 제어할 수 있다.
도 2는 전자약 중 무선충전장치에 사용되는 구성을 개략적으로 나타낸 모식도이다. 도 1을 함께 참조하면, 전자약(1)은 내장된 무선충전장치를 통해 전원을 제공받도록 구성될 수 있다. 체내에 삽입되는 전자약(1)의 특성상 내장된 배터리를 주기적으로 교체하기 어렵기 때문에, 무선충전장치를 이용하여 외부로부터 무선으로 전력을 공급받도록 구성되는 것이 바람직하다.
설명의 편의를 위해, 도 2에서는 전자약의 전체 구성 중, 무선충전장치를 제외한 다른 구성은 생략한다. 무선충전장치는 피하(30)에 매립되며, 송신코일(13), 수신코일(14), 배터리부(12) 및 코어(10)를 포함한다. 이들의 출력, 크기, 형태 등은 설계자의 선택과 전자약의 사용 용도에 따라 달라질 수 있다. 이 때, 전자약은, 피하(30)에 매립되어 신경에 전기 자극을 제공하는 신경자극부(미도시)를 더 포함할 수 있다. 그리고, 상기 배터리부(12)는, 신경자극부에 전원을 공급하며, 반복적인 충방전이 가능하도록 형성될 수 있다.
도 3의 (a)는 전자약 중 코어가 차지하는 할당공간을 나타내고, (b)는 (a)의 할당공간이 단위공간으로 분할된 상태를 나타낸다.
도 3을 참조하면, 도 2의 코어(10)는 무선충전장치 내에서 소정의 공간을 차지하도록 구성된다. 이러한 공간을 '할당공간'이라 규정한다. 즉, 코어(10)의 외곽이 차지하는 영역이다.
본 발명에 적용되는 시스템은 이러한 할당공간(10)을 복수의 단위공간(101)으로 분할하며, 개별 단위공간(101)은 직육면체로 형성된다. 도 3에서는 개별 단위공간(101)의 형태가 동일한 것을 기준으로 설명한다. 도 3에 기재된 수치는 일 예시이다. 할당공간(10)은 후술하는 단위공간 분할부에 의해 단위공간(101)으로 분할될 수 있다.
도 4는 코어의 할당공간이 단위공간으로 분할된 상태를 나타내며, 개별 단위공간을 식별하기 위한 입체좌표가 부여된 상태를 나타낸다.
도 4를 참조하면, 할당공간(10)이 복수의 단위공간(101)으로 분할되며, 이들 각각에는 미리 규정된 입체좌표(Sx, Sy, Sz)가 부여되도록 구성될 수 있다. 여기서, 입체좌표(Sx, Sy, Sz)는 일반적인 좌표와는 달리, 임의의 점을 의미하는 것이 아니라, 미리 구획된 임의의 3차원 영역을 의미하는 것으로 이해된다.
단위공간(101)의 형태가 동일한 경우, 할당공간(10)은 단위공간(101)의 n배수의 치수를 갖도록 가로, 세로 및 높이가 형성될 수 있다.
개별 단위공간(101)은 페라이트가 채워지는 페라이트블록 또는 빈공간(진공)으로 형성될 수 있다. 이들의 배치비율인 배치율과 배치형태에 따라, 코어의 전기적 특성과 효율을 달리할 수 있다. 이는 본 출원인에 의한 실험을 통해 증명되었으며, 후술하도록 한다.
즉, 단위공간(101) 각각은, 미리 설정된 체적인 직육면체 형태의 가상의 공간일 수 있다. 그리고, 단위공간(101) 각각은, 입체좌표(Sx, Sy, Sz)를 갖도록 규정되어 상호 독립적으로 구분될 수 있고, 페라이트블록은 단위공간(101)에 대응되는 형태일 수 있다.
일 예시로써, P(1, 2, 1)에 페라이트블록이 배치되고, P(1, 3, 1)에 빈공간이 형성되는 케이스와 P(1, 2, 1)에 빈공간이 형성되고, P(1, 3, 1)에 페라이트블록이 배치되는 케이스는 상호 다른 배치형태로 간주된다.
도 5는 코어의 할당공간이 단위공간으로 분할된 상태에서, 페라이트가 채워진 공간인 페라이트블록 및 빈공간(진공)으로 구성된 코어를 나타낸다. 도 5에서 청색은 페라이트블록을 나타내고, 녹색은 빈공간을 나타낸다.
