KR102648275B1 - 주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 방법 및 이를 위한 시스템 - Google Patents
주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 방법 및 이를 위한 시스템 Download PDFInfo
- Publication number
- KR102648275B1 KR102648275B1 KR1020210086873A KR20210086873A KR102648275B1 KR 102648275 B1 KR102648275 B1 KR 102648275B1 KR 1020210086873 A KR1020210086873 A KR 1020210086873A KR 20210086873 A KR20210086873 A KR 20210086873A KR 102648275 B1 KR102648275 B1 KR 102648275B1
- Authority
- KR
- South Korea
- Prior art keywords
- noise
- vibration
- interest
- path
- input
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 62
- 230000004044 response Effects 0.000 claims abstract description 106
- 230000005540 biological transmission Effects 0.000 claims abstract description 51
- 238000004458 analytical method Methods 0.000 claims abstract description 21
- 230000000007 visual effect Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 63
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 238000013135 deep learning Methods 0.000 claims description 21
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 22
- 239000013598 vector Substances 0.000 description 22
- 230000015654 memory Effects 0.000 description 20
- 230000008569 process Effects 0.000 description 18
- 239000011159 matrix material Substances 0.000 description 16
- 238000012546 transfer Methods 0.000 description 15
- 238000005259 measurement Methods 0.000 description 13
- 230000005284 excitation Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000002360 preparation method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005316 response function Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
실시예는, 자동차의 설치된 복수의 센서; 및 상기 복수의 센서로부터의 센싱 정보에 기초하여 진동 또는 소음원으로부터 관심응답까지의 전달경로를 분석하는 컴퓨팅 장치;를 포함하고, 상기 전달 경로의 분석 결과에 기초하여 사용자에게 청각적, 물리적 및 시각적 피드백 중 적어도 어느 하나를 제공하는 주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 시스템을 제공할 수 있다.
Description
본 발명은 주행 중인 자동차의 소음원/진동원으로부터 발생한 소음/진동이 주요 관심 지점(승객의 귀 또는 주요 차량 부품)까지 전달되는 주된 경로를 파악하는 방법 및 이를 위한 시스템에 관한 것이다.
복잡한 동적 시스템에 있어서, 소음이나 진동의 관심 응답(response of interest: ROI)에 대한 많은 전달 경로가 있다. ROI 경로를 통한 기여도는 응답 제어와 관련하여 매우 중요하다. 따라서, 전송 경로 분석(transfer path analysis: TPA)은 자동차, 비행기 및 가전 산업과 같은 복잡한 기계 시스템을 개발하는데 있어서 중요한 도구이다. TPA 기술은 다중 입력 및 다중 출력 시스템을 위한 신호 처리 방법으로 개발되었다. TPA 기술은 필요한 측정 데이터와 워크 플로워에 따라 세가지 유형으로 분류할 수 있다. 1) 클래식, 구성 요소 기반 및 전송률 기반 TPA 방법, 2) 고전적인 TPA는 관련 경로에 가해지는 여기력과 대상 서브 시스템의 주파수 응답 함수(frequency response functions: FRFs)를 필요로 한다. 기존 TPA 방법에서 FRFs를 측정하려면 조립된 시스템에서 대상 하위 시스템을 분리해야하므로 매우 높은 비용이 발생한다. 3) 컴포넌트 기반 TPA 방법은 조립된 상태에서 대상 하위 시스템의 FEFs를 측정하여 실험적인 셋업에서 전체 비용을 줄일 수 있다. 또한, 이 방법은 수동적인 수동 구조 부착과는 무관하게 능동 소스의 힘을 나타내기 위해 차단된 힘과 자유 속도라고 불리는 것을 포함하는 등가 소스 설명자를 도입한다. 투과성 기반 TPA는 조립된 시스템에서 측정된 동작 응답만을 사용하며 일반적으로 대상 서브 시스템의 FRFs를 요구하지 않는다. 투과율 기반 TPA 방법의 고유 특성은 TPA 프로세스에 대한 빠른 해결책을 제공할 수 있지만, 불충분한 정보로 인해 추정된 전송 경로의 불확실성을 증가시킬 수밖에 없다. 단점을 파악하기 위해 최소 제곱 접근법, 단수 값 분해 및/또는 추가 응답점이 채택되었다. 따라서, TPA의 이행은 데이터 및 시간 가용성에 따라 특정 트레이드 오프의 결과이다.
최근 인공 신경망은 놀라운 발전을 보이고 있으며, 컨볼루션 신경망(CNN), RNN(Recurrent Neural Network), VAE (Variational Auto Encoder), VAE(variational auto encoder), GAN(generative adversarial network) 등 다양한 구조의 네트워크가 개발되었다. 이러한 심층 신경망은 대규모 데이터 세트에서 알려지지 않았지만 중요한 기능을 감지하고 입력 및 출력 관계를 나타낼 수 있는 것으로 나타났다. 따라서, 소음 및 진동 연구 분야의 많은 연구에서 구조적 손상을 예측 및/또는 식별하기 위해 심층 신경망을 활용하였다. 그러나, 심층 신경망을 기반으로 한 TPA 방법론은 아직까지 보고되지 않았다.
실시예는 진동/소음 경로의 동작점 전달경로해석을 위해서 동작중 관심 경로상의 진동/소음 신호를 연속적으로 충분히 많은 양을 측정하는 간단한 준비과정을 거치고 측정된 동작중 데이터만을 이용하여 DNN을 구성하는 방법을 통해 진동/소음 신호의 전달경로를 해석할 수 있는 정확도 높은 해석시스템을 제공한다.
또한, 실시예는 종래방법에 비하여 구조물의 특성을 동정하기 위한 정지 상태에서의 측정이 필요하지 않아 비용과 시간을 크게 단축할 수 있으며, 높은 해석 정확도로 전달경로를 분석할 수 있는 주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 방법 및 이를 위한 시스템을 제공한다.
실시예는, 자동차의 설치된 복수의 센서; 및 상기 복수의 센서로부터의 센싱 정보에 기초하여 진동 또는 소음원으로부터 관심응답까지의 전달경로를 분석하는 컴퓨팅 장치;를 포함하고, 상기 전달 경로의 분석 결과에 기초하여 사용자에게 청각적, 물리적 및 시각적 피드백 중 적어도 어느 하나를 제공하는 주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 시스템을 제공할 수 있다.
다른 측면에서, 상기 복수의 센서는 가속도 센서를 포함하는 주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 시스템을 제공할 수 있다.
다른 측면에서, 차체 모델의 센서로부터의 센싱 정보에 기초하여 입력 및 출력의 주파수 응답을 이용하여 트레이닝 데이터 세트를 준비하는 단계; 트레이닝 데이터 세트를 증식하여 딥러닝 뉴럴 네트워크 트레이닝 및 검증하는 단계; 및 트레이닝 되고 검증된 딥러닝 뉴럴 네트워크를 이용하여 동작중 전달경로를 해석하여 소음 또는 진동의 상기 자동차의 전달경로들의 기여도를 분석하는 단계;를 포함하는 주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 방법을 제공할 수 있다.
또 다른 측면에서, 상기 복수의 센서는 상기 복수의 관심 지점에 설치된 복수의 터치 센서를 더 포함하고, 상기 컴퓨팅 장치는 초기 주행 시점부터 기 설정된 시간 동안 상기 복수의 관심 지점 중에서 상기 터치 센서가 마련된 복수의 영역 상에서의 사용자의 터치 정보를 검출하고, 터치 횟수의 따라 복수의 영역을 순위화하고, 순위화된 복수의 영역들 각각의 진동치를 표시하고, 터치되는 영역이 변경되는 경우 상기 순위화된 복수의 영역들 중에서 변경된 터치 영역보다 낮은 진동치를 가지는 영역 정보를 안내하여 상기 사용자의 자세 변화를 유도하는 주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 시스템을 제공할 수 있다.
다른 측면에서, 상기 데이터 세트를 준비하는 단계는, 경로, 입력 및 출력 응답을 정의하여 상기 입력 및 출력 주파수 응답을 측정하는 단계; 상기 입력 및 출력 주파수 응답을 정규화하는 단계; 및 상기 정규화된 입력 및 출력 주파수 응답의 위상을 증식하는 단계;를 포함하는 주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 방법을 제공할 수 있다.
다른 측면에서, 상기 위상을 증식하는 단계에서, 무작위 위상을 생성하고 입력 및 출력 주파수 응답의 위상을 이동하여 위상을 증식하는 주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 방법을 제공할 수 있다.
다른 측면에서, 상기 데이터 세트를 준비하는 단계는, 상기 위상이 증식된 입력 및 출력 주파수 응답의 상호 스펙트럼을 증식하여 전체 트레이닝 데이터 세트를 수집하는 단계;를 더 포함하는 주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 방법을 제공할 수 있다.
다른 측면에서, 상기 딥러닝 뉴럴 네트워크 트레이닝 및 검증하는 단계는, 상기 수집된 전체 트레이닝 데이터 세트에 기초하여 딥러닝 뉴럴 네트워크 모델 파라미터를 설정하는 단계; 상기 딥러닝 모델 파라미터에 기초하여 딥러닝 뉴럴 네트워크 트레이닝을 수행하여 관심 응답 데이터 세트를 예측하는 단계; 및 상기 관심응답과 딥러닝 뉴럴 네트워크에 의해 예측된 관심응답의 차이에 기초하여 딥러닝 뉴럴 네트워크를 검증하는 단계;를 포함하는 주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 방법을 제공할 수 있다.
다른 측면에서, 상기 기여도를 분석하는 단계는, 상기 전달경로들 중 어느 하나의 오프(off)한 응답을 예측하여 경로 기여도를 계산하는 단계; 및 딥러닝 뉴럴 네트워크에 의해 예측된 관심응답과 총 입력의 기여도의 합의 차이의 기초하여 경로 기여도를 분석하는 단계;를 포함하는 주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 방법을 제공할 수 있다.
다른 측면에서, 상기 자동차의 전달경로들의 기여도를 분석결과에 기초하여 복수의 관심 지점까지의 상기 소음 또는 진동의 전달 경로를 분석하는 단계; 및 차량의 초기 주행 시점부터 기 설정된 시간 동안 상기 복수의 관심 지점에서의 사용자의 터치 정보를 검출하고, 터치 횟수의 따라 복수의 관심 영역을 순위화하고, 순위화된 복수의 관심 영역들 각각의 진동치를 표시하고, 터치되는 영역이 변경되는 경우 상기 순위화된 복수의 관심 영역들 중에서 변경된 터치 영역보다 낮은 진동치를 가지는 영역 정보를 안내하여 상기 사용자의 자세 변화를 유도하는 단계;를 더 포함하는 주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 방법을 제공할 수 있다.
실시예는, 하나의 입력, 하나의 출력 및 여러 숨겨진 레이어로 구성된 도입 된 DNN 모델을 이용하여 자동차에서 ROI의 전송 경로를 적절하게 식별할 수 있도록 한다. 또한, 실시예는, 트레이닝된 DNN 모델에서 입력 레이어의 각 주파수에서 입력 응답의 실수 및 허수 부분은 출력 레이어에서 ROI의 실수 및 허수 부분을 실현 가능하게 생성할 수 있도록 한다. 또한, 실시예는, 각 경로의 기여도는 해당 입력 경로에 0 값을 할당하거나 그 반대로 할당하여 식별할 수 있고, 1 채널 오프 방법을 적용함으로써 계산 비용 측면에서 매우 간단하고 효율적인 방법을 제공할 수 있다.
또한, 실시예는 동작중에 측정된 입력으로 상대 가속도만 사용하고 출력으로 ROI를 사용히야 서브 시스템이나 차단된 시스템에서 FRF를 측정 할 필요가 없아 대해 TPA를 수행하는 데 필요한 전체 시간을 줄일 수 있는 효과가 있다.
또한, 실시예는 심층신경망의 트레이닝시 적은 데이터를 이용해도 데이터 증식으로 정확성을 높일 수 있는 방법을 제공한다.
또한, 실시예는 주파수 스펙트럼 데이터 세트에 대한 위상 이동의 불변성을 활용하는 위상 증강은 ROI 예측의 정확도를 향상시킬 수 있다.
도 1은 본 발명의 실시예에 따른 주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 시스템에 대한 개략도이다.
도 2a 내지 도 2c는 주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 방법의 흐름도이다.
도 3a는 본 발명의 다양한 실시예에 따른 DNN을 이용하여 동작중 전달경로를 해석하여 피드백을 제공하는 흐름도이다.
도 3b는 전달경로를 해석 결과에 따라 피드백을 제공하는 방식에 대한 일 예를 설명하기 위한 것이다.
도 4는 관심 응답이 있는 하위 구조를 나타낸다.
도 5는 완전 조밀한 레이어로 구성된 딥러닝을 나타낸 것이다.
도 6은 operational TPA 방법의 성능을 검증하기 위해 도입된 차체를 나타낸다.
도 7은 가장 큰 DNN 모델에 대한 트레이닝 프로세스의 반복 기록을 나타낸 그래프이다.
도 8은 힘 진폭 μ-3σ에서 DNN 모델의 평균 제곱 오차에 대한 그래프이다.
도 9는 레퍼런스 값과 비교하여 μ-3σ의 힘 진폭에서 H = 20 및 P = 128 인 DNN 모델에 의해 예측된 ROI에 대한 그래프이다.
도 10은 P = 128 인 DNN 모델을 사용한 경로 기여도의 합에 따른 X 방향 ROI의 재구성 오류이다.
도 11은 평균 힘 진폭에서 X 방향의 ROI에 대한 동작중 TPA 결과에 대한 그래프이다.
도 12a 내지 도 12c는 평균 힘 진폭에서 X 방향의 ROI에 대한 Operational TPA 결과를 나타낸 그래프이다.
도 13은 힘 진폭이 평균값일 때 합성된 ROI 벡터와 피크(275Hz)에서의 개별 경로 기여도를 보여준다.
도 2a 내지 도 2c는 주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 방법의 흐름도이다.
도 3a는 본 발명의 다양한 실시예에 따른 DNN을 이용하여 동작중 전달경로를 해석하여 피드백을 제공하는 흐름도이다.
도 3b는 전달경로를 해석 결과에 따라 피드백을 제공하는 방식에 대한 일 예를 설명하기 위한 것이다.
도 4는 관심 응답이 있는 하위 구조를 나타낸다.
도 5는 완전 조밀한 레이어로 구성된 딥러닝을 나타낸 것이다.
도 6은 operational TPA 방법의 성능을 검증하기 위해 도입된 차체를 나타낸다.
도 7은 가장 큰 DNN 모델에 대한 트레이닝 프로세스의 반복 기록을 나타낸 그래프이다.
도 8은 힘 진폭 μ-3σ에서 DNN 모델의 평균 제곱 오차에 대한 그래프이다.
도 9는 레퍼런스 값과 비교하여 μ-3σ의 힘 진폭에서 H = 20 및 P = 128 인 DNN 모델에 의해 예측된 ROI에 대한 그래프이다.
도 10은 P = 128 인 DNN 모델을 사용한 경로 기여도의 합에 따른 X 방향 ROI의 재구성 오류이다.
도 11은 평균 힘 진폭에서 X 방향의 ROI에 대한 동작중 TPA 결과에 대한 그래프이다.
도 12a 내지 도 12c는 평균 힘 진폭에서 X 방향의 ROI에 대한 Operational TPA 결과를 나타낸 그래프이다.
도 13은 힘 진폭이 평균값일 때 합성된 ROI 벡터와 피크(275Hz)에서의 개별 경로 기여도를 보여준다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다. 이하의 실시예에서, 제1, 제2 등의 용어는 한정적인 의미가 아니라 하나의 구성 요소를 다른 구성 요소와 구별하는 목적으로 사용되었다. 또한, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다. 또한, 도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타내었으므로, 본 발명이 반드시 도시된 바에 한정되지 않는다.
- 시스템
이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 본 발명의 실시예에 따른 주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 시스템에 대한 개략도이다.
도 1을 참조하면, 본 발명의 실시예에 따른 주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 시스템(10)은 자동차(1)에 설치된 센서(100), 센서로부터의 센싱 정보를 분석하여 소음 또는 진동의 전달 경로를 분석하는 컴퓨팅 장치(200)로 구성될 수 있다. 다양한 실시예에 따르면, 본 발명의 실시예에 따른 주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 시스템(10)은 분석 결과 및 추가적인 정보를 표시하는 디스플레이장치(300)를 더 포함할 수 있다.
센서(100)는 복수의 센서로 구성되고, 가속도 센서 및 마이크로폰 센서 중 적어도 하나를 포함할 수 있다.
컴퓨팅 장치(200)는 랩톱 컴퓨터, 컨버터블 컴퓨터, 태블릿 컴퓨터, 데스크톱 컴퓨터, 워크 스테이션, 개인 휴대 정보 단말기, 서버, 블레이드 서버, 메인 프레임 및 다른 적절한 컴퓨터와 같은 다양한 형태의 디지털 컴퓨터를 나타내기 위한 것이다. 컴퓨팅 장치(200)는 개인 휴대 정보 단말기, 셀룰러 전화기, 스마트 폰 및 다른 유사한 컴퓨팅 디바이스와 같은 다양한 형태의 모바일 디바이스를 나타내기 위한 것이다. 여기에 도시된 컴포넌트들, 그들의 연결 및 관계, 및 그들의 기능은 단지 예시적인 것을 의미하며, 본 명세서에 기술된 및/또는 청구된 발명의 구현을 제한하는 것을 의미하지는 않는다.
일부 실시예에서 컴퓨팅 장치(200)는 차량에 포함된 장치가 될 수도 있다.
컴퓨팅 장치(200)는 프로세서(210), 메모리(220)를 포함할 수 있다. 또한, 컴퓨팅 장치(200)는 저장 디바이스, 메모리 및 고속 확장 포트에 연결되는 고속 인터페이스 및 저속 버스 및 저장 디바이스에 연결되는 저속 인터페이스를 포함할 수 있다. 컴포넌트들 각각은 다양한 버스들을 사용하여 상호 연결되고, 공통 마더 보드 상에 또는 적절한 다른 방식으로 장착될 수 있다. 프로세서(210)는 메모리(220) 또는 저장 디바이스에 저장된 명령어들을 포함하는, 컴퓨팅 장치(200) 내에서 실행하기위한 명령어들을 프로세싱하여, 고속 인터페이스에 연결된 디스플레이와 같은 외부 입/출력 디바이스상에 GUI에 대한 그래픽 정보를 디스플레이 할 수 있다. 다른 구현예에서, 다수의 프로세서들 및/또는 다수의 버스들이 다수의 메모리들 및 다수의 유형의 메모리와 함께, 적절하게 사용될 수 있다. 또한, 다수의 컴퓨팅 장치(200)는 각 디바이스가 필요한 동작의 일부를 제공하면서 다수의 컴퓨팅 장치(200)가 연결될 수 있다(예를 들어, 서버 뱅크, 블레이드 서버 그룹 또는 멀티 프로세서 시스템과 같은).
메모리(220)는 컴퓨팅 장치(200) 내에서 정보를 저장한다. 일 실시예에서, 메모리(220)는 휘발성 메모리 유닛 또는 유닛들이다. 또 다른 구현예에서, 메모리(220)는 비휘발성 메모리 유닛 또는 유닛들이다. 또한, 메모리(220)는 자기 또는 광학 디스크와 같은 컴퓨터 판독가능 매체의 다른 형태 일 수 있다.
저장 디바이스는 컴퓨팅 장치(200)를 위한 대용량 저장 디바이스를 제공할 수 있다. 일 구현예에서, 저장 디바이스는 플로피 디스크 디바이스, 하드 디스크 디바이스, 광 디스크 디바이스 또는 테이프 디바이스, 플래시 메모리 또는 다른 유사한 고체 상태 메모리 디바이스, 또는 저장 영역 네트워크 또는 다른 구성의 디바이스를 포함하는 디바이스의 어레이일 수 있다. 컴퓨터 프로그램 제품은 정보 캐리어에 유형적으로 수록될 수 있다. 컴퓨터 프로그램 제품은 또한 실행될 때 상기 기술된 바와 같은 하나 이상의 방법을 수행하는 명령어들을 포함할 수 있다. 정보 캐리어는 메모리(220), 저장 디바이스 또는 프로세서(210)상의 메모리와 같은 컴퓨터 또는 기계 판독가능 매체이다.
고속 제어기는 컴퓨팅 장치(200)에 대한 대역폭 집중 동작들을 관리하는 반면, 저속 제어기는 낮은 대역폭 집중 동작들을 관리한다. 이러한 기능들의 할당은 단지 예시적인 것이다. 일 구현예에서, 고속 제어기는 다양한 확장 카드를 수용할 수 있는 고속 확장 포트 및 메모리(220), 디스플레이에 연결된다. 다양한 예에서, 저속 제어기는 저장 디바이스 및 저속 확장 포트에 결합될 수 있다.
컴퓨팅 장치(200)는 다수의 상이한 형태로 구현될 수 있다. 예를 들어, 그것은 표준 서버로서 또는 그러한 서버들의 그룹에서 여러 번 구현될 수 있다. 또한, 랙 서버 시스템의 일부로서 구현될 수도 있다. 또한, 랩탑 컴퓨터와 같은 퍼스널 컴퓨터에서 구현될 수도 있다.
컴퓨팅 장치(200)는 프로세서(210), 메모리(220), 디스플레이, 통신 인터페이스 및 송수신기와 같은 입/출력 디바이스를 포함할 수 있다. 컴퓨팅 장치(200)는 추가 저장 디바이스를 제공하기 위해 마이크로 드라이브 또는 다른 디바이스와 같은 저장 디바이스와 함께 제공될 수 있다. 컴포넌트들 각각은 다양한 버스를 사용하여 상호 접속되며, 몇몇 컴포넌트들은 공통 마더 보드 상에 또는 적절하게 다른 방식으로 장착될 수 있다.
프로세서(210)는 메모리(220)에 저장된 명령을 포함하는 컴퓨팅 장치(200)내의 명령을 실행할 수 있다. 프로세서는 별개의 다중 아날로그 및 디지털 프로세서를 포함하는 칩의 칩셋으로서 구현될 수 있다. 프로세서는 예를 들어 사용자 인터페이스의 제어, 컴퓨팅 장치(200)에 의해 실행되는 어플리케이션 및 컴퓨팅 장치(200)에 의한 무선 통신과 같은 컴퓨팅 장치(200)의 다른 컴포넌트들의 조정을 제공할 수 있다.
다양한 실시예에서, 컴퓨팅 장치(200)는 자동차(1)의 일부를 구성하는 구성 요소로 자동차(1)에 장착될 수 있다.
다양한 실시예에서, 디스플레이장치(300)는 컴퓨팅 장치(200)의 디스플레이가 될 수 있으나 이에 제한되는 것은 아니고 컴퓨팅 장치(200)와는 독립된 구성이 될 수 있다.
컴퓨팅 장치(200)는 필요에 따라 디지털 신호 처리 회로를 포함할 수 있는 통신 인터페이스를 통해 무선으로통신 할 수 있다. 통신 인터페이스는 GSM 음성 호출, SMS, EMS 또는 MMS 메시징, CDMA, TDMA, PDC, WCDMA, CDMA2000 또는 GPRS와 같은 다양한 모드 또는 프로토콜 하에서 통신을 제공할 수 있다. 이러한 통신은 예를 들어, 무선 주파수 송수신기를 통해 발생할 수 있다. 또한, 블루투스, WiFi 또는 다른 트랜시버를 사용하는 것과 같은 단거리 통신이 발생할 수 있다. 또한, GPS (Global Positioning System) 수신기 모듈은 컴퓨팅 장치(200)상에서 실행되는 어플리케이션에 의해 적절히 사용될 수 있는 추가적인 네비게이션 및 위치 관련 무선 데이터를 디바이스에 제공할 수 있다. 컴퓨팅 장치(200)는 또한 사용자로부터 음성 정보를 수신하고 그것을 이용가능한 디지털 정보로 변환할 수 있는 오디오 코덱을 사용하여 청각 적으로 통신할 수 있다. 오디오 코덱은 마찬가지로, 예를 들어 컴퓨팅 장치(200)의 핸드셋 내의 스피커를 통하는 것과 같이, 사용자를 위한 가청 사운드를 생성할 수 있다. 이러한 사운드는 음성 전화 호출로부터의 사운드를 포함할 수 있고, 기록된 사운드(예를 들어, 음성 메시지, 음악 파일등)를 포함할 수 있고, 또한, 컴퓨팅 장치(200)상에서 동작하는 어플리케이션에 의해 생성된 사운드를 포함할 수 있다.
- 방법
도 2a 내지 도 2c는 주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 방법의 흐름도이다.
실시예에 따른 주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 방법은 1) 측정데이터의 준비 단계, 2) DNN의 트레이닝 및 검증 단계 및 3) 전달경로해석 단계로 구분될 수 있다. 상세하게, 측정 데이터의 준비 단계는 데이터의 측정과 전처리 과정으로 구성된다. 데이터의 측정은 대상 구조 시스템의 관심경로 전후의 주파수응답 측정으로 구성되고 다양한 동작중 상태의 연속적 측정작업이다. 데이터의 전처리과정은 측정데이터를 증식하는 과정이며 증식은 측정데이터의 위상증식과 각 측정데이터 상호간의 상호스펙트럼 증식과정으로 구성된다.
DNN의 훈련 및 검증 단계는 준비된 트레이닝 데이터를 이용하여 DNN을 구성하고 관심 진동/소음 응답신호를 재구성할 수 있도록 인공신경망을 훈련시키고 이를 검증하는 부분으로 구성된다. 그리고, 진동/소음 전달경로해석 단계는 검증된 트레이닝 DNN을 이용하여 특정 대상 경로 외의 입력을 모두 제거하거나 또는 특정 대상경로의 입력만을 제거하는 방법으로 전달경로해석을 수행하는 과정으로 구성된다.
이하, 도 2a 내지 도 2c를 참조하여 실시예를 상술한다.
도 2a를 참조하면, 실시예에 따른 주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 방법에 있어서, 데이터를 준비하는 단계는 경로, 입력 및 출력 응답을 정의하는 단계(S110), 입력 및 출력 주파수 응답을 측정하는 단계(S120), 입력 및 출력 주파수 응답의 정규화를 하는 단계(S130), 위상 증식 단계(S140), 상호 스펙트럼 증식 단계(S150) 및 모든 트레이닝 데이터 세트를 수집하는 단계(S160)를 포함할 수 있다.
도 2b를 참조하면, 실시예에 따른 주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 방법에 있어서, DNN 트레이닝 및 검증하는 단계는 DNN 구조를 설정하는 단계(S210), 데이터 세트를 준비하는 단계(S220), DNN 모델 매개 변수를 설정하는 단계(S230), DNN을 트레이닝하는 단계(S240), 관심 응답 데이터 세트를 예측하는 단계(S250), 관심응답과 DNN에 의해 예측된 관심응답의 차이의 유클리드 노름이 0에 수렴하는지를 판단하는 단계(S260)를 포함할 수 있다.
도 2c를 참조하면, 실시예에 따른 주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 방법에 있어서, DNN을 이용하여 동작중 전달경로를 해석하는 단계는 관련된 동작중 조건들을 설정하는 단계(S310), 관심응답에 대한 입력 및 출력 응답을 측정하는 단계(S320), 하나의 채널을 off한 응답을 예측하는 단계(S330), 경로 기여도를 계산하는 단계(S340), DNN에 의해 예측된 관심응답과 총 입력의 기여도의 합의 차이의 유클리드 노름이 0에 수렴하는지를 판단하는 단계(S350), 경로 기여도를 분석하는 단계(S360)를 포함할 수 있다.
보다 상세하게, 도 2a에서, 입력 및 출력 주파수 응답을 측정하는 단계(S120)에서 섭동(perturbations)을 고려한 입력 및 출력 주파수 응답 을 측정할 수 있다. 그리고, 입력 및 출력 주파수 응답의 정규화를 하는 단계(S130)에서 의 정규화를 수행할 수 있다. 위상 증식 단계(S140)에서 무작위 위상을 생성하고 의 위상을 이동시켜 증식된 응답 을 수집할 수 있다. 그리고, 상호 스펙트럼 증식 단계(S150)에서 입력 및 출력 응답에 기초하여 및 의 증식된 응답을 수집할 수 있다. 그리고, 모든 트레이닝 데이터 세트 를 수집할 수 있다. 그 후, 도 2b의 S220 단계로 진행할 수 있다.
도 2b에서. 트레이닝을 설정하고 검증을 설정함으로써 데이터 세트를 준비할 수 있다(S220). 그리고, DNN 모델 파라미터 를 설정할 수 있다(S230), 그리고, DNN의 트레이닝 이 되면, 다음 단계로 진행하고, 그렇치 않은 경우 (S230) 단계를 다시 수행할 수 있다(S240). DNN을 트레이닝한 후 관심응답(ROI) 데이터 세트를 예측 하는 테스트 설정이 수행될 수 있다(S250). 그 후, 관심응답과 DNN에 의해 예측된 관심응답의 차이의 유클리드 노름이 0에 수렴하는지를 판단하여, 수렴하면, 도 2c의 단계로 진행할 수 있다. 그렇치 않은 경우, 도 2b의 S210에서의 DNN 구조를 설정하는 단계가 진행될 수 있다.
도 2c에서, 관심응답에 대한 입력 및 출력 응답 을 측정하고(S320), 하나의 채널을 오프(off)한 응답 을 예측할 수 있다(S330). 그리고, 경로 기여도 를 계산할 수 있다. 그리고, DNN에 의해 예측된 관심응답과 총 입력의 기여도의 합의 차이의 유클리드 노름이 0에 수렴 하는지를 판단할 수 있다 (S350) 수렴하는 경우 경로 기여도를 분석할 수 있고(S360), 그렇치 않은 경우 도 2b의 S210 단계로 진행하여 DNN 트레이닝 및 검증 과정을 수행할 수 있다.
한편, 관심응답에 대한 입력 및 출력 응답 을 측정하고(S320), 도 2b의 S250 단계를 진행하여 ROI 데이터 세트를 예측한 후 S260 단계의 조건이 충족되면 S330 단계로 진행할 수 있다.
또한, 트레이닝되고 검증된 DNN이 존재하는 경우, 관련된 동작중 조건들을 설정(S310) 한 후에 DNN을 이용하여 동작중의 전달경로분석 과정을 수행할 수도 있다.
도 3a는 본 발명의 다양한 실시예에 따른 DNN을 이용하여 동작중 전달경로를 해석하여 피드백을 제공하는 흐름도이다. 그리고, 도 3b는 전달경로를 해석 결과에 따라 피드백을 제공하는 방식에 대한 일 예를 설명하기 위한 것이다.
본 발명의 다양한 실시예에 따른 DNN을 이용하여 동작중 전달경로를 해석하여 피드백을 제공하는 단계의 도 2c의 최종 단계에서, 전달 경로의 분석 결과에 기초하여 사용자에게 피드백을 제공(S370)할 수 있고, 이러한 피드백은 청각적, 물리적, 시각적인 피드백이 될 수 있다. 예시적으로, 디스플레이(300)를 통해 진동원의 전달 경로 정보를 사용자에게 진동 저감 장치의 장착 위치를 안내할 수 있다. 예시적으로 도 3b를 참조하면, 디스플레이(300)는 차량내에 설치되는 디스플레이가 될 수 있다. 디스플레이(300)를 통해서 예시적으로 도시된 바와 같이 다양한 각도에서의 차량의 프레임과 주요 부품을 표시하고 표시된 차량의 프레임과 주요 부품들 관계에서 관심 지점(ia)까지 소음이나 진동이 전달되는 경로(p)를 표시할 수 있다. 일부 실시예에서, 디스플레이(300)에는 컴퓨팅 장치(200)에 의해 차량의 출고 당시인 초기 시점에 분석된 관심 지점까지의 소음이나 진동의 전달 경로의 정보와 현재 시점에서의 전달 경로의 정보가 비교 분석된 결과가 표시되고, 관심 지점까지 소음이나 진동을 전달하는 전달 경로 중 초기 시점에 분석된 전달 경로와 기 설정치 이상의 유사도를 보이는 전달 경로를 제외한 나머지 추가 전달 경로의 현황 정보가 표시될 수 있다. 그리고, 컴퓨팅 장치(200)는 추가 전달 경로에 매칭되는 차량의 부품이나 구조물들 중에서 미리 설정된 교환 가능한 차량의 부품이나 구조물 정보를 추출할 수 있다. 그리고, 컴퓨팅 장치(200)는 디스플레이(300)를 통해서 소음이나 진동 저감을 위해 교환 가능한 차량의 부품이나 구조물 정보를 표시할 수 있다. 따라서, 차량의 각종 부품의 노후화로 인한 소음이나 진동원의 전달 경로 정보를 사용자에게 제공함으로써 자동차에서 교체가 바람직한 부품에 대한 정보를 안내할 수 있다. 다양한 실시예에 따라, 자동차 내의 노이즈 캔슬링을 위한 음향을 출력하는 복수의 스피커를 각각 독립적으로 제어하여 소음 발생원으로 분석된 전달 경로와 인접한 스피커를 통해 소음의 저감을 위한 노이즈 캔슬링용 음향을 출력할 수도 있다. 예를 들어, 관심 지점으로 전달되는 소음이나 진동의 전달 경로 정보에 기초하여 차량 내의 복수의 스피커 중에서 전달 경로와 인접한 영역에 위치한 스피커로부터 노이즈 캔슬링을 위한 음향이 출력될 수 있다. 컴퓨팅 장치(200)는 디스플레이(300)를 통해서 노이즈 캔슬링 실행이 필요한 차량 내의 스피커 목록 정보를 표시할 수 있고, 사용자로부터 입력된 명령 신호에 응답하여 노이즈 캔슬링 실행이 필요한 차량 내의 스피커로부터 노이즈 캔슬링용 음향을 출력되도록 할 수 있다.
다양한 실시예에 따라, 컴퓨팅 장치(200)는 복수의 관심 지점으로의 소음이나 진동의 전달 경로 정보에 기초하여 차량의 뒷자석의 복수의 위치 중에서 소음이나 진동이 최소인 것으로 분석된 위치 정보를 디스플레이(300)를 통해 안내함으로써 차량의 뒷자석에 앉은 사용자로 하여금 보다 편안한 위치에 착석할 수 있도록 편의 기능을 제공할 수도 있다.
다양한 실시예에 따라, 차량 내의 복수의 영역에는 터치 센서가 마련될 수 있다. 차량에 설치된 컴퓨팅 장치(200)는 복수의 터치 센서의 센싱 정보에 기초하여 차량이 초기 주행 시점부터 기 설정된 시간 동안 모니터링 하여 터치 센서가 마련된 복수의 영역 상에서의 사용자의 터치 정보를 검출하고, 터치 횟수에 따라 복수의 영역을 순위화할 수 있다. 예를 들어, 일반적으로 차량의 스티어링 휠 영역이 1순위가 되고, 다음으로 콘솔 박스 영역, 변속 레버 영역, 도어트림의 암레스트 영역 등이 될 수 있으나 이러한 순위는 전술한 바에 제한되는 것은 아니고, 운전자의 운전 습관이나 다른 탑승자의 시트의 착석 중 자세의 취향에 따라서 달라질 수 있다. 컴퓨팅 장치(200)는 모니터링 정보에 기초하여 디스플레이(300)를 통해 터치 횟수에 따른 복수의 영역들의 순위 정보를 표시하고 표시된 각 영역들의 진동 정보인 진동치를 표시할 수 있다. 또한, 제1부터 제N 순위까지의 영역들에 대한 정보와 각 영역의 진동치를 표시할 수도 있다. 컴퓨팅 장치(200)는 사용자가 양 손으로 스티어링 휠을 잡고 있는 경우, 제1부터 제N 순위까지의 영역들 중에서 스티어링 휠 보다 낮은 진동치를 가지는 영역이 존재하는 경우 해당 영역을 표시할 수 있다. 또한, 사용자가 양 손으로 스티어링 휠을 잡고 있다가 한 손을 콘솔 박스 영역에 터치하고, 터치된 시점부터 소정의 시간이 경과하면 제1부터 제N 순위까지의 영역들 중에서 콘솔 박스 영역보다 낮은 진동치를 가지는 영역이 존재하는 경우 해당 영역을 표시할 수 있다. 이는 운전석이 아닌 보조석이나 다른 좌석에 앉은 탑승자에게도 동일하게 적용될 수 있다. 일부 실시예에서, 컴튜팅 장치(200)는 사용자가 양 손으로 스티어링 휠을 잡고 있다가 한 손을 콘솔 박스 영역에 터치하고, 터치된 시점부터 소정의 시간이 경과하면 제1부터 제N 순위까지의 영역들 중에서 콘솔 박스 영역보다 낮은 진동치를 가지는 영역 정보를 검출하고 검출된 영역 중에서 콘솔 박스 영역과 인접한 영역들 중에서 최소 진동치를 가지는 영역을 표시할 수 있다. 이는 사용자의 왼손은 스티어링 휠을 잡는 것을 유지하고 있고, 오른손을 스티어링 휠에서 때고 콘솔 박스에 터치하는 경우, 오른손으로 터치 가능한 영역 내의 변속 레버 영역 등과 같은 영역들 중에서 진동치를 고려하여 최적의 터치 영역을 안내하기 위함이다. 컴퓨팅 장치(200)는 차량의 주행 중에 실시간으로 관심 지점까지의 소음이나 진동의 전달 경로를 분석하고, 차량 내의 탑승자가 터치하는 영역들 상호간의 진동 정보의 비교를 통해 탑승자로 하여금 진동을 가장 적게 느낄 수 있도록 하는 영역으로의 터치를 유도하여 탑승자의 자세 변화를 유도할 수 있다. 또한, 터치가 가능한 모든 영역이 아닌 소정의 시간 동안 모니터링되어 순위화된 터치 영역 들 중에서 최적의 터치 위치 정보를 안내함으로써 차량의 탑승자의 자세의 취향에 맞춤형으로 대응할 수 있다.
- 전달 경로 해석
1) TPA 공식
도 4는 관심 응답이 있는 하위 구조를 나타낸다.
도 4에 도시된 바와 같이 두 개의 응답 세트인 입력 및 출력(X 및 R) 세트가 있는 관심응답(response of interest, ROI)이 있는 하위 구조를 고려할 수 있다. 발명의 설명의 편의를 위하여 하부 구조에 활성 소스가 없다고 가정할 수 있다. 하위 구조에는 동작중 다른 하위 구조와의 연결로 인해 으로 표시된 M개의 입력이 존재할 수 있다. 하부 구조에는 으로 표시된 N개의 ROI도 존재할 수 있다. 하위 구조 시스템이 선형이라고 가정하면 ROI는 각 여기 지점에서 단일 여기로 인한 별도의 응답을 가정하여 결정할 수 있다. 그 후, 주파수 영역의 총 ROI는 수학식 1을 충족할 수 있다.
[수학식 1]
수학식 1에서 이고 이고, R은 시스템의 ROI이고, X는 시스템의 입력 응답 벡터이다.
전달함수 행렬 T는 m번째 위치의 입력과 n번째 ROI 출력에 대한 Tnm으로 표시되는 NХM행렬이 될 수 있다.
n번째에 대한 m번째 입력(즉, m번째 경로)의 기여도 ROI, 즉 Cnm은 수학식 2를 충족할 수 있다.
[수학식 2]
여기서의 Cnm은 n번째 ROI에 대한 m번째 입력의 기여도이다.
따라서, 경로 상에서의 전달함수와 입력의 양을 사용할 수 있다면, 기여도를 추정할 수 있다.
Classical TPA(Transfer Path Analysis)에서 행렬 T는 구조적 경로에 힘을 가하거나 공중 경로에 체적 속도를 적용하여 측정될 수 있다. 경로에서의 힘(여기서, χm은 힘을 의미한다)은 예를 들어 연결부의 강성 및 동작 변위 측정으로부터 식별될 수 있다.
Operational TPA 방법에서는 전달함수 T의 측정없이 연결부 및 ROI의 동작중 응답(Operational Response)만이 수학식 2의 경로 기여도를 식별하는데 사용될 수 있다.
수학식 2에 있어서, 만약 연결부 상의 동작중 응답 χm(여기서, χm은 힘이 아니라 예를 들어 가속도를 의미한다)이 측정되면 측정된 연결부 응답으로 인한 전달함수가 경로 기여도를 제공할 수 있다. 따라서, Operational TPA방법은 본질적으로 다중 입력 다중 출력 환경에서 전달 함수를 추정하는 프로세서가 될 수 있다.
T를 추정하기 위해, 입력의 켤레 복소수를 수학식 1의 양쪽에 곱하면 그 결과는 수학식 3을 충족하고, 출력의 켤레 복소수를 수학식 1의 양쪽에 곱하면 그 결과는 수학식 4를 충족할 수 있다.
[수학식 3]
[수학식 4]
여기서, S는 공분산 행렬이고, T는 서브 시스템에 대한 전달 함수 행렬이다. 그리고, 위 방정식에서 행렬 S는 두 응답 사이의 상호 스펙트럼 밀도 함수의 행렬이다.
수학식 3, 4에서 알 수 있는 바와 같이, S XX 또는 S XR의 역행렬이 존재하는 경우 전달 행렬을 식별할 수 있고, 이는 응답이 M개의 상관되지 않은 구성 요소로 변환될 수 있음을 의미한다. 그러나, 일반적으로 관심 경로에서 측정된 동작중 응답은 제한된 수의 여기 소스가 있는 동시 신호이기 때문에 상관 관계가 있다. Operational TPA 방법은 일반적으로 최소 제곱 접근 방식, 특이값분해(singular value decomposition, SVD) 및 추가 ROI를 활용하여 랭크 부족 문제를 해결할 수 있다.
2) 심층 신경망 기반 Operational TPA
도 5는 완전 조밀한 레이어로 구성된 딥러닝을 나타낸 것이다.
수학식 1에서의 동작 응답 X 및 R을 수집한 후, 행렬 T를 표현하기 위해 심층 신경망(DNN)을 구성할 수 있다. 본 발명에서는 도 5에서와 같이 DNN을 구성하기 위한 완전 조밀한 레이어(fully dense layers)를 구성하였다.
모든 주파수에서 복소수로 구성된 물리적 입력 X 및 출력 R 벡터는 각각 DNN의 실제 입력 U와 출력 Y의 벡터로 인코딩될 수 있다.
DNN은 하나의 입력 벡터 , 하나의 출력 벡터 그리고 H 히든 레이어로 구성될 수 있다.
U 및 Y 벡터의 길이(예를 들어, M* 및 N*)는 2MХnf 및 2NХnf이고, 각각의 nf는 주파수가 된다.
각 히든 레이어에는 P노드(즉, 히든 변수)가 있다. DNN에서 주어진 입력과 출력 데이터 세트(U, Y)에 대한 히든 변수와 출력 변수는 아래와 같이 계산될 수 있다.
[수학식 5]
여기서, W는 DNN에서 노드의 변수를 곱한 가중치 행렬이고, U는 DNN의 입력 벡터이고, B는 DNN의 노드에 추가 된 상수 벡터이며, Z는 DNN의 히든 변수 벡터이다. 그리고, 는 현재 모델 매개 변수가 있는 예측된 출력 벡터이다. 즉, 각각의 Z h, W h 및 B h는 h번째 히든 변수 벡터와 h 번째 가중치 행렬 및 벡터이다. 그리고, H는 히든 레이어 수 +1 이다.
DNN의 모델 매개 변수 는 트레이닝 데이터 세트를 사용하여 네트워크를 트레이닝하여 결정할 수 있다(S230). 데이터 세트는 다음 수학식 6과 같이 입력 및 출력 쌍의 모음이다.
[수학식 6]
여기서, 는 트레이닝 데이터 세트이고, 는 M*차원의 실수이다. 데이터 세트의 실제 출력 데이터(: DNN의 출력 벡터)와 신경망에서 예측되어 계산된 출력(: 현재 모델 매개 변수가 있는 예측된 출력 벡터) 간의 차이를 최소화하면 수학식 7을 통해 모델 매개 변수를 결정할 수 있다.
즉 트레이닝된 모델 매개 변수를 결정하기 위하여 DNN 트레이닝에 따라 하기의 수학식 7을 충족하는 매개 변수를 결정할 수 있다(S240).
[수학식 7]
여기서, 는 트레이닝된 모델 매개 변수이고, 는 유클리드 노름을 나타내며 는 벡터의 노름이다.
준비된 데이터 세트에서 트레이닝된 DNN을 구성하면 동작중 데이터 세트(X, R)에 대해 경로 기여도가 요청된 ROI를 수학식 8에서와 같이 예측할 수 있다(S250).
[수학식 8]
여기서, R은 시스템의 ROI이고, 은 DNN에 의해 예측된 ROI이다. f(.)는 수학식 5의 함수이다.
R과 차이의 유클리드 노름이 0에 수렴하는지 판단하고, 수렴하는 경우 DNN의 트레이닝 및 검증이 완료된 것으로 판단할 수 있다(S260).
또한, 트레이닝된 DNN 모델은 아래 방정식을 사용하여 m번째 입력이 사실상 제거되거나 m번째 입력만 존재할 때의 응답으로 예측할 수 있다.
[수학식 8]
여기서, m은 m번째 입력을 0으로 설정하여 예측된 ROI이며, m은 m번째 입력을 제외한 입력에 모두 0을 넣어 ROI을 예측한 것이고, m은 m번째 입력 값이 0인 입력 벡터이며, m은 m번째 입력을 제외한 나머지 입력에 모두 0이 있는 입력 벡터이다.
즉, 수학식 8에 따라 하나의 채널을 오프(off)한 응답인 을 예측할 수 있다(S330).
m번째 경로의 기여도는 다음과 같이 계산할 수 있다(S340).
[수학식 9-1]
[수학식 9-2]
여기서의 Cm은 ROI에 대한 m번째 입력의 기여도이고, 은 DNN에 의한 예측 ROI이고, m은 m번째 입력을 0으로 설정하여 예측된 ROI이며, m은 m번째 입력을 제외한 입력에 모두 0을 넣어 ROI을 예측한 것이다.
따라서, 수학식 9-1 또는 수학식 9-2에서 m번째 기여 벡터 c m(m=1,…,M)은 수학식 2에서의 경로 기여 행렬 c의 m번째 열을 형성할 수 있다. 기여 벡터의 합은 다음 수학식 10과 같이 예측된 반응을 재생성해야 한다.
[수학식 10]
여기서, 은 DNN에 의해 예측된 ROI이다.
즉, 과 1부터 M까지의 기여 벡터의 총합의 차이의 유클리드 노름의 0으로의 수렴 여부를 판다(S350)하고, 수렴하는 경우 경로 기여도를 분석(S360)할 수 있다.
3)
동작중 데이터(Operational data)
준비
DNN 기반 operational TPA에는 트레이닝 및 관련 ROI와 같은 두 가지 유형의 데이터 세트가 필요할 수 있다. 트레이닝 데이터 세트는 DNN 모델 매개 변수를 결정하는데 사용되는 동작중 응답으로 구성될 수 있다. ROI 데이터 세트는 경로 기여가 필요한 동작중 응답으로, 예를 들어, 수학식 1의 (X, R)이다.
DNN의 트레이닝을 위해 관심 있는 하위 구조의 많은 쌍의 입력 및 출력 데이터 인스턴스를 수집해야 한다. 입력 및 출력 위치에서 동작중 응답의 측정을 통해 데이터 세트를 제공할 수 있다(S120). 이러한 측정은 동작시 조립된 시스템에서 수행될 수 잇다. 측정 중에 활성 소스의 크기가 교란되고 관련 동작 조건 근처에 유지될 수 있다. 동시에 측정된 입력 및 출력을 로 사용하면 트레이닝 데이터 세트는 수학식 11을 충족한다.
[수학식 11]
여기서의, (U, Y)는 트레이닝 데이터 집합의 요소이고, 는 측정된 입력 응답이고, 은 측정된 ROI이며, J0는 측정된 쌍의 수로써, 측정된 트레이닝 데이터 세트수를 나타낸다.
4) 데이터 증식(Data augmentations)
트레이닝 데이터 세트의 수가 많을수록 트레이닝 단계에서 모델 매개 변수를 결정할 때 과적합 위험이 줄어들 수 있다.
또한, 수학식 1의 전달 함수 행렬 T를 식별하기 위해 동작중 응답뿐만 아니라 경로 기여도를 정확하게 고려해야 하고, 트레이닝 데이터 세트는 추정에 필요한 데이터 자체에 고유한 특성 정보(즉, 응답 및 경로 기여도)를 포함해야 한다.
본 발명에서, 수학식 11의 측정된 데이터 세트는 트레이닝된 DNN이 주파수 스펙트럼의 기준 위상의 임의성과 입력 및 출력 쌍에서 측정된 응답의 상관 관계를 모두 획득할 수 있도록 증식될 수 있다.
수학식 11의 의 측정을 재검토하여, 기준 위상은 임의로 선택되고 주파수 응답은 기준 위상에 상대적인 의미에서 결정될 수 있다. 따라서, 쌍의 주파수 스펙트럼의 위상에 상수값 ø(응답의 위상)를 추가하여, 원래 응답을 위상 증식 쌍 으로 복제할 수 있다.
무작위로 J1 단계를 생성하고, 에서 를 생성하면 수학식 12와 같이 의 i번째 요소에 대해 단계적으로 증식된 데이터 세트를 수집할 수 있다.
[수학식 12]
여기서, 는 단계적으로 증식된 트레이닝 데이터 세트이다(S140).
및 에 대한 추가 증식은 수학식 3, 4에 기초한다.
수학식 1과 함께 수학식 3 및 4를 비교하여, 상호 스펙트럼 행렬 S XX 및 S XR의 모든 열이 DNN의 입력으로 간주될 수 있고, 그 목적은 전달 행렬 T를 식별하는 것이다.
마찬가지로 상호 스펙터럼 행렬 S RX 및 S RR의 열은 DNN 트레이닝 중에 해당 출력 벡터로 사용할 수 있다. 따라서, 상호 스펙트럼 증식은 수학식 13과 같이 수행될 수 있다(S150).
[수학식 13]
여기서의 는 입력에 의한 상호 스펙트럼 증식 트레이닝 데이터 세트이고, 는 출력 별 상호 스펙트럼 증식 트레이닝 데이터 세트이며, 위첨자 *는 인수의 켤레를 나타낸다.
또한, 위상과 상호 스펙트럼 증식의 순서는 반대가 될 수 있음을 유의해야 한다.
또한, DNN 모델을 사용하여 ROI의 전송 경로를 식별하려면 DNN 모델 학습 중 상호 스펙트럼 확대가 필수적이다.
전체 데이터 세트 는 다음과 같이 단계 및 상호 스펙트럼에 의해 증식된 데이터 세트의 모든 조합이 된다(S160).
[수학식 14]
증식된 데이터 세트의 총 개수는 J0Х(J1+１)Х(M+N)이고，최초 측정된 데이터 양에 비해 상당히 확장된 것이다．
증식 단계 전에 입력 및 출력 변수의 크기 차이와 관련된 수치적 불안정성을 최소화하기 위해 최초 데이터 세트를 정규화해야 한다(S130)．여기서 정규화를 위해 응답의 표준 편차는 각 응답에 대해 개별적으로 사용될 수 있다． 표준 편차는 전체 주파수 범위에서 트레이닝 데이터 세트의 응답에 대해 계산될 수 있다．표준 편차는 모든 데이터 세트를 나눈다．정규화된 데이터 세트의 평균을 ０으로 이동하는 평균 이동이 응답의 위상 정보를 왜곡한다는 점을 유의해야 한다.
- 수치검증
1) 차체
바디
도 6은 operational TPA 방법의 성능을 검증하기 위해 도입된 차체를 나타낸다.
본 발명의 실시예에 따른 operational TPA 방법의 성능을 검증하기 위해 도 6과 같은 단순화된 차체를 도입하였다. 단순화된 자체에는 2 개의 하부 구조가 있다. 하부 구조 A는 두께 10mm의 70mm ×70mm 직사각형 강철 빔으로 구성되고, 하부 구조 B는 두께 5mm의 50mm×50mm 직사각형 강철 빔으로 구성될 수 있다. 3 방향의 병진 선형 스프링과 점성 댐퍼는 4 개의 연결부에서 2 개의 하부 구조를 연결한다. 3차원 힘이 하부 구조 B에 가해진다. 3차원 힘은 하부 구조 B에 무작위로 작용할 수 있다. 그리고, 이러한 힘에 의해 하부 구조 A에 위치한 지점이 3 방향의 가속도 ROI이다. 본 실험을 통해 경로 기여도를 식별할 수 있다. 즉, 입력에서 출력까지 12개의 경로(연결부당 4개의 연결부 및 3개의 자유도)가 있는 하부 구조 A의 ROI에 대한 연결부의 경로 기여를 식별하는 것이다.
성능 검증에 있어서 트레이닝 데이터 세트를 생성하기 위한 유한요소해석 모델을 사용할 수 있다. FE(finite element) 모델에서 수치적으로 생성된 데이터 세트에는 노이즈가 없고 정확한 것으로 가정하므로 제안된 방법의 검증을 집중할 수 있다. 자체 구조의 FE 모델에는 부동 경계 조건에서 빔 및 스프링 요소가 있는 154개의 노드가 있다. 유한요소해석 모델을 사용하여 연결부 및 ROI 위치에서 가속도의 주파수 응답을 무작위로 생성된 진폭값으로 고조파 여기 하에 계산한다. 외부 힘의 로그 크기는 평균과 분산 계수가 log10(200), log10(200) 및 log10(300) N(뉴턴)이고, X, Y 및 Z 방향에서 0.14, 0.12, 및 0.10인 정규 분포를 가진다. 각 방향에 대한 힘의 징후도 무작위로 결정된다.
사용 소프트웨어 MSC/NASTRAN를 사용하여 트레이닝을 위해 총 1000개의 데이터 세트가 준비된다.
각 데이터 세트에는 3 방향의 연결 지점에서 2개의 하위 구조의 가속도와 ROI 위치에서 3 방향의 하위 구조 A의 가속도가 포함된다. 주파수 응답의 분해능과 대역폭은 각각 1Hz와 400Hz이다.
2)
DNN의
구조와
트레이닝
ROI를 예측하고 경로 기여도를 식별할 수 있는 DNN 모델은 단순화된 차제 문제를 위해 구성된다. 단순화된 차제 문제에서 하부 구조 A에는 연결부를 통해 12개의 입력이 있다. ROI는 연결부의 상대 가속도와 연결부 스프링의 동적 강성(알려지지 않은)의 함수이다. 따라서, 입력은 3 방향 연결부의 상대 가속도로 설정된다. 또한, 주파수 응답은 실수 부분과 허수 부분이 있는 복소수이다. 따라서, 주파수 응답의 주파수 대역을 고려할 때 DNN의 입력 레이어에 대해 9600개의 노드(M)가 있다. DNN의 출력은 ROI 지점에서 3 방향의 가속도이다. 따라서, 입력 계층과 유사하게 출력 계층에 대한 2400개의 노드(N)가 있다.
[표 1]
(차체 문제에서 DNN 모델에 대한 모델 매개 변수의 수 및 GPU 시간(sec.))
복수의 히든 레이어(H) 및 관련 노드(P)의 수는 DNN 모델의 성능에 영향을 미치는 매우 중요한 하이퍼 매개변수이다. 하이퍼 매개변수를 결정하기 위해 조합 DNN 모델을 구성하고 성능 결과를 조사한다. 표 1은 딥러닝을 통해 결정될 모델 매개 변수의 선택된 하이퍼 매개 변수와 해당 수를 나열한 것이다. 히든 레이어는 활성화 함수을 사용하지 않고, 선형 활성화 함수를 사용한다.
DNN 모델의 트레이닝 전에 준비한 데이터 세트를 위상 및 상호 스펙트럼 증식 프로세스를 통해 확정하였다. 위상 증식을 위해 20개의 무작위 위상이 생성된다. 상호 스펙트럼 증식 프로세스는 12개의 입력 및 3개의 출력 응답을 사용한다. 따라서, 총 315,000개의 트레이닝 데이터 세트가 있으며 이는 1000×(20+1)×(12+3)에 의해 계산된다. 이는 원래 데이터 세트에 비해 315배 확장되었음을 알 수 있다. 트레이닝을 위해 데이터 세트의 80%가 사용되었고 나머지 20%는 검증에 사용되었음을 유의해야 한다. 정규화를 위한 표준 편차 계산은 트레이닝 데이터 세트가 있는 응답만을 사용하였다.
DNN 모델의 개발을 위해 Keras(ver. 2.2.4) 라이브러리가 포함 된 Python을 학습 및 데이터 처리 단계에서 사용하였다. 트레이닝 과정에서 배치 크기, 학습률 및 수렴 기준은 각각 64, 0.0001 및 0.0001로 설정하였다. 수학식 7에 따른 목적 함수의 최소화를 위해 최적화 알고리즘으로 RMSprop을 선택하였다. 데이터 처리는 2개의 CPU와 196GB의 메모리가 있는 HP840 PC워크스테이션에서 수행되었다. DNN 모델의 트레이닝은 12GB의 메모리가 있는 Titan V GPU에서 수행되었다. 표 1에는 GPU에서 한 에폭(epoch)을 반복하는데 필요한 일반적인 GPU 시간도 나열되어 있다.
일반적으로 트레이닝 프로세스는 DNN 모델에 대해 규정된 최소화 매개 변수와 관련하여 잘 수렴된다. 도 7은 가장 큰 DNN 모델에 대한 트레이닝 프로세스의 반복 기록을 나타낸 그래프이다. 도 7에서와 같이 가장 큰 DNN 모델의 반복 이력을 보여주며, 20개의 히든 레이어와 레이어당 128개의 노드를 보여준다.
3) 검증 결과
ROI의 전송 경로를 예측하는 DNN 모델의 능력을 조사한다. 트레이닝된 DNN 모델을 사용하여 ROI 및 ROI에 대한 경로 기여도를 예측하고 레퍼런스 값과 비교하였다. 여기서 레퍼런스 ROI는 측정된 ROI에 해당한다. TPA의 경우, 수학식 2의 Classical TPA 공식은 연결부의 전달 함수 및 동적 강성을 사용할 수 있는 경우에 레퍼런스 값을 제공한다. 따라서, 전술한 유한요소해석 모델에 의해 계산된 전달 함수와 연결부의 알려진 동적 강성을 사용한다. 레퍼런스 TPA 결과를 얻고 DNN 모델에서 얻은 경로 기여도와 비교한다.
Operational TPA를 위해 7개의 ROI 데이터 세트가 준비된다. ROI 데이터 세트는 ROI 및 경로 기여가 필요한 모든 해당 입력 응답을 포함하는 데이터 세트이다. 7개의 ROI 데이터 세트는 여기력 진폭이 μ, μ±σ, μ±2σ, μ±3σ일 때 응답에 해당하고, 여기서 μ 및 σ는 각각 힘 진폭의 평균 및 표준 편차 일때의 응답에 해당한다. 그리고, 평균값에서 멀리 떨어진 여기력 진폭은 DNN 모델이 트레이닝 데이터 세트에서 이러한 여기 레벨 하의 응답을 학습했을 확률이 낮음을 나타낸다.
도 8은 힘 진폭 μ-3σ에서 DNN 모델의 평균 제곱 오차에 대한 그래프이다. 그리고, 도 9는 레퍼런스 값과 비교하여 μ-3σ의 힘 진폭에서 H = 20 및 P = 128 인 DNN 모델에 의해 예측 된 ROI에 대한 그래프이다.
도 8의 DNN 모델은 히든 레이터(H)와 히든 레이어 당 노드수(P)에 따른 DNN 모델의 평균 제곱 오차를 보여준다. 도 8에서는 힘 진폭이 μ-3σ일 때만 결과가 표시되는데, 이는 모든 경우에서 정확도가 가장 낮기 때문이다. 도 8에서와 같이 히든 레이어 당 노드수는 네트워크 깊이보다 DNN 모델의 정확도에 더 큰 영향을 미친다. 왜냐하면 이 문제의 총 모델 매개 변수 수는 노드 수에 따라 빠르게 증가하기 때문이다. 이러한 특성은 입력 및 출력 레이어의 노드 수가 히든 레이어의 해당 값을 크게 초과한다는 사실에 기인한다. 또한, 도 8은 너무 많은 히든 레이어가 ROI의 예측 성능을 저하시킬 수 있음을 보여준다. 도 9는 DNN 모델에 의해 예측된 ROI를 기준 값과 비교하여 두 응답이 거의 구별할 수 없음을 나타낸다.
DNN 모델을 사용하여 ROI를 예측하는데 1개 또는 3개와 같은 몇 개의 숨겨진 레이어만으로도 충분하다는 것을 알 수 있다. 이 문제의 경우 히든 레이어 당 128개의 노드가 있는 하나 또는 세 개의 히든 레이어가 ROI를 정확하게 예측한다. ROI 예측 프로세스에서 위상 증식 또한 상당히 향상된다.
도 10은 P = 128 인 DNN 모델을 사용한 경로 기여도의 합에 따른 X 방향 ROI의 재구성 오류이다.
다음으로 ROI에 대한 경로 기여도는 수학식 9의 첫번째 식과 함께 트레이닝된 DNN 모델을 사용하여 계산한다. ROI의 재구성 오류는 수학식 10에 기초하여 추정된다. 도 10은 X 방향에서 ROI에 대한 예상 오차를 보여준다. 다른 방향에 대한 ROI의 재구성 오류는 유사한 경향을 보인다. 실시예에 따른 DNN 모델은 선형 시스템의 중첩 원리와 잘 일치하며 개발된 DNN 모델의 선형성을 보여준다. ROI 예측과 유사하게 네트워크 깊이(H)에 따라 재구성 오류가 커지는 반면 힘이 클수록 더 작아진다.
도 11은 평균 힘 진폭에서 X 방향의 ROI에 대한 동작중 TPA 결과에 대한 그래프이다.
DNN 모델에 의해 수학식 2를 사용하여 정확한 경로 기여도가 계산되어 레퍼런스 값으로 사용되었다. 정확한 계산을 위해 입력 위치에서 ROI 위치로의 전달 함수와 연결부 강성의 정확한 값도 필요하다. 전달함수는 하부 구조의 유한 요소 분석을 통해 획득된다. 도 11에서 전체 주파수 대역에서 X 방향의 ROI에 대한 레퍼런스 Classical TPA와 별도로 비교한 DNN 모델(H=20. P=128)의 Operational TPA 결과를 보여준다. 도 11(b)의 레퍼런스 TPA 결과는 X 방향 ROI의 경우 연결부에서 Z 방향 입력에 의한 기여가 없는 반면 X 및 Y 바향 기여는 주파수에 따라 다르다는 것을 보여준다. 도11(b)의 레퍼런스 TPA 결과는 상당한 양의 추가 정보를 사용하여 얻은 것이고, 이 경우 FRF(주파수응답함수: frequency response function) 및 연결부 강성은 동작중 응답에 추가된다. 도 11(a)는 제안된 Operational TPA 방향이 동작중 응답만을 사용하여 경로 기여도를 복구할 수 있음을 나타낸다. DNN 모델의 이러한 기능은 주로 상호 스펙트럼 증식과 관련된다. 위상 증식을 통해서만 DNN 모델의 트레이닝을 수행함으로써 경로 기여의 복구 능력은 사라지고 응답 예측 능력은 유지됨을 알 수 있다.
도 11(a)에서와 같이 Operational TPA에 의한 Z 방향의 기여의 수준이 비록 다른 수준보다 훨씬 낮지만 레퍼런스 TPA는 기여하지 않는 것에 비해 Operational TPA에 의한 Z 방향의 기여의 수준이 유지됨을 알 수 있다. 따라서, 도 11(a)의 Z 기여 수준은 TPA에서 DNN 모델의 오류 량을 나타내는 매트릭이 될 수 있다. DNN 모델의 TPA 결과를 비교해보면 네트워크 깊이가 깊을수록 노이즈 수준이 낮아지는 경향을 알 수 있다.
도 12a 내지 도 12c는 평균 힘 진폭에서 X 방향의 ROI에 대한 Operational TPA 결과를 나타낸 그래프이다.
개별 입력 기여도의 정확성을 조사히기 위해 연결부에서 동일한 방향성 ROI에 대한 각 방향성 기여도를 레퍼런스 TPA 결과와 비교하였다. 도 12a 내지 도 12c는 도 6의 연결부 1에 대한 비교 결과를 보여준다. 도 12에서는 간결성을 위해 4개의 DNN 모델만 표시하였다. DNN 모델은 X 및 Z 방향의 높은 주파수에서 정확도가 감소했지만 전체 주파수 대역에서 경로 기여의 주파수 의존적 특성을 상당히 잘 재구성한다. 대규모 동작중 데이터 세트, 즉 동작중 입력 및 출력 조차도 레퍼런스 TPA에서 사용된 데이터 세트와 달리 모든 경로 기여도를 정확하게 복구할 수 잇는 충분한 정보를 포함하지 않을 수 있다는 점을 강조해야 한다. TPA는 전술한 바와 같이 항상 정확성과 시간 사이의 절충 프로세스를 포함한다. 제안된 Operational TPA 방향은 연결부와 ROI 위치에서만 동작중 응답을 사용한다.
이 차체 문제에 대해 12Х12 차원을 갖는 수학식 3에서의 공분산 행렬의 랭크가 거의 1이라는 것을 알면 도 12의 Operational TPA 결과는 놀라운 것임을 알 수 있다. 대조적으로, 트레이닝 데이터 세트의 정보 부족은 도 12c의 고주파수에서 나타난 큰 편차를 설명할 수 있다. DNN 모델을 기반으로 한 Operational TPA의 실행 가능한 성능은 딥러닝 프로세스가 정보를 수집하고 이를 데이터 세트의 전체 특성으로 합성하는 능력을 나타낸다. 또한, 제안된 Operational ＴＰＡ 결과는 네트워크 깊이 또는 노드 수에 크게 민감하지 않다는 점에 주목할 수 있다.
선형 시스템의 응답은 크기 및 위상 값(즉, 복소수)과 함께 각 경로 기여도를 합한 것이다. Operational TPA의 정확도는 특정 주파수에서 벡터 합산을 고려하여 조사된다. 도 13은 힘 진폭이 평균값일 때 합성된 ROI 벡터와 피크(275Hz)에서의 개별 경로 기여도를 보여준다. 도 13(a)에서 굵은 화살표는 제안된 TPA와 레퍼런스 TPA에 의해 합성된 ROI이다. 합성된 ROI에 대한 선 세그먼트는 각 경로의 해당 기여도이고, 동일한 색상은 연결부 시퀀스를 따라 동일한 방향 구성 요소를 나타내는 반면 동일한 선 스타일은 동일한 경로를 나타낸다. 도 13(b)에서는 경로 기여도의 크기도 비교된다. 도 13(a)에서 볼 수 있듯이 제안된 TPA와 레퍼런스 TPA에 의해 합성된 두 개의 ROI는 동일한 크기와 위상을 가지므로 제안된 방법의 높은 정확도를 나타낸다. 그러나 두 방법의 입력 수량이 다르기 때문에 개별 경로의 기여 단계는 비교할 수 없다. 도 13(b)에서 실시예에 따라 제안된 방법은 ROI에 대한 4가지 중요한 경로가 있는 반면, 나머지는 기준 TPA결과와 유사하게 무시할 수 있는 기여도를 가지고 있지만 상대적인 크기의 정확도는 약간 흐릿함을 보여준다. 또한, TPA는 가능한 경로 중에서 상대적인 중요성을 식별하는 것을 목표로 한다는 점에 유의해야 한다. 따라서, 제안된 TPA 방법은 동작 응답에서만 경로 기여도를 상당히 잘 추정한다고 결론을 내릴 수 있다.
요약하면, DNN 모델을 기반으로 하는 Operational TPA는 ROI 자체뿐만 아니라 경로의 동작중 응답을 사용하여 경로 기여도를 잘 검색할 수 있다. 수치 검증 과정에서 DNN 모델 트레이닝에는 원래 1000개의 데이터 세트에 포함된 전송 경로 정보의 추출 프로세스가 포함된다. 이 초기 데이터 세트의 수는 관련된 해상도 및 주파수 대역에 따라 다르지만 실제 측정에서 기록하는데 1시간 미만이 소요된다. 더 적은 데이터 세트로 위상 증식은 미세한 추가 위상 생성으로 모든 불충분을 보완할 수 있으며, 이는 ROI 예측 성능을 크게 향상시키고 상호 스펙트럼 증식의 양을 증가시킨다.
이상 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.
본 발명에서 설명하는 특정 실행들은 일 실시 예들로서, 어떠한 방법으로도 본 발명의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다. 또한, "필수적인", "중요하게" 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.
또한 설명한 본 발명의 상세한 설명에서는 본 발명의 바람직한 실시 예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자 또는 해당 기술분야에 통상의 지식을 갖는 자라면 후술할 특허청구범위에 기재된 본 발명의 사상 및 기술 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. 따라서, 본 발명의 기술적 범위는 명세서의 상세한 설명에 기재된 내용으로 한정되는 것이 아니라 특허청구범위에 의해 정하여져야만 할 것이다.
Claims (10)
- 자동차의 설치된 복수의 센서; 및
상기 복수의 센서로부터의 센싱 정보에 기초하여 진동원 또는 소음원으로부터 복수의 관심 지점까지의 전달경로를 분석하는 컴퓨팅 장치;를 포함하고,
상기 전달 경로의 분석 결과에 기초하여 사용자에게 청각적, 물리적 및 시각적 피드백 중 적어도 어느 하나를 제공하고,
상기 복수의 센서는 상기 복수의 관심 지점에 설치된 복수의 터치 센서를 더 포함하고, 상기 컴퓨팅 장치는 초기 주행 시점부터 기 설정된 시간 동안 상기 복수의 관심 지점 중에서 상기 터치 센서가 마련된 복수의 영역 상에서의 사용자의 터치 정보를 검출하고, 터치 횟수의 따라 복수의 영역을 순위화하고, 순위화된 복수의 영역들 각각에서 상기 진동원으로부터 전달된 진동치를 표시하고, 터치되는 영역보다 낮은 진동치를 가지는 영역을 표시하고,
터치되는 영역이 변경되는 경우 상기 순위화된 복수의 영역들 중에서 변경된 터치 영역보다 낮은 진동치를 가지는 영역 정보를 안내하여 상기 사용자가 터치하는 영역이 안내된 영역으로 변경되도록 상기 사용자의 자세 변화를 유도하는주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 시스템. - 제1 항에 있어서,
상기 복수의 센서는 가속도 센서를 포함하는
주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 시스템. - 삭제
- 자동차에 설치된 복수의 센서로부터의 센싱 정보에 기초하여 입력 및 출력의 주파수 응답을 이용하여 트레이닝 데이터 세트를 준비하는 단계;
트레이닝 데이터 세트를 증식하여 딥러닝 뉴럴 네트워크 트레이닝 및 검증하는 단계;
트레이닝 되고 검증된 딥러닝 뉴럴 네트워크를 이용하여 동작중 전달경로를 해석하여 소음 또는 진동에 대한 상기 자동차의 전달경로들의 기여도를 분석하는 단계;
상기 자동차의 전달경로들의 기여도를 분석결과에 기초하여 진동원 또는 소음원으로부터 복수의 관심 지점까지의 상기 소음 또는 진동의 전달 경로를 분석하는 단계; 및
차량의 초기 주행 시점부터 기 설정된 시간 동안 상기 복수의 관심 지점에서의 사용자의 터치 정보를 검출하고, 터치 횟수의 따라 복수의 관심 영역을 순위화하고, 순위화된 복수의 관심 영역들 각각에서 상기 진동원으로부터 전달된 진동치를 표시하고, 터치되는 영역보다 낮은 진동치를 가지는 영역을 표시하고, 터치되는 영역이 변경되는 경우 상기 순위화된 복수의 관심 영역들 중에서 변경된 터치 영역보다 낮은 진동치를 가지는 영역 정보를 안내하여 상기 사용자가 터치하는 영역이 안내된 영역으로 변경되도록 상기 사용자의 자세 변화를 유도하는 단계;를 포함하는
주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 방법. - 제4 항에 있어서,
상기 데이터 세트를 준비하는 단계는,
경로, 입력 및 출력 응답을 정의하여 상기 입력 및 출력 주파수 응답을 측정하는 단계;
상기 입력 및 출력 주파수 응답을 정규화하는 단계; 및
상기 정규화된 입력 및 출력 주파수 응답의 위상을 증식하는 단계;를 포함하는
주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 방법. - 제5 항에 있어서,
상기 위상을 증식하는 단계에서, 무작위 위상을 생성하고 입력 및 출력 주파수 응답의 위상을 이동하여 위상을 증식하는
주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 방법. - 제6 항에 있어서,
상기 데이터 세트를 준비하는 단계는,
상기 위상이 증식된 입력 및 출력 주파수 응답의 상호 스펙트럼을 증식하여 전체 트레이닝 데이터 세트를 수집하는 단계;를 더 포함하는
주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 방법. - 제7 항에 있어서,
상기 딥러닝 뉴럴 네트워크 트레이닝 및 검증하는 단계는,
상기 수집된 전체 트레이닝 데이터 세트에 기초하여 딥러닝 뉴럴 네트워크 모델 파라미터를 설정하는 단계;
상기 딥러닝 뉴럴 네트워크 모델 파라미터에 기초하여 딥러닝 뉴럴 네트워크 트레이닝을 수행하여 관심 응답 데이터 세트를 예측하는 단계; 및
상기 관심응답과 딥러닝 뉴럴 네트워크에 의해 예측된 관심응답의 차이에 기초하여 딥러닝 뉴럴 네트워크를 검증하는 단계;를 포함하는
주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 방법. - 제8 항에 있어서,
상기 기여도를 분석하는 단계는,
상기 전달경로들 중 어느 하나의 오프(off)한 응답을 예측하여 경로 기여도를 계산하는 단계; 및
딥러닝 뉴럴 네트워크에 의해 예측된 관심응답과 총 입력의 기여도의 합의 차이의 기초하여 경로 기여도를 분석하는 단계;를 포함하는
주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 방법. - 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210086873A KR102648275B1 (ko) | 2021-07-02 | 2021-07-02 | 주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 방법 및 이를 위한 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210086873A KR102648275B1 (ko) | 2021-07-02 | 2021-07-02 | 주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 방법 및 이를 위한 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230006116A KR20230006116A (ko) | 2023-01-10 |
| KR102648275B1 true KR102648275B1 (ko) | 2024-03-15 |
Family
ID=84893720
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210086873A KR102648275B1 (ko) | 2021-07-02 | 2021-07-02 | 주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 방법 및 이를 위한 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102648275B1 (ko) |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101025163B1 (ko) * | 2008-11-14 | 2011-03-31 | 한양대학교 산학협력단 | 진동 및 소음 전달경로 해석 시스템과 진동 및 소음 전달경로 해석 방법 |
| KR101325497B1 (ko) * | 2012-03-15 | 2013-11-07 | 주식회사 현대케피코 | 차량 부품들 간의 진동 기여도를 분석하는 방법 및 그 시스템 |
| KR102279847B1 (ko) * | 2018-09-12 | 2021-07-21 | 왕옥란 | 사물인터넷 연동 방석 시스템 |
| KR20210075696A (ko) * | 2019-12-13 | 2021-06-23 | 현대자동차주식회사 | 데이터 분석을 기반으로 하는 차량 nvh 분석 장치 및 차량 개발 목표 선정 방법 |
-
2021
- 2021-07-02 KR KR1020210086873A patent/KR102648275B1/ko active IP Right Grant
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230006116A (ko) | 2023-01-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9507326B2 (en) | System and method for using biometrics to predict and select music preferences | |
| Durand et al. | Structural-acoustic modeling of automotive vehicles in presence of uncertainties and experimental identification and validation | |
| Thite et al. | The quantification of structure-borne transmission paths by inverse methods. Part 1: Improved singular value rejection methods | |
| CN101595739B (zh) | 多传感器声源定位 | |
| Lee et al. | A metric on the similarity between two frequency response functions | |
| Denimal et al. | Kriging Surrogate Models for Predicting the Complex Eigenvalues of Mechanical Systems Subjected to Friction‐Induced Vibration | |
| Hekmati et al. | About the convergence of POD and EPOD modes computed from CFD simulation | |
| Park et al. | Coherence-based sensor set expansion for optimal sensor placement in active road noise control | |
| Bhattacharyya et al. | Exploiting convexification for Bayesian optimal sensor placement by maximization of mutual information | |
| Zhang et al. | Distributed marginalized auxiliary particle filter for speaker tracking in distributed microphone networks | |
| Käufl et al. | Robust and fast probabilistic source parameter estimation from near‐field displacement waveforms using pattern recognition | |
| KR102648275B1 (ko) | 주행 중인 자동차의 소음원 및 진동원으로부터 발생한 소음 및 진동이 관심 지점까지 전달되는 경로를 파악하는 방법 및 이를 위한 시스템 | |
| Tomlinson | Partial source discrimination in near field acoustic holography | |
| Fuhg et al. | Surrogate model approach for investigating the stability of a friction-induced oscillator of Duffing’s type | |
| US8213265B2 (en) | Method of object tracking in 3D space based on particle filter using acoustic sensors | |
| Oh et al. | Enhancing active noise control of road noise using deep neural network to update secondary path estimate in real time | |
| Kerleguer | Multifidelity surrogate modeling for time-series outputs | |
| CN112346012A (zh) | 声源位置确定方法和装置、可读存储介质、电子设备 | |
| Larsson et al. | A First Step Toward a Family of Morphed Human Body Models Enabling Prediction of Population Injury Outcomes | |
| Luo et al. | Gaussian process data fusion for heterogeneous HRTF datasets | |
| Tan et al. | Review of flail-space's lateral impact velocity criterion for thoracic impacts | |
| Zheng et al. | Multi objective optimization of vehicle crashworthiness based on combined surrogate models | |
| Castro et al. | Numerical and experimental correlation of a catamaran’s vibration modes using supervised machine learning | |
| Zhang et al. | Three‐dimensional sound reproduction in vehicle based on data mining technique | |
| Faure et al. | Identification of vibration sources from measurements of transverse displacement, from a Bayesian point of view. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |