KR20150018631A - 데이터를 프로세싱하기 위한 방법 - Google Patents

Abstract

서로 다른 원점의 차량, 파워 트레인 또는 파워 트레인의 부품의 파라미터를 이용해 데이터를 프로세싱하기 위한 방법으로서, 상기 방법은 데이터를 읽어 오는 단계 및 동일한 파라미터와 연관된 데이터의 최소 및 최대 축 숫자을 결정하기 위해 통계적 분석을 수행하는 단계를 포함한다. 그 후, 상기 데이터는 공통 포맷으로 변환 및 압축되고, 상기 동일한 파라미터와 연관된 데이터에 공통 축과 동일한 개수의 샘플링 포인트가 제공되며, 여기서 축의 시작 및 종료 숫자는 최소 및 최대 축 숫자로부터 도출된다. 그 후 이러한 방식으로 프로세싱된 데이터가 추가 프로세싱의 대상이 될 수 있다.

Description

데이터를 프로세싱하기 위한 방법{METHOD FOR PROCESSING DATA}

본 발명은 서로 다른 영점의 차량, 파워 트레인 또는 파워 트레인의 부품의 파라미터를 이용해 데이터를 프로세싱하기 위한 방법과 관련되며, 상기 방법은 데이터베이스로부터 차량, 파워 트레인 또는 파워 트레인의 부품의 이전 교정(calibration)에서 획득된 데이터를 읽어 오는 단계를 포함한다.

차량 또는 이의 서브시스템의 시운전 동안 막대한 양의 교정 데이터가 생성되는데, 이 교정 데이터는 서로 완전히 독립적으로 저장되고 서로 상관되지 않는다. 따라서 이들 과거 데이터 인벤토리에 간접적으로 저장되는 임의의 지식이 활용될 수 없다.

과거 데이터를 평가하기 위한 이른바 "데이터 마이닝"의 예로는, 검색 엔진을 이용한 검색 동안의 추출/등급화, 스팸 필터에서의 분류, 온라인 웨어하우스(online warehouse)에서의 장바구니 분석뿐 아니라, 차량 제조업체의 경우 고장이 발생했을 때 결함의 수리가 있다.

내연 기관의 엔진 제어 유닛, 차량, 파워 트레인 또는 파워 트레인의 부품의 개발 또는 교정을 위한 교정 데이터의 분야에서 "데이터 마이닝"과 관련된 문제는 하기의 예시를 통해 명확해질 것이다:

데이터 인벤토리는 15,000 내지 30,000개의 서로 다른 라벨(파라미터)을 포함한다. 각각의 개발 프로젝트에서, 차량/엔진/변속기의 변형(구조)에 대해 대략 100개의 데이터 인벤토리가 존재한다. 추가로, 시간 종속성까지 고려하면, 이는 2년 동안 시운전되는 단일 프로젝트에서 대략 3억 개의 라벨(30,000개의 라벨*100개의 변형*50주*2년)에 달한다.

차량, 파워 트레인 또는 파워 트레인의 부품의 교정은 일반적으로 서로 간에 영향을 미치는 모든 엔진 파라미터, 제어 파라미터, 본체 파라미터, 파워 트레인 파라미터, 제어 장치 파라미터 등이 차량, 파워 트레인 또는 파워 트레인의 부품가 어떠한 문제도 없이 운전되는 방식으로 구성됨을 의미한다. 또한 교정은 내연 기관이 모터 제어 유닛의 제어 파라미터를 이용해 연소가 적절한 방식으로 발생하고 배출 값이 법적 가이드라인에 대응하도록 하는 방식으로 조절됨을 의미한다. 예를 들어, 컨베이어 벨트에서 나온 새 엔진이, 서로에 대해 최적으로 튜닝되어, 엔진에 어떠한 손상도 일으키지 않으면서 최소한의 배출 값으로 가능한 최대의 에너지가 획득되도록, 제어 유닛, 즉, 점화 타이밍, 연료 분사의 양, 분사 각에 의해 제어되어야 한다. 또한 교정은 이 차량에 대해 바람직한 드라이빙 경험(driving experience)이 발생됨을 의미한다. 또한 교정은 가령 운전자가 가속 페달 또는 제동 페달을 발동시킬 때, 차량의 반응 거동, 파워 트레인 또는 파워 트레인의 부품가 균형을 이루는 것을 의미한다. 또한 이는 이러한 교정의 과정에서 생성되는 파라미터 및 이와 연관된 데이터의 크기에 대한 아이디어를 제공한다.