할당공간(10)은 4*2*2(여기서, X, Y, Z축 방향 기준임)의 단위공간으로 분할된 예시가 도시된다. 총 16개의 단위공간(101)으로 구분되며, 개별 단위공간은 페라이트블록(101a) 및 빈공간인 진공(101b)으로 구분될 수 있다.
도 5의 (a)는 상측에서 바라본 사시도이며, (b)는 하측에서 바라본 사시도인 바, 도 5의 할당공간(10)은 총 3개의 빈공간(101b)을 포함한다. 도 4에 규정한 입체좌표를 기준으로, P1(4, 1, 1), P2(2, 1, 2) 및 P3(3, 2, 2)의 단위공간은 빈공간(101b)으로 형성되며, 나머지 단위공간(101a)은 페라이트블록이 형성되는 구조이다.
도 6을 참조하여, 본 발명에 일 실시예에 따른 시스템을 설명한다.
시스템은 단위공간 분할부(110), 코어형상 모델링부(120), 코어성능 연산부(130) 및 기계학습부(140)를 포함한다.
단위공간 분할부(110)는 먼저 코어에 할당된 공간을 확인한다. 즉, 할당공간을 인식하거나 또는 미리 설정된 방식으로 연산함으로써, 할당공간의 전체 체적을 연산하도록 구성된다. 본원에서는 할당공간이 직육면체 형태임을 전제로 설명하나, 전자약의 설계자에 따라, 상기 할당공간은 직육면체가 아닌, 불규칙한 입체구조로 형성될 수도 있다. 즉, 할당공간의 전체형태 및 체적에 제한되지 않는다.
단위공간 분할부(110)는 확인된 할당공간을 기반으로, 단위공간을 구획한다. 이 때, 각각의 개별 단위공간은 독립적인 공간을 형성한다.
도 7을 참조하여 더욱 자세히 설명한다. 도 7은 코어의 할당공간에 대한 평면도로써, 개별 단위공간의 형태가 상이하게 분할된 상태를 나타낸다. 전술한 바와 같이, 개별 단위공간의 형태는 서로 상이하게 형성될 수 있다. 단위공간의 형태를 기준으로, 제1 형태인 제1 단위공간 내지 제n 형태인 제n 단위공간으로 구분될 수 있다. 개별 단위공간은 직육면체 형태로 형성되는 바, 직육면체를 구성하는 가로, 세로 및 높이 중 적어도 어느 하나가 다른 경우에는, 다른 형태로 구분될 수 있다.
이 때, 코어의 할당공간을 기준으로, 중심(C) 측에 위치된 단위공간의 체적이 외측에 위치된 단위공간의 체적보다 상대적으로 더 크게 형성될 수 있다. 이는 코어의 양산성을 위함이다. 도 7을 참조하면, 제1 형태인 제1 단위공간(101-1) 및 제2 형태인 제2 단위공간(101-2)으로 구분됨을 확인할 수 있다.
다시 도 6을 참조하면, 코어형상 모델링부(120)는 단위공간에 페라이트가 채워지는 페라이트블록 또는 빈공간을 형성시킴으로써, 전체적인 코어형상을 모델링한다. 이를 통해, 페라이트블록의 배치율이 결정된다. 이 때, 배치율(a/b)은 전체 단위공간(b)의 개수 대비 페라이트블록(a)의 개수로 규정될 수 있다.
코어성능 연산부(130)는, 배치율을 변경하여 코어의 성능을 미리 설정된 방식으로 평가하되, 페라이트블록의 배치율별 성능을 평가한 평가정보를 생성함으로써, 최적 배치율을 도출하도록 구성될 수 있다.
기계학습부(140)는 제1 및 제2 기계학습모델(141, 142)을 포함한다. 제1 기계학습모델(141)을 통해 페라이트블록의 최적 배치율을 도출하고, 도출된 정보를 다시 학습정보로 이용하여 제2 기계학습모델(142)을 학습시킬 수 있다. 제2 기계학습모델(142)을 통해 페라이트블록의 최적 배치형태를 도출할 수 있다. 최적 배치율 및 최적 배치형태가 결정되면, 코어형태의 모델링이 완성되는 것을 의미한다.
도 8은 코어 형상 설계 시스템을 이용한 방법의 순서를 개략적으로 나타낸 순서도이다. 도 8을 참조하면, 전술한 바와 같이, 최적 배치율을 먼저 결정하고, 이를 다시 기계학습을 함으로써, 최적 배치형태를 도출하는 것을 알 수 있다.
