KR20160059204A

KR20160059204A - 차량용 배터리 센서 및 상기 센서 내에 구비된 션트 저항의 오차를 보정하는 방법

Info

Publication number: KR20160059204A
Application number: KR1020140160779A
Authority: KR
Inventors: 권순근
Original assignee: 현대모비스 주식회사
Priority date: 2014-11-18
Filing date: 2014-11-18
Publication date: 2016-05-26
Also published as: KR102295697B1

Abstract

차량용 배터리 센서가 개시된다. 이 센서는, 기 설정된 일별 온도 데이터를 계절을 나타내는 다수의 패턴 군집들로 분류한 자기 조직화 지도(Self-Organizing Map)를 설정하고, K-means 알고리즘을 이용하여 차량의 외기 온도 데이터의 중심 좌표값을 상기 자기 조직화 지도에 사상하여 상기 외기 온도 데이터의 중심 좌표값에 가장 가까운 중심 좌표값을 갖는 패턴 군집을 검출하고, 검출된 패턴 군집을 대표하는 평균 온도값을 계절 정보로서 출력하는 계절 판단부 및 오차 보정 테이블을 참조하여, 상기 계절 정보에 포함된 평균 온도값에 맵핑되는 오차 보정값을 검출하고, 검출된 오차 보정값을 이용하여 온도에 따라 변하는 션트 저항의 현재 저항값을 보정하여, 보정된 션트 저항의 보정된 저항값에 따라 상기 션트 저항에 흐르는 전류를 측정하는 전류 센싱부를 포함한다.

Description

차량용 배터리 센서 및 상기 센서 내에 구비된 션트 저항의 오차를 보정하는 방법{BATTERY SENSOR FOR VEHICLE AND MEHTOD FOR COMPENSATING ERROR OF SHUNT RESISTOR COMPRISED IN THE SENSOR}

본 발명은 차량용 배터리 센서에 관한 것으로서, 특히 상기 차량용 배터리 센서 내에 구비된 션트 저항의 오차를 보정하는 차량용 배터리 센서 및 상기 센서 내에 구비된 션트 저항의 오차를 보정하는 방법에 관한 것이다.

최근 양산되는 차량에는 각종 전자 제어 기기 및 멀티미디어 기기 등이 기본적으로 설치된다. 이러한 기기들은 차량 배터리의 전원 공급에 따라 동작하기 때문에 차량 배터리의 관리가 중요하다.

차량 배터리를 관리하기 위해, 상기 차량 배터리의 충전 상태, 노후화 정도 및 재시동 능력 등을 모니터링 하는 차량 배터리 센서가 차량 내에 탑재된다.

상기 차량 배터리의 충전 상태, 노후화 정도 및 재시동 능력 등은 차량 배터리의 전류 측정을 통해 모니터링될 수 있다.

차량 배터리 센서 내에는 전류 센싱 유닛이 구비되고, 이 전류 센싱 유닛이 차량 배터리에 연결된 션트 저항에 흐르는 전류를 측정한다.

정밀한 전류 측정을 위해서는, 션트 저항은 주변 온도에 의한 저항값 변동이 적어야 한다. 통상적으로 션트 저항은 온도에 의한 영향을 최소화하기 위해, 타 합금에 비해 온도 영향이 작은 Manganin 합금으로 이루어진다.

그러나, Manganin 합금이 타 합금에 비해 온도 영향에 따른 저항값 오차가 적다 하더라도 온도에 따른 오차를 완전히 배제할 수 없다.

특히, 4계절이 뚜렷한 환경에서는, 계절별 온도 변화가 크기 때문에, 계절에 따른 온도 변화를 고려하여 션트 저항의 오차를 보정할 필요가 있다.

따라서, 본 발명의 목적은 계절 별 온도에 따라 션트 저항의 오차를 보정하여 차량 배터리에 흐르는 전류를 정밀하게 측정할 수 있는 차량용 배터리 센서 및 상기 션트 저항의 오차를 보정하는 방법을 제공하는 데 있다.

상기와 같은 목적을 달성하기 위한 본 발명의 일면에 따른 차량용 배터리 센서는, 기 설정된 일별 온도 데이터를 계절을 나타내는 다수의 패턴 군집들로 분류한 자기 조직화 지도(Self-Organizing Map)를 설정하고, K-means 알고리즘을 이용하여 차량의 외기 온도 데이터의 중심 좌표값을 상기 자기 조직화 지도에 사상하여 상기 외기 온도 데이터의 중심 좌표값에 가장 가까운 중심 좌표값을 갖는 패턴 군집을 검출하고, 검출된 패턴 군집을 대표하는 평균 온도값을 계절 정보로서 출력하는 계절 판단부 및 오차 보정 테이블을 참조하여, 상기 계절 정보에 포함된 평균 온도값에 맵핑되는 오차 보정값을 검출하고, 검출된 오차 보정값을 이용하여 온도에 따라 변하는 션트 저항의 현재 저항값을 보정하여, 보정된 션트 저항의 보정된 저항값에 따라 상기 션트 저항에 흐르는 전류를 측정하는 전류 센싱부를 포함한다.

본 발명의 다른 일면에 따른 상기 차량용 배터리 센서 내에 구비된 션트 저항의 오차를 보정하는 방법은 기 설정된 일별 온도 데이터를 계절을 나타내는 다수의 패턴 군집들로 분류한 자기 조직화 지도(Self-Organizing Map)를 설정하고, K-means 알고리즘을 이용하여 차량의 외기 온도 데이터의 중심 좌표값을 상기 자기 조직화 지도에 사상하여 상기 외기 온도 데이터의 중심 좌표값에 가장 가까운 중심 좌표값을 갖는 패턴 군집을 검출하고, 검출된 패턴 군집을 대표하는 평균 온도값을 현재의 계절로 판단하는 단계와, 오차 보정 테이블을 참조하여, 상기 계절 정보에 포함된 평균 온도값에 맵핑되는 오차 보정값을 검출하는 단계 및 검출된 오차 보정값을 이용하여 온도에 따라 변하는 션트 저항의 현재 저항값을 보정하는 단계를 포함한다.

