KR20160084400A - 자동차 타이어 압력을 모니터하기 위한 시스템에서의 바이에시안 접근 방식에 기초한 판단 지원 방법 - Google Patents

Abstract

본 발명은 템포랄 알고리듬(temporal algorithm) 및 프리퀀시 알고리듬(frequential algorithm)으로서 알려진 2 개의 검출 알고리듬들의 결과에 기초하여, 바퀴에 설치된 타이어의 압력 결합의 외관을 평가하는 방법에 관한 것으로서, 상기 알고리듬 각각은 각각의 바퀴에 대하여 바퀴 속도 범위에 따라서 저팽창 확률값 및 관련된 신뢰 수준값을 제공한다. 본 발명에 따르면, 판단 모듈은, 바이에시안 접근 방법을 이용하는 템포랄 검출 알고리듬 및 프리퀀시 검출 알고리듬의 결과들의 해석을 제공하도록, 그리고 예를 들어 익스퍼트 시스템(expert system)을 이용하여 이들 해석들의 결과를 병합하도록 이용된다.

Description

자동차 타이어 압력을 모니터하기 위한 시스템에서의 바이에시안 접근 방식에 기초한 판단 지원 방법 {Bayesian-approach-based decision support method in a system for monitoring motor vehicle tyre pressure}

본 발명은 자동차 바퀴에 설치된 타이어들의 팽창 상태를 진단하는 분야에 관한 것이다. 보다 상세하게는, 본 발명은 타이어들의 팽창 상태를 간접 검출하는 것에 이르는 방법들에 관한 것이다.

타이어의 불충분한 팽창 상태, 즉, 타이어의 저팽창(underinflation)은 타이어의 정상 압력에 비하여 타이어 압력이 감소된 것을 특징으로 하며, 저팽창의 경우는 펑크의 경우를 포함하는 것으로 이해된다. 그러나, 타이어의 부족한 팽창 상태는 특정 운전 조건하에서 파열을 일으킬 수 있으며, 심각하게는 차량에 탑승하여 이동하는 사람의 안전을 위협하게 한다. 파열이 없는 경우에도, 저팽창은 차량의 연료 소비 증가 및 타이어 마모율 증가의 단점을 가진다.

이러한 이유로, 모든 신형 자동차가 점진적으로 타이어 압력 모니터 시스템 또는 TPMS(tire pressure monitoring system)를 설치할 것을 요구하는 규정이 세계적으로 채용되는 중이다. 이러한 시스템들 대부분은 예를 들어 일시적으로 타이어의 압력에 영향을 미칠 수도 있는 다양한 동적 현상(dynamic phenomenon)중에 타이어 압력에 관한 정보를 처리하고 고려하기 위하여 차량의 특정한 계산 유닛 또는 엔진 제어 유닛으로 정보를 실시간 송신하도록 각각의 타이어에 설치된 압력 센서를 이용한다. 저팽창의 경우에, 시스템은 예를 들어 대쉬보드상의 디스플레이 형태로 경고 메시지를 운전자에게 자동으로 보내도록 설계된다. 그러나 이러한 유형의 시스템은 상대적으로 비싼 측정 장비가 타이어들과 통합될 것을 필요로 한다.

이러한 제 1 유형의 TPMS 와 대조적으로, 간접 TPMS 로 지칭되는 제 2 유형의 TPMS 에는 압력 센서가 없고, 차량의 바퀴 속도에 대한 연구에 기초하여, 속도 범위에서 걸린 시간에 따라서, 주어진 속도 범위에 걸친 각각의 타이어의 저팽창 확률 및 상기 확률과 관련된 신뢰 수준(confidence level)의 적절한 알고리듬들에 의한 평가(estimation)에 기초한다. 확률은 주어진 바퀴가 저팽창 상태에 있을 백분율(percentage)로서 가능성을 나타낸다. 이러한 값은 몇개의 샘플링 지점들에 걸쳐 순간적으로 계산된다. 신뢰 수준은 속도 범위를 변화시키는데 필요한 망각 인자(forget factor)를 나타낸다.

비록 이러한 유형의 모니터 시스템이 용이하게 구현될 수 있고, 예를 들어, 바퀴들의 안티록(antilock) 모니터 센서들에 의해 측정되거나 또는 평가되는 바퀴들의 회전 속도값에 기초하여 구현될 수 있을지라도, 이것은 직접 모니터 시스템 보다 덜 정확하다. 상세하게는, 압력 센서들이 없기 때문에, 저팽창 검출의 잘못된 경고의 수가 증가될 수 있으며, 이는 알고리듬에 의해 평가되는 확률이 모든 상황에서의 운전 시간, 학습 및, 신뢰성에 의존하기 때문이다.

보다 정확하게는, 간접 모니터 시스템은 바퀴의 주행 반경의 분석 또는 바퀴의 진동 분석에 기초한다. 바퀴의 반경 분석은 간접 모니터 시스템에 의해 수행되는데, 이것은 바퀴들 각각의 사이에서의 속도 차이 연구에 기초한 알고리듬에 의존한다. 여기에서 이용된 효과는 타이어의 저팽창이 주행 반경의 변화 및 따라서 각속도의 변화로 이어진다는 사실로부터 도출된다. 따라서, 바퀴들 사이의 속도 차이가 증가하자마자, 저팽창 문제가 추론된다. 예를 들어, 프랑스 특허 FR 2927018 은 타이어의 팽창 상태를 간접적으로 모니터하기 위한 시스템을 개시하는데, 이것은 차량 각각의 바퀴의 팽창 상태를 검출하기 위하여 차량의 바퀴 각속도 측정, 바퀴들의 측정된 각속도의 복수개의 비교 기준의 계산 및, 계산된 기준의 분석을 포함하는 계산 알고리듬을 채용한다. 다양한 동적 현상이 바퀴들의 주행 반경중에 균일하지 않은 변화를 일으킬 수 있고 따라서 타이어들의 결함 상태에 대한 잘못된 경고의 빈도를 증가시키는 한, 각각의 바퀴들 사이에서 측정된 각속도 차이의 연구에 기초하는 상기 판단 기준의 타당성은 중요하다. 따라서 알고리듬은, 바퀴들의 측정된 각속도들 사이의 불일치가 차량에 설치된 타이어들중 적어도 하나의 결함 있는 팽창 상태를 나타낼 확률이 높아지는 것을 보장하도록 설계된다. 그러나 이러한 알고리듬의 성능은 바람이 빠지는 바퀴의 수에 의존한다. 따라서, 차량의 상황이 펑크(바퀴의 바람 빠짐)에 해당할 때 그러한 알고리듬의 수행이 잘 이루어지더라도, 확산(몇개 바퀴들의 느린 바람 빠짐)의 경우에는 충분히 잘 수행되지 않는다.

그러한 부분에 대하여, 바퀴의 진동 분석이 간접 모니터 시스템들에서 이용되는데, 이것은 특정 모드를 모니터하기 위하여 바퀴 속도의 스펙트럼 연구에 의존하는 알고리듬에 기초한다. 여기에서 채용된 효과는 바퀴 각속도 신호의 스펙트럼 특성(예를 들어 다양한 프리퀀시 밴드(frequency band)들에서의 에너지 분포)이 타이어의 압력에 의존한다는 사실로부터 도출된다. 따라서, 만약 모니터된 모드들이 그들의 특성인 템플레이트(template)들로부터 벗어난다면, 시스템은 그로부터 저팽창의 문제를 추론한다. 예를 들어, 국제 출원 WO 2012-127139 는 타이어들의 팽창 상태를 간접 검출하는 시스템을 개시하는데, 이것은 상기와 같은 알고리듬을 이용한다. 주행 반경의 분석에 의존하는 이전의 알고리듬과 대조적으로, 바퀴 각속도 신호의 스펙트럼 연구를 채용하는 이러한 알고리듬은 확산(몇개 바퀴에서의 느린 바람 빠짐)의 경우에 잘 수행되며, 그러나 펑크(바퀴의 바람 빠짐)의 경우에 대해서는 충분한 수행이 이루어지지 않는다.

따라서 간접 모니터 시스템에서 채용된 2 개의 분석 방법들에 따른 알고리듬들 각각의 성능은 바람이 빠지는 바퀴들의 수에 의존한다는 점이 밝혀졌다.

미국 특허 출원 US 2007061100 은 위에서 설명된 양쪽 분석 방법들을 채용하는 타이어 압력의 모니터 시스템을 개시하는데, 이것은 바퀴의 반경 분석 및 바퀴의 진동 분석에 각각 기초하는 것으로서, 각각의 타이어에 대한 팽창 상태의 평가는 2 개 분석 방법들에 따른 알고리듬들의 개별적인 결함을 보상하기 위하여, 바퀴의 반경 분석 방법에 따른 알고리듬의 출력 값 및 바퀴의 진동 분석 방법에 따른 알고리듬의 출력 값 양쪽에 기초한다. 보다 정확하게는, 바퀴의 반경을 분석하는 방법에 따른 알고리듬의 출력값으로부터 얻어진 제 1 저팽창 확률값 및, 바퀴의 진동을 분석하는 방법에 따른 알고리듬의 출력 값으로부터 얻어진 제 2 저팽창 확률값이 각각의 타이어에 대하여 계산되는데, 각각의 확률값은 출력값과 명목값(nominal value) 사이의 차이를 나타내고 누적적인 확률 분포 함수(culminative probability distribution function)이다. 이로부터, 각각의 타이어에 대한 팽창 상태의 평가는 제 1 및 제 2 저팽창 확률값들의 곱(product)에 기초하여 계산된다. 그러나, 2 개의 상이한 분석 방법들에 따른 알고리듬들로부터 얻어진 다양한 확률값들을 조합하는 방법은 최적이 아니다.

본 발명의 목적은 자동차의 바퀴에 설치된 적어도 하나의 타이어의 압력 결함 발생을 실시간으로 평가하는 방법을 제공하는 것으로서, 이것은 위에서 설명된 바퀴 속도 분석의 2 가지 방법들에 따른 알고리듬들로부터 얻어진 데이터를 조합할 수 있고, 2 개 알고리듬들의 성능을 고려하면서 저팽창의 경우에 평가의 강건성(robustness)을 증가시킬 수 있다.

이를 위하여, 본 발명은 차량 바퀴들에 설치된 타이어들중 적어도 하나에서의 압력 결함의 발생을 평가하는 방법에 관한 것으로서, 상기 평가는 각각의 바퀴들 사이의 속도 차이의 해석에 기초한 제 1 알고리듬 및 바퀴 속도의 스펙트럼 분석(spectral analysis)에 기초한 제 2 알고리듬에 따라서 바퀴들의 각속도 해석으로부터 결과되고, 제 1 알고리듬 및 제 2 알고리듬 각각은, 각각의 바퀴에 대하여, 바퀴 속도 범위의 함수로서 저팽창 확률값(underinflation probability value) 및 관련 신뢰 수준값(associated confidence level value)을 제공한다. 본 발명에 따르면, 상기 평가 방법은 바이에시안 알고리듬(Bayesian algorithm)에 기초한 판단 모듈을 사용하고, 상기 바이에시안 알고리듬은 다음의 단계들을 포함한다:

- 타이어가 저팽창 상태에 있음을 인식하고 타이어가 최적 팽창 상태에 있음을 인식하는, 차량의 주행 테스트중에 획득되고 각각의 알고리듬으로부터 얻어진, 충분히 많은 제 1 및 제 2 값들의 샘플들에 기초하여, 각각의 알고리듬 및 각각의 바퀴에 대하여, 타이어의 저팽창인 제 1 상태 및 타이어의 최적 팽창인 제 2 상태에 대응하는 2 개의 미리 결정된 상태들 각각에 대한 사전 확률 밀도 함수(a priori probability density function)를 발생시키는 단계;

- 각각의 알고리듬 및 각각의 바퀴에 대하여, 상기 발생된 사전 확률 밀도 함수에 기초하여, 각각의 알고리듬에 의해 실시간으로 측정된 현재 값들의 함수로서, 타이어의 저팽창 상태 및 타이어의 최적 팽창 상태의 사후 확률 값을 각각 계산하는 단계;

- 각각의 알고리듬 및 각각의 바퀴에 대하여, 이전에 계산된 상태들의 사후 확률 값들 사이에서 수행된 가중치 적용(weighting)의 함수로서 상태 결과를 판단하는 단계; 및,

- 저팽창 경고 신호를 촉발하기 위하여 각각의 바퀴 및 각각의 알고리듬에 대하여 판단된 상태 결과들을 조합하는 단계.