할당공간을 단위공간으로 분할한 이후에, 배치율별 성능평가를 수행한다. 성능평가는 전자계 해석 툴인 엔시스맥스웰(Ansys Maxwell) 프로그램을 사용하여 평가를 반복적으로 수행할 수 있다(Ansys Electronics Script 사용함). 이를 통해, 페라이트블록의 최적 배치율이 연산될 수 있다.
여기서, 무선전력전송의 성능을 평가하는 경우, 다양한 종류의 시뮬레이션 프로그램을 이용할 수 있으며, 예를 들어 PSIM, SNSYS Simplorer 등의 프로그램을 이용할 수 있다. 이 때, 자속 밀도, 송신코일 인덕턴스, 수신코일 인덕턴스, 송수신부 간 상호인덕턴스, 결합계수, 송신 코일 저항, 수신 코일 저항, 수신전력, 시스템 효율 등을 분석할 수 있으며, 언급된 파라미터 이외에도, 무선전력전송의 성능에 영향을 미칠 수 있는 파라미터이면 분석의 대상이 될 수 있다.
도 9는 코어 형상 설계 시스템을 이용하여 최적 배치율을 연산하는 방법을 나타낸 순서도이다. 도 8 및 9를 함께 참조하면, 본 발명에 따른 방법은 단계(S11) 내지 단계(S14)를 포함한다.
단계(S11)는 단위공간 분할부에 의해, 코어에 할당된 공간을 확인하고, 공간을 적어도 둘 이상의 단위공간으로 분할하는 단계이다.
단계(S12)는 코어형상 모델링부에 의해, 단위공간 각각에 독립적으로 페라이트블록을 배치시키거나 또는 빈공간으로 형성시킴으로써, 할당된 공간에 대한 페라이트블록의 배치율이 결정되는 단계이다.
도 5를 함께 참조하면, 총 16개의 단위공간을 포함하는 바, 페라이트블록은 0개 내지 16개로 형성될 수 있다. 다만, 0개인 경우에는 빈 공간으로 형성되는 것을 의미하는 바, 코어의 실질이 없으므로, 이를 제외한 나머지 케이스에 대해 평가정보를 생성하는 것이 바람직하다.
단계(S13)는 코어성능 연산부에 의해, 배치율에 따른 코어의 성능이 미리 설정된 방식으로 평가되는 단계로서, 페라이트블록의 배치율을 변경하여 코어의 성능 평가가 반복적으로 수행되는 단계이다. 일 예시로써, 페라이트블록이 0개인 경우, 1개인 경우, 2개인 경우와 같이, 점차 페라이트블록의 숫자를 증가시키면서, 모든 케이스에 대해 평가정보를 생성하는 것이 바람직하다. 평가정보는 배치율에 따른 상호 인덕턴스를 연산하여 사용한다. 상호 인덕턴스의 평균값 및 최대값을 모두 활용할 수 있다.
한편, 이러한 모든 케이스를 미리 설정된 분석기법인 엔시스맥스웰을 통해 모두 연산하는 것은 비효율적이며, 다소 많은 시간이 소요되는 바, 일부 값을 이용하여 제1 기계학습모델을 기계학습하도록 구성될 수 있다. 이 때, 제1 기계학습모델은 가우시안 프로세스 회귀(Gaussian Process Regression, GPR) 기법을 사용할 수 있다. 즉, 분석기법을 통해 배치율을 변화하면서 모든 배치율에 대해 시뮬레이션을 수행할 수도 있으며, 일부의 배치율을 값을 학습정보로 이용하여, 제1 기계학습모델을 통해 남은 배치율에 대한 값을 도출할 수 있다. 단위공간의 개수가 상대적으로 많은 경우에는, 제1 기계학습모델을 활용하는 것이 매우 효율적이다. 즉, 기계학습모델(141, 142)은, 가우시안 프로세스 회귀(Gaussian Process Regression, GPR) 방식을 사용하며, 코어성능 연산부(130)에 의해 도출된 최적 배치율을 기준으로, 상기 코어의 페라이트블록의 배치형태에 따른 평가정보를 도출시키도록 구성될 수 있다.
또한, 상기 단계(S13)는, 코어성능 연산부(130)로부터 제공받은 평가정보를 학습정보로 이용하여 미리 설정된 기계학습모델을 학습시키는 단계를 더 포함할 수 있다.
