KR20160133321A - 휠 로더의 제어 방법 - Google Patents

Abstract

휠 로더의 제어 방법에 있어서, 휠 로더가 수행하는 작업들을 특정 작업 상태들로 구분한다. 기 설정된 시점 이후부터 상기 작업 상태들의 작업시간을 적산한다. 작업 상태별 작업시간의 점유율 변화량을 산출한다. 상기 점유율 변화량 추이를 반영하여 특정 작업 상태에서의 엔진 제어를 변경한다.

Description

휠 로더의 제어 방법{METHODOF CONTROLLING WHEEL LOADER}

본 발명은 휠 로더의 제어 방법에 관한 것으로, 보다 상세하게는 휠 로더의 작업 상태를 판단하여 상기 휠 로더를 자동으로 제어하기 위한 휠 로더의 제어 방법에 관한 것이다.

휠 로더는 건설 현장에서, 흙, 모래 등을 굴삭하여 운반하고 덤프 트럭과 같은 화물 차량에 로딩하는 작업 등을 수행하는 데 널리 사용되고 있다.

상기 휠 로더의 작업 상태에 따라 작업 부하가 변화하고 이러한 작업 부하를 감지하여 상기 휠 로더의 엔진 또는 트랜스미션 등을 자동으로 제어함으로써, 연비를 절감할 수 있고 작업 효율의 저하를 방지할 수 있다. 따라서, 현재의 작업 상태와 작업 부하 상태를 실시간으로 정확하게 검출하고 이에 근거하여 휠 로더를 자동으로 제어하기 위한 기술이 요구된다.

또한, 작업 개시 전에 과거에 수행한 작업 상태 추이를 분석하여 이에 근거하여 엔진을 제어함으로써 장비 성능을 최적화하기 위한 기술이 요구된다.

본 발명의 일 과제는 휠 로더의 작업 수행 시에 연비를 절감하고 작업 효율을 향상시킬 수 있는 휠 로더의 제어 방법을 제공하는 데 있다.

상술한 본 발명의 일 과제를 달성하기 위하여, 본 발명의 예시적인 실시예들에 휠 로더의 제어 방법에 있어서, 휠 로더가 수행하는 작업들을 특정 작업 상태들로 구분한다. 기 설정된 시점 이후부터 상기 작업 상태들의 작업시간을 적산한다. 작업 상태별 작업시간의 점유율 변화량을 산출한다. 상기 점유율 변화량 추이를 반영하여 특정 작업 상태에서의 엔진 제어를 변경한다.

예시적인 실시예들에 있어서, 상기 작업 상태별 작업시간의 점유율 변화량을 산출하는 단계는 주행 작업, 굴삭 작업, 주행붐업 작업 및 대기 작업의 작업시간의 점유율 변화량들을 산출하는 단계를 포함할 수 있다.

예시적인 실시예들에 있어서, 상기 작업 상태별 작업시간의 점유율 변화량은 전체 기간 동안의 특정 작업시간의 점유율에 대한 최근 작업 기간 동안의 특정 작업시간의 점유율의 비율로 산출될 수 있다.

예시적인 실시예들에 있어서, 상기 점유율 변화량 추이를 고려하여 상기 특정 작업 상태에서의 엔진 제어를 변경하는 단계는, 최근에 수행된 작업 상태들 중에서 상기 작업시간의 점유율 증가량이 가장 큰 작업 상태를 결정하는 단계, 및 상기 결정된 작업 상태의 수행시에 상기 엔진 제어를 조정하는 단계를 포함할 수 있다.

예시적인 실시예들에 있어서, 상기 결정된 작업 상태의 수행시에 상기 엔진 제어를 조정하는 단계는 엔진 출력을 기 설정된 비율만큼 증가시키는 단계를 포함할 수 있다.

예시적인 실시예들에 있어서, 상기 결정된 작업 상태의 수행시에 상기 엔진 제어를 조정하는 단계는 오토 아이들 진입 대기 시간을 축소하는 단계를 포함할 수 있다.

예시적인 실시예들에 있어서, 상기 작업시간의 점유율 증가량이 가장 큰 작업 상태를 결정하는 단계는, 상기 작업 상태별 작업시간의 점유율 증가량이 기 설정값 이상인 지 여부를 결정하는 단계를 더 포함할 수 있다.

예시적인 실시예들에 있어서, 상기 휠 로더가 수행하는 작업들을 특정 작업 상태들로 구분하는 단계는, 상기 휠 로더에 장착된 센서들로부터 작업 상태를 나타내는 신호들을 수신하는 단계, 상기 수신된 신호들 중에서, 상기 휠 로더가 수행하는 일련의 작업들에서 소요되는 부하에 따라 구분된 복수 개의 개별 부하들을 각각 판단하는 데 필요한 신호를 선택하는 단계, 상기 선택된 신호들에 대하여 기 학습된 예측 알고리즘을 수행하여 상기 복수 개의 개별 부하 상태 여부들을 각각 나타내는 출력값들을 산출하는 단계, 및 상기 산출된 출력값들을 분석하여 현재의 작업 상태를 판단하는 단계를 포함할 수 있다.

예시적인 실시예들에 있어서, 상기 기 학습된 예측 알고리즘을 수행하는 단계는 신경망 알고리즘을 수행하는 단계를 포함할 수 있다.

예시적인 실시예들에 따르면, 신경망 알고리즘과 같은 기 학습된 예측 알고리즘을 사용하여 휠 로더의 작업 부하 상태 또는 작업 상태를 실시간으로 구분한 후 구분된 작업 상태들의 작업 시간을 적산하고, 작업 상태별 작업시간의 점유율 추이에 따라 엔진 제어를 조정할 수 있다.

이에 따라, 휠 로더의 작업 부하 상태를 판단하기 위한 계산에 소요되는 시간 및 부담을 감소시키고 판단의 정확도를 향상시킬 수 있다. 또한, 과거 작업 시점 이후부터 작업 상태별 작업시간 점유율 추이를 피드백하여 엔진 제어를 변경함으로써, 작업 성능을 최적화할 수 있다.

다만, 본 발명의 효과는 상기 언급한 효과에 한정되는 것이 아니며, 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위에서 다양하게 확장될 수 있을 것이다.

도 1은 예시적인 실시예들에 따른 휠 로더를 나타내는 측면도이다.
도 2는 도 1의 휠 로더의 제어 시스템을 나타내는 블록도이다.
도 3은 예시적인 실시예들에 따른 휠 로더의 제어 장치를 나타내는 블록도이다.
도 4는 도 3의 제어 장치의 작업 부하 판단부를 나타내는 블록도이다.
도 5는 도 4의 개별 부하 판단부의 개별 신경망 회로를 나타내는 도면이다.
도 6은 도 5의 개별 신경망 회로의 각 층에서의 신호 전달 수식을 나타내는 도면이다.
도 7은 도 3의 제어 장치의 제어 신호 출력부를 나타내는 블록도이다.
도 8은 예시적인 실시예들에 따른 휠 로더의 제어 방법을 나타내는 순서도이다.
도 9는 예시적인 실시예들에 따른 휠 로더의 V-형 운전을 나타내는 도면이다.
도 10은 도 9의 V-형 운전의 각 작업에서의 개별 부하 상태들을 나타내는 출력값들을 도시한 그래프들이다.
도 11은 도 10의 출력값들을 분석하여 획득한 최종 작업 부하 상태를 나타내는 그래프이다.
도 12는 예시적인 실시예들에 따른 휠 로더의 엔진 제어 방법을 나타내는 순서도이다.