본 발명에 따른 방법의 개별적으로 또는 조합되어 취해진 다른 유리한 특징들에 따르면,

사전 밀도 함수들의 발생은, 제 1 알고리듬으로부터 얻은 확률값들 및 관련 신뢰 수준값들의 각각의 쌍 및 제 2 알고리듬으로부터 얻은 확률값들 및 관련 신뢰 수준값들의 각각의 쌍에 대하여 각각 신뢰 수준 값들을 통합시킨, 주어진 속도 범위에 대한 로버스트 확률 결과들을 판단하는 단계 및, 상기 결과들의 저팽창 상태 또는 최적 팽창 상태에 대한 귀속 분류(class of membership)에 따라서 2 개의 사전 확률 밀도 함수로서 2 개의 알고리듬들 각각에 대하여 판단된 로버스트 확률 결과들을 나타내는 단계를 포함하고;

로버스트 확률 결과들의 판단은, 각각의 바퀴 및 각각의 알고리듬에 대한 모든 속도 범위를 고려하여 로버스트 확률 결과를 판단하기 위하여, 각각의 바퀴의 모든 속도 범위들에 걸쳐 각각의 알고리듬으로부터 얻어진 확률값과 관련 신뢰 수준의 곱(product)의 최대값을 각각의 알고리듬에 대하여 선택하는 단계를 바람직스럽게 포함한다;

각각의 알고리듬 및 각각의 바퀴에 대한 타이어의 저팽창 상태 및 타이어의 최적 팽창의 사후 확률 값들의 가중치 적용(weighting)은, 개별적인 상태들 각각의 판단시에 오류 위험성(error risk)과 관련된 미리 결정된 코스트(cost)를 나타내는 계수의 함수로서, 타이어의 저팽창 상태 및 최적 팽창 상태에 대하여 각각 얻어진 상기 사후 확률 값들 각각에 가중치를 적용하는 것으로 유리하게 이루어진다;

-각각의 알고리듬 및 각각의 바퀴에 대한 상태 결과의 판단은 가중치 적용의 결과가 오류 위험성을 최소화시키는 상태를 선택하는 것으로 바람직스럽게 이루어진다.

- 하나의 바람직한 실시예에 따르면, 각각의 바퀴 및 각각의 알고리듬에 대하여 판단된 상태 결과들의 조합 단계는 익스퍼트 시스템(expert system)에 의해 수행되고, 상기 익스퍼트 시스템의 판단 규칙은 경험적 접근 방식의 결과이다;

- 바람직스럽게는, 익스퍼트 시스템은 각각의 알고리듬에 대하여 제공된 상태 결과들에 따라서 저팽창 문제를 가진 바퀴들의 수 및/또는 저팽창 문제를 가진 바퀴들의 위치를 각각 고려한다.

- 변형으로서, 각각의 바퀴 및 각각의 알고리듬에 대하여 판단된 상태 결과들의 조합 단계는, 조합 매트릭스(combination matrix)에 의하여, 매트릭스의 입력 기준(input criterion)으로서 저팽창 문제를 가진 바퀴들의 수 또는 저팽창 문제를 가진 바퀴들의 위치를 취함으로써 수행될 수 있다.

본 발명은 또한 자동차의 바퀴들에 설치된 타이어들의 압력을 모니터하기 위한 시스템에 관한 것으로서, 상기 시스템은 각각의 바퀴 사이의 속도 차이의 분석에 기초하여 타이어들중 적어도 하나에서의 압력 결함 발생을 평가하는 제 1 알고리듬 및, 바퀴 속도의 스펙트럼 분석(spectral analysis)에 기초하여 타이어들중 적어도 하나에서의 압력 결함의 발생을 평가하는 제 2 알고리듬을 가지는 유형이고, 제 1 알고리듬 및 제 2 알고리듬 각각은 각각의 바퀴에 대하여 바퀴 속도 범위의 함수로서 저팽창 확률 값 및 관련 신뢰 수준값을 제공하고, 상기 시스템은 바이에시안 알고리듬(Bayesian algorithm)에 기초한 판단 모듈을 포함하고, 상기 판단 모듈(decision module)은:

- 타이어가 저팽창 상태에 있음을 인식하고 타이어가 최적 팽창 상태에 있음을 인식하는, 차량의 주행 테스트 기간중에 획득되고 각각의 알고리듬으로부터 얻어진, 충분히 많은 제 1 및 제 2 값들의 샘플들에 기초하여, 각각의 알고리듬 및 각각의 바퀴에 대하여, 타이어의 저팽창인 제 1 상태 및 타이어의 최적 팽창인 제 2 상태에 대응하는 2 개의 미리 결정된 상태들 각각에 대한 사전 확률 밀도 함수(a priori probability density function)를 발생시킬 수 있고;

- 각각의 알고리듬 및 각각의 바퀴에 대하여, 상기 발생된 사전 확률 밀도 함수들에 기초하여, 각각의 알고리듬에 의해 실시간으로 측정된 현재 값들의 함수로서, 타이어의 저팽창 상태 및 타이어의 최적 팽창 상태의 사후 확률 값을 각각 계산할 수 있고;

- 각각의 알고리듬 및 각각의 바퀴에 대하여, 이전에 계산된 상태들의 사후 확률 값들 사이에서 수행된 가중치 적용(weighting)의 함수로서 상태 결과를 판단할 수 있고;

- 저팽창 경고 신호를 촉발하기 위하여 각각의 바퀴 및 각각의 알고리듬에 대하여 판단된 상태 결과들을 조합할 수 있다.

본 발명의 다른 특징들 및 장점들은 첨부된 도면을 참조하여 하나의 예시로서 주어지지만 제한적이지 않은 본 발명의 특정 실시예에 대한 다음의 설명으로부터 명백해질 것이다.