본 발명에 따르면, 차량 배터리 센서로부터 계산된 계절정보를 이용하여 차량 배터리 센서 내에 구비된 션트 저항의 오차를 보정하고 이를 통해 차량 배터리에 흐르는 전류를 정확하게 측정할 수 있고, 결국 차량 배터리 센서의 측정 정확도를 향상시킬 수 있다.

도 1은 본 발명의 일 실시 예에 따른 차량용 배터리 센서의 내부 구성을 보여주는 블록도이다.
도 2는 도 1에 도시된 계절 판단 모듈의 내부 구성을 개략적으로 나타낸 블록도이다.
도 3은 본 발명의 일 실시 예에 따른 선행 학습부에서 이용할 수 있는 신경 회로망의 구성을 보여주는 구성도이다.
도 4는 본 발명의 일 실시 예에 따른 선행 학습부에서 이용할 수 있는 신경 회로망의 전파 규칙을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시 예에 따른 선행 학습부에서 이용할 수 있는 신경 회로망의 학습 규칙을 설명하기 위한 도면이다.
도 6은 도 2에 도시된 선행 학습부에서 수행되는 선행 학습 과정을 보여주는 순서도이다.
도 7은 도 2에 도시된 선행 학습부에서 사용하는 일별 평균 온도 데이터의 일례를 보여주는 그래프이다.
도 8은 본 발명의 일 실시 예에 따른 변환된 히스토그램 데이터를 설명하기 위한 그래프이다.
도 9는 본 발명의 일 실시 예에 따른 선행 학습 시작 이전의 각 패턴 군집들의 중심 위치값의 일례를 보여주는 그래프이다.
도 10은 본 발명의 일 실시 예에 따른 선행 학습 완료 이후 이동된 각 패턴 군집들의 중심 위치값의 일례를 보여주는 그래프이다.
도 11은 본 발명의 일 실시 예에 따라 저장부에 저장되는 선행 학습된 계절 패턴 데이터를 보여주는 도면이다.
도 12는 도 2에 도시된 계절 분류부에서 계절을 분류하는 과정을 보여주는 순서도이다.
도 13은 본 발명의 일 실시 예에 따라 계절 분류부에 입력되는 차량의 외기 온도 데이터를 보여주는 그래프이다.
도 14는 도 13에 도시된 차량의 외기 온도 데이터로부터 변환된 히스토그램 데이터의 일례를 보여주는 도면이다.
도 15는 본 발명의 일 실시 예에 따른 K-means 알고리즘을 통해 계산된 상기 차량의 외기 온도 데이터의 중심 위치값을 보여주는 도면이다.
도 16은 도 12의 S1240에서 수행하는 계절 분류 과정을 도식적으로 보여주는 도면이다.
도 17은 본 발명에 적용되는 션트 저항의 온도에 따른 저항값 변화를 나타내는 그래프이다.
도 18은 도 1에 도시된 계절 판단 모듈에서 획득한 -10℃의 평균 온도를 포함하는 계절 정보를 획득한 경우에서의 오차 보정값을 나타내는 그래프이다.
도 19는 본 발명의 일 실시 예에 따른 상기 센서 내에 구비된 션트 저항의 오차를 보정하는 방법을 나타내는 순서도이다.

이하, 첨부된 도면을 참조하여 본 발명의 일 실시 예에 대해 상세히 설명하기로 한다.

도 1은 본 발명의 일 실시 예에 따른 차량용 배터리 센서를 포함하는 전체 차량 시스템을 보여주는 블록도이다.

도 1을 참조하면, 전체 차량 시스템은 차량 배터리(500)의 내부 온도와 충전 상태를 센싱하고, 차량의 외기 온도를 센싱하여 계절을 판단하는 차량 배터리 센싱 모듈(100), LIN(Local Interconnect Network) 통신을 통해 상기 차량 배터리 센싱 모듈(100)로부터 차량 배터리(500)의 내부 온도 정보와 충전 상태 정보를 수신하여 내부 온도 정보와 충전 상태 정보에 기초하여 엔진을 제어하는 엔진 ECU(200), 상기 엔진 ECU(200)에 제어되는 엔진(300), LIN(Local Interconnect Network) 통신을 통해 상기 차량 배터리 센싱 모듈(100)에 의해 판단된 계절 데이터를 수신하는 메인 ECU(220) 및 차량 배터리(500)로부터 전력을 공급받는 각종 차량 내 전기 기기로 이루어진 전기 부하(400)를 포함한다.

상기 전체 차량 시스템에 구비된 구성들 중 차량 배터리 센싱 모듈(100)을 제외한 나머지 구성들(200, 300, 400)은 널리 알려진 구성들이고, 이들에 대한 설명은 본 발명의 요지를 불필요하게 흐릴 여지가 있으므로, 생략하기로 한다. 다만, 메인 ECU(220)는 상기 차량 배터리 센싱 모듈(100)로부터 전달받은 계절 데이터를 차량 내의 각종 전기 기기로 전달한다. 특히, 메인 ECU(220)는 계절 데이터를 차량의 클러스터 기기에 전달하여, 운전자가 계절 데이터를 시각적으로 확인할 수 있도록 차량 클러스터를 제어할 수 있다. 운전자는 차량 클러스터에서 표시하는 계절 데이터는 운전자가 적합한 운전 상태를 준비하도록 돕는다. 예를 들면, 운전자는 차량 클러스터에 표시되는 계절 데이터를 통해 최초 시동 시 공회전 여부나 계절에 따른 타이어 교체 시점 등을 파악할 수 있다.