본문에 개시되어 있는 본 발명의 실시예들에 대해서, 특정한 구조적 내지 기능적 설명들은 단지 본 발명의 실시예를 설명하기 위한 목적으로 예시된 것으로, 본 발명의 실시예들은 다양한 형태로 실시될 수 있으며 본문에 설명된 실시예들에 한정되는 것으로 해석되어서는 아니 된다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제 1, 제 2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로 사용될 수 있다. 예를 들어, 본 발명의 권리 범위로부터 이탈되지 않은 채 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미이다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미인 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.

도 1은 예시적인 실시예들에 따른 휠 로더를 나타내는 측면도이다. 도 2는 도 1의 휠 로더의 제어 시스템을 나타내는 블록도이다.

도 1 및 도 2를 참조하면, 휠 로더(10)는 서로 회전 가능하게 연결된전방 차체(12) 및 후방 차체(14)를 포함할 수 있다. 전방 차체(12)는 작업 장치 및 전방 휠(160)을 포함할 수 있다. 후방 차체(14)는 운전실(40), 엔진룸(50) 및 후방 휠(162)를 포함할 수 있다.

상기 작업 장치는 붐(20) 및 버켓(30)을 포함할 수 있다. 붐(20)은 전방 차체(12)에 자유롭게 회전 가능하도록 부착되고 버켓(30)은 붐(20)의 일단부에 자유롭게 회전 가능하도록 부착될 수 있다. 붐(20)은 전방 차체(12)에 한 쌍의 붐 실린더들(22)에 의해 연결되고, 붐(20)은 붐 실린더(22)의 구동에 의해 상하 방향으로 회전할 수 있다. 틸트 암(34)은 암(20)의 거의 중심부 상에서 자유롭게 회전 가능하도록 부착되고, 틸트 암(34)의 일단부와 전방 차체(12)는 한 쌍의 버켓 실린더들(32)에 의해 연결되고, 틸트 암(34)의 타단부에 틸트 로드에 의해 연결된 버켓(30)은 버켓 실린더(32)의 구동에 의해 상하 방향으로 회전(덤프 또는 크라우드)할 수 있다.

또한, 전방 차체(12)와 후방 차체(14)는 센터 핀(16)에 의해 서로 회전 가능하게 연결되고, 스티어링 실린더(도시되지 않음)에 신축에 의해 전방 차체(12)가 후방 차체(14)에 대하여 좌우로 굴절될 수 있다.

후방 차체(14)에는 휠 로더(10)를 주행시키기 위한 주행 장치가 탑재될 수 있다. 엔진(100)은 엔진룸(50) 내에 배치되고 상기 주행 장치에 파워 출력을 공급할 수 있다. 상기 주행 장치는 토크 컨버터(120), 트랜스미션(130), 프로펠러 샤프트(150), 액슬(152, 154) 등을 포함할 수 있다. 엔진(100)의 파워 출력은 토크 컨버터(120), 트랜스미션(130), 프로펠러 샤프트(150) 및 액슬(152, 154)을 통해 전방 휠(160) 및 후방 휠(162)로 전달되어 휠 로더(10)가 주행하게 된다.

구체적으로, 엔진(100)의 파워 출력은 토크 컨버터(120)를 통해 트랜스미션(130)에 전달될 수 있다. 토크 컨버터(120)의 입력축은 엔진(100)의 출력축에 연결되고, 토크 컨버터(120)의 출력축은 트랜스미션(130)에 연결될 수 있다. 토크 컨버터(120)는 임펠러, 터빈 및 스테이터를 갖는 유체 클러치 장치일 수 있다. 트랜스미션(130)은 제1 속 내지 제4 속 사이에서 속도단들을 변속시키는 유압 클러치들을 포함할 수 있고, 토크 컨버터(120)의 상기 출력축의 회전은 트랜스미션(130)에 의해 변속될 수 있다. 변속된 회전은 프로펠러 샤프트(150) 및 액슬(152, 154)을 통해 전방 휠(160) 및 후방 휠(162)로 전달되어 상기 휠 로더가 주행할 수 있다.

토크 컨버터(120)는 입력 토크에 대한 출력 토크를 증가시키는 기능, 즉, 토크비를 1 이상으로 만들 수 있는 기능을 가질 수 있다. 토크비는 토크 컨버터(120)의 상기 입력축의 회전수(Ni)와 상기 출력축의 회전수(Nt)의 비인 토크 컨버터 속도비(e)(=Nt/Ni)가 증가에 수반하여 감소한다. 예를 들면, 엔진 회전수가 일정한 상태에서 주행 중에 주행 부하가 커지면, 토크 컨버터(120)의 상기 출력축의 회전수, 즉, 차속이 감소하고 토크 컨버터 속도비는 작아진다. 이 때, 토크비는 증가하므로, 보다 큰 주행 구동력으로 주행할 수 있다.

트랜스미션(130)은 전진용 유압 클러치, 후진용 유압 클러치 및 제1 속 내지 제4 속용 유압 클러치들을 포함할 수 있다. 상기 유압 클러치들 각각은 트랜스미션 제어장치(TCU)(140)를 통해 공급되는 압유(클러치압)에 의해 결합 또는 해방될 수 있다. 즉, 상기 유압 클러치에 공급되는 클러치압이 증가하면 상기 유압 클러치는 결합되고 상기 클러치압이 감소하면 해방될 수 있다.

주행 부하가 낮아지고 토크 컨버터 속도비(e)가 증가하여 기 설정값(eu) 이상이 되면 속도단은 1단 시프트 업된다. 반대로 주행 부하가 높아지고 토크 컨버터 속도비(e)가 기 설정값(ed) 이하가 되면 속도단은 1단 시프트 다운된다.

트랜스미션(130)은 매뉴얼 모드 또는 복수 개의 오토 변속 모드들을 구비할 수 있다. 상기 변속 모드들은 모드 변환 스위치(도시되지 않음)의 조작에 의해 변환될 수 있다. 예를 들면, 트랜스미션(130)은 매뉴얼 모드, 1-4 오토 모드 및 1-3 오토 모드를 포함할 수 있다. 매뉴얼 모드로 설정된 경우, 변속 선택 레버에 의해 선택된 속도단이 적용될 수 있다. 1-4 오토 모드 또는 1-3 오토 모드로 설정된 경우, 상기 변속 선택 레버에 의해 선택된 속도단 이하의 속도단들 사이에서 자동으로 변속될 수 있다.

후방 차체(14)에는 상기 작업 장치의 붐 실린더(22) 및 버켓 실린더(32)에 압유를 공급하기 위한 가변 용량형 유압 펌프(200)가 탑재될 수 있다. 가변 용량형 유압 펌프(200)는 엔진(100)으로부터의 파워 출력의 일부를 사용하여 구동될 수 있다. 예를 들면, 엔진(100)의 출력은, 엔진(100)과 토크 컨버터(120) 사이에 설치되어 있는 기어 트레인(110)과 같은 동력전달장치(PTO)를 통해서 작업 장치용 유압 펌프(200)와 스티어링용의 유압 펌프(도시되지 않음)를 구동시킬 수 있다.