도 1 은 타이어의 최적 팽창 및 저팽창의 상태들에 대한 사전 확률 밀도 함수들의 예를 도시하며, 이것은 소위 프리퀀시-도메인(frequency-domain) 영역으로부터 얻어진 결과에 기초하여 발생된다.
도 2 는 본 발명에 따른 바이에시안 접근 방식에 따라서 해석되고 2 개의 알고리듬들로부터 얻어진 결과들을 조합하기 위한 익스퍼트 시스템(expert system)의 예시적인 실시예를 나타내는 다이아그램이다.

따라서 본 발명의 의도는 확률의 값 및 관련된 신뢰 수준을 고려하여 타이어들중 하나가 (펑크를 포함하여) 저팽창(underinflation)의 상태를 가지는지 여부를 알려는 의문에 응답함으로써 차량의 바퀴들에 끼워진 타이어들중 적어도 하나에서 압력 결함의 발생을 강력하게(robustly) 특징지우려는 것이며, 이것은 타이어들 각각의 사이에서 각속도 차이를 분석하는 방법(이하에서 시간-도메인(time-domain) 알고리듬으로 지칭됨) 및 바퀴 속도를 스펙트럼 분석하는 방법(이하에 프리퀀시-도메인(frequency-domain) 알고리듬으로 지칭됨)에 따라서 각각 각동하는 2 가지 검출 알고리듬들에 의한 검출 결과로서 속도 범위마다 그리고 각각의 타이어에 대하여 제공된다.

본 발명에 따른 판단 모듈(decision module)의 목적은, 각각의 시스템의 최상을 획득하기 위하여 그리고 2 개의 알고리듬의 개별적인 수행에 영향을 미치는 주어진 저팽창 상황 및 운전 국면(driving phase)과 관련된 검출 오류를 최소화시키기 위하여, 상기 2 개의 시간-도메인 및 프리퀀시-도메인 알고리듬으로터 얻은 검출 결과를 조합하는 것이다. 본 발명에 따르면, 2 개의 시간-도메인 및 프리퀀시 도메인 알고리듬으로부터 얻어진 검출 결과를 고려하여, 타이어 저팽창 상황의 특성화를 정제(refine)하고 확인 또는 부정하기 위하여, 당업자에게 알려진 바이에시안 통계 평가 기술(Bayesian statistical estimation techniques)을 이용하도록 채용된 방법이 설계된다. 이를 수행하기 위하여, 본 발명의 방법은 통계적 접근 방법에 기초한 판단 알고리듬을 채용하는 판단 모듈을 사용한다.

따라서, 바이에시안 판단 알고리듬에 의해 수행되는 제 1 단계는, 타이어가 저팽창 상태에 있고 타이어가 최적 팽창 상태에 있음을 인식하는 공지 상태에서의 이전의 차량 주행 테스트에 의해 얻어지고 또한 각각의 알고리듬으로부터 얻어진 검출 값들의 충분히 많은 샘플링들을 저장하고 있는 획득 데이터베이스(acquisition database)에 기초하여, 타이어의 저팽창 상태 및 타이어의 최적 팽창 상태에 대하여, 각각의 시간-도메인 및 프리퀀시 도메인 알고리듬과 각각의 바퀴를 위한, 2 개의 사전 확뮬 밀도 함수(a priori probability density functions)를 발생시키는 것으로 이루어진다. 즉, 바이에시안 이론에 따라서, 이러한 단계는 타이어 압력에 대한 2 가지 가능한 상태, 즉, 저팽창 상태 및 최적 팽창 상태를 구별할 것을 목적으로 하는데, 이것은 차량의 주행 테스트중에 얻어지는, 프리퀀시 도메인 및 시간 도메인 알고리듬의 개별적인 출력으로부터 얻어지는 통계학적 데이터로부터, 상기 사전 확률 밀도 함수들을 나타내는, 상태들에 대한 사전 확률 히스토그램(histogram)의 구성에 기초하여 이루어진다.

서두에서 설명된 바와 같이, 2 개의 알고리듬들 각각은 그것의 출력에서, 차량의 각각의 바퀴에 대하여 검출 신호를 제공하는데, 이것은 저팽창 확률값(P) 및 관련된 신뢰 수준값(T)을 포함하며, 속도 범위의 함수로서 그렇게 제공한다. 2 개의 알고리듬 각각에 의해 평가된 확률값(P)은 저팽창 상태에 있는 문제의 바퀴에 대한 백분율로서 가능성(likelihood)을 나타낸다. 이러한 속도 범위 함수로서의 그리고 바퀴 마다의 확률값(P)은 몇개의 샘플링 기간에 걸쳐서 2 개의 알고리듬들 각각에 의해 동시에 계산된다. 신뢰 수준값(T)은 속도 범위를 변화시키는데 필요한 망각 인자(forget factor)를 나타낸다. 상세하게는, 확률값(P)은 각각의 속도 범위들에 대하여 보여졌던 저팽창 상태에 있을 가능성의 마지막 값들의 메모리를 포함한다. 차량 속도가 속도 범위들중 일부 또는 전부를 통과할 때, 확률값은 통과되었던 속도 범위들 각각에서 보았던 마지막 값들을 유지한다. 다음에 차량의 현재 속도에 대응하는 속도 범위는 높은 신뢰 수준을 가진다. 역으로, 주어진 속도 범위 및 주어진 바퀴에 대한 확률값의 마지막 업데이트 이래로 시간이 오래 경과될수록, 이러한 확률값과 관련된 신뢰 수준값은 낮아진다. 따라서, P x T(확률 x 신뢰 수준)의 곱이 취해질 때, 확률값을 고려하지만 또한 그러한 값에서 있을 수 있는 진부화(obsolescence)를 고려하기도 하는 로버스트(robust) 확률 결과가 얻어진다.

따라서, 이러한 로버스트(robust) 확률 결과는 각각의 알고리듬 및 각각의 바퀴에 대하여, 바이에슨 이론에 따라서 사전 상태들의 확률 히스토그램을 구성하는 사전 확률로서 이용될 것이다. 바람직스럽게는, 각각의 바퀴 및 각각의 알고리듬에 대한 모든 속도 범위들을 고려한 로버스트(robust) 확률 결과의 판단으로 이끄는, 최고의 곱 P x T 을 나타내는 속도 범위가 선택된다.