이하, 차량의 외기 온도를 센싱하여 계절을 판단하는 차량 배터리 센싱 모듈(100)에 대해 상세히 설명한다.

상기 차량 배터리 센싱 모듈(100)은 배터리(500)의 (+) 단자와 션트 저항(110)을 통해 배터리(500)의 (-) 단자에 각각 전기적으로 연결된다. 기본적으로 차량 배터리 센싱 모듈(100)은 차량 배터리(500)의 내부 온도와 충전 상태를 센싱하는 연산 모듈(120)과 계절을 판단하는 계절 판단 모듈(130)을 포함한다.

상기 연산 모듈(120)은 배터리(500)의 전압을 측정하는 전압 센싱 유닛(121), 센서 모듈(100)의 내부 온도 및 차량 외기 온도를 실시간으로 측정하는 온도 센싱 유닛(123), 상기 션트 저항(110)의 양단 전압 차에 따라 차량 배터리(500)에 흐르는 전류를 측정하는 전류 센싱 유닛(125), 상기 내부 온도에 기초해 차량 배터리(500)의 내부 온도를 분석하는 배터리 내부 온도 분석 유닛(127)(BTM, Battery Temp Model), 상기 측정된 배터리 전압 및 배터리 전류에 기초해 배터리(500)의 충전 상태를 분석하는 충전 상태 분석 유닛(128)(SOC, State Of Charge) 및 상기 내부 온도, 배터리 전압 및 배터리 전류에 기초해 배터리(500)의 노후화 상태를 분석하는 노후화 상태 분석 유닛(129)(SOH, State Of Health)을 포함한다. 상기 연산 모듈(120)의 각 구성들(127, 128, 129)에 의해 분석된 배터리 내부 온도, 충전 상태 및 노후화 상태에 대한 정보들은 LIN 통신으로 엔진 ECU(200)로 전달된다. 엔진 ECU(200)는 전달받은 각 정보들에 기초해 엔진을 제어한다.

계절 판단 모듈(130)은 선행 학습된 계절 패턴 데이터를 이용하여 현재의 계절을 나타내는 계절 데이터를 획득한다. 이에 대한 구체적인 설명은 아래의 도 2를 참조하여 상세히 설명한다.

한편, 상기 획득된 계절 데이터는 전류 센싱 유닛(125)으로 전달되어, 전류 센싱 유닛(125)에서 전달받은 계절 데이터에 기초해, 션트 저항(110)의 계절별 오차를 보정한다. 계절별 션트 저항(110)의 오차가 보정되면, 보정된 션트 저항의 저항값으로 차량 배터리에 흐르는 전류를 측정한다.

도 2는 도 1에 도시된 계절 판단 모듈의 내부 구성을 개략적으로 나타낸 블록도이다.

도 2를 참조하면, 계절 패턴 데이터를 학습하는 선행 학습부(132), 선행 학습부(132)에 의해 선행 학습된 계절 패턴 데이터를 저장하는 저장부(134) 및 저장부(134)에 저장된 선행 학습된 계절 패턴 데이터를 이용하여 계절을 분류하는 계절 분류부(136)를 포함한다.

선행 학습부(132)는 사전에 준비된 전년도 일별 온도 데이터를 입력 데이터로 입력받고, 자기 조직화 지도(Self - Organizing Map , SOM )를 이용하여 상기 입력 데이터를 학습하여 선행 학습된 계절 패턴 데이터를 생성한다. 선행 학습부(132)에 의한 학습 프로세스가 종료되면, 상기 생성된 선행 학습된 계절 패턴 데이터가 상기 저장부(134)에 저장된다.

계절 분류부(136)는 상기 온도 센싱 유닛(123)에 의해 실시간으로 측정된 차량 외기 온도 데이터와 선행 학습된 계절 패턴 데이터를 이용하여 계절을 분류하고, 분류된 계절을 계절 데이터로서 생성한다. 출력된 계절 데이터는 메인 ECU(220)으로 전달되고, 메인 ECU(220)는 전달받은 계절 데이터를 배터리 성능을 미리 예측하는 등 다양한 용도로 사용될 수 있도록 데이터를 가공하고, 이를 요청하는 차량 내 해당 전자 기기로 출력한다.

이하, 상기 선행 학습부(132)에서 수행되는 계절 패턴 데이터의 선행 학습과정에 대해서 상세히 설명한다.

전술한 바와 같이, 상기 선행 학습부(132)는 SOM(Self - Organizing Map )을 이용해 계절 패턴 데이터를 학습한다. 여기서, SOM( Self - Organizing Map )은 신경 회로망( Artificial neural network)을 이용한 자기 학습의 한 방법이다. 자기 조직화( Self - Organizing ) 란 주어진 입력 패턴에 대한 정확한 출력 패턴을 제공하는 것이 아니라, 입력 패턴을 군집화( Clustering )하고, 군집화한 결과로부터 어떤 특정한 출력 패턴을 학습화 하는 것을 말한다.

본 발명의 일 실시 예에 따른 상기 선행 학습부(132)에서의 계절 패턴 데이터의 학습 과정을 이해하기 위해서는 신경 회로망에 대한 기술적 이해가 필요하다. 이하, 신경 회로망에 대해 개략적으로 설명하기로 한다.