단계(S14)는 페라이트블록의 배치율 별 성능을 평가한 평가정보를 기반으로, 최적 배치율이 연산되는 단계이다. 제1 기계학습모델을 이용하여 페라이트블록의 배치율별 성능을 평가하여, 최적 배치율을 도출할 수 있다. 모든 배치율에 대해 분석기법을 통해 평가정보를 생성한 경우에는, 설계자가 직접 배치율을 선택할 수 있다.
제1 기계학습모델에 사용되는 학습정보는 할당공간 정보, 송신코일 정보, 수신코일 정보, 단위공간 정보, 배치정보(코어형상) 및 평가정보(상호인덕턴스)가 사용될 수 있다. 즉, 배치율 뿐만 아니라, 현재의 다른 정보들까지 모두 고려하여 최적의 배치율을 도출할 수 있다. 즉, 학습정보는, 코어 형상에 대응되는 할당공간과, 직육면체 형태의 단위공간을 형성하는 가로, 세로 및 높이와, 페라이트블록의 배치율 및 배치형태를 포함하는 배치정보 및 배치율에 따른 상호인덕터스를 포함할 수 있다.
또한, 상기 단계(S14)는, 기계학습모델을 통해, 평가정보에 사용된 배치율 이외의 다른 배치율에 대한 평가정보를 추정 연산함으로써, 최적 배치율을 연산하는 단계 및 상기 최적 배치율을 기준으로, 페라이트블록의 배치형태별 성능을 평가한 평가정보가 연산되는 단계를 더 포함할 수 있다.
또한, 본 발명에 따른 방법은, 상기 단계(S14)에서 연산된 최적 배치율을 기반으로 하되, 단위공간을 다시 2차 단위공간으로 구분하며, 2차 단위공간을 기준으로, 상기 단계(S12) 내지 상기 단계(S14)를 반복하여 수행하는 단계를 더 포함할 수 있다.
도 10은 페라이트 배치율에 따른 최대 상호인덕턴스 및 평균 상호인덕턴스를 나타낸 그래프이다. 도 10을 참조하면, 상호인덕턴스의 평균값은 페라이트블록이 많을수록 큰 값을 갖는다. 이와는 달리, 최대값의 경우에는, 13개의 페라이트블록으로 구성된 배치율이 최대성능을 발휘하는 것으로 확인된다. 페라이트블록이 많을수록 모든 성능이 우수하다는 기존의 관념에서 벗어난 결과를 확인할 수 있다.
또한, 제1 기계학습모델을 통해, 코어의 형태를 결정하는 페라이트블록의 배치형태에 따른 평가정보가 생성될 수 있다. 이해의 편의를 위해, 도 5에 도시된 페라이트블록의 일 예시를 기준으로 설명한다.
도 5에 도시된 코어의 형태는 단위공간의 개수를 기준으로, 3개의 빈공간을 형성하고, 13개의 페라이트블록이 배치된 구조로써, 다양한 배치형태 중 일 예시이다. 배치율이 13/16인 경우를 기준으로, 총 560개의 배치형태로 구성될 수 있다.
도 11은 도 5에 도시된 페라이트 배치율(13/16)인 경우를 기준으로, 코어의 배치형태 중 일부를 학습하여 전체 배치형태를 모델링한 그래프이다. 총 560개의 배치형태 중 56개의 배치형태에 대한 정보를 이용하여, 제1 기계학습모델에 학습을 수행하면, 총 560개의 배치형태에 대한 평가정보를 모두 추정할 수 있다.
코어 형상에 따른 상호인덕턴스는 비선형적인 바, 수식적 표현이 불가능하지만, 제1 기계학습모델을 이용함으로써 모델링이 가능하다. 본 출원인은 전체 배치형태 중 10%에 해당하는 일부 배치형태에 대한 정보를 이용한 학습만으로도, 전체 코어 형상(전체 코어에 대한 배치형태)에 대한 성능도출이 가능함을 확인하였다.
참고로, 상기의 총 560개의 배치형태는 다음과 같은 방식으로 도출될 수 있다. 이것은 수학적 기법 중 조합(Combination)의 수식을 이용하여 연산할 수 있는데, 페라이트블록이 배치된 것을 '1'로 규정하고, 빈공간을 '0'으로 규정하면, 예를 들어, 특정 배치형태는 (1,1,1,1,1,1,1,1,1,1,1,1,1,0,0,0)으로 표기할 수 있다. 상기의 방법을 이용하면, 배치율이 13/16인 경우에는 '1'이 13개이며, '0'이 3개인 것으로 표기할 수 있다.