도 1 은 사전 베이즈 상태(a priori Bayes states)들의 2 개의 확률 히스토그램의 예를 도시하는데, 이것은 2 개의 히스토그램들로서의 프리퀀시-도메인 알고리듬으로부터 얻어진 검출 결과의 시현(representation)으로서, 상기 히스토그램 각각은 특정 시간 기간에 걸쳐 얻어진 최대값(P x T)의 함수로서 저팽창 상태 및 최적 팽창 상태에 대한 것이다. 이러한 히스토그램들은 사전 확률 밀도를 구성하기 위하여 정규화(normalize) 된다. 도 1 의 예에서, 가로 좌표상의 값들은 프리퀀시-도메인 알고리듬으로부터 얻어진 검출 결과들의 최적 팽창 상태 또는 저팽창 상태에 대하여 귀속 분류(class of membership)의 함수로서 로버스트(robust) 확률(P x T)을 나타낸다.

따라서, 도 1 에서, 곡선(C1)은 이전의 주행 테스트로부터 얻어진 사전 확률 밀도 함수를 나타내며, 이것은 타이어가 저팽창 상태에 있는 것을 미리 알면서, 프리퀀시-도메인 영역으로부터 얻어진 로버스트(robust) 확률값(P x T)에 대응한다.

일부에 있어서, 곡선(C12)은 이전의 주행 테스트에 의하여 사전에 얻어진 확률 밀도 함수를 나타내며, 이것은 타이어가 최적 팽창 상태, 즉, 잘 팽창된 상태에 있는 것을 미리 알면서, 프리퀀시-도메인 알고리듬으로부터 얻어진 로버스트(robust) 확률값(P x T)에 대응한다.

바이에시안 판단 알고리듬은 차후에, 각각의 알고리듬에 의해 실시간으로 측정된 현재 검출 값들의 함수로서, 발생된 사전 확률 밀도 함수에 기초하여, 있을 수 있는 상태들에 대한 사후 확률을 각각의 알고리듬 및 각각의 바퀴에 대하여 계산하는 단계를 수행한다. 보다 정확하게는, 베이즈 이론은 각각의 바퀴 및 각각의 알고리듬에 대하여, 프리퀀시-도메인/시간-도메인 알고리듬에 의해 실시간으로 측정된 값(P x T)을 가지고 타이어가 저팽창 상태에 있을 사후 확률(posteriori probability) 및, 프리퀀시-도메인/시간-도메인 알고리듬에 의해 실시간으로 측정된 값(P x T)을 가지고 타이어가 최적 팽창 상태에 있을 사후 확률을 알 수 있게 한다.

그렇게 하기 위하여, 예를 들어 타이어 제조사에 의하여 주어진 차량 풀(motor vehicle pool)에 대하여 수행된 통계적 연구로부터 얻어진, 전체적인 확률 데이터가 이용되며, 이것은 저팽창 상태의 타이어를 가지고 또한 최적 팽창 상태의 타이어를 가지는 차량에 대한 개별적인 전체 확률을 제공한다. 그러한 연구의 도움으로써, 차량의 타이어가 잘 팽창될 전체 확률이 P(최적)와 같은 동안에, 차량의 타이어가 저팽창일 전체 확률은 일반적으로 P(저팽창)와 같다는 점이 알려졌다. 예를 들어, P(저팽창)는 0.7 이고 P(최적)는 0.3 이다. 이러한 전체적 확률값은 아래에서 설명되는 바와 같이 글로벌 함수(global function)의 조절 변수(adjustment variable)들이며, 이것은 있을 수 있는 상태들의 사후 확률의 계산으로 이어지고, 최상의 최종 결과를 얻도록 수정될 수 있다. 더욱이, 각각의 상태들의 확률들의 합은 1 과 같아야 한다. 즉,

P (저팽창) + P (최적) = 1

다음의 방정식은 있을 수 있는 상태들의 사후 확률을 계산하기 위하여 이용된다.

하나의 예로서, 프리퀀시-도메인 알고리듬에 대하여 발생된 도 1 의 사전 확률 밀도 함수에 따라서, (프리퀀시-도메인 알고리듬에 의해 측정된 관련 신뢰 수준값 및 확률값의 쌍의 곱(P x T)에 의해 제공되는) 0.2 와 같은 현재의 로버스트(robust) 확률값(X)에 대하여, 다음이 얻어진다.

P (저팽창/PT) = 0.04

P (최적/PT) = 0.23

예를 들어, 주어진 차량 풀에서 잘 팽창된 타이어의 전체적인 확률값 P(최적)는 0.3 이고, 주어진 차량 풀에서 저팽창된 타이어의 전체적인 확률값 P(저팽창)가 0.7 이면서, 일 예에 따라서 0.2 와 같은 로버스트(robust) 확률값 (P x T)에 대한 최적 팽창의 상태 및 저팽창 상태에 있게 되는 사후 확률의 계산 결과는 다음을 제공한다.

P (저팽창/0.2) =0.2887

P (최적/0.2) = 0.7113

따라서, 이러한 바이에시안 확률의 결과에 따르면, 최적 팽창의 상태에 있게 되는 확률이 저팽창의 상태에 있게 되는 확률보다 높으면서, 프리퀀시-도메인 알고리듬으로부터 얻어진 검출 결과에 따라서 논의되는 바퀴에 대하여 저팽창의 문제가 없다는 결론이 이루어질 수 있다.

그럼에도 불구하고 바이에시안 판단 알고리듬은 위험성 계산(risk calculation)의 수행으로 이루어지는 추가적인 단계를 수행하는데, 보다 정확하게는 오류로 판단된 각각의 상태에 대하여 위험성과 관련된 코스트(비용)의 평가에 기초하여 수행한다. 즉, 이러한 계산은 각각의 상태 판단에서 실수할 위험성과 관련된 코스트를 평가함으로써 이전에 계산된 사후 확률값들에 가중치(weight)를 적용하기 위한 것이다. 상세하게는, 저팽창 및 최적 팽창으로 각각 판단된 각각의 상태는 그것과 관련된 위험성을 가지는데, 즉, 논의되는 타이어가 사실상 최적 팽창의 상태에 있으면서 저팽창의 상황으로 판단할 위험성을 가져서 잘못된 경고에 해당하고, 논의되는 타이어가 사실상 저팽창의 상황에 있으면서 최적 팽창의 상황으로 판단할 위험성을 가져서 검출 실패에 해당한다.