신경 회로망

신경 회로망은 사물 또는 사건을 인지하는 생물학적 신경계의 방법을 모델링 하여 이를 수학적으로 이용 및 가공하는 것을 말한다. 즉, 신경 회로망은 입력 패턴을 통해 학습이 완료된 신경 회로망은 학습되지 않은 입력 패턴에 대해서도 올바른 출력을 하도록 설계하는 데 이용된다.

도 3은 본 발명의 일 실시 예에 따른 선행 학습부에서 이용할 수 있는 신경 회로망의 구성을 보여주는 구성도이다.

도 3에 도시된 바와 같이, 신경 회로망은 입력 계층(Input Layer), 히든 계층(Hidden Layer) 및 출력 계층(Output Layer)의 3가지 계층으로 구성된다. 여기서, 입력 계층은 학습을 위한 데이터 입력을 의미하고, 출력 계층은 학습 결과값 출력을 의미한다. 그리고, 히든 계층은 정보의 전파, 학습 및 활성화를 의미한다.

신경 회로망의 전파 규칙( Propagation Rule )

신경 회로망의 전파 규칙이란 시스템의 입력 패턴을 조합하여 시스템에서 현재 상태로부터 새로운 상태를 구할 수 있는 규칙을 의미한다.

도 4는 본 발명의 일 실시 예에 따른 선행 학습부에서 이용할 수 있는 신경 회로망의 전파 규칙을 설명하기 위한 도면이다.

도 4에 도시된 바와 같이, 신경 회로망의 전파 규칙은 상기 시스템의 입력 블록(41)은 입력 패턴(X)을 입력 받아서, 이를 시그마 연산 블록(43)으로 전달한다. 시그마 연산 블록(43)은 입력받은 입력 패턴의 합계(NET = ΣX)를 계산하고, 그 계산 결과를 활성화 함수 블록(45)으로 전달한다. 활성화 함수 블록(45)은 전달받은 입력 패턴의 합계(NET: 임계 가중치)를 활성화 함수(f())를 이용해 조합하고, 그 조합 결과(f(NET))를 출력 블록(47)으로 전달한다. 출력 블록(47)은 전달받은 조합 결과(f(NET))를 현재 상태로부터 새로운 상태를 구할 수 있는 규칙(Y = f(NET))으로 출력한다.

신경 회로망의 활성화 규칙( Activation Rule )

신경 회로망의 활성화 규칙은 신경 회로망에 입력된 데이터의 입력 가중치가 출력에 영향을 주게 되는 임계 규칙을 의미한다. 다음과 같이 표현할 수 있다. If (NET > T) Y = 1, ELSE Y = 0, 여기서, NET는 임계 가중치, T는 임계치, Y는 활성화 함수.

신경 회로망의 학습 규칙( Learning Rule )

신경 회로망의 학습 규칙은 특정한 응용 목적에 적합하도록 뉴런간의 연결 강도를 적응시키는 과정을 말한다.

도 5는 본 발명의 일 실시 예에 따른 선행 학습부에서 이용할 수 있는 신경 회로망의 학습 규칙을 설명하기 위한 도면이다.

도 5에 도시된 바와 같이, 신경 회로망의 학습 규칙은 연결 강도를 초기화하는 과정(51), 입력 패턴으로 출력을 계산하는 과정(53), 상기 연결 강도를 업데이트 하는 과정(55) 및 학습을 완료하는 과정(57)으로 이루어질 수 있다.

도 2의 선행 학습부(132)에서 계절 패턴 데이터를 선행 학습하기 위해, 이용되는 SOM(Self - Organizing Map )은 이상 설명한 신경 회로망의 전파 규칙, 활성화 규칙, 신경 회로망의 학습 규칙으로 이루어진 신경 회로망 알고리즘의 하나이다. 이하, 도 6를 참조하여 선행 학습부에서 수행되는 SOM 을 이용한 계절 패턴 데이터를 학습하는 과정에 대해 설명하기로 한다.

도 6은 도 2에 도시된 선행 학습부에서 수행되는 선행 학습 과정을 보여주는 순서도이다.

도 6을 참조하면, 먼저 S610에서, 준비된 학습 데이터를 입력 받는 과정이 수행된다. 본 실시 예에서는 준비된 학습 데이터로서 도 7에 도시된 바와 같은 2013년 일별 온도 데이터가 사용되는 것으로 가정한다. 이러한 2013년 일별 온도 데이터는 기상청으로부터 제공받을 수 있다.

S620에서, 선행 학습 처리 시간을 줄이기 위해, 상기 입력 받은 2013년 일별 온도 데이터를 히스토그램 데이터로 변경하는 과정이 수행된다. 예컨대, 일별 온도 데이터가 도 8에 도시된 바와 같이 다수의 특정 온도 구간이 분류되고, 분류된 각 특정 온도 구간 별로 일별 온도 데이터의 분포도를 나타내는 히스토그램 데이터로 변경된다. 이와 같이, S610에서 입력받은 일별 온도 데이터를 히스토그램 데이터로 변경함으로써, 선행 학습에 사용하는 데이터의 개수를 축소한다.