즉, 배치형태의 개수는 16C3으로 계산할 수 있는 바, 총 560개의 배치형태가 도출된다. 이는 nCr로 일반화할 수 있으며, 여기서 n은 전체 단위공간의 총합을 의미하고, r은 빈공간 또는 페라이트블록의 개수를 의미할 수 있다. 다만, 이것은 단위공간의 형태가 동일한 경우를 전제로 한다.
도 12는 기계학습을 기반으로 코어 형상을 설계하는 방법의 순서도이며, 도 13은 도 12의 단계(S23)를 자세히 나타낸 순서도이다.
본 발명이 적용된 방법은 단계(S21) 내지 단계(S24)를 포함한다.
단계(S21)는 제1 기계학습모델을 통해, 코어의 할당공간을 구성하는 단위공간에 대한 페라이트블록의 최적 배치율이 연산되는 단계이다. 이 때, 단위공간은 페라이트블록이 채워지거나 또는 빈공간을 형성되며, 페라이트블록이 채워지는 단위공간을 기준으로 배치율이 규정되는 단계이다.
구체적으로, 상기 단계(S21)는, 코어에 할당된 공간을 확인하고, 상기 공간을 적어도 둘 이상의 단위공간으로 분할하는 단계와, 상기 단위공간 각각에 독립적으로 페라이트블록을 배치시키거나 또는 빈공간으로 형성시킴으로써, 상기 할당된 공간에 대한 페라이트블록의 배치율이 결정되는 단계와, 상기 배치율에 따른 코어의 성능을 평가하는 단계로서, 상기 배치율에 따른 코어의 상호인덕턴스를 연산하며, 상기 페라이트블록의 배치율을 변경하여 상기 코어의 성능 평가가 반복적으로 수행되는 단계 및 연산된 상기 배치율별 최대 상호인덕턴스를 기준으로 평가함으로써, 상기 코어에 대한 최적 배치율이 연산되는 단계를 포함할 수 있다.
단계(S22)는 상기 최적 배치율을 기준으로, 상기 단위공간에 대한 상기 페라이트블록의 배치형태를 변경하면서 배치정보를 생성하고, 상기 배치정보에 따른 상기 코어의 성능을 미리 설정된 방식으로 평가하여 평가정보를 생성하는 단계이다. 이 때, 상기 단계(S22)는, 상기 배치정보에 따른 상기 코어의 성능을 미리 설정된 시뮬레이션 방식으로 평가함으로써, 상기 배치정보에 따른 평가정보를 생성할 수 있다. 또한, 상기 단계(S22)는, 상기 최적 배치율을 기준으로, 샘플 배치정보를 생성하고, 상기 샘플 배치정보에 대한 샘플 평가정보를 생성할 수 있다.
여기서, 배치정보에 따른 상기 코어의 성능은 미리 설정된 시뮬레이션 방식으로 평가함으로써, 배치정보에 따른 평가정보를 생성할 수 있다. 시뮬레이션 방식은 엔시스맥스웰(Ansys Maxwell)을 통해 해석하되, 배치정보에 따른 코어의 상호인덕턴스(Mutual Inductance)를 모델링함으로써, 배치정보에 따른 평가정보로 이용할 수 있다.
상기의 단계(S21, S22)에 대해서는 전술하였는 바, 설명을 생략한다.
단계(S23)는 배치정보 및 평가정보를 학습정보로 하여 제2 기계학습모델을 학습시키는 단계이다. 이 때, 제2 기계학습모델은 상기의 제1 기계학습모델과 서로 다른 방식의 기계학습모델로써, 유전 알고리즘(Genetic Algorithm)을 이용하도록 설계될 수 있다. 이와 같이, 단계(S23)는 페라이트블록의 배치형태에 따른 엔시스맥스웰의 평가정보를 학습정보로 이용하여 제2 기계학습모델인 유전 알고리즘을 다시 학습시키는 방식을 채택한다.
도 11을 함께 참조하면, 엔시스맥스웰을 통해 연산한 값(True)과 제2 기계학습모델을 이용하여 도출한 값(Prediction)의 값이 거의 일치함을 확인할 수 있다. 엔시스맥스웰 기법을 사용한 시뮬레이션은 상대적으로 많은 시간이 소요되는 문제가 있는 바, 제1 및 제2 기계학습모델을 이용하는 경우, 신속함과 동시에, 신뢰성 높은 평가정보를 연산할 수 있다.
도 13을 참조하여, 유전 알고리즘인 제2 기계학습모델에 대해 보다 구체적으로 설명한다. 단계(S23)는 단계(S231) 내지 단계(S235)를 포함한다.
단계(S23)에서는 유전 알고리즘을 이용하여 학습모델의 출력을 최대화하는 방식으로 최적의 배치형태를 산출할 수 있다.
단계(S231)는 제1 내지 제n 배치정보를 생성하는 초기화 단계이다. 제1 내지 제n 배치정보는 다음의 수식을 통해 생성될 수 있다.
[수식 1]
도 5에 도시된 배치율을 기준으로, 상기 수식 1을 대입하면 다음과 같다.
[수식 2]
단계(S232)는 상기 평가정보에 최적화된 성능을 나타내는 적합도 함수(fitness function)를 생성하는 단계이다.
단계(S233)는 단계(S232)의 적합도 함수에 기초하여, 상기 제1 내지 제n 배치정보 중 적어도 어느 하나를 선택하는 단계이다.
단계(S234)는 단계(S233)에서 선택된 배치정보를 대상으로, 크로스오버(Crossover)가 수행되는 단계이다.
단계(S235)는 배치정보에 대한 돌연변이(Mutation)가 연산되는 단계이다.
단계(S236)는 종료기준을 만족하는지 판단하는 단계로서, 종료기준은 설계자에 의해 설정될 수 있다.
단계(S24)는 제2 기계학습모델을 통해, 단위공간에 대한 상기 페라이트블록의 최적 배치형태가 연산되는 단계이다. 제1 기계학습모델의 출력정보를 다시 학습정보로 활용하여 학습된 제2 기계학습모델을 통해, 모든 배치형태에 대한 평가정보가 산출되며, 최종적으로는 최적 배치형태가 도출될 수 있다. 코어의 설계자는 상기의 최적 배치형태와 매칭되는 코어 형태를 설계할 수 있다. 또한, 상기 단계(S24)는, 상기 최적 배치율을 기준으로, 모든 배치정보에 대한 평가정보를 연산할 수 있다.
참고로, 도 5에 도시된 배치형태는 최적 배치율이 13/16으로 연산된 코어 형태를 대상으로, 제1 및 제2 기계학습모델을 이용하여 총 560개의 배치형태에 따른 평가정보를 도출하였다. 이는, 2번째로 평가성능이 높은 배치형태에 따른 구조이다.
이하에서는 도 15 내지 18을 참조하여, 본 출원인에 의한 실험 결과를 설명한다. 도 5에 도시된 배치형태를 기준으로 실험을 수행하였으며, 성능의 유효성을 검증하였다. 비교대상은 할당공간에 빈공간으로 형성된 단위공간이 없는 구조로 설정하였다.
도 15의 (a)는 페라이트블록 및 빈공간으로 구성된 코어 형상이며, (b)는 페라이트블록으로만 구성된 코어 형상의 실제 사진이다. 즉, (a)는 시험대상이며, (b)는 비교대상을 의미한다.
도 16의 (a)는 도 15의 (a)에 대한 송신부(좌) 및 수신부(우)의 전압, 전류 측정결과이며, (b)는 도 15의 (b)에 대한 전압, 전류 측정결과이다. 도 17의 (a) 및 (b)는 각각 도 16의 (a) 및 (b)에 대한 측정결과를 나타낸 표이다.
도 16 및 17을 참고하면, 시험대상과 비교대상의 전압 전류 측정결과, 본 발명에 따른 방법을 통해 종래대비 질량은 19% 줄이고, 전송효율은 4% 개선된 무선충전모듈을 설계하였다.
도 18은 도 16의 실험을 위한 회로 구성도를 나타낸다. 도 18에 도시된 회로 구성도를 이용하여 실험을 수행하였다.
본 발명에서 상기 실시형태는 하나의 예시로서 본 발명이 여기에 한정되는 것은 아니다. 본 발명의 특허청구범위에 기재된 기술적 사상과 실질적으로 동일한 구성을 하고 동일한 작용효과를 이루는 것은 어떠한 것이라도 본 발명의 기술적 범위에 포함된다.