코스트는 미리 결정된 가중치 인자(weighting factor)로서 각각 COSTfalse-alarm 및 COSTnondetection 에 해당하는 잘못된 경고(false alarm) 및 검출 실패(nondetection)의 위험성 각각에 할당될 수 있으며, 상기 미리 결정된 가중치 인자는 논의되는 위험성과 관련된 결과의 중요성(significance)을 나타낸다. 이후에 판단 알고리듬은 잘못된 경고의 코스트 및 검출 실패의 코스트와 각각 관련된 위험성의 결과를 다음과 같이 수행한다.

R(저팽창/0.2) = P (최적/0.2) * COSTfalse_alarm

R(최적/0.2) = (저팽창/0.2)* COSTnondetection

일 예로서, 0.4 인 가중치 인자 COSTfalse_alarm 가 취해지고, 0.6 인 가중치 인자 COSTnondetection 가 취해진다. 따라서, 상기의 예로 돌아가면, 프리퀀시 도메인 알고리듬으로부터 얻어진 0.2 인 값 (P x T) 에 대하여, 다음이 얻어진다.

R (저팽창/0.2) = 0.2845

R (최적/0.2) = 0.1732

논의되는 바퀴에 대한 최상의 판단은 어느 것이 가장 낮은 오류 위험성을 나타내는가를 고려한다. 그렇게 하기 위하여, 논의되는 예에서 최적 팽창의 상태에 따라서 오류 위험성을 최소화시키는 상태를 선택하도록, 함수 MIN(R(최적/0.2), R(저팽창/0.2))가 위험성 계산에 적용된다.

코스트 및 확률의 조합이 가장 적게 문제되는 상태를 위험성 최소화를 통해 선택될 수 있게 하는 한, 저팽창 상태의 사후 확률 P(저팽창/X)과 최적 팽창 상태의 사후 확률 P(최적/X)의 계산된 값들 사이의 동등성의 경우에, 잘못된 판단과 관련된 이러한 위험성의 계산은 특히 유리하다.

프리퀀시 도메인 및 시간-도메인 알고리듬의 각각의 출력은 위에서 설명된 방식으로 처리되는데, 이것은 저팽창 상태 및 최적 팽창 상태의 사후 확률의 계산을 포함하고, 다음에 오류 위험성과 관련된 코스트들에 따라서 상기 값들에 가중치를 적용하는 것을 포함한다. 다음에 바이에시안 판단 알고리듬은, 각각의 바퀴들 및 각각의 시간-도메인과 프리퀀시 도메인 알고리듬에 대하여, 가장 낮은 오류 위험성을 가진 사후 확률값으로부터 초래된 상태 결과(저팽창 또는 최적 팽창)를 제공한다.

다음에 본 발명의 방법은 서두에서 설명된 바와 같이, 2 개의 시간-도메인 및 프리퀀시 도메인 알고리듬 각각과 관련된 본질적인 오류를 최소화하기 위하여, 바이에시안 판단 알고리듬에 의하여 각각의 바퀴 및 2 개의 알고리듬들 각각에 대하여 상기 방법으로 얻어진 상태 결과들의 조합을 수행한다.

일 실시예에 따르면, 이러한 조합 단계는 익스퍼트 시스템(expert system)에 의해 수행될 수 있으며, 익스퍼트 시스템의 판단 규칙은 경험적 접근 방식의 결과로서, 즉, 이들은 유사 조직화된(quasi-systemized) 일반적 관찰에 기초한다. 도 2 는 상태 결과들의 조합을 위해 수행될 수 있는 익스퍼트 시스템의 예가 개략적으로 도시된 표를 나타낸다. 이러한 표에 표시된 기호는 다음과 같다:

i: 바퀴의 인덱스[1 내지 4]

*: 바퀴들의 전체 개수

~: 있을 수 있는 모든 값들

다음은 조건을 나타낸다.

Freq No: 프리퀀시 도메인 알고리듬에 대하여 판단된 상태 결과들에 따라서 저팽창의 문제를 가진 바퀴의 수;

Time No: 시간-도메인 알고리듬에 대하여 판단된 상태 결과에 따라서 저팽창의 문제를 가진 바퀴의 수;

Time (i): 시간-도메인 알고리듬에 대하여 인덱스(i)를 가진 바퀴의 저팽창 문제 (있을 수 있는 값들의 예: 진실(True) 또는 거짓(False))

Freq (i): 프리퀀시-도메인 알고리듬에 대하여 인덱스(i)를 가진 바퀴의 저팽창 문제 (있을 수 있는 값들의 예: 진실(Ture) 또는 거짓(False))

따라서, 이러한 예에서, 시간 도메인 및 프리퀀시 도메인 알고리듬 각각에 대하여 이전에 판단된 상태 결과들로부터의 결과로서, 저팽창의 문제를 가진 (인덱스(i)로 표시된) 바퀴의 위치 및/또는 저팽창의 문제를 가진 바퀴들의 수와 관련된 조건들을 고려하는 판단 규칙(decision rule)이 익스퍼트 시스템에 의해 적용된다. 이러한 예에서, 판단 규칙은 표에 있는 열(row)의 순서에 따르면서 적용될 필요가 있다. 따라서, 이러한 예에 따르면, 만약 프리퀀시-도메인 알고리듬에 대한 결과가 저팽창의 문제를 가진 4 개의 바퀴들을 나타내고, 동시에 시간-도메인 알고리듬에 따라서 0 개의 바퀴들이 저팽창의 문제를 가진다면, 다른 조건들에 상관 없이, 판단 모듈의 출력 신호의 상태는 모든 바퀴들에 대하여 최적으로 설정된다. 만약 제 1 열에 대한 이러한 해석이 이루어지지 않으면, 표에 있는 제 2 열(row)에 따라서, 표에 있는 다른 조건들에 의해 취해지는 값들에 상관 없이, 판단 모듈의 출력 신호의 상태(status)를 바퀴(i)에 대하여 저팽창으로 설정하기 위하여, 시간-도메인 알고리듬에 따라서 바퀴(i)에 대하여 저팽창의 문제가 검출된 것으로 충분하다. 만약 제 2 열에 대한 이러한 해석이 이루어지지 않으면, 표에 있는 제 3 열에 따라서, 표에 있는 다른 조건들에 의해 취해지는 값들에 상관 없이, 판단 모듈의 출력 신호의 상태를 바퀴에 대하여 저팽창으로 설정하기 위하여, 프리퀀시-도메인 알고리듬에 따라서 바퀴(i)에 대하여 저팽창의 문제가 있고, 동시에 시간-도메인 알고리듬에 따라서 저팽창의 문제를 가지고 검출된 바퀴가 없다고 하는 것으로 충분하다. 마지막으로, 만약 제 3 열의 이러한 해석이 이루어지지 않으면, 표의 마지막 열에 따라서, 이전의 열에 대한 해석들중 어느 것에도 해당되지 않는 한, 표에 있는 조건들에 의해 취해지는 값들에 상관 없이, 판단 모듈의 출력 신호의 상태는 모든 바퀴들에 대하여 최적으로 설정된다.