가변 용량형 유압 펌프(200)에는 펌프 제어장치가 연결되고, 상기 펌프 제어장치에 의해 가변 용량형 유압 펌프(200)의 토출 유량이 제어될 수 있다. 유압 펌프(200)의 유압 회로 상에는 붐 제어 밸브(210)와 버켓 제어 밸브(212)와 같은 메인 제어 밸브(MCV)가 설치될 수 있다. 유압 펌프(200)의 토출유는 메인 제어 밸브의 전단의 유압라인(202)에 설치된 붐 제어 밸브(210) 및 버켓 제어 밸브(212)를 통해 붐 실린더(22) 및 버켓 실린더(32)에 공급될 수 있다. 메인 제어 밸브(MCV)는 조작 레버로부터 입력되는 파일럿 압력에 따라 유압 펌프(200)로부터 토출된 작동유를 붐 실린더(22) 및 버켓 실린더(32)로 공급할 수 있다. 이에 따라, 붐(20)과 버켓(30)은 유압 펌프(200)로부터 토출된 작동유의 유압에 의해 구동될 수 있다.

운전실(40) 내에는 운전 조작 장치가 구비될 수 있다. 상기 운전 조작 장치는 주행 페달(142), 브레이크 페달(144), 및 FNR 주행 레버와 붐 실린더(22)와 버켓 실린더(32)와 같은 실린더들을 작동시키기 위한 조작 레버들을 포함할 수 있다.

상술한 바와 같이, 휠 로더(10)는 엔진(100)의 출력을 동력전달장치(PTO)를 통해 상기 주행 장치를 구동시키기 위한 주행 시스템과 붐(20)과 버켓(30)과 같은 작업 장치를 구동시키기 위한 유압 장치계를 포함할 수 있다.

또한, 후방 차체(14)에는 차량 제어장치(VCU)의 일부 또는 별도의 컨트롤러로서 휠 로더(10)의 제어 장치(300)가 탑재될 수 있다. 제어 장치(300)는 프로그램을 실행하는 CPU, 메모리와 같은 저장 장치, 그 밖의 주변 회로 등을 갖는 연산 처리 장치를 포함할 수 있다.

제어 장치(300)는 휠 로더(10)에 장착된 다양한 센서들로부터 신호들을 수신할 수 있다. 예를 들면, 제어 장치(300)는 엔진 회전수를 검출하는 엔진 회전수 센서(102), 주행 페달(142)의 조작량을 검출하는 주행 페달 검출 센서(143), 브레이크 페달(144)의 조작량을 검출하는 브레이크 페달 검출 센서(145), 트랜스미션(130)의 속도단, 전진(F), 중립(N) 및 후진(R)을 선택하는 FNR 레버의 조작 위치를 검출하는 FNR 레버 위치 검출 센서(146)에 연결될 수 있다.

또한, 제어 장치(300)는 토크 컨버터(120)의 상기 입력축의 회전수(Ni)를 검출하는 회전수 검출 센서(122a), 토크 컨버터(120)의 상기 출력축의 회전수(Nt)를 검출하는 회전수 검출 센서(122b), 및 트랜스미션(130)의 출력축의 회전 속도, 즉 차속(v)을 검출하는 차속 검출 센서(132)에 연결될 수 있다.

또한, 제어 장치(300)는 메인 제어 밸브(MCV) 전단의 유압 라인(202)에 설치되어 유압 펌프(200)의 토출 압력을 검출하는 압력 센서(204), 및 붐 실린더(22)의 헤드측 압력을 검출하는 붐 실린더 압력 센서(222)에 연결될 수 있다. 또한, 제어 장치(300)는 붐(20)의 회전 각도를 검출하는 붐 각도 센서(224), 버켓(30)의 회전 각도를 검출하는 버켓 각도 센서(234)에 연결될 수 있다.

휠 로더(10)에 장착된 센서들에 의해 검출된 신호들은 도 2의 점선 화살표에 나타낸 바와 같이 제어 장치(300)에 입력될 수 있다. 후술하는 바와 같이, 제어 장치(300)는 휠 로더(10)에 장착된 센서들로부터 수신된 신호들 중에서 특정 신호들을 선택하고 신경망 알고리즘과 같은 기 학습된 예측 알고리즘을 수행하여 각각의 개별 부하 상태 여부를 나타내는 출력값들을 산출하고 이를 분석하여 휠 로더(10)의 현재의 작업 부하 상태 또는 현재의 작업 상태를 결정할 수 있다. 나아가, 제어 장치(300)는 엔진 제어장치(ECU), 트랜스미션 제어장치(TCU)(140), 상기 펌프 제어장치 등에 연결되어 제어 신호를 출력할 수 있고, 최종 부하 상태 또는 작업 상태를 고려하여 휠 로더(10)의 엔진(100), 트랜스미션(130), 유압 펌프(200) 등을 선택적으로 제어할 수 있다.

이하에서는, 상기 휠 로더의 제어 장치에 대하여 설명하기로 한다.

도 3은 예시적인 실시예들에 따른 휠 로더의 제어 장치를 나타내는 블록도이다. 도 4는 도 3의 제어 장치의 작업 부하 판단부를 나타내는 블록도이다. 도 5는 도 4의 개별 부하 판단부의 개별 신경망 회로를 나타내는 도면이다. 도 6은 도 5의 개별 신경망 회로의 각 층에서의 신호 전달 수식을 나타내는 도면이다. 도 7은 도 3의 제어 장치의 제어 신호 출력부를 나타내는 블록도이다.

도 3 내지 도 7을 참조하면, 휠 로더의 제어 장치(300)는 작업 부하 판단부(310), 제어 신호 출력부(320) 및 저장부(330)를 포함할 수 있다.

작업 부하 판단부(310)는 휠 로더(10)에 장착된 센서들로부터 휠 로더(10)가 수행하는 현재 작업의 부하 상태 또는 현재의 작업 상태를 결정할 수 있다. 제어 신호 출력부(320)는 상기 결정된 현재 작업의 부하 상태 또는 작업 상태에 따라, 예를 들면, 엔진의 출력 토크 제어, 엔진의 rpm 제어, 트랜스미션의 변속 제어 등과 같은 수행될 제어 종류를 선택하고 제어 신호를 출력할 수 있다. 저장부(330)는 작업 부하 판단부(310)에서 수행되는 예측 모델을 위한 학습, 신경망 알고리즘 수행 등과 같은 연산을 위해 필요한 데이터, 제어 신호 출력부(320)에서 제어 신호를 결정하는 데 필요한 제어 맵 등을 저장할 수 있다.

예시적인 실시예들에 있어서, 작업 부하 판단부(310)는 신호 수신부(312), 신호 선택부(314), 개별 부하 판단부(316) 및 부하 상태 판단부(318)를 포함할 수 있다.

신호 수신부(312)는 휠 로더(10)에 장착된 센서들로부터 작업 상태를 나타내는 신호들을 수신할 수 있다. 예를 들면, 신호 수신부(312)는 붐 실린더(22)의 헤드측에 설치된 압력 센서(222)로부터 붐 실린더 압력 신호, FNR 레버 위치 검출 센서(146)로부터 FNR 신호, 유압 펌프(200)의 토출 압력 센서(204)로부터 유압 펌프의 메인 압력 신호, 차속 검출 센서(132)로부터 차속 신호, 붐 각도 센서(224)로부터 붐 위치 신호, 토크 컨버터(120)의 회전수 검출 센서들(122a, 122b)로부터 획득한 입력축의 회전수(Ni) 및 출력축의 회전수(Nt)의 비, 즉, 토크 컨버터 속도비 신호, 주행 페달 검출 센서(145)로부터 가속 페달 위치 신호 등을 수신할 수 있다. 신호 수신부(312)에 의해 수신된 신호들은 이에 제한되지 않으며, 상기 휠 로드의 작업 부하 상태 또는 작업 상태를 판단하기 위해 사용될 수 있는 다양한 신호들을 수신할 수 있음을 이해할 수 있을 것이다.