10: 할당공간
101: 단위공간
101a: 페라이트블록
101b: 빈공간
110: 단위공간 분할부
120: 코어형상 모델링부
130: 코어성능 연산부
140: 기계학습부
141: 제1 기계학습모델
142: 제2 기계학습모델

Claims (10)

  1. 기계학습을 기반으로 송신코일 및 수신코일을 포함하는 무선충전장치에 사용되는 코어 형상을 설계하는 방법으로서,
    (a) 제1 기계학습모델을 통해, 코어의 할당공간을 구성하는 단위공간에 대한 페라이트블록의 최적 배치율이 연산되는 단계로서,
    상기 단위공간은 페라이트블록이 채워지거나 또는 빈공간을 형성되며, 상기 페라이트블록이 채워지는 단위공간을 기준으로 배치율이 규정되는, 단계;
    (b) 상기 최적 배치율을 기준으로, 상기 단위공간에 대한 상기 페라이트블록의 배치형태를 변경하면서 배치정보를 생성하고, 상기 배치정보에 따른 상기 코어의 성능을 미리 설정된 방식으로 평가하여 평가정보를 생성하는 단계;
    (c) 상기 배치정보 및 평가정보를 학습정보로 하여 제2 기계학습모델을 학습시키는 단계; 및
    (d) 상기 제2 기계학습모델을 통해, 상기 단위공간에 대한 상기 페라이트블록의 최적 배치형태가 연산되는 단계; 를 포함하고,
    상기 제1 및 제2 기계학습모델은,
    서로 다른 방식의 기계학습모델인,
    무선충전장치에 사용되는 코어 형상을 설계하는 방법.
  2. 제1항에 있어서,
    상기 (b) 단계는,
    상기 배치정보에 따른 상기 코어의 성능을 미리 설정된 시뮬레이션 방식으로 평가함으로써, 상기 배치정보에 따른 평가정보를 생성하는,
    무선충전장치에 사용되는 코어 형상을 설계하는 방법.
  3. 제2항에 있어서,
    상기 미리 설정된 시뮬레이션 방식은,
    엔시스맥스웰(Ansys Maxwell)을 통해 해석하되, 상기 배치정보에 따른 상기 코어의 상호인덕턴스(Mutual Inductance)를 모델링함으로써, 상기 배치정보에 따른 평가정보로 이용하는,
    무선충전장치에 사용되는 코어 형상을 설계하는 방법.
  4. 제2항에 있어서,
    상기 (c) 단계에서,
    상기 제2 기계학습모델은 유전 알고리즘(Genetic Algorithm)인,
    무선충전장치에 사용되는 코어 형상을 설계하는 방법.
  5. 삭제
  6. 삭제
  7. 제4항에 있어서,
    상기 (a) 단계에서,
    상기 제1 기계학습모델은,
    가우시안 프로세스 회귀(Gaussian Process Regression, GPR)인,
    무선충전장치에 사용되는 코어 형상을 설계하는 방법.
  8. 제7항에 있어서,
    상기 (a) 단계는,
    (a1) 코어에 할당된 공간을 확인하고, 상기 공간을 적어도 둘 이상의 단위공간으로 분할하는 단계;
    (a2) 상기 단위공간 각각에 독립적으로 페라이트블록을 배치시키거나 또는 빈공간으로 형성시킴으로써, 상기 할당된 공간에 대한 페라이트블록의 배치율이 결정되는 단계;
    (a3) 상기 배치율에 따른 코어의 성능을 평가하는 단계로서, 상기 배치율에 따른 코어의 상호인덕턴스를 연산하며, 상기 페라이트블록의 배치율을 변경하여 상기 코어의 성능 평가가 반복적으로 수행되는 단계; 및
    (a4) 상기 (a3) 단계에서 연산된 배치율별 최대 상호인덕턴스를 기준으로 평가함으로써, 상기 코어에 대한 최적 배치율이 연산되는 단계; 를 포함하는,
    무선충전장치에 사용되는 코어 형상을 설계하는 방법.
  9. 제1항에 있어서,
    상기 (b) 단계는,
    상기 최적 배치율을 기준으로, 샘플 배치정보를 생성하고,
    상기 샘플 배치정보에 대한 샘플 평가정보를 생성하며,
    상기 (d) 단계는,
    상기 최적 배치율을 기준으로, 모든 배치정보에 대한 평가정보를 연산하는,
    무선충전장치에 사용되는 코어 형상을 설계하는 방법.
  10. 제1항 내지 제4항 및 제7항 내지 제9항 중 어느 한 항에 따른 무선충전장치에 사용되는 코어 형상을 설계하는 방법을 이용하여 제조된 코어;
    송신코일 및 수신코일;
    피하에 매립되어 신경에 전기 자극을 제공하는 신경자극부; 및
    상기 신경자극부에 전원을 공급하며, 반복적인 충방전이 가능하도록 형성된 배터리부; 를 포함하는,
    전자약.