종래의 비교 또는 평가는, 방대한 양의 데이터 때문에, 시각화를 하지 못하고 효율적인 비교도 불가능했다. "데이터 마이닝"을 위한 현재 이용 가능한 알고리즘(>200)은 교정 데이터의 필수 부분을 형성하는 특성 커브(2D) 및/또는 특성 맵(3D)을 생성하지 못한다.

따라서 본 발명의 목적은 차량, 파워 트레인 또는 파워 트레인의 부품의 임의의 영점의 임의의 포맷을 갖는 파라미터를 갖는 데이터로부터 기술적으로 관련성 있는 지식을 추출하는 것이며, 차후 사용을 위해 이를 제공하는 것이다.

이 목적을 이루기 위해, 앞서 기재된 바와 같은 방법이 다음의 방식으로 개선되었다: 우선 동일한 파라미터와 연관된 데이터의 최소 및 최대 축 숫자(axis figure)를 결정하기 위한 통계적 분석이 수행되고, 그 후 데이터가 공통 포맷으로 변환되고 압축되며, 상기 동일한 파라미터와 연관된 데이터에 공통 축 및 동일한 개수의 샘플링 포인트가 제공되고 - 축의 시작 및 종료 숫자는 상기 결정된 최소 및 최대 축 숫자로부터 도출됨 - , 이러한 방식으로 변환된 데이터가 후속 프로세싱을 위한 토대로서 사용된다. 따라서 데이터의 파라미터들 간 임의의 바람직한 상관이 나타날 수 있으며, 과거 정보를 토대로 새 프로젝트의 사전 데이팅이 수행될 수 있으며, 파라미터의 클러스터링 또는 그룹화가 수행될 수 있고(라벨 A는 항상 변형 A, B, C에서 동일한 숫자를 가진다), 시계열적 분석(데이터 인벤토리의 시간, 복잡도 및 품질에 대한 기재)이 가능할 수 있고, 타당성 체크 및/또는 에러 검출(과거 데이터 인벤토리와 관련해서 타당한 파라미터의 값)의 경우, 프로세스 내 취약부분을 알아냄으로써 교정 프로세스 최적화도 수행될 수 있다.

파라미터 데이터가 비교 가능해지기 위해, 동일한 파라미터와 연관된 임의의 데이터에 공통 축 및 동일한 개수의 샘플링 포인트가 제공된다. 따라서 이하에서 기재될 바와 같이 더 개선되는 실시예에서, 비교가 덜 복잡하고 더 신속한 방식으로 데이터의 파라미터의 유형/유닛/축에 독립적으로 수행된다.

바람직하게는, 축에 대해 복수의 샘플링 포인트를 구축하고 이러한 복수의 샘플링 포인트를 축 영역에 걸쳐 동일한 방식으로 분포시킴으로써, 축에 대해 데이터가 정규화된다.

또 다른 바람직한 실시예에서 각자의 바람직하게는 정규화된 데이터의 최소치가 0 라인(zero line)으로 편이된다.

이렇게 할 때, 데이터가 지정 범위, 바람직하게는 0 내지 2³²-2까지 스케일링되도록 추가 단순화 및 따라서 더 신속한 프로세싱이 이뤄질 수 있다.

데이터가 베이스 64(base 64)의 수체계로 변환되는 추가 선택사항적 특징에 따라, 필요한 메모리 공간이 절약된다.

본 발명의 추가 바람직한 실시예에서, 정규화된 데이터가 체크섬과 함께 기록되고, 이에 따라서 더 신속한 비교가 가능해진다.