신호 수신부(312)는 데이터 전처리부를 포함할 수 있다. 상기 데이터 전처리부는 입력된 센서 신호들을 필터링하여 노이즈를 제거하고 정규화(normalize)할 수 있다.

신호 선택부(314)는 상기 수신된 신호들 중에서 복수 개의 개별 부하상태들, 예를 들면, 적어도 4개로 구분된 부하 상태들을 각각 판단할 수 있는 신호를 선택하고 상기 선택된 신호를 이에 대응하는 개별 부하 판단부(316)의 각각의 개별 판단 회로부들(NN_1, NN_2, NN_3, NN_4)로 출력할 수 있다. 신호 선택부(314)는 상기 휠 로더가 수행하는 일련의 작업들에서 소요되는 부하에 따라 구분된 적어도 제1 내지 제4 개별 부하 상태들을 각각 판단하는 데 필요한 신호를 선택할 수 있다. 예를 들면, 상기 개별 부하 상태들은 상기 휠 로더가 수행하는 일련의 작업들에서 소요되는 부하에 따라 저부하 상태, 중부하 상태, 고부하 상태 및 가속/경사지 상태로 구분될 수 있다.

상기 수신된 신호들 중에서 선택된 신호는 휠 로더(10)가 수행하는 특정 작업에서 소요되는 특정의 부하 상태, 즉, 저부하 상태, 중부하 상태, 고부하 상태 및 가속/경사지 부하 상태들 중에서 적어도 어느 하나의 부하 상태를 효과적으로 나타낼 수 있는 지표가 될 수 있다.

상기 붐 실린더 압력 신호는 버켓(30)에 적재된 적재물의 무게, 붐(20)의 높이 등에 따라 현재 휠 로더의 작업 부하 상태를 직접적으로 나타낼 수 있는 지표가 될 수 있다. 상기 붐 실린더 압력 신호는 휠 로더의 주행 작업 상태 및 복합 작업(주행붐업) 상태를 판단하는 데 사용될 수 있다.

상기 FNR 신호는 굴삭 작업 종료 후 후진 작업 시작이나 주행 작업 중 전진 또는 후진의 전환과 같은 작업간의 전환을 구분하는 지표가 될 수 있다. 상기 FNR 신호는 휠 로더의 주행 작업 상태 및 복합 작업(주행붐업) 상태를 판단하는 데 사용될 수 있다.

상기 유압 펌프의 메인 압력 신호, 즉, MCV 입력단 압력은 상기 붐 실린더 압력과는 달리 운전자의 붐/버켓 조작이 없으면 기본 압력 상태 유지하므로, 굴삭 작업 상태 또는 붐(20)과 버켓(30) 중 적어도 어느 하나의 동작을 나타내는 지표가 될 수 있다. 상기 유압 펌프의 메인 압력 신호는 휠 로더의 주행 작업 상태, 복합 작업(주행붐업) 상태 및 굴삭 작업 상태를 판단하는 데 사용될 수 있다.

상기 차속 신호는 휠 로더의 주행 속도를 나타내는 지표가 될 수 있다. 상기 차속 신호는 휠 로더의 주행 작업 상태, 복합 작업(주행붐업) 상태 및 굴삭 작업 상태를 판단하는 데 사용될 수 있다.

상기 붐 위치 신호는 휠 로더의 주행 작업과 굴삭 작업 시의 붐 위치와 차량 덤프 작업 시의 붐 위치가 서로 상이하여 이들의 동작들을 구분하여 주는 지표가 될 수 있다. 상기 붐 위치 신호는 휠 로더의 주행 작업 상태, 복합 작업(주행붐업) 상태 및 굴삭 작업 상태를 판단하는 데 사용될 수 있다.

상기 토크 컨버터 속도비 신호는 차량의 주행 부하를 나타내는 지표로서 굴삭 작업 상태 및 경사지 주행 작업 상태를 나타낼 수 있다. 상기 토크 컨버터 속도비 신호는 휠 로더의 주행 작업 상태, 복합 작업(주행붐업) 상태, 굴삭 작업 상태 및 가속 작업 상태를 판단하는 데 사용될 수 있다.

상기 가속 페달 위치 신호는 운전자의 가속 의도를 나타내는 지표가 될 수 있다. 상기 가속 페달 위치 신호는 가속 작업 상태를 판단하는 데 사용될 수 있다.

개별 부하 판단부(316)는 복수 개의 개별 판단 회로부들을 포함할 수있다. 구체적으로, 개별 부하 판단부(316)는 제1 내지 제4 개별 판단 회로부들을 포함할 수 있다. 상기 제1 내지 제4 개별 판단 회로부들은 상기 선택된 신호들에 대하여 기 학습된 예측 알고리즘을 수행하여 상기 제1 내지 제4 개별 부하 상태들을 각각 나타내는 출력값들을 산출할 수 있다.

예시적인 실시예들에 있어서, 상기 제1 개별 판단 회로부는 입력된 신호들에 대하여 신경망(Neural Network) 알고리즘을 수행하여 저부하 상태임을 나타내는 출력값을 산출하는 저부하 신경망 판단부(NN_1)를 포함할 수 있다. 저부하 신경망 판단부(NN_1)는 신호 선택부(314)로부터 상기 붐 실린더 압력 신호, 상기 FNR 신호, 상기 유압 펌프의 메인 압력 신호, 상기 차속 신호, 상기 붐 위치 신호 및 상기 토크 컨버터 속도비 신호를 수신할 수 있다. 저부하 신경망 판단부(NN_1)는 상기 수신된 신호들에 대하여 신경망 알고리즘을 수행하여 현재 휠 로더의 작업이 저부하 상태인지 여부를 나타내는 출력값을 산출할 수 있다.

상기 제2 개별 판단 회로부는 입력된 신호들에 대하여 신경망 알고리즘을 수행하여 중부하 상태임을 나타내는 출력값을 산출하는 중부하 신경망 판단부(NN_2)를 포함할 수 있다. 중부하 신경망 판단부(NN_2)는 신호 선택부(314)로부터 상기 유압 펌프의 메인 압력 신호, 상기 차속 신호, 상기 붐 위치 신호 및 상기 토크 컨버터 속도비 신호를 수신할 수 있다. 중부하 신경망 판단부(NN_2)는 상기 수신된 신호들에 대하여 신경망 알고리즘을 수행하여 현재 휠 로더의 작업이 중부하 상태인지 여부를 나타내는 출력값을 산출할 수 있다.

상기 제3 개별 판단 회로부는 입력된 신호들에 대하여 신경망 알고리즘을 수행하여 고부하 상태임을 나타내는 출력값을 산출하는 고부하 신경망 판단부(NN_3)를 포함할 수 있다. 고부하 신경망 판단부(NN_3)는 신호 선택부(314)로부터 상기 붐 실린더 압력 신호, 상기 FNR 신호, 상기 유압 펌프의 메인 압력 신호, 상기 차속 신호, 상기 붐 위치 신호 및 상기 토크 컨버터 속도비 신호를 수신할 수 있다. 고부하 신경망 판단부(NN_3)는 상기 수신된 신호들에 대하여 신경망 알고리즘을 수행하여 현재 휠 로더의 작업이 고부하 상태인지 여부를 나타내는 출력값을 산출할 수 있다.

상기 제4 개별 판단 회로부는 입력된 신호들에 대하여 신경망 알고리즘을 수행하여 가속/경사지 부하 상태임을 나타내는 출력값을 산출하는 가속/경사지 부하 신경망 판단부(NN_4)를 포함할 수 있다. 가속/경사지 부하 신경망 판단부(NN_4)는 신호 선택부(314)로부터 상기 토크 컨버터 속도비 신호 및 상기 가속 페달 위치 신호를 수신할 수 있다. 가속/경사지 부하 신경망 판단부(NN_4)는 상기 수신된 신호들에 대하여 신경망 알고리즘을 수행하여 현재 휠 로더의 작업이 가속/경사지 부하 상태인지 여부를 나타내는 출력값을 산출할 수 있다.