S630에서, 변환된 히스토그램 데이터의 학습에 사용할 SOM(Self - Organizing Map)을 설정하는 과정이 수행된다. 즉, 도 3에 도시된 히든 레이어(Hidden Layer)에 사용될 뉴런(Neuron)을 설정하는 과정이 수행된다. 계절 변화에 따른 온도 데이터의 변화는 연속적인 특성을 갖는다. 이러한 연속적인 특성을 고려하여, 본 실시 예에서는 겨울, 겨울/가을, 가을/봄, 봄/여름 및 여름으로 이루어진 5개의 뉴런을 설정한 예가 기술된다. 즉, 본 실시 예에서는 계절을 판단하는 패턴 군집들을 겨울, 겨울/가을, 가을/봄, 봄/여름 및 여름과 같이 5개의 뉴런으로 설정함으로써, 계절 변화에 따른 온도 데이터의 연속적인 변화 특성을 최대한 고려한다. 겨울, 겨울/가을, 가을/봄, 봄/여름 및 여름으로 이루어진 5개의 뉴런이 설정된 SOM(Self -Organizing Map ) 은 도 9에 도시된 바와 같다. 도 9에서는 학습 전의 패턴 군집(Cluster)의 중심(weight 또는 연결 강도) 위치를 보여주는 그래프로서, x축의 Weight 1은 온도이고, y축의 Weight 2는 각 온도 별로 카운팅된 히스토그램 데이터의 개수(count)이다. 즉, 도 9에서, 작은 사이즈 갖는 점들(P1)은 히스토그램 데이터의 상태를 보여주는 것이고, 상대적으로 큰 사이즈를 갖는 5개의 점들(P2)은 학습 전의 겨울, 겨울/가을, 가을/봄, 봄/여름 및 여름으로 이루어진 각 패턴 군집들의 그래프 상에서의 위치를 보여주는 것이다.

S640에서는, S630에서 설정된 SOM을 이용하여 히스토그램 데이터에 대한 학습 과정이 수행된다. 학습 과정은 그 횟수를 반복적으로 수행함에 따라 학습 결과에 대한 정확도가 상승한다. 본 실시 예에서는 대략 1000회의 학습 과정이 수행된다.

학습 과정이 완료되면, S650에서, 학습 완료 후 학습된 계절 패턴을 확인하는 과정이 수행된다. 즉, 학습 완료된 시점에서, 이동된 각 패턴 군집들의 중심 위치값(Weight Position 또는 연결 강도)을 확인하는 과정이 수행된다. 도 10에서는 1000회의 학습 과정 이후 이동된 각 패턴 군집들의 중심 위치값을 보여주고 있다.

S660에서는, 확인된 각 패턴 군집들의 중심 위치값들을 도 2에 도시된 저장부(134)에 저장하는 과정이 수행된다. 예컨대, 확인된 각 패턴 군집들의 중심 위치값이 도 11과 같은 경우, 선행 학습된 계절 패턴 데이터(또는 선행 학습된 계절 패턴 좌표 데이터)는 아래의 표 1로 나타낼 수 있다.

	Weight 1	Weight 2
겨울	-10.1500	0.8500
겨울/가을	1.7500	4.9167
가을/봄	13.2857	3.6190
봄/여름	23.7778	7.1667
여름	31.5769	0.7692

[계절 패턴 데이터 또는 계절 패턴 데이터 좌표]

이와 같이, 도 6의 과정들을 통해 선행 학습부(132)에 의해 선행 학습된 계절 패턴 데이터가 확보되면, 확보된 선행 학습된 계절 패턴 데이터에 기초해 도 2의 계절 분류부(136)에서 차량용 배터리 센서에 의해 측정된 차량 외기 온도에 대응하는 계절을 분류하는 과정이 수행된다.

이하, 도 12를 참조하여, 지금까지 선행 학습된 계절 패턴 데이터를 이용해 계절을 분류하는 과정에 대해 상세히 설명하기로 한다.

도 12는 도 2에 도시된 계절 분류부(136)에서 계절을 분류하는 과정을 보여주는 순서도이다. 아래의 각 단계의 수행 주체는 특별히 언급하지 않는 한, 도 2에 도시된 계절 분류부(136)에서 수행되는 것으로 가정한다.

도 12를 참조하면, 먼저, S1210에서, 차량용 배터리 센서(100)의 온도 센싱 유닛(123)에서 차량 외기 온도를 실시간으로 측정하는 과정이 수행된다. 예컨대, 도 13에 도시된 바와 같이, 차량용 배터리 센서(100) 내의 온도 센싱 유닛(123)이 2014년 3월 6일자 차량 외기 온도를 3시간 간격으로 실시간으로 측정한다. 이때, 정확한 측정을 위해, 차량 외기 온도는 차량의 정차 상태에서 측정되는 것이 바람직하다. 만일 차량의 주행 상태에서 차량 외기 온도를 측정하게 되면, 온도 센싱 유닛(123)이 주행에 따른 엔진 온도에 영향을 받을 수 있기 때문에, 정확한 차량 외기 온도의 측정을 위해서는, 차량 차량의 정차 상태에서 측정하는 것이 바람직하다.

S1220에서는, 온도 센싱 유닛(123)에 의해 실시간으로 측정된 차량 외기 온도의 프로파일을 계절 판단 모듈(130)의 계절 분류부(136)로 입력되고, 계절 분류부(136)에서는 실시간으로 측정된 차량 외기 온도의 프로파일을 도 14에 도시된 바와 같이, 히스토그램 데이터로 변환하는 과정이 수행된다.

S1230에서, 변환된 히스토그램 데이터로부터 실시간으로 측정된 차량 외기 온도의 온도 패턴을 확인하는 과정이 수행된다. 즉, 실시간으로 측정된 차량 외기 온도의 중심값(또는 중심값의 좌표)을 계산하는 과정이 수행된다. 이때, 도 6의 S650에서는 SOM(Self - Organizing Map) 알고리즘을 이용하여 각 패턴 군집들의 중심 위치값(Weight Position 또는 연결 강도)을 확인하였으나, 여기서는 측정된 차량 외기 온도의 온도 패턴을 실시간으로 확인해야 하므로, SOM(Self - Organizing Map) 알고리즘보다 처리량이 적은 알고리즘을 이용해 온도 패턴을 확인할 필요가 있다. 예컨대, K-means clustering 알고리즘을 이용해 실시간으로 측정된 차량 외기 온도의 중심값을 계산할 수 있다. 도 15에서는 K-means clustering 알고리즘을 이용하여 계산된 차량 외기 온도의 중심값을 보여주는 그래프가 도시된다. 도 15에서는 차량 외기 온도의 중심값 좌표가 (0.5000, 0.5000)인 예가 도시되고 있다.

S1240에서, S1230에서 계산된 차량 외기 온도의 중심값을 도 6에서 선행 학습된 계절 패턴과 비교하여 현재 계절을 분류하는 과정이 수행된다. K-means clustering 알고리즘은 입력된 데이터(차량 외기 온도의 중심값 좌표)를 기준으로 선행 학습된 패턴 군집의 중심값들(또는 중심값 좌표)과의 거리를 비교하여, 가장 가까운 패턴 군집으로 입력 데이터를 할당한다. 할당 후에는 입력 데이터와 선행 학습된 각 패턴 군집의 중심값 좌표를 이용하여 새로운 패턴 군집의 중심값 좌표를 계산하고, 이를 갱신한다.

도 16은 도 12의 S1240에서 수행하는 계절 분류 과정을 도식적으로 보여주는 도면이다.

도 16의 (A)는 도 6에서 설명한 선행 학습된 계절 패턴이고, (B)는 차량 배터리 센서 내의 온도 센싱 유닛을 통해 측정된 차량 외기 온도 데이터에 K-means clustering 알고리즘을 적용하여 계산한 차량 외기 온도의 중심값을 보여준다. 그리고, 도 16의 (C)는 (A)의 선행 학습된 계절 패턴 데이터의 중심값과 (B)의 차량 외기 온도의 중심값을 K-means clustering 알고리즘을 이용하여 현재 계절을 분류한 결과를 보여주는 것이다.

도 16의 (C)에 도시된 바와 같이, 실시간 측정된 차량 외기 온도의 중심값과 선행 학습된 계절 패턴 데이터의 중심값을 도 16의 (C)와 같은 하나의 좌표축에 사상한다. 이후, 차량 외기 온도의 중심값 좌표와 선행 학습된 각 패턴 군집의 중심값들(또는 중심값 좌표)과의 거리를 비교하고, 차량 외기 온도의 중심값 좌표(Point A)에 가장 가까운 패턴 군집을 선택한다. 도 16의 (C)에서는 '겨울/가을'이 차량 외기 온도의 중심값 좌표(Point A)에 가장 가까운 패턴 군집으로 선택된 예가 도시된다. 패턴 군집이 선택되면, 선행 학습된 각 패턴 군집의 중심값 좌표를 이용하여 새로운 패턴 군집 '겨울/가을'의 중심값 좌표를 계산하여, '겨울/가을'에 대응하는 선행 학습된 패턴 군집을 새로운 패턴 군집 '겨울/가을'의 중심값 좌표로 갱신한다.

이와 같이, 차량 배터리 센서로 실시간 측정된 차량 외기 온도의 중심값을 선행 학습된 계절패턴의 입력으로 사용한 경우, 위와 같이 '겨울/가을'에 해당하는 패턴 군집(Cluster)에 할당이 되는 것을 확인할 수 있다. 따라서, 현재의 계절은 '겨울/가을'로 최종 판단하게 된다.

이하, 도 17 내지 도 20을 참조하여, 이상 설명한 계절 판단 모듈(130)에서 판단한 계절 데이터를 이용해 션트 저항의 오차를 보정하는 전류 센싱 유닛(125)의 동작 과정에 대해 상세 기술한다.

도 17은 본 발명에 적용되는 션트 저항의 온도에 따른 저항값 변화를 나타내는 그래프이다.

배경기술에서 설명한 바와 같이, 온도에 의한 영향을 최소화하기 위해 Manganin 합금으로 이루어진 션트 저항이 사용되지만, 타 합금에 비해 온도 영향이 작은 Manganin 합금으로 이루어진 션트 저항을 사용하더라도 도 17에 도시된 바와 같이, 대략 20℃ 내지 대략 45℃의 구간을 제외한 나머지 구간들(R1, R2)에서 발생하는 온도에 따른 오차를 피할 수 없다.

이에, 본 발명의 일 실시 예에서는, 아래의 표 2와 같은 계절별 션트 저항의 오차 보정 테이블이 사전에 마련되고, 전류 센싱 유닛(125)은 아래의 오차 보정 테이블을 참조하여 션트 저항의 오차를 보정한다.

계절	평균 온도	오차 보정값(C= C1~C5, %)
여름	31	C1
봄/여름	23	C2
가을/봄	13	C3
겨울/가을	1	C4
겨울	-10	C5

상기 표 2와 같은 오차 보정 테이블에서는 계절 판단 모듈(130)에서 획득한 평균 온도, 이 평균 온도에 대응하는 계절 데이터 및 상기 평균온도에 대응하는 오차 보정값(C)이 정의된다.

전류 센싱 유닛(125)이 계절 판단 모듈(130)로부터 상기 평균 온도 및 상기 계절 데이터를 포함하는 계절 정보를 입력받으면, 상기 평균 온도에 맵핑되는 오차 보정값을 상기 오차 보정 테이블로부터 검출하고, 검출된 오차 보정값(C)을 이용하여 션트 저항(110)의 저항값을 보정한다.

보정된 션트 저항의 저항값(R_{보정된저항값})은 아래의 수학식 1로 표현될 수 있다.

상기 수학식 1에 따라 보정된 션트 저항의 저항값이 계산되면, 오옴의 법칙에 따른 전류와 저항 간의 반비례 관계로부터 도출될 수 있는 아래의 수학식 2를 이용하여 보정된 션트 저항에 흐르는 전류(I)를 계산할 수 있다.

도 18에 도시된 바와 같이, 도 1에 도시된 계절 판단 모듈(130)에서 -10℃의 평균 온도를 포함하는 계절 정보를 획득하면, 이를 전류 센싱 유닛(125)으로 전달하고, 전류 센싱 유닛(125)은 내부 또는 외부 메모리에 저장된 오차 보정 테이블을 참조하여 -10℃의 평균 온도에 맵핑되는 오차 보정값 -0.125를 검출한다.

그러면, 검출된 오차 보정값 -0.125을 상기 수학식 1에 대입하여 션트 저항의 저항값을 보정하고, 상기 수학식 2를 이용하여 보정된 션트 저항의 저항값에 따른 전류를 측정한다. 이와 같이, 계절별로 보정된 션트 저항의 저항값을 사용하므로, 온도 변화에 관계없이 션트 저항에 흐르는 전류를 정확하게 측정할 수 있게 된다.

도 19는 본 발명의 일 실시 예에 따른 상기 센서 내에 구비된 션트 저항의 오차를 보정하는 방법을 나타내는 순서도이다.

도 19를 참조하면, 먼저, 도 2 내지 도 16을 참조하여 설명한 방법에 따라 도 1의 계절 판단 모듈(130)에서 현재 계절을 판단하는 과정이 수행된다(S1810).

현재 계절이 판단되면(S1820), 판단된 계절과 평균 온도를 포함하는 계절 정보를 전류 센싱 유닛(125)으로 전달하고, 전류 센싱 유닛(125)에서 상기 계절 정보를 전달받으면, 션트 저항의 오차를 보정하기에 앞서, 차량이 정차 상태인지 주행 상태인지를 판단한다(S1820). 전류 센싱 유닛(125)는 차량의 정차 상태 여부를 판단하기 위해, 상기 엔지 ECU로부터 차량의 정차 상태 또는 차량의 주행 상태와 관련된 차량 운행 정보를 전달받을 수 있으며, 전달받은 차량 운행 정보를 통해 차량이 정차 상태인지 주행 상태인지를 판단할 수 있다.

이어, 정차 상태로 판단한 경우, 전류 센싱 유닛에서(125), 오차 보정 테이블을 참조하여, 상기 평균 온도에 맵핑되는 오차 보정값을 검출하고, 검출된 오차 보정값을 상기 수학식 1에 대입하여 온도에 따른 션트 저항의 저항값을 보정한다(S1840).

이어, 전류 센싱 유닛(125)에서, 션트 저항의 보정된 저항값을 상기 수학식 2에 대입하여 션트 저항에 흐르는 전류를 측정한다(S1850).

한편, 상기 단계 S1820에서, 주행 상태로 판단한 경우, 계절 판단 모듈에서 획득한 평균 온도를 이용하는 것이 아니라 배터리 센서 내에 구비된 온도 센싱 유닛(123)을 이용하여, 주변 온도(또는 외기 온도)를 측정하고(S1860), 오차 보정 테이블을 참조하여, 상기 주변 온도에 맵핑되는 오차 보정값을 검출하고, 검출된 오차 보정값을 상기 수학식 1에 대입하여 온도에 따른 션트 저항의 저항값을 보정한다.

이후, 배터리 센서 내에 구비된 온도 센싱 유닛(123)에서 측정한 주변 온도에 따라 보정된 션트 저항의 저항값을 상기 수학식 2에 대입하여 션트 저항에 흐르는 전류를 측정한다(S1850).

위에서, 계절 판단 모듈에 의해 판단된 계절 정보를 이용한 션트 저항의 오차 보정이 차량의 정차 상태에서만 수행되는 것으로 제한한 것은 주행 중인 상태에서는 배터리 센서 내의 온도 센싱 유닛를 이용하여 주변 온도(엔진 룸의 주변 온도)를 측정할 수 있으나, 정차 상태에서는 배터리 센서의 소모전류를 줄이기 위해서 간헐적으로 배터리 센서가 깨어나 온도를 측정하는 방식을 사용하기 때문이다.

차량의 정차 상태에서는 차량 내에서 소모되는 전류를 최소화하는 것이 중요하다. 배터리 센서 또한 예외가 아니다.

션트 저항의 온도별 오차를 보정하기 위해서는 배터리 센서가 정상 동작 상태에서 배터리 센서 내의 온도 센싱 유닛(125)을 통해 온도를 측정해야 하는데 이때, 소모전류가 발생하게 된다.

차량이 주행 중인 상태에서는 배터리 센서에서 소모하는 전류는 무시할 만한 값이지만, 차량의 정차 상태서는 주변 온도를 측정하기 위해서 배터리 센서가 주기적으로 정상 동작 상태로 웨이크 업(WAKE-UP)해야 하는 데, 이 과정에서 소모 전류가 발생하게 된다. 따라서, 차량의 정차 상태에서는 미리 계절 정보를 계산하여 이를 저장하여 두고, 차량의 정차상태에서 차량의 소모 전류를 배터리 센서를 통해서 측정할 경우, 별도의 온도 측정없이도 션트 저항의 오차를 보정할 수 있으므로 배터리 센서에 의해서 발생하는 소모전류를 줄일 수 있다.

이와 같이, 본 발명에서는, 정차상태에서 배터리 센서가 주기적으로 깨어나지 않더라도 계절정보를 이용하여 션트 저항의 오차를 보정함으로써 정차 상태의 전류 소모량을 보다 정확하게 측정할 수 있다.

이상에서와 같이 본 발명은 상기한 바와 같이 설명된 실시 예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 실시 예들은 다양한 변형이 이루어질 수 있도록 각 실시 예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.

Claims

차량 배터리의 상태를 모니터링 하는 차량용 배터리 센서에 있어서,
기 설정된 일별 온도 데이터를 계절을 나타내는 다수의 패턴 군집들로 분류한 자기 조직화 지도(Self-Organizing Map)를 설정하고, K-means 알고리즘을 이용하여 차량의 외기 온도 데이터의 중심 좌표값을 상기 자기 조직화 지도에 사상하여 상기 외기 온도 데이터의 중심 좌표값에 가장 가까운 중심 좌표값을 갖는 패턴 군집을 검출하고, 검출된 패턴 군집을 대표하는 평균 온도값을 계절 정보로서 출력하는 계절 판단부; 및
오차 보정 테이블을 참조하여, 상기 계절 정보에 포함된 평균 온도값에 맵핑되는 오차 보정값을 검출하고, 검출된 오차 보정값을 이용하여 온도에 따라 변하는 션트 저항의 현재 저항값을 보정하여, 보정된 션트 저항의 보정된 저항값에 따라 상기 션트 저항에 흐르는 전류를 측정하는 전류 센싱부
을 포함하는 차량용 배터리 센서.
제1항에 있어서, 상기 전류 센싱부는,
계절별 평균 온도에 따라 사전에 학습된 상기 션트 저항의 저항 오차를 보정하는 다수의 오차 보정값을 정의한 상기 오차 보정 테이블을 참조하여, 상기 평균 온도값에 맵핑되는 상기 오차 보정값을 검출함을 특징으로 하는 차량용 배터리 센서.
제1항에 있어서, 상기 전류 센싱부는,
상기 션트 저항의 현재 저항값과 상기 오차 보정값을 곱한 결과값에 상기 현재 저항값을 가산하여 상기 션트 저항의 보정된 저항값을 계산함을 특징으로 하는 차량용 배터리 센서.
제1항에 있어서, 상기 전류 센싱부는,
차량의 정차 상태에서, 상기 오차 보정 테이블을 참조하여, 상기 계절 정보에 포함된 평균 온도값에 맵핑되는 오차 보정값을 검출함을 특징으로 하는 차량용 배터리 센서.
제1항에 있어서, 차량의 외기 온도를 실시간으로 측정하는 온도 센싱 유닛을 더 포함하고,
상기 전류 센싱부는,
상기 차량의 주행 상태에서, 상기 오차 보정 테이블을 참조하여, 상기 온도 센싱 유닛에 의해 측정된 상기 외기 온도에 맵핑되는 오차 보정값을 검출함을 특징으로 하는 차량용 배터리 센서.
차량 배터리의 상태를 모니터링 하는 차량용 배터리 센서 내에 구비된 션트 저항의 저항 오차를 보정하는 방법에 있어서,
기 설정된 일별 온도 데이터를 계절을 나타내는 다수의 패턴 군집들로 분류한 자기 조직화 지도(Self-Organizing Map)를 설정하고, K-means 알고리즘을 이용하여 차량의 외기 온도 데이터의 중심 좌표값을 상기 자기 조직화 지도에 사상하여 상기 외기 온도 데이터의 중심 좌표값에 가장 가까운 중심 좌표값을 갖는 패턴 군집을 검출하고, 검출된 패턴 군집을 대표하는 평균 온도값을 현재의 계절로 판단하는 단계;
오차 보정 테이블을 참조하여, 상기 계절 정보에 포함된 평균 온도값에 맵핑되는 오차 보정값을 검출하는 단계; 및
검출된 오차 보정값을 이용하여 온도에 따라 변하는 션트 저항의 현재 저항값을 보정하는 단계
를 포함하는 차량용 배터리 센서 내에 구비된 션트 저항의 저항 오차를 보정하는 방법.
제6항에 있어서, 상기 평균 온도값을 현재의 계절로 판단하는 단계 이전에,
계절별 평균 온도에 따라 사전에 학습된 상기 션트 저항의 저항 오차를 보정하는 다수의 오차 보정값을 정의한 상기 오차 보정 테이블을 마련하는 단계를 더 포함함을 특징으로 하는 차량용 배터리 센서 내에 구비된 션트 저항의 저항 오차를 보정하는 방법.
제6항에 있어서, 상기 션트 저항의 현재 저항값을 보정하는 단계는,
상기 션트 저항의 현재 저항값과 상기 오차 보정값을 곱한 결과값에 상기 현재 저항값을 가산하여 상기 션트 저항의 보정된 저항값을 계산하는 단계임을 특징으로 하는 차량용 배터리 센서 내에 구비된 션트 저항의 저항 오차를 보정하는 방법.
제6항에 있어서, 상기 오차 보정값을 검출하는 단계는,
차량의 정차 상태에서, 상기 오차 보정 테이블을 참조하여, 상기 계절 정보에 포함된 평균 온도값에 맵핑되는 오차 보정값을 검출하는 단계임을 특징으로 하는 차량용 배터리 센서 내에 구비된 션트 저항의 저항 오차를 보정하는 방법.
제6항에 있어서, 상기 오차 보정값을 검출하는 단계는,
상기 차량의 주행 상태에서, 상기 오차 보정 테이블을 참조하여, 상기 온도 센싱 유닛에 의해 측정된 외기 온도에 맵핑되는 오차 보정값을 검출하는 단계임을 특징으로 하는 차량용 배터리 센서 내에 구비된 션트 저항의 저항 오차를 보정하는 방법.