다른 실시예에 따르면, 각각의 바퀴 및 각각의 알고리듬에 대하여 판단된 상태 결과들의 조합은, 조합 매트릭스(combination matrix)에 의하여, 매트릭스의 입력 기준으로서 저팽창 문제를 가진 바퀴들의 위치 또는 저팽창 문제를 가진 바퀴들의 수(number)를 취함으로써 수행될 수 있다.

판단 모듈의 출력 신호의 상태를 저팽창으로 변화시키는 것은 저팽창 경고 신호를 촉발하며, 상기 경고 신호는 차량의 적어도 하나의 바퀴에 대한 저팽창의 문제를 차량 운전자에게 경고하기 위한 의도이다.

바람직스럽게는, 너무 다이나믹(dynamic)하거나 또는 순간적일 수 있는, 조합으로부터 얻어진 검출 결과를 지연시키기 위하여, 판단 모듈의 출력에 카운터(counter)가 추가되며, 상기 카운터는 필요에 따라서 검출 속도를 적합시킬 수 있도록 저팽창의 문제가 검출되거나 또는 검출되지 않을 때마다 출력 신호에 의하여 취해진 상태의 함수(function of status)로서 증가되거나 또는 감소되게끔 설계된다. 따라서 카운터는 저팽창이 어느 정도 지속된 이후에만 위에서 제시된 바와 같이 데이터의 조합에 의해 제시되는 경고 신호를 촉발시킬 수 있다. 그러한 지연은 검출 시스템에 안정성을 제공하기 위하여 단점을 극복할 수 있게 하는데, 상기 단점은 불량한 도로 조건(단기간에 있을 수 있는 혼란)의 존재와 관련되고, 상류측의 시간-도메인 및 프리퀀시-도메인 알고리듬의 부정확한 해석과 일시적인 다른 위험성과 관련되며, 또한 시기 상조의 경고 발생과 관련된다.

예를 들어, 1 바이트(0-255)의 값으로 포화된 카운터가 이용된다. 예를 들어, 조합 매트릭스(combination matrix)에 의해 제공된 검출 결과로부터 오는 저팽창의 각각의 신호 작용시에, 255 일 수 있는 초기 값으로부터 고정적인 스텝(fixed step)으로 또는 가변적인 스텝(variable step)으로 카운트다운(count down)될 수 있으며, 마찬가지로 최적 팽창의 각각의 신호시에 증가될 수 있다. 최소 경고 쓰레숄드( minimum warning threshold )에 도달하자마자, 예를 들어 값 O 과 같게 되자마자, 저팽창 신호가 충분히 지속적이라고 결론지어질 수 있으며 경고 신호가 촉발된다. 일단 경고 신호가 촉발되었다면, 카운터는 경고 쓰레숄드의 값에 록킹(locking)되며, 카운터를 초기 값으로 재설정하기 위하여 자동적이거나 또는 수동적인 재초기화(reinitialization) 요청이 보내진다.

Claims (9)