예시적인 실시예들에 있어서, 저부하 신경망 판단부(NN_1), 중부하 신경망 판단부(NN_2), 고부하 신경망 판단부(NN_3) 및 가속/경사지 부하 신경망 판단부(NN_4)는 기 학습된 신경망 알고리즘을 수행하여 개별 부하 상태를 나타내는 출력값을 산출하는 신경망 회로를 각각 포함할 수 있다.

도 5 및 도 6에 도시된 바와 같이, 상기 신경망 회로는 다층 입력층(input layer), 은닉층(hidden layer) 및 출력층(output layer)을 갖는 다층 퍼셉트론(Multi Layer Perceptron) 구조를 가질 수 있다. 뉴런들이 각 층들에 배열되고, 각 층의 뉴런들은 연결 가중치에 의해 연결될 수 있다. 즉, 입력 데이터가 상기 입력층의 뉴런들에 입력되고, 상기 은닉층을 통해 상기 출력층으로 전달될 수 있다.

상기 신경망 알고리즘에서의 학습은 특정 입력(실제 측정 데이터)에 따른 신경망 알고리즘에 의해 도출되는 출력값과 기대값의 오차가 최소화되도록 각 노드 간 가중치를 조정하는 과정일 수 있다. 예를 들면, 상기 신경망 회로의 신경망 알고리즘은 역전파(back propagation) 학습방법에 의해 학습될 수 있다. 따라서, 개별 신경망 판단부들(NN_1, NN_2, NN_3, NN_4)의 상기 신경망 회로들은 각각의 개별 신경망 판단부별로 사전 수집된 데이터를 이용하여 입력층, 은닉층, 출력층을 연결하고 있는 가중치를 조절하여 예측 모델로서 신경망 알고리즘을 수립할 수 있다.

따라서, 상기 신경망 회로는 기 학습된 신경망 알고리즘을 가지며, 입력된 신호들에 대하여 이러한 신경망 알고리즘을 수행하여 개별 부하 상태 여부를 나타내는 출력값을 산출할 수 있다.

부하 상태 판단부(318)는 상기 제1 내지 제4 개별 판단 회로부들에서 산출된 출력값을 분석하여 휠 로더(10)의 현재의 작업 부하 상태 또는 작업 상태를 판단할 수 있다. 부하 상태 판단부(318)는 개별 신경망 판단부들(NN_1, NN_2, NN_3, NN_4)로부터 입력된 출력값들에 대해 가중치 적용과 같은 후처리를 수행한 후에 최종 결과를 산출할 수 있다.

예를 들면, 부하 상태 판단부(318)는 상기 출력값들을 분석하여 휠 로더(10)의 현재의 작업 부하 상태를 판단할 수 있다. 따라서, 부하 상태 판단부(318)는 휠 로더(10)의 현재의 작업 부하 상태가 저부하 상태, 중부하 상태, 고부하 상태 및 가속/경사지 부하 상태들 중에서 어느 하나의 상태임을 판단할 수 있다.

또한, 부하 상태 판단부(318)는 휠 로더(10)에 장착된 센서들로부터 수신한 다른 신호들을 추가적으로 고려하여 휠 로더(10)의 현재의 작업 상태를 판단할 수 있다. 예를 들면, 부하 상태 판단부(318)는 휠 로더(10)의 현재의 작업 부하 상태 및 현재의 작업 상태를 판단할 수 있다.

제어 신호 출력부(320)는 작업 부하 판단부(310)에 의해 판단된 휠 로더의 현재 또는 과거의 작업 부하 상태 또는 작업 상태를 고려하여 휠 로더(10)의 엔진(100), 트랜스미션(130), 유압 펌프(200) 등을 선택적으로 제어하기 위한 제어 신호를 출력할 수 있다. 예를 들면, 제어 신호 출력부(320)는 엔진 출력 토크, 엔진 rpm, 변속 단수, 변속 시점 등을 제어하기 제어 신호를 출력할 수 있다.

예시적인 실시예들에 있어서, 제어 신호 출력부(320)는 최종 판단된 작업 상태의 작업 시간을 적산하고, 작업 개시 전인 과거에 수행한 작업 상태별 작업시간 점유율 추이를 분석하고, 이에 근거하여 엔진 제어를 조정할 수 있는 제어 신호를 출력할 수 있다.

도 7에 도시된 바와 같이, 제어 신호 출력부(320)는 적산부(322), 연산부(324) 및 출력부(326)를 포함할 수 있다.

적산부(322)는 기 설정된 시점 이후부터 휠 로더가 수행한 모든 작업 상태들의 누적 작업시간을 측정할 수 있다. 적산부(322)는 작업 상태별 총 작업시간을 적산할 수 있다. 예를 들면, 적산부(322)는 기 설정된 시점 이후부터 최근 작업 시점까지 주행 작업 상태의 누적 작업시간, 굴삭 작업 상태의 누적 작업시간, 주행붐업 작업 상태의 누적 작업시간, 대기 작업 상태의 누적 작업시간을 적산할 수 있다.

연산부(324)는 기 설정된 기간동안 작업 상태별 작업시간의 점유율 변화량을 산출하여 작업시간의 점유율 증가율이 가장 큰 작업 상태를 결정할 수 있다. 예를 들면, 연산부(324)는 주행 작업시간 점유율의 변화량, 굴삭 작업시간 점유율의 변화량, 주행붐업 작업시간 점유율의 변화량 및 대기 작업시간의 점유율의 변화량을 산출한 후, 이들 중에서 가장 큰 점유율 변화량이 큰 작업 상태를 결정할 수 있다.

작업 상태별 작업시간의 점유율은 특정 기간 동안의 총 작업시간에 대한 특정 작업시간의 비율로 정의될 수 있다. 작업 상태별 작업시간의 점유율의 변화량은 전체 기간 동안의 특정 작업시간의 점유율에 대한 최근의 특정 작업시간의 점유율의 비율로 정의될 수 있다.

표 1은 예시적인 실시예에 따른 작업 상태별 작업시간의 점유율 변화량을 나타내는 표이다.

작업 상태	누적 작업시간 (총 작업시간: 1000hr)	최근 작업시간 (작업시간: 10hr)	점유율 변화량
주행 작업	200hr (점유율: 20%)	4hr (점유율: 40%)	+ 100%
굴삭 작업	300hr (점유율: 30%)	1hr (점유율: 10%)	- 67%
주행붐업 작업	200hr (점유율: 20%)	2hr (점유율: 20%)	0
대기 작업	200hr (점유율: 20%)	1hr (점유율: 10%)	- 50%

표 1을 참조하면, 주행 작업의 작업시간의 점유율 변화량은 100%이고, 굴삭 작업의 작업시간의 점유율 변화량은 -67%이고, 주행붐업 작업의 작업시간의 점유율 변화량은 0%이고, 대기 작업의 작업시간의 점유율 변화량은 -50%로 계산되었다. 따라서, 최근에 수행된 작업 상태들 중에서 작업시간의 점유율 증가량이 가장 큰 작업 상태는 주행 작업 상태임을 알 수 있다.