또한 파라미터에 대한 성숙도(degree of maturity)가 결정될 수 있다. 따라서 성숙도를 이용해 여러 가지 분석이 수행될 수 있다. 예를 들어, 지나치게 낮은 성숙도를 갖는 파라미터가 필터링 제거될 수 있다. 또는 성숙도의 시간적 전개가 분석될 수 있다. 또한 파라미터의 그룹에 대해 전체 성숙도가 결정될 수 있다. 따라서 데이터 축소와 데이터 품질의 향상이 모두 이뤄질 수 있다.

이하에서 제시된 기재에서, 본 발명은 첨부된 도면과 교정 데이터의 예시에 의해 더 상세히 설명될 것이다.

도 1a 내지 1c는, 예를 들어, 1차원, 2차원, 및 3차원 교정 데이터를 도시하며, 도 2a 및 2b는 시간의 흐름에 따른 변화를 기초로 하여 교정 데이터의 품질과 관련된 기재를 명료히 하기 위한 2개의 다이어그램을 도시한다. 도 1a 내지 1c에 예시적 방식으로 나타나고 서로 다른 차원으로 존재할 수 있는 많은 양의 교정 데이터로부터, 가능한 단순한 방식으로 정보가 획득되고 현재 데이터 인벤토리에 대해 사용될 것이다. 지나치게 시간 소모적이고 교정 데이터가 차원, 축 숫자(axis figure), 샘플링 포인트 및 유닛의 개수에 따라 상이할 수 있기 때문에, 종종 종래 방식의 비교가 불가능할 수 있다. 따라서, 제 1 단계에서, 기술 파일(description file)과 데이터 부분으로 이루어진 교정 데이터가 데이터베이스로부터 읽어와 지고, 본 발명에 따르는 체계로 변환되어, 기본 통계 분석이 수행된다. 보통, 엔진 제어 장치의 데이터는 데이터 파일(hex 파일) 및 기술 파일(A21 파일)의 형태로 저장된다. 이들 파일은 특성 맵 또는 특성 곡선의 형태로 존재하며 파라미터 관련 정보를 모두 포함한다. 데이터 파일에 대한 기술(description)로서 기술 파일이 사용되고 이들 둘은 항상 한 쌍(pair)를 형성할 것이다. 따라서 교정 데이터의 분석 동안, 기술 파일 및 데이터 파일이 데이터베이스로부터 읽어와 질 것이다. 그 밖의 다른 데이터의 경우, 데이터 파일에서 판독하는 것이 충분할 수 있다.

통계적 분석은 특정 마커를 토대로 적어도 하나의 최솟값/최댓값 분석 및 "성숙도"의 결정을 포함한다. 이때 파라미터에 대한 성숙도(라벨)가, 가령, 경험으로부터 또는 프로젝트의 상태를 기초로 사용자에 의해 확립된다. 예를 들어 상기 성숙도는 0과 1 사이의 값 또는 퍼센티지로 지시될 수 있다. 0, 25, 50 또는 100 % 성숙도 스텝이 일반적이다. 이들 성숙도로부터, 가령, 연관된 라벨의 개별 성숙도를 함께 더함으로써, 라벨의 그룹에 대한 전체 성숙도가 결정될 수 있다.

그 후, 교정 데이터의 데이터 부분을 공통 포맷으로 변환하고 압축하는 것이 다음 단계에서 수행된다. 이를 위해, 동일한 파라미터에 공통 축 및 동일한 개수의 샘플링 포인트가 제공된다. 동알한 파라미터는, 서로 다른 데이터 인벤토리에서, 서로 다른 축 및 서로 다른 개수의 샘플링 포인트를 가질 수 있다. 예를 들어, 라벨 A는 데이터 인벤토리 1.0에서 0-1000로부터의 축과 8개의 샘플링 포인트를 가지며, 동일한 라벨 A는 데이터 인벤토리 1.1에 50-909의 축 및 17개의 샘플링 포인트를 가진다. 예를 들어, 보간(interpolation)에 의해 추가 샘플링 포인트가 획득될 수 있다. 이 프로세스에서, 축에 대한 시작 및/또는 종료 숫자(들)가 통계 분석으로부터 획득되는 것처럼, 동일한 라벨의 최소 또는 최대 축 숫자으로부터 획득될 수 있다. 복수의 샘플링 포인트는 특정 값, 가령, 25로 통계적으로 설정되는 것이 바람직할 수 있다. 그 후, 파라미터 값이 새 축과 매칭하도록 정규화된다. 이를 위해, 설정된 개수의 샘플링 포인트가 축 영역(최소 및 최대 축 숫자)에 걸쳐 동일하게 분포될 수 있다. 이 프로세싱의 결과로서, 본래의 축, 유형 및/또는 유닛과 독립적인 제 1 시간 동안 관련 비교가 가능하다.