1. 차량 바퀴들에 설치된 타이어들중 적어도 하나에서의 압력 결함의 발생을 평가하는 방법으로서, 상기 평가는 각각의 바퀴들 사이의 속도 차이의 분석에 기초한 제 1 알고리듬 및 바퀴 속도의 스펙트럼 분석(spectral analysis)에 기초한 제 2 알고리듬에 따른 바퀴들의 각속도 해석으로부터 얻어지고,
   제 1 알고리듬 및 제 2 알고리듬 각각은, 각각의 바퀴에 대하여, 바퀴 속도 범위의 함수로서 저팽창 확률값(underinflation probability value) 및 관련 신뢰 수준값(associated confidence level value)을 제공하고,
   상기 평가 방법은 바이에시안 알고리듬(Bayesian algorithm)에 기초한 판단 모듈을 사용하고, 상기 바이에시안 알고리듬은:
   - 타이어가 저팽창 상태에 있음을 인식하고 타이어가 최적 팽창 상태에 있음을 인식하는, 차량의 주행 테스트중에 획득되고 각각의 알고리듬으로부터 얻어진, 충분히 많은 제 1 및 제 2 값들의 샘플들에 기초하여, 각각의 알고리듬 및 각각의 바퀴에 대하여, 타이어의 저팽창인 제 1 상태 및 타이어의 최적 팽창인 제 2 상태에 대응하는 2 개의 미리 결정된 상태들 각각에 대한 사전 확률 밀도 함수(a priori probability density function, C1, C2)를 발생시키는 단계;
   - 각각의 알고리듬 및 각각의 바퀴에 대하여, 상기 발생된 사전 확률 밀도 함수(C1,C2)에 기초하여, 각각의 알고리듬에 의해 실시간으로 측정된 현재 값들의 함수로서, 타이어의 저팽창 상태 및 타이어의 최적 팽창 상태의 사후 확률 값을 각각 계산하는 단계;
   - 각각의 알고리듬 및 각각의 바퀴에 대하여, 이전에 계산된 상태들의 사후 확률 값들 사이에서 수행된 가중치 적용(weighting)의 함수로서 상태 결과를 판단하는 단계; 및,
   - 저팽창 경고 신호를 촉발하기 위하여 각각의 바퀴 및 각각의 알고리듬에 대하여 판단된 상태 결과들을 조합하는 단계;를 포함하는 것을 특징으로 하는, 타이어의 압력 결함 발생 평가 방법.
2. 제 1 항에 있어서,
   사전 확률 밀도 함수들의 발생은, 제 1 알고리듬으로부터 얻은 확률값들 및 관련 신뢰 수준값들의 각각의 쌍 및 제 2 알고리듬으로부터 얻은 확률값들 및 관련 신뢰 수준값들의 각각의 쌍에 대하여 각각 신뢰 수준 값들을 통합시킨, 주어진 속도 범위에 대한 로버스트 확률 결과(robust probability result)들을 판단하는 단계 및,
   상기 결과들의 저팽창 상태 또는 최적 팽창 상태에 대한 귀속 분류(class of membership)에 따라서 2 개의 사전 확률 밀도 함수로서 2 개의 알고리듬들 각각에 대하여 판단된 로버스트 확률 결과들을 나타내는 단계를 포함하는 것을 특징으로 하는, 타이어의 압력 결함 발생 평가 방법.
3. 제 2 항에 있어서,
   로버스트 확률 결과들의 판단은, 각각의 바퀴 및 각각의 알고리듬에 대한 모든 속도 범위를 고려하여 로버스트 확률 결과를 판단하기 위하여, 각각의 바퀴의 모든 속도 범위들에 걸쳐 각각의 알고리듬으로부터 얻어진 확률값과 관련 신뢰 수준의 곱(product)의 최대값을 각각의 알고리듬에 대하여 선택하는 단계를 포함하는 것을 특징으로 하는, 타이어의 압력 결함 발생 평가 방법.
4. 전기한 항들중 어느 한 항에 있어서,
   각각의 알고리듬 및 각각의 바퀴에 대한 타이어의 저팽창 상태 및 타이어의 최적 팽창의 사후 확률 값들의 가중치 적용(weighting)은, 개별적인 상태들 각각의 판단시에 오류 위험성(error risk)과 관련된 미리 결정된 코스트(cost)를 나타내는 계수의 함수로서, 타이어의 저팽창 상태 및 최적 팽창 상태에 대하여 각각 얻어진 상기 사후 확률 값들 각각에 가중치를 적용하는 것으로 이루어지는 것을 특징으로 하는, 타이어의 압력 결함 발생 평가 방법.
5. 제 4 항에 있어서,
   각각의 알고리듬 및 각각의 바퀴에 대한 상태 결과의 판단은 가중치 적용의 결과가 오류 위험성을 최소화시키는 상태를 선택하는 것으로 이루어지는 것을 특징으로 하는, 타이어의 압력 결함 발생 평가 방법.
6. 전기한 항들중 어느 한 항에 있어서,
   각각의 바퀴 및 각각의 알고리듬에 대하여 판단된 상태 결과들의 조합 단계는 익스퍼트 시스템(expert system)에 의해 수행되고, 상기 익스퍼트 시스템의 판단 규칙은 경험적 접근 방식의 결과인 것을 특징으로 하는, 타이어의 압력 결함 발생 평가 방법.
7. 제 6 항에 있어서,
   익스퍼트 시스템은 각각의 알고리듬에 대하여 제공된 상태 결과들에 따라서 저팽창 문제를 가진 바퀴들의 수 및/또는 저팽창 문제를 가진 바퀴들의 위치를 각각 고려하는 것을 특징으로 하는, 타이어의 압력 결함 발생 평가 방법.
8. 제 1 항 내지 제 5 항중 어느 한 항에 있어서,
   각각의 바퀴 및 각각의 알고리듬에 대하여 판단된 상태 결과들의 조합 단계는, 조합 매트릭스(combination matrix)에 의하여, 매트릭스의 입력 기준(input criterion)으로서 저팽창 문제를 가진 바퀴들의 수 또는 저팽창 문제를 가진 바퀴들의 위치를 취함으로써 수행되는 것을 특징으로 하는, 타이어의 압력 결함 발생 평가 방법.
9. 자동차의 바퀴들에 설치된 타이어들의 압력을 모니터하기 위한 시스템으로서, 상기 시스템은 각각의 바퀴 사이의 속도 차이의 분석에 기초하여 타이어들중 적어도 하나에서의 압력 결함 발생을 평가하는 제 1 알고리듬 및, 바퀴 속도의 스펙트럼 분석(spectral analysis)에 기초하여 타이어들중 적어도 하나에서의 압력 결함의 발생을 평가하는 제 2 알고리듬을 가지는 유형이고, 제 1 알고리듬 및 제 2 알고리듬 각각은 각각의 바퀴에 대하여 바퀴 속도 범위의 함수로서 저팽창 확률 값 및 관련 신뢰 수준값을 제공하고, 상기 시스템은 바이에시안 알고리듬(Bayesian algorithm)에 기초한 판단 모듈을 포함하고, 상기 판단 모듈(decision module)은:
   - 타이어가 저팽창 상태에 있음을 인식하고 타이어가 최적 팽창 상태에 있음을 인식하는, 차량의 주행 테스트 기간중에 획득되고 각각의 알고리듬으로부터 얻어진, 충분히 많은 제 1 및 제 2 값들의 샘플들에 기초하여, 각각의 알고리듬 및 각각의 바퀴에 대하여, 타이어의 저팽창인 제 1 상태 및 타이어의 최적 팽창인 제 2 상태에 대응하는 2 개의 미리 결정된 상태들 각각에 대한 사전 확률 밀도 함수(a priori probability density function)를 발생시킬 수 있고;
   - 각각의 알고리듬 및 각각의 바퀴에 대하여, 상기 발생된 사전 확률 밀도 함수들에 기초하여, 각각의 알고리듬에 의해 실시간으로 측정된 현재 값들의 함수로서, 타이어의 저팽창 상태 및 타이어의 최적 팽창 상태의 사후 확률 값을 각각 계산할 수 있고;
   - 각각의 알고리듬 및 각각의 바퀴에 대하여, 이전에 계산된 상태들의 사후 확률 값들 사이에서 수행된 가중치 적용(weighting)의 함수로서 상태 결과를 판단할 수 있고;
   - 저팽창 경고 신호를 촉발하기 위하여 각각의 바퀴 및 각각의 알고리듬에 대하여 판단된 상태 결과들을 조합할 수 있는 것을 특징으로 하는, 타이어의 압력 모니터 시스템.

Images