출력부(326)는 상기 점유율 변화량 추이를 반영하여 특정 작업 상태에서의 엔진 제어를 변경하기 위한 제어 신호를 출력할 수 있다. 출력부(326)는 최근 작업시간의 점유율 증가량이 가장 큰 작업 상태의 엔진 제어를 변경할 수 있다. 또한, 출력부(326)는 최근 작업시간의 점유율 증가량이 기 설정값(예를 들면, 20%) 이상인 지 여부를 판단하고 기 설정값 미만일 경우에는 엔진 제어를 변경시키지 않을 수 있다.

예시적인 실시예들에 있어서, 출력부(326)는 엔진 출력을 기 설정된 비율만큼 증가시킬 수 있다. 예를 들면, 최근 주행 작업의 작업시간의 점유율 변화량이 가장 크다고 결정된 경우, 현재 수행되는 작업 상태가 주행 작업이라고 판단되면 주행 작업 시의 엔진 출력을 기 설정된 비율(예를 들면, 5%)만큼 증가시킬 수 있다.

이와 유사하게, 최근 굴삭 작업의 작업시간의 점유율 변화량이 가장 크다고 결정된 경우, 현재 굴삭 작업 시 엔진 출력을 기 설정된 비율만큼 증가시킬 수 있다. 또한, 최근 주행붐업 작업의 작업시간의 점유율 변화량이 가장 크다고 결정된 경우, 현재 주행붐업 작업 시 엔진 출력을 기 설정된 비율만큼 증가시킬 수 있다.

예시적인 실시예들에 있어서, 출력부(326)는 최근 대기 작업의 작업시간의 점유율 변화량이 가장 크다고 결정된 경우, 오토 아이들(auto idle) 진입 대기 시간을 축소하기 위한 제어 신호를 엔진 제어장치(ECU)로 출력할 수 있다. 이에 따라, 엔진(100)은 기 설정된 오토 아이들 진입 시간(예를 들면, 10초)보다 더 짧은 진입 시간(예를 들면, 8초)이 경과하면 오토 아이들 모드로 진입하도록 제어될 수 있다.

저장부(330)는 작업 부하 판단부(310)와 연결되며 작업 부하 판단을 위한 데이터를 저장하는 제1 저장부(332) 및 제어 신호 출력부(320)와 연결되며 제어 신호를 위한 데이터를 저정하는 제2 저장부(334)를 포함할 수 있다. 제1 저장부(332)는 예측 모델을 위한 학습, 신경망 알고리즘 수행 등과 같은 연산을 위해 필요한 데이터를 저장할 수 있다. 제2 저장부(334)는 제어 신호를 결정하는 데 필요한 엔진 토크 맵, 엔진 rpm 맵, 트랜스미션 변속 제어 맵 등을 저장할 수 있다.

예시적인 실시예들에 있어서, 휠 로더의 제어 장치(300)는 디스플레이부를 더 포함할 수 있다. 장비 가동을 위해 장비가 key-on되면, 상기 디스플레이부는 작업 상태별 누적 작업시간, 최근 작업 시간, 점유율 변화량 등의 데이터를 나타낼 수 있다.

상술한 바와 같이, 휠 로더의 제어 장치(300)는 휠 로더(10)에 장착된 센서들로부터 수신된 신호들 중에서 특정 신호들 중에서 개별 부하 상태(저부하, 중부하, 고부하, 가속/경사지 부하)를 가장 잘 나타낼 수 있는 신호를 선별적으로 선택하고 신경망 알고리즘과 같은 기 학습된 예측 알고리즘을 사용하여 휠 로더(10)의 현재의 작업 부하 상태 또는 현재의 작업 상태를 결정할 수 있다. 또한, 휠 로더의 제어 장치(300)는 구분된 작업 상태들의 작업 시간을 적산하고 작업 상태별 작업시간의 점유율 변화량을 산출하고, 이에 근거하여 엔진 제어를 조정할 수 있다.

이에 따라, 휠 로더의 작업 부하 상태를 판단하기 위한 계산에 소요되는 시간 및 부담을 감소시키고 판단의 정확도를 향상시킬 수 있다. 또한, 최종 판단된 작업 부하 상태에 따라 엔진 및 트랜스미션 등을 효율적으로 제어함으로써, 작업 성능을 향상시키고 연비를 개선할 수 있다. 더욱이, 구분된 작업 상태별 작업시간 점유율 추이를 피드백하여 엔진 제어에 반영함으로써, 작업 성능을 최적화할 수 있다.

이하에서는, 도 3의 휠 로더의 제어 장치를 이용하여 휠 로더를 제어하는 방법에 대하여 설명하기로 한다.

도 8은 예시적인 실시예들에 따른 휠 로더의 제어 방법을 나타내는 순서도이다.

도 3, 도 4 및 도 8을 참조하면, 먼저, 휠 로더의 작업 상태를 나타내는 신호들을 수신할 수 있다(S100).

휠 로더의 제어 장치(300)는 휠 로더에 장착된 센서들로부터 작업 상태를 나타내는 신호들을 수신할 수 있다. 예를 들면, 작업 부하 판단부(310)의 신호 수신부(312)는 붐 실린더 압력 신호, FNR 신호, 유압 펌프의 메인 압력 신호, 차속 신호, 붐 위치 신호, 토크 컨버터 속도비 신호, 가속 페달 위치 신호 등을 수신할 수 있다. 상기 입력된 센서 신호들은 전처리 작업을 통해 필터링된 후 정규화될 수 있다.

이어서, 상기 수신된 신호들 중에서, 복수 개의 개별 부하 상태들을 각각 판단하는 데 필요한 신호를 선택할 수 있다(S110).

작업 부하 판단부(310)의 신호 선택부(314)는 상기 수신된 신호들 중에서 적어도 4개로 구분된 제1 내지 제4 개별 부하 상태들을 각각 판단할 수 있는 신호를 선택하고 상기 선택된 신호를 이에 대응하는 개별 부하 판단부(316)의 각각의 개별 판단 회로부들(NN_1, NN_2, NN_3, NN_4)로 출력할 수 있다.

상기 제1 내지 제4 개별 부하 상태들은 상기 휠 로더가 수행하는 일련의 작업들에서 소요되는 부하에 따라 저부하 상태, 중부하 상태, 고부하 상태 및 가속/경사지 상태에 각각 대응될 수 있다. 상기 수신된 신호들은 상기 휠 로더가 수행하는 특정 작업에서 소요되는 특정의 부하 상태, 즉, 저부하 상태, 중부하 상태, 고부하 상태 및 가속/경사지 부하 상태들 중에서 적어도 어느 하나의 부하 상태를 효과적으로 나타낼 수 있는 지 여부에 따라 분류될 수 있다.

예를 들면, 상기 수신된 신호들 중에서 상기 붐 실린더 압력 신호, 상기 FNR 신호, 상기 유압 펌프의 메인 압력 신호, 상기 차속 신호, 상기 붐 위치 신호 및 상기 토크 컨버터 속도비 신호는 상기 휠 로더의 저부하 상태 여부 및 고부하 상태 여부를 판단하는 데 필요한 신호들일 수 있고, 개별 부하 판단부(316)의 저부하 신경망 판단부(NN_1) 및 고부하 신경망 판단부(NN_3)로 입력될 수 있다.

상기 수신된 신호들 중에서 상기 유압 펌프의 메인 압력 신호, 상기 차속 신호, 상기 붐 위치 신호 및 상기 토크 컨버터 속도비 신호는 상기 휠 로더의 중부하 상태 여부를 판단하는 데 필요한 신호들일 수 있고, 개별 부하 판단부(316)의 중부하 신경망 판단부(NN_2)로 입력될 수 있다.

상기 수신된 신호들 중에서 상기 토크 컨버터 속도비 신호 및 상기 가속 페달 위치 신호는 가속/경사지 부하 상태 여부를 판단하는 데 필요한 신호들일 수 있고, 개별 부하 판단부(316)의 가속/경사지 부하 신경망 판단부(NN_4)로 입력될 수 있다.

이후, 상기 선택된 신호들에 대하여 기 학습된 예측 알고리즘을 수행하여 복수 개의 개별 부하 상태 여부들을 각각 판단할 수 있다(S120).

개별 부하 판단부(316)의 저부하 신경망 판단부(NN_1), 중부하 신경망 판단부(NN_2), 고부하 신경망 판단부(NN_3) 및 가속/경사지 부하 신경망 판단부(NN_4)는 상기 선택된 신호들에 대하여 기 학습된 신경망 알고리즘을 수행하여 저부하 상태, 중부하 상태, 고부하 상태 및 가속/경사지 부하 상태를 각각 나타내는 출력값들을 산출할 수 있다.

이어서, 상기 출력값들을 종합 분석하여 휠 로더의 현재의 작업 부하 상태를 판단할 수 있다(S130).

부하 상태 판단부(318)는 상기 출력값들을 분석하여 휠 로더의 현재의 작업 부하 상태가 저부하 상태, 중부하 상태, 고부하 상태 및 가속/경사지 부하 상태들 중에서 어느 하나의 상태임을 판단할 수 있다.

또한, 부하 상태 판단부(318)는 휠 로더에 장착된 센서들로부터 수신한 다른 신호들을 추가적으로 고려하여 휠 로더의 현재의 작업 부하 상태뿐만 아니라 현재의 작업 상태도 판단할 수 있다.

이어서, 상기 판단된 휠 로더의 현재 작업 부하 상태 또는 작업 상태를 고려하여 상기 휠 로더의 엔진, 트랜스미션, 유압 펌프 등을 선택적으로 제어할 수 있다(S140). 예시적인 실시예들에 따른 상기 휠 로더의 엔진 제어 방법은 도 12를 참조하여 후술하기로 한다.

이하에서는, 도 7의 휠 로더의 제어 방법을 이용하여 휠 로더의 V-형 운전의 작업 부하 상태를 판단하는 방법에 대하여 설명하기로 한다.

도 9는 예시적인 실시예들에 따른 휠 로더의 V-형 운전을 나타내는 도면이다. 도 10은 도 9의 V-형 운전의 각 작업에서의 개별 부하 상태들을 나타내는 출력값들을 도시한 그래프들이다. 도 11은 도 10의 출력값들을 분석하여 획득한 최종 작업 부하 상태를 나타내는 그래프이다. 도 10 및 도 11은 참조를 위하여 상기 V-형 운전에서 시간에 따른 붐 실린더 압력값을 나타내는 그래프를 함께 나타낸다.

도 9 내지 도 11을 참조하면, 휠 로더(10)는 토사(S)와 같은 대상 물질을 굴삭하고 덤프 트럭(T)에 로딩하는 V-형 운전을 수행할 수 있다. 상기 V-형 운전을 위해, 휠 로더(10)는 전진 주행 작업(a), 굴삭 작업(b), 후진 주행 작업(c), 전진 주행붐업 작업(d), 덤프 작업(e) 및 후진 주행붐다운 작업(f)을 순차적으로 수행할 수 있다.

도 10에 도시된 바와 같이, 상기 V-형 운전의 각 작업에 대응하는 개별 부하 상태 여부들을 각각 판단할 수 있다. 저부하 신경망 판단부(NN_1)는 일련의 작업들(a~f)에 대하여 저부하 상태 여부를 나타내는 출력값을 산출할 수 있다. 중부하 신경망 판단부(NN_2)는 일련의 작업들(a~f)에 대하여 중부하 상태 여부를 나타내는 출력값을 산출할 수 있다. 고부하 신경망 판단부(NN_3)는 일련의 작업들(a~f)에 대하여 고부하 상태 여부를 나타내는 출력값을 산출할 수 있다. 가속/경사지 부하 신경망 판단부(NN_4)는 일련의 작업들(a~f)에 대하여 가속/경사지 부하 상태 여부를 나타내는 출력값을 산출할 수 있다.

도 11에 도시된 바와 같이, 산출된 출력값들을 종합 분석하여 현재의 작업 부하 상태를 판단할 수 있다. 부하 상태 판단부(318)는 일련의 작업들(a~f) 각각의 작업 부하 상태가 저부하 상태, 중부하 상태, 고부하 상태 및 가속/경사지 부하 상태들 중에서 어느 하나의 상태임을 판단할 수 있다.

상기 휠 로더의 V-형 운전에 있어서, 전진 주행 작업(a), 후진 주행 작업(c), 덤프 작업(e) 및 후진 주행 붐다운 작업(f)은 저부하 상태로 판단되고, 굴삭 작업(b)은 중부하 상태로 판단되고, 전진 주행붐업 작업(d)은 고부하 상태로 판단될 수 있다. 또한, 상기 휠 로더가 수행하는 작업들 중에서, 경사지 주행 작업 및 차량 가속 작업은 중부하 상태와 고부하 상태 사이에서 정의된 가속/경사지 부하 상태로 판단될 수 있다.

상술한 실시예들은 휠 로더의 V-형 운전에 대하여 적용한 경우를 설명하였지만, 이에 한정되는 것은 아니고, 예를 들면, 로드 & 캐리(Load & Carry) 운전, I-크로스(I-cross) 운전 등에도 적용될 수 있음을 이해할 수 있을 것이다.

도 12는 예시적인 실시예들에 따른 휠 로더의 엔진 제어 방법을 나타내는 순서도이다.

도 3, 도 7 및 도 12를 참조하면, 먼저, 구분된 작업 상태들의 작업시간을 적산할 수 있다(S142).

예시적인 실시예들에 있어서, 휠 로더가 수행하는 작업들은 신경망 알고리즘과 같은 기 학습된 예측 알고리즘을 사용하여 구분될 수 있다. 작업 부하 판단부(310)에 의해 휠 로더에 장착된 센서들로부터 상기 휠 로더가 수행하는 작업 상태를 실시간으로 구분될 수 있다. 제어 신호 출력부(320)의 적산부(322)에 의해 기 설정된 시점 이후부터 상기 구분된 모든 작업 상태들의 누적 작업시간을 측정할 수 있다. 또한, 상기 작업 상태들의 최근 작업시간들을 각각 측정할 수 있다.

이어서, 기 설정된 기간동안 작업 상태별 작업시간의 점유율 변화량을 산출할 수 있다(S144).

연산부(324)에 의해 기 설정된 기간동안 작업 상태별 작업시간의 점유율 변화량을 산출하여 작업시간의 점유율 증가율이 가장 큰 작업 상태를 결정할 수 있다. 예를 들면, 주행 작업시간 점유율의 변화량, 굴삭 작업시간 점유율의 변화량, 주행붐업 작업시간 점유율의 변화량 및 대기 작업시간의 점유율의 변화량을 산출한 후, 이들 중에서 가장 큰 점유율 변화량이 큰 작업 상태를 결정할 수 있다.

작업 상태별 작업시간의 점유율은 특정 기간 동안의 총 작업시간에 대한 특정 작업시간의 비율로 정의될 수 있다. 작업 상태별 작업시간의 점유율의 변화량은 전체 기간 동안의 특정 작업시간의 점유율에 대한 최근 작업 기간 동안의 특정 작업시간의 점유율의 비율로 정의될 수 있다.

이후, 상기 점유율 변화량 추이를 반영하여 특정 작업 상태에서의 엔진 제어를 변경할 수 있다(S146).

예시적인 실시예들에 있어서, 최근 작업시간의 점유율 증가량이 가장 큰 작업 상태의 엔진 제어를 변경할 수 있다. 또한, 최근 작업시간의 점유율 증가량이 기 설정값(예를 들면, 20%) 이상인 지 여부를 판단하고 기 설정값 미만일 경우에는 엔진 제어를 변경하지 않고 종전의 제어 룰을 유지할 수 있다.

예를 들면, 최근 주행 작업의 작업시간의 점유율 변화량이 가장 크다고 결정된 경우, 현재 수행되는 작업 상태가 주행 작업이라고 판단되면 주행 작업 시의 엔진 출력을 기 설정된 비율(예를 들면, 5%)만큼 증가시킬 수 있다.

이와 유사하게, 최근 굴삭 작업의 작업시간의 점유율 변화량이 가장 크다고 결정된 경우, 현재 굴삭 작업 시 엔진 출력을 기 설정된 비율만큼 증가시킬 수 있다. 또한, 최근 주행붐업 작업의 작업시간의 점유율 변화량이 가장 크다고 결정된 경우, 현재 주행붐업 작업 시 엔진 출력을 기 설정된 비율만큼 증가시킬 수 있다.

예시적인 실시예들에 있어서, 최근 대기 작업의 작업시간의 점유율 변화량이 가장 크다고 결정된 경우, 오토 아이들(auto idle) 진입 대기 시간을 축소하기 위한 제어 신호를 엔진 제어장치(ECU)로 출력할 수 있다. 이에 따라, 엔진(100)은 기 설정된 오토 아이들 진입 시간(예를 들면, 10초)보다 더 짧은 진입 시간(예를 들면, 8초)이 경과하면 오토 아이들 모드로 진입하도록 제어될 수 있다.

상술한 바와 같이, 신경망 알고리즘과 같은 기 학습된 예측 알고리즘을 사용하여 휠 로더의 작업 부하 상태 또는 작업 상태를 실시간으로 구분한 후 구분된 작업 상태들의 작업 시간을 적산하고, 작업 상태별 작업시간의 점유율 추이에 따라 엔진 제어를 조정할 수 있다.

이에 따라, 휠 로더의 작업 부하 상태를 판단하기 위한 계산에 소요되는 시간 및 부담을 감소시키고 판단의 정확도를 향상시킬 수 있다. 또한, 과거 작업 시점 이후부터 작업 상태별 작업시간 점유율 추이를 피드백하여 엔진 제어를 변경함으로써, 작업 성능을 최적화할 수 있다.

이상에서는 본 발명의 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

10: 휠 로더 12: 전방 차체
14: 후방 차체 20: 붐
22: 붐 실린더 30: 버켓
32: 버켓 실린더 34: 틸트 암
40: 운전실 50: 엔진룸
100: 엔진 102: 엔진 회전수 센서
110: 기어 트레인 120: 토크 컨버터
122a, 122b: 회전수 검출 센서 130: 트랜스미션
132: 차속 검출 센서 140: 트랜스미션 제어장치
142: 주행 페달 143: 주행 페달 검출 센서
144: 브레이크 페달 145: 브레이크 페달 검출 센서
146: FNR 레버 위치 검출 센서 150: 프로펠러 샤프트
152, 154: 액슬 160: 전방 휠
162: 후방 휠 200: 유압 펌프
202: 유압 라인 204: 압력 센서
210: 붐 제어 밸브 212: 버켓 제어 밸브
222: 붐 실린더 압력 센서 224: 붐 각도 센서
234: 버켓 각도 센서 300: 제어 장치
310: 작업 부하 판단부 312: 신호 수신부
314: 신호 선택부 316: 개별 부하 판단부
318: 부하 상태 판단부 320: 제어 신호 출력부
322: 적산부 324: 연산부
326: 출력부 330: 저장부
332: 제1 저장부 334: 제2 저장부

Claims (9)

1. 휠 로더가 수행하는 작업들을 특정 작업 상태들로 구분하는 단계;
   기 설정된 시점 이후부터 상기 작업 상태들의 작업시간을 적산하는 단계;
   작업 상태별 작업시간의 점유율 변화량을 산출하는 단계; 및
   상기 점유율 변화량 추이를 반영하여 특정 작업 상태에서의 엔진 제어를 변경하는 단계를 포함하는 휠 로더의 제어 방법.
2. 제 1 항에 있어서, 상기 작업 상태별 작업시간의 점유율 변화량을 산출하는 단계는 주행 작업, 굴삭 작업, 주행붐업 작업 및 대기 작업의 작업시간의 점유율 변화량들을 산출하는 단계를 포함하는 것을 특징으로 하는 휠 로더의 제어 방법.
3. 제 1 항에 있어서, 상기 작업 상태별 작업시간의 점유율은 전체 기간 동안의 특정 작업시간의 점유율에 대한 최근 작업 기간 동안의 특정 작업시간의 점유율의 비율로 산출되는 것을 특징으로 하는 휠 로더의 제어 방법.
4. 제 1 항에 있어서, 상기 점유율 변화량 추이를 고려하여 상기 특정 작업 상태에서의 엔진 제어를 변경하는 단계는,
   최근에 수행된 작업 상태들 중에서 상기 작업시간의 점유율 증가량이 가장 큰 작업 상태를 결정하는 단계; 및
   상기 결정된 작업 상태의 수행시에 상기 엔진 제어를 조정하는 단계를 포함하는 것을 특징으로 하는 휠 로더의 제어 방법.
5. 제 4 항에 있어서, 상기 결정된 작업 상태의 수행시에 상기 엔진 제어를 조정하는 단계는 엔진 출력을 기 설정된 비율만큼 증가시키는 단계를 포함하는 것을 특징으로 하는 휠 로더의 제어 방법.
6. 제 4 항에 있어서, 상기 결정된 작업 상태의 수행시에 상기 엔진 제어를 조정하는 단계는 오토 아이들 진입 대기 시간을 축소하는 단계를 포함하는 것을 특징으로 하는 휠 로더의 제어 방법.
7. 제 4 항에 있어서, 상기 작업시간의 점유율 증가량이 가장 큰 작업 상태를 결정하는 단계는, 상기 작업 상태별 작업시간의 점유율 증가량이 기 설정값 이상인 지 여부를 결정하는 단계를 더 포함하는 것을 특징으로 하는 휠 로더의 제어 방법.
8. 제 1 항에 있어서, 상기 휠 로더가 수행하는 작업들을 특정 작업 상태들로 구분하는 단계는,
   상기 휠 로더에 장착된 센서들로부터 작업 상태를 나타내는 신호들을 수신하는 단계;
   상기 수신된 신호들 중에서, 상기 휠 로더가 수행하는 일련의 작업들에서 소요되는 부하에 따라 구분된 복수 개의 제4 개별 부하들을 각각 판단하는 데 필요한 신호를 선택하는 단계;
   상기 선택된 신호들에 대하여 기 학습된 예측 알고리즘을 수행하여 상기 복수 개의 개별 부하 상태 여부들을 각각 나타내는 출력값들을 산출하는 단계; 및
   상기 산출된 출력값들을 분석하여 현재의 작업 상태를 판단하는 단계를 포함하는 휠 로더의 제어 방법.
9. 제 7 항에 있어서, 상기 기 학습된 예측 알고리즘을 수행하는 단계는 신경망 알고리즘을 수행하는 단계를 포함하는 것을 특징으로 하는 휠 로더의 제어 방법.

Images