일반적으로 본 발명의 바람직한 형태에 따라 방대한 양의 데이터가 다뤄질 것이기 때문에, 심지어 데이터베이스로 삽입되기 전에도 이 데이터가 메모리 공간을 절약하기 위해 프로세싱된다. 첫째, 최솟값이 정확히 0점 상에 있고 양의 값들만 다뤄지도록 값들이 이동된다. 마지막으로, 파라미터 값의 스케일링(scaling)이 수행되어, 0 내지 2³²-2의 정수들만 존재하게 할 수 있다. 이를 위해, 예를 들어, 파라미터 값에 곱해지는 팩터가 확립되어, 정수에 도달할 수 있다.

바람직하게는, 체크섬(가령, CRC32)이 각각의 파라미터의 정규화되고 스케일링된 값을 통해 확립된다. 이 고유한 체크섬에 의해, 단 하나의 명령어에 의해, 2개의 특성 맵(3D) 또는 특성 곡선(2D)의 동일성(equality)의 검사가 가능하며, 이는 또한 값들이 클러스터링되게 한다.

이와 관련하여, 이하에서 더 상세히 기재될 이들 정수를 그들 고유의 수체계로 전송하는 추가 단계가 제공될 수 있다. 우선, 파라미터 데이터의 경우, 항상 동일한 값을 갖는 일부 특성 곡선(2D) 및/또는 특성 맵(3D)이 존재한다. 이는 직선 또는 평면일 것이다. 이 경우, 이는 항상 스스로 반복하기 때문에, 하나의 z 값만 저장될 것이며, 이로써 불필요한 메모리 사용이 피해질 수 있다. 데이터를 십진법에 비교할 때 더 많은 문자, 가령, 64개의 문자를 갖는 수체계로 변환하는 것이 또한 메모리를 덜 사용하는 데 기여한다. 이러한 수체계는, 십진법에 비교할 때, 더 적은 메모리를 필요로 하는데, 더 큰 숫자가 더 적은 문자를 이용해 표현될 수 있기 때문이다. 바람직하게는, 십진법과 베이스 2n 간 변환이 고속 비트 시프팅 연산에 의해 수행될 수 있기 때문에(표 1 참조), 베이스로 64가 선택된다.

변환 및 압축된 데이터가 "데이터 웨어하우스"에 중앙 집중적으로 저장되며 복잡한 분석의 고속 수행이 가능해진다. 이에 대한 하나의 예시가 도 2a 및 도 2b에 설명된다. 도 2a에, 교정 데이터에 대한 변경의 빈도 및/또는 범위가 시간에 따라 플로팅된다. 각각의 프로젝트의 도입 단계 후에, 최종적으로, 사소한 적응, 즉, "미세 튜닝" 만 발생하는 프로젝트의 종료 시까지 이른 단계에서 많은 변화가 발생한다. 이는, 교정 데이터의 분석 동안 정확히 반대의 변화 과정을 보여주는 도 2b에 도시된 다이어그램이 획득되는 경우, 프로젝트가 형편없이 실행되었고 및/또는 에러 데이터가 존재한다고 결론 내려질 수 있다.

데이터의 크기를 감소시키고 데이터의 품질을 개선하기 위해, 각각의 레벨의 성숙도가 사용된다. 상기 성숙도는 각각의 라벨에 대해 지시되고 0%(초기)와 100%(최종) 사이이다. 앞서 이미 언급된 바와 같이 "데이터 웨어하우스"를 확립할 때, >n%의 성숙도를 갖는 라벨만이 사용되는 유형의 필터링이 발생할 수 있다. 또한 성숙도를 이용한 가중화가 수행될 수 있다. 이 프로세스에서, 예를 들어, 보고 또는 평가의 모음 동안 바람직한 처리가 더 높은 성숙도를 갖는 이들 라벨에 제공될 것이다.

특이점(outlier)을 검출하고 분포 함수(도면 참조: 정규 분포 곡선)를 나타내기 위해, 점수 = 0%를 갖는 라벨은 고려되지 않을 것이다.

Claims (11)

1. 서로 다른 영점을 갖는 차량, 파워 트레인 또는 파워 트레인의 부품의 파라미터를 이용해 데이터를 프로세싱하기 위한 방법으로서,
   - 차량, 파워 트레인 또는 파워 트레인의 부품의 이전 교정으로부터 획득된 데이터를 데이터베이스로부터 읽어 오는 단계,
   - 차량, 파워 트레인 또는 파워 트레인의 부품의 동일한 파라미터와 연관된 데이터의 최소 및 최대 축 숫자을 결정하기 위한 통계 분석을 수행하는 단계,
   - 차량, 파워 트레인 또는 파워 트레인의 부품의 이전 교정으로부터 획득된 데이터를 공통 포맷으로 변환 및 압축하는 단계,
   - 차량, 파워 트레인 또는 파워 트레인의 부품의 동일한 파라미터와 연관된 데이터에 공통 축 및 동일한 개수의 샘플링 포인트를 제공하는 단계 - 축의 시작 및 종료 숫자가 최소 및 최대 축 숫자로부터 도출됨 - , 및
   - 변환된 데이터를 후속 프로세싱을 위한 토대로서 사용하는 단계
   를 포함하는, 데이터를 프로세싱하기 위한 방법.
2. 제1항에 있어서, 상기 데이터는 데이터의 축에 대해 정규화되는, 데이터를 프로세싱하기 위한 방법.
3. 제2항에 있어서, 축에 대한 복수의 샘플링 포인트가 확립되고 이 복수의 샘플링 포인트는 축 영역에 걸쳐 동일하게 분포되는, 데이터를 프로세싱하기 위한 방법.
4. 제1항 내지 제3항 중 어느 한 항에 있어서, 각각의 데이터의 최솟값이 0 라인(zero line) 상으로 편이되는, 데이터를 프로세싱하기 위한 방법.
5. 제4항에 있어서, 데이터는 지정 범위, 바람직하게는 0 내지 2³²-2로 스케일링(scale)되는, 데이터를 프로세싱하기 위한 방법.
6. 제5항에 있어서, 데이터는 베이스 64를 갖는 수체계로 변환되는, 데이터를 프로세싱하기 위한 방법.
7. 제2항 내지 제6항 중 어느 한 항에 있어서, 정규화된 데이터가 체크섬(checksum)과 함께 저장되는, 데이터를 프로세싱하기 위한 방법.
8. 제1항 내지 제7항 중 어느 한 항에 있어서, 파라미터에 대해 성숙도(degree of maturity)가 결정되는, 데이터를 프로세싱하기 위한 방법.
9. 제8항에 있어서, 지정 한계 미만의 성숙도를 갖는 파라미터가 필터링 제거되는, 데이터를 프로세싱하기 위한 방법.
10. 제1항 내지 제8항 중 어느 한 항에 있어서, 변환된 데이터가 차량, 파워 트레인 또는 파워 트레인의 부품를 교정하도록 사용되는, 데이터를 프로세싱하기 위한 방법.
11. 제1항 내지 제8항 중 어느 한 항에 있어서, 변환된 데이터는 이전 교정으로부터 획득된 데이터를 평가하기 위해 사용되는, 데이터를 프로세싱하기 위한 방법.
    
    

Images