KR19990035850A - 자동차 주행 기어 또는 구동 장치 제어용 회로 장치 - Google Patents

Abstract

퍼지 장치(10)는 자동차(2)로부터의 센서 신호를 평가하고, 자동 기어 박스, 활동 현가 장치, 속도 안정기, 보조 조종기, 구동 미끄럼 제어기 등과 같은 제어될 장치(5)를 조절하는 신호를 발생한다. 퍼지 장치(10)는 퍼지 장치(10)의 룰 베이스를 최적화하기 위하여, 자동차의 주행 데이터의 리스트로부터의 참조 데이터는 물론 자동차로부터의 센서 신호를 평가하는 신경 네트워크(12)와 연결되어 있다. 퍼지 장치(10)는 현재 구동 상태를 분류하여 지적이고, 시간 적응적이며 구동 상태에 의존하는 제어를 달성하는 구동 동안 온라인으로 신호를 발생한다. 퍼지 장치(10)와 신경 네트워크(12)는 분류 장치를 각각 포함하고 있다. 그러한 분류 장치는 둘다 상응 유지되는 쌍방향 변환에 의해 가역적으로 전환될 수 있다.

Description

자동차 주행 기어 또는 구동 장치 제어용 회로 장치

변속 방법을 조절하는 퍼지 논리 방법을 사용하여 자동 변속기를 변속하기 위한 공지된 제어 장치는 구동 성능, 소비량 및 수고를 고려함은 물론, 구동 양식 및 구동 상태에 반응한다(WO 93/23 689). 이를 위하여, 전문가의 지식을 재생하여 제어 장치의 개발자에 의해 전부 지시되어야 하는 퍼지 생산 룰의 비교적 다수의 상이한 룰 세트를 필요로 한다. 이를 위해 상당한 노력이 필요하다. 또한, 전문가의 지식도 불확실한 것들에 영향을 받는다.

본 발명은 첨부된 청구의 범위의 제 1 항의 전제부에 따른 회로에 관한 것이다. 최근, 자동차 산업에서 주행 기어 및 안전 기술의 영역 내의 구동 관리는 물론, 적응성 시스템 구성요소의 중요성이 증가하고 있다. 각각의 경우에, 자동 변속기, 활동 현가 장치 및 수평 조절기, 또는 파워 핸들 보조기와 같이 자동차의 특정 장비나 장치를 세팅하는 것은 각각의 구동 상황에 적절하도록 이루어진다.

도 1은 본 발명에 따른 회로 장치의 개략도이고,

도 2는 도 1의 회로 장치에 따라 실행되는 센서 신호의 연합(fusion)을 설명하는데 이용되는 자동차의 3차원 도면이고,

도 3은 센서 신호의 처리 공정에서 사용되는 시간 윈도우를 도시하는 도면이고,

도 4는 도 1의 퍼지 장치의 입력 멤버십 함수를 나타내는 도면이고,

도 5는 도 1의 퍼지 장치의 출력 멤버십 함수를 나타내는 도면이고,

도 6은 도 1에 따른 회로 장치에서 사용되는 퍼지 룰 베이스(rule base)를 도시하는 도면이고,

도 7은 도 1에서 실행되는 퍼지화(fuzzification)의 그래프를 도시한 도면이고,

도 8은 도 1의 신경 네트워크(neural network)의 제어 신경(control neuron)을 도시한 도면이고, 그리고

도 9는 도 1의 회로 장치의 퍼지 신경 위상 기하를 도시한 도면이다.

* 도면의 주요 부분에 대한 부호의 설명 *

1 : 자동차 내의 장비를 제어하기 위한 회로 장치 또는 제어 회로

2 : 자동차

3 : 신호 선

4 : 분리 선

5 : 제어되는 장비(예를 들어, 변속기 제어기, 활동 현가 장치)

6 : 코어 모듈 또는 통합 신경 퍼지 장치

8 : 신호 기억 장치

9 : 전처리 모듈

10 : 퍼지 장치

12 : 신경 네트워크

13 : 데이터베이스

14 : 참조 데이터 기억 장치

16, 18 : (5 방향) 데이터 선

17: 가산기 요소

19 : (4 방향) 데이터 선

(A), (B) : 일부 장치 또는 처리 블록

a_trans : 횡가속도

α_j: 추론(Conclusions)

A_k: 출력 멤버십 함수의 면적

bl : 브레이크 등(light), 브레이크의 동작

driver : 구동 유형의 퍼지 분류

gear_is : 활동 기어

k : 가우스 입력 멤버십 함수

m_diff : 변속기 출력에서의 토크 평형, 차동 토크의 크기

m_i: 가우스 곡선의 평균

μ_i: 멤버십의 등급

M_k: 출력 멤버십 함수 각각의 모멘트

nout : 출력 회전 속도

neng : 엔진 회전 속도

s_i: 가우스 곡선의 폭

w : 속도 의존 요소

x, y, z : 3 차원 축선

x_i: 현재 입력 신호

본 발명은 자동차의 개개의 현재 구동 상태를 탐지하기 위한 장치를 제공하는 것을 목적으로 하며, 상기 장치는 기계 텀(terms)을 학습할 수 있기 때문에 독립적으로 비선형 제어 룰을 제공하고 개선할 수 있다.

본 발명에 따라서, 이러한 목적은 첨부된 청구의 범위의 제 1 항에 따른 회로 장치에 의해 달성된다. 본 발명의 양호한 실시예는 종속항 내에 설명되어 있다.

본 발명의 한 이점은 자동차의 현재 구동 상태를 탐지하기 위한 장치를 제공한다는 것이다. 분류화 장치는 자동차 내에서 연속적으로 측정된 다양한 센서 데이터를 사용하여, 구동 역학, 구동 연습 및 운전자 습성과 관련된 현재 구동 상태에 대한 자료를 전송한다. 이러한 정보는 자동차 내의 다양한 장치에 대한 지적, 시간 적응적, 구동 상황 의존 제어를 가능하게 한다. 주행 기어 및 구동 장치의 영역 내에 있는 그러한 적당한 구성 요소의 증가된 사용은 요즈음에 이미 나타나기 시작했으며, 미래의 자동차 세대에서 보다 큰 의미를 갖게 될 것이고, 이러한 방법으로 인해 구동 안전성, 경제성 및 편리성이 향상될 수 있다.

구동 상태 의존 제어가 유익하게 사용될 수 있는 적절한 자동차 장치의 다른 실시예들은 전륜 조종 장치, 소위 미끄럼 방치 제어 장치 및 지적 속도 제어 장치로 불리는 혼성 구동 장치이다.

본 발명에 따른 실시예는 첨부된 도면에 대한 상세한 설명과 함께 설명된다.

회로 장치(1, 아래의 설명에서 제어기(1)로도 언급됨)는 자동차(2) 내의 장비 또는 장치 중의 하나를 제어하는데 사용된다(도 1). 회로 장치는 도면에만 도시되어 있는 신호 선(3)을 통해 자동차(2) 내에 등록되는 센서 데이터를 수용한다. 그러한 센서 데이터는 다양한 센서에 의해 직접적으로 또는 예를 들어 ABS 장치 내의 하기 처리 공정과 같이 간접적으로 전달될 수 있다. 회로 장치(1)는 분리 점선(4)에 의해 도 1에 도시된 바와 같이 두 개의 평행 장치(A 및 B)로 개념적으로 분리될 수 있다. 이러한 부분 장치 또는 처리 블록(A 및 B)은 서로에 대해 기본적으로 독립 작용하고, "통합 신경-퍼지 시스템"으로도 언급되는 코어 모듈(6)에 의해 서로 연결되어 있다. 처리 블록(A)으로부터의 출력 신호는 작동 또는 제어 신호로서 (자동 변속기와 같은) 제어될 장비(5)로 전해진다. 블록(A)은 신호 기억 장치(8), 전처리 모듈 또는 회로(9) 및 퍼지 장치(10)와 같은 구성 요소를 갖고 있다.

회로 장치(1)를 실행하는 방법은 신경 퍼지 전체 장치 내의 신경 네트워크의 개념을 갖춘 퍼지 장치를 사용하는 분류의 개념의 결합을 기본으로 한다. 그러한 신경 퍼지 탐지 또는 분류 공정은 제어기의 설계 및 개발 동안 퍼지 장치의 특성 및 통합 장치의 신경 네트워크의 사용을 허용한다. 한편, 유용한 전문 지식은 (퍼지 룰 베이스에 있어서) 언어적으로 공식화된 IF-THEN 룰 및 가중치를 준 멤버십 함수의 도움으로 처리될 수 있다. 다른 한편으로는, 신경 네트워크의 가능출력이 유효한 기록 센서 데이터의 원리에 따른 비선형 관계성을 학습하는 대신에 이용될 수 있다. 전문 지식 및 처리 데이터의 조합은 정렬되어질 관계성의 완전한 형태를 허용한다.

센서의 상이한 12 항목에 이르기까지 정보는 자동차 내에서 연속적으로 측정되고 신호 기억장치(8) 내에 저장되는 회로 장치(1)를 위한 입력 변수로서 사용된다. 센서들은 공지되어 있으므로 도시하지 않았다. 예를 들어, 중요한 센서 신호는 자동차(2)의 순간 속도, 절기 판의 세팅, 결합 기어, 횡 가속도 및 엔진 회전 속도이다. 회로(9) 내의 일부 연합 및 전처리 후에, 이러한 소위 제 1 센서 신호는 순간 입력 데이터를 사용하여 현재 상태를 예를 들어, "정지", "도시 교통", "지방 도로(직진, 회전, 경사 등)", "고속 도로" 등과 같은 분류 중의 하나로 평가 또는 분류하는 퍼지 장치(10)로 공급된다.

완전 함수 순서를 데이터 흐름을 사용하여 설명하면 다음과 같다. 자동차(2)에서, 순간 속도, 절기 판의 위치, 결합 기어, 횡 가속도 또는 엔진 회전 속도를 처리하기 위한 다양한 센서 및 제어 신호는 진행동안 연속적으로 기록되고 신호 기억장치(8)에 저장된다. 이러한 센서 신호는 그 후에 전처리 모듈(9)로 공급된다. 여기서, 센서 신호의 예비 필터링 및 평활화에 덧붙여, 공정은 신호의 연대순을 참작하여 실행된다. 또한, 시간에 걸친 데이터 압축 및 다양한 센서 신호의 연합 조합에 의한 차원의 감소가 실행된다. 센서 정보의 다양한 항목의 적절한 연합에 의해, 예를 들어, 여덟 개의 센서 신호가 네 개의 상이한 연합 신호를 형성하도록 여기에 논리적으로 결합된다. 이러한 공정의 결과로, 한편으로는 샘플링 비율의 감소가 달성되며, 다른 한편으로는 분류 문제의 차원이 감소한다.

그 후에, 전처리 센서 신호는 순간 입력 데이터를 이용하여 현재 구동 상태를 평가 즉, 분류하는 퍼지 장치(10, 하기에 퍼지 분류 장치로도 언급됨)로 공급된다. 전술한 실시예에서, 다섯 개의 상이한 구동 상태 등급으로의 분류가 실행된다. 블록(A)이 구동 상태를 분류하는 온라인 작동으로 자동차(2)에서 사용되는 실제 탐지 장치를 형성하므로, 전술한 데이터 흐름은 진행 동안 자동차의 공정 순서에 정확하게 일치한다.

일부 장치(B)는 신경 네트워크(12)를 사용함으로써, 오프라인 작동으로 퍼지 분유 장치의 생성 및 최적화를 위해 사용된다. 이러한 일부 장치는 본 발명에 따른 회로 장치의 설계 및 개발 상태 동안에만 사용되고, 따라서 자동차(2)의 온라인 탐지 장치의 조성의 일부는 아니다. 일부 장치(B)는 현재 경우에 시뮬레이션 컴퓨터로서 구현되는, 신경 네트워크(12) 및 참조 데이터 기억 장치(14), 측정 여정의 비디오 기록에 의한 데이터베이스(13)를 포함하고 있다. 두 개의 일부 장치(A 및 B)의 결합은 통합 신경 퍼지 장치(6)에 의해 실행된다.

신경 네트워크의 출력에서의 신호는 데이터 선(16)을 통해 가산기 요소(17)에 음신호를 갖고 다시 연결되고, 후에 데이터 선(18)에 참가하는 참조 데이터 기억 장치(14)로부터의 출력 신호에서 감해진다. 차이는 신경 네트워크(12)의 입력으로 공급된다. 여기서 선택된 다섯 개의 구동 상태 등급에 따라서, 데이터 선(16 및 18)은 다섯 개의 포울드(fold) 선으로 구성된다. 전처리 모듈(9)에 의해 공급된 센서 데이터는 (네 개의 포울드) 데이터 선(19)을 통해 신경 네트워크(12)의 제 2 입력부로 보내진다.

두 개의 처리 블록(A 및 B)의 상호 작용 및 작동 방법은 개발 단계를 참조로 아래에서 설명될 수 있다. 회로 장치(1)를 위한 원리는 개발 단계의 제 1 단계에서 유효한 정보로부터 설정되고 전문 지식으로 존재하는 퍼지 분류 장치에 의해 형성된다. 제 1 단계에서, 퍼지 장치(10)는 입력 및 출력 변수의 수, 초기 룰 베이스 및 멤버십 함수의 수와 같은 분류 태스크를 위해 필요한 구조를 갖고 있다. 퍼지 장치는 자동차(2)의 온라인 작동에서 실제 구동 상태 분류를 실행한다. 제 2 단계에서, 통합 신경 퍼지 장치(6) 내의 초기 퍼지 장치는 신경 네트워크의 구조로 정보의 손실없이 완전하게 전환된다. 그 결과, 처리 블록(B)에서 퍼지 장치와 동일한 분류 장치를 나타내고 동일한 입력 및 출력 반응을 갖는 신경 네트워크(12)가 유효하게 된다. 이러한 퍼지 신경 변환은 신경 영역으로 퍼지 영역 내에 있는 탐지 장치의 대표치의 전이를 구현한다. 즉, 신경 네트워크의 위상 기하는 어떤 때에도 한번 더 퍼지 장치에 따른 대표치로 전환될 수 있는 상응 유지되는 쌍방향 변환이다.

그 후에, 일부 장치(B)에서 신경 네트워크(12)에 도움으로, 퍼지 장치(10) 내에 포함되어 있는 구동 상태 분류기가 연습되고, 그러므로 탐지 장치의 데이터 피동 최적화가 실행된다. 처리 공정에서, 퍼지 분류기의 상이한 성분 요소는 변경되거나, 처리되거나 또는 새롭게 생성된다. 신경 네트워크(12)의 연습은 적절한 세트의 분류기의 입력 및 출력 데이터를 포함하는, 연습 데이터를 사용하는 오프라인 모드에서 실행된다. 사용된 입력 데이터는 분류기가 현재 구동 상태를 결정하게 하는, 자동차(2)로부터 기록되고 전처리된 센서 데이터이다. 네트워크 출력에서의 분류 결과(분류 출력 벡터)는 학습 작동에서의 이상적인 참조 출력 벡터와 비교된다. 분류기 출력 벡터와 참조 출력 벡터간의 차이로부터 발생되는 에러(e)의 도움으로, 신경 네트워크는 공지된 백-전파 알고리즘(back-propagation algorithm)에 따라 연습된다(예를 들어, 1993년 뉴저지, 잉글우드 클리프즈, 프렌티스 홀의 S. Y. KUNG.의 "디지털 신경 네트워크"의 24 내지 40 쪽, 특히 39쪽 및 1993년 하이델베르그, 스프링거 베를레그 베를린, R. ROJAS의 "신경 네트워크의 이론(Theorie der neuronalen Netze)"의 149 내지 172쪽을 참조).

이러한 경우에 실행되는 분류기의 "감독" 연습은, 자동차(2)의 여정동안 기록되는 센서 신호에 상응하는, 실제 현재 구동 상태 등급을 적절한 때에 모든 점에서 기입하는 참조 데이터 세트의 준비를 필요로 한다. 이를 위하여, 다양한 측정 여정 동안, 센서 데이터의 저장 및 측정과 병행하여 추가로 여정의 코스가 자동차의 정면에 설치되어 있는 비디오 카메라를 사용하여 기록된다. 예를 들어, 비디오 기록은 장치 개발기에 의해 평가되고, (등급의 바람직한 수에 의존하여) 그 후에 구동 상태 등급의 시간외 코스는 참조 데이터 세트(타겟 데이터 세트 또는 타겟으로도 언급됨)로 셋업되고 저장된다. 그러나, 참조 데이터 또한 어떠한 다른 바람직한 방법으로도 유용하게 만들어질 수 있다. 연습 동안, 각각의 연습 단계를 위하여, 출력 벡터(5 등급)로서 구동 상태의 연합 상태일 수 있는 것과 같이, 센서 데이터 조합은 (4 입력 값을 포함하는) 입력 벡터로서 신경 네트워크(12)로 입력될 수 있다. 연습은 네트워크 풀과 참조 사이의 에러(e)가 규정된 에러 초기치 아래로 떨어지기 전까지 실행된다.

연습이 완료된 후에, 따라서 분류기의 최적화가 완료된 후에, 결과적인 신경 네트워크는 일부 장치(A)의 퍼지 대표치로 한번 더 완전하게 다시 전환된다. 그 다음에 데이터 피동 연습이 실행되는 일부 장치(B)가 분리되고, 더 이상 자동차에서 실행되는 구동 상태 탐지기의 구성 부분이 되지 않는다. 요소의 연습에 의한 퍼지 장치(10)(퍼지 분류기 ?)의 변화(퍼지 룰 베이스와 입력 및 출력 신호의 멤버십 함수의 형상 및 신호)는 시각화되고 평가될 수 있다. 적절한 시뮬레이션 기구(예를 들어, SieFuzzy 기술하의 시장에서 얻어질 수 있는 지멘스 CAE 개발 장치)에서의 계속적인 평가의 다음에, 전문 지식과 측정 센서 데이터에 의존하는 회로 장치(1)의 개발은 완료되고, 퍼지 장치(10)(전처리된 퍼지 구동 상태 분류 장치로서 또한 언급됨)는 관찰 장비(5)를 제어하도록 자동차(2)에서 사용될 수 있다.

신경 퍼지 장치(6) 내의 개발 순서는 아래에 요약 설명된다. 개개의 개발 단계는 하기의 표 1로부터 판명되는 처리 블록에서 실행된다.

개발 단계	처리 블록
1. 초기 퍼지 장치의 설계(전문 지식)	A
2. 신경 네트워크로의 퍼지 장치의 전환(퍼지-신경 변환)	A-B
3. 신경 네트워크의 연습(센서 데이터 및 비디오 정보)	B
4. 퍼지 장치로의 신경 네트워크의 재전환(신경-퍼지 변환)	B-A
5. 자동차의 최종 구동 상태 분류	A

자동차에서 기록된 센서 데이터는 퍼지 분류 장치를 위한 실제 입력 신호가 다양한 측정 매개변수로부터 유도되거나 계산되는 전처리 모듈 또는 단계(9)로 제일 먼저 공급된다. 한편, 이러한 처리 단계에서의 실행은 센서 신호의 연대기적 경위의 필터링 또는 등록이며, 다른 한편으로는, 다양한 측정 매개변수들의 연합이다. 다음의 센서 신호들은 여정 동안 자동차(2) 내에 기록된다.

nout : 출력 회전 속도(구동 속도에 비례)

bl : 브레이크 등(브레이크의 동작)

neng : 엔진 회전 속도

a_trans : 횡가속도

m_diff : 변속기 출력에서의 토크 평형, 차동 토크의 크기(이로부터 오르막 및 내리막 정도에 대한 결정이 추출될 수 있음)

gear_is : 활동 기어

driver : 구동 유형의 퍼지 분류

퍼지 분류 장치에 필요한 입력 변수의 수를 줄이는 동시에 유용한 모든 측정 매개변수를 포함하기 위하여, 센서 데이터의 상기 항목들은 서로 적절하고 논리적으로 결합하며 네 개의 새로운 신호가 그들로부터 유도된다. 이러한 센서 신호 연합의 목적은 순수한 속도 의존 요소(w)의 사용은 물론, 삼차원 축(x, y, z)을 기초로한 순간 동적 구동 상태의 기술이다. 낮은 신호의 조합 및 이에 따르는 문제의 입력 차원의 감소는 모델링을 용이하게 하며, 퍼지 분류기를 위한 이해하기 쉽고 명확한 룰 베이스의 공식화를 가능하게 한다. 네 개의 퍼지 입력 변수는 하기의 관계에 의해 여덟 개의 센서 신호로부터 계산된다.

x(t)=f_x{gear_is(t,t-1,t-2,t-3), neng(t,t-1,t-2,t-3), bl(t)}

y(t)=f_y{a_trans(t,t-1,t-2,t-3), nout(t,t-1,t-2,t-3), driver(t)}

y(t)=f_z{m_diff(t,t-1,t-2,t-3), nout(t,t-1,t-2,t-3), driver(t)}

w(t)=f_w{nout(t,t-1,t-2,t-3)}

퍼지 입력 변수(x)는 예를 들어 센서 데이터 gear_is, neng 및 bl로부터 유도된다. 이 경우에, 지정 gear_is는 현재 시간 윈도우(t)과 또한 세 개의 최근 시간 윈도우(t-1, t-2, t-3)이 이러한 계산에 참가한다는 것을 의미한다. 상이한 시간 경력의 처리 공정은 설명을 목적으로 도 3에 도시되어 있다. 데이터를 압축하기 위하여, 길이(L)의 시간 윈도우(w)은 낮은 신호에 걸쳐 유도되고, 각각의 경우에 윈도우 내에 위치한 신호 섹션의 평균이 계산된다. 센서 신호 gear_is를 위하여, 이러한 평균은 gear_is(t)에 의해 설명될 수 있다.

현재 센서 데이터에 추가로 연대기적 경력 즉, 최근 신호 코스를 고려하기 위하여, 상호 겹치는 세 개의 최근 시간 윈도우(w(t-1), w(t-2), w(t-3))의 평균은 동시에 포함되지만 상이한 가중치를 갖는다. 따라서, x(t)를 위한 현재 값은 센서 신호 gear_is의 네 개의 시간 윈도우으로부터, 센서 신호 neng의 네 개의 시간 윈도우으로부터, 그리고 센서 신호 bl의 현재 시간 윈도우으로부터 기인한다. 이다음에, 시간 윈도우는 한 개의 윈도우 길이(L)로 진열된다.

윈도우들의 전진 및 평균화의 결과로서, 바람직한 데이터 압축이 달성된다. 한 실시예에서, L=250 샘플 값의 윈도우 길이와 50%의 중첩이 사용되었다. 만일 측정된 데이터가 T_ab=40 ms의 샘플 시간으로 기록된다면, 그 결과치는 매 10초당 x(t)를 위한 새로운 값이다. 장치의 반응 시간과 구동 상태 분류기로부터의 두 개의 연속 출력 사이의 시간 간격은 윈도우의 길이에 의해 고정될 수 있다.

구동 상태 분류를 실행하는 퍼지 장치(10)의 구조는 도 4, 도 5 및 도 6 내의 한 실시예를 위하여 재생된다. 퍼지 장치의 입력은 여덟 개의 상이한 전처리된 센서 신호로부터 유도되는 경우에 이에 인가되는 네 개의 매개변수를 갖는다. 도 4는 입력 멤버십 함수의 한 개의 가능 분포를 도시하고 있다. 각각의 입력 변수의 값의 범위는 네 개의 멤버십 함수(VL(매우 낮음), L(낮음), H(높음), VH(매우 높음))로 세분되고, 진입하는 날카로운 입력 신호가 적절하게 퍼지화되고 언어적 칭호를 갖는다. 신경 네트워크 위상 기하의 상응하는 요소로 퍼지 장치의 후 변환이 가능하게 되도록, 가우스 함수가 멤버십 함수를 위해 사용된다. 가우스 곡선의 평균(m_i) 및 폭(s_i)의 가변 매개변수는 상응하는 부가물에 의해 신경 네트워크 내에 나타난다.

분류 장치는 각각의 경우에 인가되는 입력 매개변수로부터 현재 구동 상태에 대한 상황을 설정하는 태스크를 갖는다. 다섯 개의 상이한 구동 상태 등급 중의 하나로의 배당은 아래에 설명되는 출력 변수로서 각 경우에 실행되도록 의도된다.

등급 1 : 매우 높은 속도, 연속적인 구동 상태, 직선 구간, 지나치게 높지 않은 횡단 가속도, 가파르지 않은 오르막 또는 내리막 기울기(통상적인 연방 고속도로).

등급 2 : 높은 속도, 연속적인 구동 상태, 직선 구간, 지나치게 높지 않은 횡단 가속도, 심하지 않은 오르막 또는 내리막 기울기(통상적인 연방 간선도로, 고속도로).

등급 3 : 높은/보통 속도, 연속적 또는 불연속적인 구동 상태, 가능한 높은 횡단 가속도 및/또는 심각한 오르막 또는 내리막 기울기(지방 도로, 커브길, 가파른 길, 등급 1과 등급 2 사이의 과도기 등).

등급 4 : 낮은 속도, 종종 불연속적인 구동 상태, 높은 교통 밀도, 보통/0의 횡단 가속도, 보통/약간의 오르막 또는 내리막 기울기(도심, 진행과 멈춤이 반복되는 교통, 도시 근교)

등급 5 : 매우 낮은 속도 또는 정지(교통 신호, 교차로, 주차 등).

퍼지 장치의 구조는 다섯 개의 상이한 구동 상태 등급 각각을 위한 정확한 한 개의 출력 신호와 같은 방법으로 설계된다(도 5). 각각의 출력은 단지 두 개의 가우스의 출력 멤버십 함수를 가지고 있으며, 그중 하나는 출력 값이 0(낮은 멤버십 함수)에서 중심을 가지고 다른 하나는 출력 값이 1(높은 멤버십 함수)에서 중심을 갖는다. 각각의 시간 단계 동안, 다섯 개의 상이한 구동 상태 등급을 위한 0과 1 사이의 값으로 순간 평가를 재생하는 5 값 출력 벡터[Cl_1-Cl_2-Cl_3-Cl_4-Cl_5]가 디퍼지화(defuzzification)의 결과로서 네 개의 입력 변수의 현재 조합으로부터 기인한다. 예를 들어, 만일 출력 벡터[0-1-0-0-0]가 분류화 결과로서 출력된다면, 이는 이 경우에 구동 상태가 등급 2에서 100%로 분류되었고 다른 모든 등급에서 0%를 갖음을 의미한다. 이와 대비하여, 출력[0.0-0.0-0.1-0.2-0.7]의 경우에 현재 상태는 모든 등급으로 상이한 값으로 분류되었지만, 등급 4(20%에서) 및 등급 5(70%에서)로 가장 높게되었다.

입력 및 출력 값은 퍼지 장치(10)의 퍼지 룰 베이스를 통해 서로 논리적으로 결합된다. 여기서, 유용한 전문 지식이 언어적으로 공식화된다. 한 실시예에서, 룰 베이스는 도 6에 도시된 바와 같은 장치로 설계된다. 퍼지 장치의 네 개의 입력 변수(x, y, z, w)를 사용하여, 모든 여섯 쌍의 순열(xy, xz, xw, yz, yw, zw)이 형성된다. 이러한 입력 쌍 각각을 위하여, 한 개의 제어 행렬이 채워진다. 도면에서, 예제의 방법에 의해 그러한 제어 행렬은 입력 조합(xz)을 위하여 재생된다. 두 개의 입력 변수(x 및 z)가 네 개의 멤버십 함수(VL, L, H, VH)를 사용하여 각 경우에 퍼지화함으로써, 완전한 룰 베이스를 위한 결과는 4 x 4 행렬이 된다. 상응하는 퍼지 룰의 퍼지화된 입력 변수의 개개의 언어적 조합에 속한, 출력 멤버십 함수는 6 행렬 요소로서 삽입된다. 그러므로, 최상위 행렬 내의 도면과 동일한 요소가 ,예를 들어 룰(R_xz,23 : IF x is Low AND z is High THEN Cl_1 is High)을 위하여 있게 된다.

행렬 입력치(여기서 H는 High)는 일부의 AND 조합으로부터의 룰에 따른 결과가 x=Low 그리고 z=High를 전제로 하는, 출력 Cl_1(등급 1)을 위한 퍼지 종결을 나타낸다. 이러한 행렬의 나머지 요소는 x와 z의 모든 AND 조합을 위한 룰 베이스로부터 유사한 양식으로 귀결된다. 지적한 바와 같이, 이러한 예증의 룰 베이스는 다섯 개의 상이한 출력 변수(Cl_1, Cl_2, Cl_3, Cl_4 및 Cl_5)를 위한 다섯 개의 깊이를 갖는다. 그러므로, 각각의 행렬 면은 단일 출력에 대한 다양한 룰의 결론을 설명한다. 출력 Cl_1을 위한 최상위 행렬 및 출력 Cl_5를 위한 최하위 행렬이다. 그러므로, 전술한 경우를 위한 완전한 퍼지 룰은 예를 들면 다음과 같다.

R_xz,23 : IF x is Low AND z is High THEN Cl_1 is High and Cl_2 is Low and Cl_3 is Low Cl_4 is Low Cl_5 is Low.

그러므로 각각의 룰은 항상 모든 출력 변수를 위한 상태를 만든다. 룰의 규칙적인 제시의 결과로서, 하나는 여섯 개의 가능한 순열 각각을 위하여 각각의 경우에 4 x 4 = 16 룰을 얻으며, 이것은 96 룰(16 룰을 각각 갖춘 6 순열)을 갖춘 완전한 룰 베이스로 귀결된다.

일곱 개의 룰(룰 1 내지 룰 7)을 포함하는 초기 룰 베이스는 다음과 같이 재생된다.

룰 1

IF (INPUT2_Y IS LOW) AND (INPUT4_W IS VL) THEN

등급 5 = HIGH

등급 4 = LOW

등급 3 = LOW

등급 2 = LOW

등급 1 = LOW

룰 2

IF (INPUT2_Y IS VL) AND (INPUT4_W IS LOW) THEN

등급 5 = LOW

등급 4 = HIGH

등급 3 = LOW

등급 2 = LOW

등급 1 = LOW

룰 3

IF (INPUT2_Y IS LOW) AP (INPUT4_W IS VL) THEN

등급 5 = LOW

등급 4 = LOW

등급 3 = LOW

등급 2 = LOW

등급 1 = LOW

룰 4

IF (INPUT2_Y IS LOW) AND (INPUT4_W IS LOW) THEN

등급 5 = LOW

등급 4 = HIGH

등급 3 = LOW

등급 2 = LOW

등급 1 = LOW

룰 5

IF (INPUT2_Y IS HIGH) AP (INPUT4_W IS VL) THEN

등급 5 = LOW

등급 4 = LOW

등급 3 = LOW

등급 2 = LOW

등급 1 = LOW

룰 6

IF (INPUT2_Y IS HIGH) AND (INPUT4_W IS LOW) THEN

등급 5 = LOW

등급 4 = HIGH

등급 3 = LOW

등급 2 = LOW

등급 1 = LOW

룰 7

IF (INPUT2_Y IS VH) AND (INPUT4_W IS VL) THEN

등급 5 = LOW

등급 4 = LOW

등급 3 = LOW

등급 2 = LOW

등급 1 = LOW

신경 퍼지 장치(6)의 위상 기하는 다음의 고찰에서 기인한다. 최초 퍼지 분류 장치의 설계 다음에, 데이터 피동 최적화를 실행하기 위하여 신경 네트워크의 구조로 손 실없이 완전하게 전환된다. 이러한 방법으로 발생된 신경 네트워크는 퍼지 장치와 동일한 분류 장치를 나타내고, 동일한 입력 및 출력 반응을 갖는다. 퍼지 신경 변환은 신경 네트워크로서의 표현으로 퍼지 장치로서의 표현 또는 설명으로부터 전이가 가능하다. 이것은 상응 유지되는 쌍방향 변환이다. 즉, 학습 단계의 완료 다음의 신경 네트워크의 위상 기하는 퍼지 장치와 같은 대표치로 다시 한번 전환될 수 있다.

신경 위상 기하로의 퍼지 모델의 함수적으로 동등한 변환을 위하여, 개개의 처리 단계(퍼지화, 룰 베이스 및 디퍼지화)는 신경 네트워크의 상응하는 일부 구조물상으로 투사한다. 그러나, 단순한 신경 타입으로의 제한에도 불구하고, 특정 네트워크 구조는 하기에 상세하게 설명되어질 퍼지 모델의 전작동의 투사를 가능하게 한다.

퍼지화의 변환은 RBF 함수(RBF = radial base function)와 유사한 활동 함수를 갖는 신경의 제 1 층에 의해 구현된다. 입력 변수의 각 멤버십 함수를 위하여, 각각의 경우에 입력에서 단지 두 개의 신호(현재 활발한 입력 값 및 멤버십 함수의 평균)가 합해지는 신경이 존재한다(도 7). 결과치는 가우스의 활성화 함수 및 출력을 통해 가중된다. 단일 퍼지화 신경의 출력에서, 결과는 멤버십(μ_k(x_i))의 상응 등급이다.

여기서, x_i는 현재 입력 신호, m_k는 평균을, σ_k는 가우스의 입력 멤버십 함수(k)의 폭을 나타낸다. 평균 값(m_k)은 각각의 신경을 위한 일정한 입력 "바이어스(bias)" 및 상응 가중치를 통해 한정된다. 멤버십 함수의 폭은 /σ_k를 갖춘 두 개의 입력을 가중함으로써 세팅된다.

제어 신경(도 8)은 다음과 같이 구성된다. 퍼지 장치(10)의 제어 신경, 즉 추론부의 실행은 모든 기존 룰이 동시에 평가되는 제어 신경의 층에 의해 구현된다. 신경의 수는 기존 룰의 수에 상응한다. 구현되는 위상 기하에서, 하기 타입의 룰이 이미징될 수 있다.

- 전제에 단 하나의 퍼지 변수를 갖고 있는 단순 룰.

- 다수의 퍼지 변수가 논리적으로 결합하는 전제부를 갖는 룰(AND 룰).

추론부는 하나 이상의 출력 변수를 포함할 수도 있다. 전제부 내의 두 개의 퍼지 변수의 AND 논리 결합은 이러한 변수들의 생산에 의해 퍼지 신경 네트워크에서 구현된다(도 8 참조). 논리 결합을 위해 필요한 이러한 곱셈 작동을 실행하기 위하여, 규격 신경을 사용하여, 추론이 실행된 위상 기하의 두 단계에서 형성된다. 만일 가우스의 활성 함수가 하나에서 구현되지 않고 두 개의 연속 네트워크 층에서 구현된다면, 생산물의 계산은 동시에 단순 합계로 감소될 수 있다. 따라서, 각각의 룰(j)의 전제(α)를 위한 개개의 제어 신경의 출력에서 결과는 다음과 같다.

멤버십의 결정을 위해 필요한 가우스 함수의 계산은 퍼지화 층에서 단독으로 실행되지 않고 다음 제어 층을 갖춘 결합에서 실행된다. 이차 활성 함수(f(x) = x²)는 제 1 층의 신경에서 사용되고, f(x) = exp(x)는 제어 신경에서 사용된다. 결국, 멤버십의 등급(μ_i)을 위한 값은 퍼지화 층 다음에 명쾌하게 유용하지 않지만, 추론(α_j)의 계산으로 직접 간다. 이러한 장치의 이점은 첫째로, 적절한 적응 알고리즘이 추가적으로 형성될 수 있기 위한, "생산 신경"의 기피에 있으며, 둘째로, 퍼지 장치와 상응하기 위해 필요한 네트워크 구조를 얻는데 있다.

제 1 두 개의 숨겨진 층에서 실행되는 일부 전제부의 곱셈 논리 결합의 결과로서, 룰의 전제부가 철된다. 제어 신경의 출력에서 기인하는 수치(α_j)는 룰의 IF-부의 평가를 나타낸다. 이러한 수치는 출력 신호의 퍼지 변수를 재생하는 다른 신경으로 공급된다. 그러므로, 룰의 추론부가 이미징된다. 여기서, 신경의 수는 모든 출력 멤버십 함수의 전체 수에 상응한다. 이러한 신경은 특정 퍼지 출력 변수를 위한, "발사하는(효력이 생기는)" 룰의 모든 추론의 단순 합을 실행한다. 그러므로, 여기서, 항등 함수(f(x) = x)는 활성 함수로서 사용된다.

디퍼지화는 퍼지 장치(10) 내에서 이루어진다. 퍼지 장치의 출력 값을 계산하기 위하여, 모든 발사 출력 멤버십 함수의 합에 걸쳐 중력의 중심의 계산 및 맥스도트(Maxdot) 추론을 갖춘 규격 디퍼지 방법이 사용된다. 그러므로 다양한 추론(α_j)의로부터의 결과는 한 출력치(y)이고,

만일 룰의 일부 추론이면 w_kj= 1

아니면 w_kj= 0

여기서, M_k는 개개의 모멘트를, A_k는 각각의 출력 멤버십 함수의 면적을 나타낸다. 중력 방법의 면적 중심(또는 합의 중심)에 따른 디퍼지는 네트워크의 예비구조하 동안만큼 빨리 면적 및 모멘트의 우선 계산 및 적응 단계 동안 두 개의 수치에 의한 단순 도시를 허용한다. 이것은 실행될 출력 멤버십 함수의 각각의 결과 면적의 명백한 평가에 필요하지 않다. 위상 기하에서, M_k및 A_k는 적절한 가중 인자에 의해 구현된다. 따라서, 스케일링(scaling)은 모든 발사 룰의 첨가에 기인하는 값(α)을 사용하여 개개의 면적 및 개개의 모멘트로 형성된다. 지수는 전 모멘트의 합과 전 면적의 합으로부터 계산된다. 분할은 단일 신경에서 구현될 수 없기 때문에, 계산은 대수 및 누승법을 수용함으로써 빼기로 환산한다.

(1)

이에 의해, 퍼지 변수의 조합으로부터의 높은 출력 값의 계산이 전환된다.

신경 퍼지 장치(6)를 위하여 구현된 완전한 신경 위상 기하의 개략도가 도 9에 도시되어 있다. 도시된 구조는 네 개의 입력 변수 x, y, z, 및 w를 가진 퍼지 분류 장치와, 다섯 개의 출력 변수 등급 1 내지 등급 5와, 그리고 96 룰을 가진 룰 베이스를 기초로 한다. 퍼지화, 룰 베이스 및 디퍼지화를 위한 세 개의 기본 일부 구조가 나타나 있다. 모델은 단지 세 개의 층이 디퍼지화 작동의 함수적 등가 전환을 초래하는 여덟 개의 층을 가진 전방-피동 신경 네트워크에 부합한다. 개개의 층에서 실행되는 작동은 도 9의 최하위 선으로 지적되어 있다.

신경 퍼지 구조는 기본 퍼지 모델의 완전한 이미지를 나타낸다. 네 개의 입력 신호(l_z, l_y, l_z, l_w)는 제 2 층과 제 3 층에서 퍼지화된다. 이 경우에, 수의 결정, 입력 멤버십 함수의 형상 및 위치, 그리고 상응 변수의 배당은 제 2 층의 신경 내에서 실행된다. 이 경우에, 입력 데이터는 네 개의 멤버십 함수(VS(매우 작음), S(작음), L(큼), VL(매우 큼))를 사용하여 각각의 경우에 퍼지화되고, 이는 16 신경을 가진 층으로 귀결된다. 그 다음에, 제 3 층에서, 룰 베이스의 개개의 룰(R₁내지 R₉₆)이 전환된다. 각각의 룰을 위하여, 상응 룰 신경이 존재하며, 입력에서 적절한 일부 전제부가 존재한다. 이러한 일부 전제부는 기술한 바와 같이 서로 논리적으로 결합하고, 룰 활성 정도(α)가 계산되며 또한 룰 가중치(W_Rule)로 곱해진다. 이러한 룰 활성 정도(α)는 일부 추론을 통해 개개의 출력 변수 등급 1 내지 등급 5의 멤버십 함수로 할당된다. 하나의 출력 변수를 위한 층(5) 내의 이러한 방법의 일부 추론 결과는 디퍼지화부 내에서 결합된다. 층(5)과 층(6) 사이에서, 가중치를 주는 것은 출력 멤버십 함수에 속한 미리 계산된 면적(A_k)과 모멘트(M_k)를 갖는 추론으로 실행된다. 마지막으로, 층(6)과 층(7)에서, 모멘트와 면적의 지수의 계산은 대수를 취하고 독립 변수를 뺌으로써 실행된다.

하기의 표 2에서, 구동 상태 탐지를 위한 상이한 퍼지 장치의 가장 중요한 매개변수 및 상응 분류 결과치가 한 실시예를 위해 나타나 있다. 결과치는 거의 동일한 비율로 다섯 개의 상이한 구동 상태를 포함하는 대표적 측정 여정으로 기입되어 있다. 32분의 구동 시간 동안의 센서 데이터가 평가되었고, 40 ms의 샘플 비율에서 이것은 48,000 샘플 값에 부합한다.

	학습 매개변수
장치	IM	OM	RW	C	# 룰	# IM	J	C/W/N	C/W/N %
초기	-	-	-	-	96	16	0.058	106/11/75	55/6/39
수동 최적	-	-	-	-	96	16	0.057	142/11/39	74/6/20
lrn_mbf	+	-	-	-	96	16	0.033	159/9/24	82/5/13
lrn_rw_mbf	+	-	+	-	44	16	0.016	179/6/7	93/3/4
lrn_all	+	-	+	+	85	16	0.013	181/4/7	94/2/4
rule_red	+	-	+	-	20	13	0.021	179/12/1	93/6/1

L = 250 샘플 값의 윈도우 길이를 가진 시간 윈도우의 구성의 결과로서, 전체 192 분류 출력치(48,000/250, 매 10초당 분류 출력치)는 여정 지속 기간동안 발생한다. 좌측에서부터 우측으로 판독하여, 표는 개개의 분류 장치의 표시와, 퍼지 장치의 매개변수가 신경 네트워크에서 연습되는 설명과(IM = 입력 멤버십 함수, OM = 출력 멤버십 함수, RW = 룰 가중치, C = 추론치), 퍼지 룰 베이스의 크기와, 입력 멤버십 함수의 수와, 절대 값과 퍼센테이지로서의 분류 결과 및 타겟 데이터 세트와 관련된 평균 스퀘어 에러(C/W/N - Correct/Wrong/Not classified)를 포함하고 있다.

전문 지식을 사용하여 단독으로 제공되는 초기 퍼지 장치는 순간 구동 상태를 192 경우중 106 경우(55%)를 올바르게, 11 경우(6%)를 틀리게 분류하고, 그리고 75 경우(39%)에는 설명을 하지 않는다. 수동 최적화 장치는 바르게 분류된 상태에 대해 74%의 비율을 달성한다. 상이한 결과가 신경 네트워크에서 사용 가능한 매개변수의 수에 의존하여, 연습 탐지 장치를 위해 초래된다. 이 경우에, 유용한 표본 데이터는 7:3의 비율로 연습 세트 및 일반 세트로 각각의 경우에 세분된다. 이러한 결과는 적은 개발 노력으로 데이터 피동 최적화가 달성되어질 탐지 비율에서 현저하게 증가하는 것을 허용함을 나타낸다. 따라서, 예를 들어, 85 룰의 감소된 룰 베이스로, 94%의 "바름", 2%의 "틀림", 및 4%의 "분류 안함"의 분류 결과가 달성된다.

Claims (6)

1. 센서 신호를 평가하고, 장비를 위한 작동 신호를 발생시키고, 구동 상태의 탐지를 실행하는 퍼지 장치(10)를 갖춘, 자동차(2)의 주행 기어 또는 구동 장치를 제어하기 위한 회로 장치(1)에 있어서,

   상기 퍼지 장치(10)는 자동차(2)에 대한 구동 데이터의 기록으로부터의 참조 데이터 및 센서 신호를 평가하며 퍼지 장치를 형성시키고 최적화하는 신경 네트워크(12)에 연결되고, 그리고

   구동 작동 동안, 각각의 구동 상태를 분류하는 신호는 상기 퍼지 장치(10)에 의해 발생되며, 상기 신호는 구동 상태의 함수로서 상기 장비를 제어하는데 사용되는 것을 특징으로 하는 회로 장치.
2. 제 1 항에 있어서, 상기 센서 신호 및/또는 작동 신호가 신호 기억장치(8)에 저장되며, 전처리 회로(9) 내에서 필터링되고, 평활화되고, 논리 조합에 의해 수가 감소되는 것을 특징으로 하는 회로 장치.
3. 제 1 항에 있어서, 상기 장치가 측정 여정의 비디오 기록을 갖춘 데이터베이스(13)를 가지며, 상기 데이터베이스(13) 내의 데이터는 참조 데이터 기억장치(14)를 통해 신경 네트워크(12)로 공급되는 것을 특징으로 하는 회로 장치.
4. 제 1 항에 있어서, 입력 및 출력 데이터의 멤버십 함수의 형상과 위치는 물론, 상기 퍼지 장치(10)의 룰 베이스는 상기 신경 네트워크(12)에 의해 변경되는 것을 특징으로 하는 회로 장치.
5. 제 1 항에 있어서, 상기 퍼지 장치(10)의 입력 및 출력 반응은 상기 신경 네트워크(12)의 입력 및 출력 반응과 함수적으로 등가인 것을 특징으로 하는 회로 장치.
6. 제 1 항에 있어서, 상기 퍼지 장치(10) 및 상기 신경 네트워크(12)는 상응 유지되는 쌍방향 변환에 의해 가역적으로 전환될 수 있는 분류화 장치를 각각 포함하는 것을 특징으로 하는 회로 장치.