KR1020230122949A 2023-09-15 2023-09-15 무선충전모듈의 코어 설계하는 방법 KR102624263B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230122949A KR102624263B1 (ko) 2023-09-15 2023-09-15 무선충전모듈의 코어 설계하는 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230122949A KR102624263B1 (ko) 2023-09-15 2023-09-15 무선충전모듈의 코어 설계하는 방법

Publications (1)

Publication Number Publication Date
KR102624263B1 true KR102624263B1 (ko) 2024-01-16

Family

ID=89719345

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230122949A KR102624263B1 (ko) 2023-09-15 2023-09-15 무선충전모듈의 코어 설계하는 방법

Country Status (1)

Country Link
KR (1) KR102624263B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009512505A (ja) * 2005-10-24 2009-03-26 カーディアック ペースメーカーズ インコーポレイテッド 埋め込み型充電式神経刺激装置
KR20190032433A (ko) * 2016-07-18 2019-03-27 난토믹스, 엘엘씨 분산 머신 학습 시스템들, 장치, 및 방법들
KR20220023249A (ko) * 2020-08-20 2022-03-02 광주과학기술원 전자약의 무선충전시스템 설계장치 및 설계방법
KR20220103739A (ko) * 2019-11-06 2022-07-22 온스케일, 인코포레이티드 시뮬레이션의 계산 비용을 추정하기 위한 방법 및 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009512505A (ja) * 2005-10-24 2009-03-26 カーディアック ペースメーカーズ インコーポレイテッド 埋め込み型充電式神経刺激装置
KR20190032433A (ko) * 2016-07-18 2019-03-27 난토믹스, 엘엘씨 분산 머신 학습 시스템들, 장치, 및 방법들
KR20220103739A (ko) * 2019-11-06 2022-07-22 온스케일, 인코포레이티드 시뮬레이션의 계산 비용을 추정하기 위한 방법 및 시스템
KR20220023249A (ko) * 2020-08-20 2022-03-02 광주과학기술원 전자약의 무선충전시스템 설계장치 및 설계방법

Similar Documents

Publication Publication Date Title
US11338141B2 (en) Paresthesia-free spinal cord stimulation occurring at lower frequencies and sweet spot searching using paresthesia
US20190262609A1 (en) Spinal cord stimulation based on patient-specific modeling
Stoecklin et al. Efficient wireless powering of biomedical sensor systems for multichannel brain implants
CN103562967B (zh) 存储图形处理数据的可植入医疗设备
US8644946B2 (en) System and method to define target volume for stimulation in brain
CN102065949B (zh) 可植入治疗设备的天线布局
JP5592021B2 (ja) 双方向通信の等しい最大距離を達成する埋込み可能な医療デバイスシステムの遠隔測定最適化
Palagani et al. Wireless power transfer analysis of circular and spherical coils under misalignment conditions for biomedical implants
CN105641809A (zh) 用于可植入医疗装置的折叠天线
WO2019118667A1 (en) Systems for clinical effect-based neurostimulation
AU2013249452B2 (en) Neurostimulation device having frequency selective surface to prevent electromagnetic interference during MRI
CN106659412A (zh) 基于组织激活体积针对电刺激治疗进行治疗程序选择
US9302113B2 (en) Systems and methods for identifying anode placement based on cerebrospinal fluid thickness
KR102391203B1 (ko) 전자약의 무선충전시스템 설계장치 및 설계방법
KR102624263B1 (ko) 무선충전모듈의 코어 설계하는 방법
KR102629013B1 (ko) 전자약 무선충전을 위한 저중량 고효율 코어 설계 시스템 및 이를 이용한 방법
US10342984B2 (en) Split coil for uniform magnetic field generation from an external charger for an implantable medical device
AU2022287594B2 (en) Tool to use image for programming neuromodulation
Islam Design of wireless power transfer and data telemetry system for biomedical applications
Van Rienen et al. Electro-quasistatic simulations in bio-systems engineering and medical engineering
Du et al. Electrode spacing and current distribution in electrical stimulation of peripheral nerve: a computational modeling study using realistic nerve models
Wang et al. Optimization of a dual-band wireless power and data telemetry system using genetic algorithm
van Nunen Wireless Power Transfer for Implantable Medical Devices: High-Power and Midfield Considerations
Ferreira Topics in design and analysis of transcutaneous energy transfer to ventricular assist devices.
US20180200526A1 (en) Implantable antenna for physiological monitoring or stimulation of tissue

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant