KR20120002720A - 인공 신경망을 이용한 타이어 성능 예측 방법 - Google Patents

Abstract

본 발명은 인공 신경망을 이용한 타이어 성능 예측 방법에 관한 것이다.
본 발명은 데이터 마이닝 기법중 하나인 인공 신경망 기법을 타이어 성능 예측에 적용하였으며, 타이어 제조 시 선택되어지는 구조, 고무, 패턴,사이즈 데이터와 시험 환경 조건 데이터를 인공 신경망에 적용하고 타이어 전용 인공 신경망 모델부를 거쳐 최종 출력물인 타이어 회전저항, 타이어 동적 회전 반경, 중량 성능을 예측할 수 있도록 한 인공 신경망을 이용한 타이어 성능 예측 방법을 제공하는데 그 목적이 있다.
본 발명은 상기 목적을 달성하기 위해 타이어 회전저항, 타이어 동적 회전 반경, 타이어 중량에 대한 성능을 예측하기 위해 각종의 데이터를 입력받는 입력 단계; 상기 입력 데이터를 전 처리하는 단계; 각 성능 예측 항목에 대한 예측 모델링을 하는 인공 신경망 모델링 단계; 상기 예측 모델링을 기초로 타이어 회전저항, 타이어 동적 회전 반경, 타이어 중량에 대한 성능을 예측하는 단계; 상기 입력 데이터를 후 처리하는 단계; 타이어 회전저항, 타이어 동적 회전 반경, 타이어 중량에 대한 성능 예측 결과를 출력하는 단계; 및 상기 예측 출력 결과를 모니터링하는 단계를 포함하는 것을 특징으로 한다.

Description

인공 신경망을 이용한 타이어 성능 예측 방법{Method for Predicting Tire Performance Using Neural Network}

본 발명은 인공 신경망을 이용한 타이어 성능 예측 방법에 관한 것으로, 특히 완제품 타이어를 직접 제작하지 않고 데이터 마이닝 기법 중 인공 신경망 기법 적용을 통해 타이어 개발 시 타이어의 회전저항(Rolling Resistance), 타이어 동적 회전 반경(Dynamic Rolling Radius), 및 타이어 중량(Weight)에 대한 성능 예측을 할 수 있는 인공 신경망을 이용한 타이어 성능 예측 방법에 관한 것이다.

최근, 국제적으로 타이어의 저연비 특성에 대한 관심이 높아지고 있는 추세이며, 타이어의 회전저항, 타이어 동적 회전 반경, 타이어 중량에 대한 최적화 설계 연구가 매우 활발히 이루어지고 있다.

하지만, 타이어 성능 예측 방법에 대한 발명은 미흡한 실정이며 일부 타이어 원주 방향 토크를 예측하는 방법, 타이어 구동 효율성 측정 방법, 타이어 소음 측정 방법, 타이어 수명 예측 방법, 타이어 공기압 이상 예측 방법과 관련하여 몇몇의 특허문헌들이 공개되어 있다. 예를 들어 대한민국공개특허 제10-2000-0014285호, 제10-2006-0039787호, 제10-1998-072583호 등에 타이어 관련 예측 장비 및 방법들이 개시되어 있다.

그 예를 구체적으로 살펴보면, 상기 공개특허 제10-2000-0014285호는 제품생산 이전 설계단계에서 타이어의 소음을 시뮬레이션을 통해 예측·개선하는 방법에 관한 것으로, 타이어 패턴 소음을 발생시키는 가진력을 수학적으로 모델화함에 있어서, 접지면에 따른 타이어의 폭 방향으로의 가중 팩터와 타이어 진행방향으로의 가중 팩터를 사용함으로써 실제 주행상황과 유사하게 타이어 패턴 소음을 예측 및 평가할 수 있고, 타이어의 폭 방향 및 진행방향 가중 팩터는 접지면을 단위요소로 분할하여 접지압 측정장치를 이용하여 구하고, 이를 다중회귀분석한 결과를 통하여 계산하고, 타이어의 접지면의 단위요소에 대한 접지압 가중 팩터와 가진력을 곱하여 얻은 결과를 타이어 폭 방향 및 주행방향으로 중첩시키고, 피치율을 곱하여 원주상에 특정 순서로 배열함으로써 타이어 패턴 소음을 예측하는 것을 개시하고 있다.

상기 공개특허 제10-2006-0039787호는 타이어의 내부 온도 및 압력 변동치에 따라 타이어의 교체시기를 알려주는 타이어 수명 예측 장치 및 방법에 관한 것으로, 타이어 위치 식별 정보를 저장하고 차량의 주행에 따른 타이어의 내부 압력과 노면과 마찰에 의한 타이어의 내부 온도를 측정하여 상기 위치 식별 정보와 함께 전송하는 송신기와, 타이어 교체 온도 기준값 및 압력 기준값을 저장하고 상기 송신기가 전송한 타이어 위치 식별 정보와 상기 타이어의 내부 온도 및 압력을 검출하여 상기 타이어 교체 온도 기준값 및 압력 기준값과 비교하여 상기 타이어 내부 온도 및 압력 중 어느 하나가 상기 타이어 교체 온도 기준값 및 압력 기준값 보다 크면 타이어를 교체할 것을 알리는 경보 신호를 생성하여 출력하는 수신기와, 상기 경보 신호를 입력받아 운전자에게 경보하는 경보부를 구비한 타이어 수명 예측 장치를 개시하고 있다.

또한, 공개특허 제10-1998-072583호는 타이어의 공기압 이상 예측방법에 관한 것으로, 자동차의 차축에 마그네틱 픽업과 기어형태의 디스크를 부착하여 차속을 측정하는 차속센서로 부터의 차속신호와 조향각 센서로 부터의 스티어링 휠 중립신호를 ECU에서 제어하여 각 바퀴의 회전속도를 측정하고, 스티어링 휠이 중립상태 인가를 판단하여 스티어링 휠이 중립상태를 유지하고 4바퀴의 회전속도가 일정시간 동안 계속적으로 다르게 계측되면 운전자에게 경고하게 끔 한 타이어의 공기압 이상 예측방법을 개시하고 있다.

그러나 타이어 회전저항, 타이어 동적 회전 반경, 타이어 중량에 대한 성능 예측 방법으로 인공 신경망 기법을 적용한 예는 종래에 제안된 바가 없었다.

이에 본 발명자는 기존의 다양한 분야에서 적용되고 있는 데이터 마이닝 기법 중 하나인 인공 신경망 기법을 타이어 회전저항, 동적 회전 반경, 중량에 대한 성능 예측 방법에 적용하는 것을 고려하게 되었다. 여기서 참고로 데이터 마이닝 기법은 데이터베이스로부터 과거에는 알지 못했지만 데이터 속에서 유도된 새로운 데이터 모델을 발견하여 미래에 실행 가능한 정보를 추출해 내고 의사 결정에 이용하는 과정을 말한다. 즉 데이터에 숨겨진 패턴과 관계를 찾아내어 광맥을 찾아내듯이 정보를 발견해 내는 것을 말한다.

또한, 타이어는 비선형 복합체이며 타이어 성능을 높이기 위해서는 특성 인자의 변경뿐만 아니라 복합적인 설계 인자를 다양하게 변경하는 것이 일반적이다. 그래서 비선형 복합체인 타이어의 성능을 예측하기 위해서는 선형적인 예측보다는 비선형 예측에 적합한 예측 기법을 적용한 방법이 필요하게 될 것이다.

본 발명은 상기와 같은 종래 기술의 배경하에서 안출된 것으로서, 본 발명에서는 데이터 마이닝 기법중 하나인 인공 신경망 기법을 타이어 성능 예측에 적용하여, 타이어 제조 시 선택되어지는 구조, 고무, 패턴, 사이즈 데이터와 시험 환경 조건 데이터를 인공 신경망에 적용하고 타이어 전용 인공 신경망 모델부를 거쳐 최종 출력물인 타이어의 회전저항, 타이어 동적 회전 반경, 중량 성능을 예측할 수 있도록 한 인공 신경망을 이용한 타이어 성능 예측 방법을 제공하는데 그 목적이 있다.

그리고 본 발명은 일반적인 타이어 해석 기법에서 많은 소요 시간과 성능별 다량의 타이어 해석 모델이 필요로 하는 단점을 타이어 해석 기반의 예측 방법과 전혀 다른 예측 방법을 제시함으로써 해결할 수 있는 인공 신경망을 이용한 타이어 성능 예측 방법을 제공하는데 다른 목적이 있다.

본 발명은 상기 목적을 달성하기 위해, 타이어 회전저항, 타이어 동적 회전 반경, 타이어 중량에 대한 성능을 예측하기 위해 각종의 데이터를 입력받는 입력 단계; 상기 입력 데이터를 전 처리하는 단계; 각 성능 예측 항목에 대한 예측 모델링을 하는 인공 신경망 모델링 단계; 상기 예측 모델링을 기초로 타이어 회전저항, 타이어 동적 회전 반경, 타이어 중량에 대한 성능을 예측하는 단계; 상기 입력 데이터를 후 처리하는 단계; 타이어 회전저항, 타이어 동적 회전 반경, 타이어 중량에 대한 성능 예측 결과를 출력하는 단계; 및 상기 예측 출력 결과를 모니터링하는 단계를 포함하는 것을 특징으로 한다.

본 발명에 의하면 기존의 개발 과정의 시스템 변경 없이 개발자가 제조하기 위한 타이어의 제조 사양만 있으면 개발자가 쉽고 간편하게 타이어 회전저항, 타이어 동적 회전 반경, 타이어 중량을 예측함으로써 타이어 신개발품 및 성능 단계에서 발생될 수 있는 개발 지연 및 추가 비용을 줄일 수 있는 효과를 얻을 수 있다. 또한 기존 유한요소해석을 이용한 타이어 성능을 확인하는 방식 대비 시간적인 측면 및 신뢰성 측면에서 이점을 기대할 수 있으며, 또한 타이어 개발 비용 면에서 이점을 기대할 수 있다. 또한 회전 저항과 트레드 오프(Trade Off: 타이어의 일부 성능을 높이기 위해서 타이어 구조 설계 변경 또는 타이어 고무 설계 변경 또는 타이어 트레드 패턴 변경 등을 하게 되면 반대 성향을 가지는 타이어의 다른 성능이 낮아지는 것) 관계에 있는 타이어 마모, 내구력, 트랙션(traction)의 성능 육성에도 간접적인 효과를 얻을 수 있다.

도 1은 타이어 회전저항, 타이어 동적 회전 반경, 타이어 중량 예측 방법에 대한 흐름도를 도시한다.
도 2는 타이어 회전저항, 타이어 동적 회전 반경, 타이어 중량 예측의 인공 신경망 모델을 나타낸 도면이다.
도 3은 회전저항에 대한 예측 결과와 실제 시험 결과의 회귀 결과 도면이다.
도 4는 회전저항에 대한 예측 결과와 실제 시험 결과의 편차 분석 도면이다.
도 5는 회전저항에 대한 예측 결과와 실제 시험 결과 도면이다.
도 6은 동적 회전 반경에 대한 예측 결과와 실제 시험 결과의 회귀 결과 도면이다.
도 7은 동적 회전 반경에 대한 예측 결과와 실제 시험 결과의 편차 분석 도면이다.
도 8은 동적 회전 반경에 대한 예측 결과와 실제 시험 결과 도면이다.
도 9는 중량에 대한 예측 결과와 실제 시험 결과의 회귀 결과 도면이다.
도 10은 중량에 대한 예측 결과와 실제 시험 결과의 편차 분석 도면이다.
도 11은 중량에 대한 예측 결과와 실제 시험 결과 도면이다.

이하 본 발명의 일 실시예에 따른 인공 신경망을 이용한 타이어 성능 예측 방법을 도면을 참조로 하여 상세히 설명한다.

도 1은 타이어 회전저항, 타이어 동적 회전 반경, 타이어 중량 예측 방법에 대한 흐름도를 도시한다.

본 발명의 타이어 회전저항, 타이어 동적 회전 반경, 타이어 중량에 대한 성능 예측 방법은 입력 단계(S10), 데이터 전 처리 단계(S20), 인공 신경망 모델링 단계(S30), 데이터 예측 단계(S40), 데이터 후 처리 단계(S50), 예측 출력 단계 및 모니터링 단계(S60)를 포함한다.

상기 입력 단계(S10)에서는 타이어 회전저항, 타이어 동적 회전 반경, 타이어 중량에 대한 성능을 예측하기 위해서 데이터 구조 인자 및 데이터, 타이어 고무 조성물 데이터, 타이어 고무 특성 데이터, 타이어 트레드 패턴, 타이어 사이즈, 시험 환경 조건에 대한 데이터를 입력받는다.

상기 입력은 구체적으로 예측을 위한 입력 인자 도면을 도시한 표1과 표2에 열거한 바와 같은 세부 인자를 통해서 입력받게 된다.

구체적인 세부 인자는 표1과 표2를 참조할 수 있다.

[표1]

[표2]

인공 신경망 모델링 단계(S30)는 각 성능 예측 항목에 대한 예측 모델링을 하는 단계로 중량 예측 모델링 단계(S30-1), 동적 회전 반경 예측 모델링 단계(S30-2) 및 회전저항 예측 모델링 단계(S30-3)를 포함한다.

타이어 회전저항, 타이어 동적 회전 반경, 타이어 중량에 대한 모델링 후의 예측 결과를 도출하기 위해서 인공 신경망 모델링 단계(S30)에서는 기조 시험 결과에 대한 데이터 베이스 구축 단계(S30"-1), 데이터 수집 단계(S30"-2), 데이터 전 처리 단계(S30"-3), 인공신경망 적용단계(S30')(초기 가중치 적용 단계(S30'-1), 학습단계(S30'-2), 최적화 가중치 도출단계(S30'-3))를 거처 처리된 최종 최적화 가중치를 이용해 타이어 회전저항 예측 모델링 단계(S30-1), 동적 회전 반경 예측 모델링(S30-2), 중량 예측 모델링(S30-3)을 하게 된다. 이렇게 구성된 인공 신경망 모델링 단계(S30)를 통해서 데이터 예측이 가능하게 된다. 인공 신경망 적용 단계에서는 인공 신경망 기법을 적용하게 된다.

도 2는 타이어 회전저항, 타이어 동적 회전 반경, 타이어 중량 예측의 인공 신경망 모델을 나타낸 도면이다. 인공 신경망 모델부는 인공 신경망 모델링 단계에 적용되며, 입력층(In-Put Layer;10), 은닉층(Hidden Layer;20)), 출력층(Out-Put Layer;30))으로 설계된 다층 신경망이다. 입력층(100)은 단층 구조로 최소 1개에서 최대 2000개의 뉴런(Neuron)으로 설계되어 있으며, 은닉층(200)은 단층 또는 2층 구조로 각 층마다 최소 1개에서 최대 1500개의 뉴런(Neuron)으로 설계되어 있다. 또한, 출력층(300)은 단층 구조로 최소 1개에서 최대 1000개의 뉴런(Neuron)으로 구성되어 있다.

타이어 전용 인공 신경망 모델링 단계에서 도출된 각 성능 항목의 결과는 데이터 예측 단계(S40), 데이터 후 처리 단계(S50)를 거쳐 최종 예측 출력 단계(S60)에서는 타이어 회전저항, 타이어 동적 회전 반경, 타이어 중량에 대한 성능 예측 결과를 출력하게 된다. 성능 예측에 대한 세부 결과 인자 및 데이터 범위는 표3에 상세히 도시되어 있다.

타이어 회전저항 예측 결과는 표3에 도시한 바와 같이 회전저항 시험 규정인 ISO 18164 및 ISO 28580의 시험 조건을 적용하여 예측하게 된다. 표1의 타이어 제조 사양과 표2의 회전저항 시험 결과에 대한 과거 데이터를 도 1의 B의 인공 신경망 적용 단계를 거쳐 최적화 가중치를 도출한다. 상세하게는 도 2의 D를 거쳐 도출된 최적화 가중치는 다시 도 1 C의 인공 신경망 모델링 단계의 회전저항 예측 모델링을 하는데 적용되게 된다. 회전저항 예측 모델링이 만들어진 상태에서 예측을 하기 위해서 표1(그리고 표2)의 예측 입력 인자를 결정하게 되면 아래의 표 3의 범위 내에서 회전저항의 결과를 예측하게 된다.

[표3]

타이어 동적 회전 반경 예측 결과는 타이어 회전 횟수 시험 규정인 ISO17269의 시험 조건을 적용하여 예측하게 된다. 표1의 타이어 제조 사양과 표2의 동적 회전 반경 시험 결과에 대한 과거 데이터를 도 1의 B의 인공 신경망 적용 단계를 거쳐 최적화 가중치를 도출한다. 상세하게는 도 2의 D를 거쳐 도출된 최적화 가중치는 다시 도 1 C의 인공 신경망 모델링 단계의 동적 회전 반경 예측 모델링을 하는데 적용되게 된다. 동적 회전 반경 예측 모델링이 만들어진 상태에서 예측을 하기 위해서 표1(그리고 표2)의 예측 입력 인자를 결정하게 되면 표3의 범위 내에서 동적 회전 반경의 결과를 예측하게 된다.

타이어 중량 예측 결과는 표 3에 도시한 바와 같이 총 타이어 중량을 측정한 결과를 예측하도록 하였다. 표1의 타이어 제조 사양과 표2의 타이어 중량 시험 결과에 대한 과거 데이터를 도 1의 B의 인공 신경망 적용 단계를 거쳐 최적화 가중치를 도출한다. 상세하게는 도 2의 D를 거쳐 도출된 최적화 가중치는 다시 도 1 C의 인공 신경망 모델링 단계의 동적 회전 반경 예측 모델링을 하는데 적용되게 된다. 타이어 중량 예측 모델링이 만들어진 상태에서 예측을 하기 위해서 표1(그리고 표2)의 예측 입력 인자를 결정하게 되면 표3의 범위 내에서 타이어 중량의 결과를 예측하게 된다.

따라서 본 발명에 의한 타이어 회전저항, 타이어 동적 회전 반경, 타이어 중량 성능 예측 방법을 적용할 경우 종래의 특별한 예측 기술 없이 타이어 개발 및 생산에 소요되는 시간 및 비용을 줄일 수 있으며, 더불어 타이어 회전저항 성능의 트래드 오프(trade-off) 관계에 있는 내구 성능, 마모 성능, 트랙션 성능의 향상도 기대할 수 있다.

이하 본 발명을 타이어를 실제로 제작하여 시험한 결과와 본 발명의 일 실시예에 따라 예측한 결과를 통하여 상세히 설명하기로 한다. 그러나 본 발명은 기술하는 설명으로 한정되지 않으며, 본 발명의 영역 내에서 당업자에 의해 여러 가지로 수정 및 변형될 수 있다.

도 5는 타이어 회전저항 시험 및 예측 결과를 보여주고 있다. 타이어 제조 사양과 예측 입력 사양은 동일하며, 총 10본의 타이어를 시험 및 예측하였다. 도 4는 회전저항에 대한 예측 결과와 실제 시험 결과의 편차 분석 도면으로서, 도 4에서 볼 수 있는 바와 같이, 시험 결과와 예측 결과의 오차는 최소 0.01kgf에서 최대 00.6kgf이며 일반적으로 회전저항 시험기의 시험 오차는 약 0.05kgf이다. 또한 회전저항에 대한 예측 결과와 실제 시험 결과의 회귀 결과 도면인 도 3에서 회전저항의 예측결과 대비 실제 시험 결과의 회귀분석 결과 다중상관계수 R² = 0.9998를 고려한 결과 예측 성능은 매우 우수함을 확인할 수 있다.

도 8은 타이어 동적회전반경 시험 및 예측 결과를 보여 주고 있다. 타이어 제조 사양과 예측 입력 사양은 동일하며, 총 10본의 타이어를 시험 및 예측하였다. 동적 회전 반경에 대한 예측 결과와 실제 시험 결과의 편차 분석 도면인 도 7에서 볼 수 있는 바와 같이, 시험 결과와 예측 결과의 오차는 최소 0.4mm에서 최대 2.1mm이며 일반적으로 시험기의 시험 오차 및 타이어 제조 공정 오차의 복합적인 오차 약 3.5mm와 도 6에서 동적 회전 반경의 예측 결과 대 실제 시험 결과의 회귀분석 결과 다중상관계수가 0.9994를 고려한 결과 예측 성능은 매우 우수함을 확인할 수 있다.

도 11은 타이어 중량 측정 및 예측 결과를 보여 주고 있다. 타이어 제조 사양과 예측 입력 사양은 동일하며, 총 10본의 타이어를 측정 및 예측하였다. 중량에 대한 예측 결과와 실제 시험 결과의 편차 분석 도면인 도 10으로부터 실 측정 결과와 예측 결과의 오차는 최소 0.03kg에서 최대 0.18kg이며 일반적으로 측정기 오차 및 타이어 제조 공정 오차의 복합적인 오차 약 0.15kg과, 중량에 대한 예측 결과와 실제 시험 결과의 회귀 결과 도면인 도 9에서 타이어 중량 예측 결과 대 실제 측정 결과의 회귀분석 결과 다중상관계수가 0.993인 점을 고려하면 예측 성능은 우수함을 확인할 수 있다.

지금까지 본 발명의 일 실시예를 첨부 도면을 참조로 하여 기술하였으나 본 발명은 이에 한정되지 않으며 이하의 부속 청구범위의 사상 및 영역을 일탈하지 않는 범위 내에서 당업자에 의해 여러 가지로 변경 및 변형실시될 수 있으며, 따라서 이러한 변경 및 변형은 본 발명의 영역 내에 있는 것으로 해석되어야 할 것이다.

10: 입력층 20: 은닉층
30: 출력층

Claims (6)

1. 타이어 회전저항, 타이어 동적 회전 반경, 타이어 중량에 대한 성능을 예측하기 위해 각종의 데이터를 입력받는 입력 단계;
   상기 입력 데이터를 전 처리하는 단계;
   각 성능 예측 항목에 대한 예측 모델링을 하는 인공 신경망 모델링 단계;
   상기 예측 모델링을 기초로 타이어 회전저항, 타이어 동적 회전 반경, 타이어 중량에 대한 성능을 예측하는 단계;
   상기 입력 데이터를 후 처리하는 단계;
   타이어 회전저항, 타이어 동적 회전 반경, 타이어 중량에 대한 성능 예측 결과를 출력하는 단계; 및
   상기 예측 출력 결과를 모니터링하는 단계를 포함하는 것을 특징으로 하는 인공 신경망을 이용한 타이어 성능 예측 방법.
2. 청구항 1에 있어서,
   상기 인공 신경망 모델링 단계는,
   타이어 회전저항, 타이어 동적 회전 반경, 타이어 중량에 대한 모델링 후의 예측 결과를 도출하기 위해
   기조 시험 결과에 대한 데이터 베이스 구축 단계;
   데이터 수집 단계;
   데이터 전 처리 단계;
   인공신경망 적용단계를 거치는 것을 특징으로 하는 인공 신경망을 이용한 타이어 성능 예측 방법.
3. 청구항 2에 있어서,
   상기 인공신경망 적용단계는,
   초기 가중치 적용 단계;
   학습단계; 및
   최적화 가중치 도출단계를 포함하는 것을 특징으로 하는 인공 신경망을 이용한 타이어 성능 예측 방법.
4. 청구항 2에 있어서,
   상기 인공신경망 모델링 단계는,
   상기 베이스 구축 단계, 데이터 수집 단계, 데이터 전 처리 단계, 및 인공신경망 적용단계를 거처 처리된 최종 최적화 가중치를 이용하여
   중량 예측 모델링 단계;
   동적 회전반경 예측 모델링 단계;
   회전저항 예측 모델링 단계를 거치는 것을 특징으로 하는 인공 신경망을 이용한 타이어 성능 예측 방법.
5. 청구항 2에 있어서,
   상기 각종의 데이터는,
   타이어 구조 인자 및 데이터;
   타이어 고무 조성물 데이터;
   타이어 고무 특성 데이터;
   타이어 트레드 패턴;
   타이어 사이즈; 및
   시험 환경 조건을 포함하는 것을 특징으로 하는 인공 신경망을 이용한 타이어 성능 예측 방법.
6. 청구항 1에 있어서,
   상기 인공 신경망 모델링 단계에 사용되는 인공 신경망 모델부는 입력층(In-Put Layer), 은닉층(Hidden Layer)), 출력층(Out-Put Layer))으로 설계된 다층 신경망을 포함하는 것을 특징으로 하는 인공 신경망을 이용한 타이어 성능 예측 방법.

Images