KR20210010735A

KR20210010735A - 물리적 인과관계에 따른 딥러닝 기반의 냉각 시스템 온도 예측 장치 및 그 방법

Info

Publication number: KR20210010735A
Application number: KR1020190087170A
Authority: KR
Inventors: 김재웅; 이상신; 정소라; 오만주; 김영진; 박종현
Original assignee: 현대자동차주식회사; 포항공과대학교 산학협력단; 기아자동차주식회사
Priority date: 2019-07-18
Filing date: 2019-07-18
Publication date: 2021-01-28
Also published as: US20210018016A1; US11795973B2

Abstract

인공 신경망 모델의 입력 / 출력간의 물리적인 관계를 반영하여 배터리 온도 및 모터 온도 예측을 정교할 수 있는 물리적 인과관계에 따른 딥러닝 기반의 냉각 시스템 온도 예측 장치 및 그 방법에 관한 것으로, 냉각 시스템 온도 변화량에 대한 공식을 물리적으로 분석하여 다수의 복잡한 시스템 학습에 있어 입력과 출력을 단순히 1개의 인공신경망으로 예측하는 것이 아니라 주요 구성부품별 다수의 인공신경망을 통해 예측하므로 인공신경망의 예측 과정을 알 수 있으며, 이에 따라 인공신경망의 예측 과정을 추적할 수 있어 인과 관계 분석이 용이하다는 장점이 존재한다

Description

물리적 인과관계에 따른 딥러닝 기반의 냉각 시스템 온도 예측 장치 및 그 방법{Deep learning based cooling system temperature prediction apparatus according to physical causality and method therefor}

본 발명은 인공 신경망을 이용한 냉각 시스템에 대한 것으로, 더욱 자세하게는 인공 신경망 모델의 입??출력들 간의 물리적인 관계를 반영하여 배터리 온도 및 모터 온도 예측을 정교할 수 있는 물리적 인과관계에 따른 딥러닝 기반의 냉각 시스템 온도 예측 장치 및 그 방법에 대한 것이다.

종래의 냉각 시스템의 제어를 위해 인공신경망 모델을 사용하여 배터리 및 모터의 온도 예측하는 경우 입력 / 출력 변수들 사이의 물리적인 관계를 반영하지 않고 데이터 그 자체의 통계적인 분석을 통해서만 입력 / 출력 변수를 결정하여 예측하는 방법이 사용되어왔다.

그러나 종래의 방법을 이용하는 경우 학습된 인공신경망으로 예측한 결과는 입력과의 관계를 물리적인 해석의 어려움이 존재하며 입력의 변화가 어떤 과정을 거쳐 결과가 도출되는지 알기 어렵다는 한계점이 존재하였다.

본 발명은 종래 기술에서의 인공신경망으로 예측한 결과와 입력과의 관계를 해석함에 있어 어려움이 존재하므로 입력의 변화가 어떤 과정을 거쳐 결과가 도출되는지 알기 어렵다는 한계점을 해결하기 위하여 냉각 시스템 온도 변화량에 대한 공식을 물리적으로 분석함으로써, 인공 신경망 모델의 입력 / 출력들 간의 물리적인 관계를 반영하여 분리 및 구성하여 배터리 온도 및 모터 온도 예측을 정교화하고 해석이 가능한 딥러닝 기반의 냉각 시스템 온도 예측 장치 및 그 방법을 개발하는데 그 목적이 있다.

본 발명의 일 실시 예에 따르면 물리적 인과관계에 따른 딥러닝 기반의 냉각 시스템 온도 예측 장치는 입력층, 은닉층, 출력층으로 구성된 각 인공 신경망 서브 모델을 연결하여 형성된 인공 신경망을 이용하며, 다수의 서브 모델에 미리 설정된 제어 변수, 환경 변수, 시간 변수 중 적어도 하나를 미리 설정된 물리적 인과 관계에 따라 입력하여, 펌프 유속, 냉각수 유량, 배터리, 모터의 입력 냉각수 온도, 라디에이터 출력 냉각수 온도, 배터리 온도, 모터 온도를 순차적으로 예측하고, 상기 인공 신경망의 서브 모델의 개수 및 각 서브 모델 별로 순차적으로 입력되는 제어 변수 또는 환경 변수는 상기 냉각 시스템의 개별 제어 및 통합 제어 여부에 따라 변경되는 것을 특징으로 할 수 있다.

본 발명의 일 실시 예에 따르면 상기 냉각 시스템이 개별 제어되는 경우에는 상기 배터리의 온도를 예측하기 위하여 3개의 서브 모델(제1, 2, 3 서브 모델)을 통해 연산될 수 있으며, 배터리 펌프 소비 전력 변수를 입력하여 배터리 펌프 유속을 산출하는 제1 서브 모델; 공기팬 소비 전력, 컴프레셔 소비전력, AC 온-오프 여부, 배터리 전류, 배터리 펌프 유속 변수를 입력하여 배터리 입구 냉각수 온도를 산출하는 제2 서브 모델; 배터리 전류, 배터리 입구 냉각수 온도, 배터리 펌프 유속 변수를 입력하여 배터리 예측 온도를 산출하는 제3 서브 모델을 포함할 수 있다.

본 발명의 일 실시 예에 따르면 상기 냉각 시스템이 개별 제어되는 경우에는 상기 모터의 온도를 예측하기 위하여 3개의 서브 모델(제1, 2, 3 서브 모델)을 통해 연산될 수 있으며, PE 펌프 소비 전력 변수를 입력하여 PE 냉각수 유량을 산출하는 제1 서브 모델; 공기팬 소비 전력, PE 냉각수 유량, 모터 소비전력, 외기 온도, 차량 속도, 인버터 온도 변수를 입력하여 PE 입구 냉각수 온도를 산출하는 제2 서브 모델; PE 입구 냉각수 온도, PE 냉각수 유량, 모터 소비전력, 인버터 온도, 배터리 전압 변수를 입력하여 모터 예측 온도를 산출하는 제3 서브 모델을 포함할 수 있다.

본 발명의 일 실시 예에 따르면 상기 냉각 시스템이 통합 제어되는 경우에는 상기 모 터의 온도를 예측하기 위하여 5개의 서브 모델(제1, 2, 3, 4, 5 서브 모델)을 통해 연산될 수 있으며, PE 펌프 소비 전력 변수를 입력하여 냉각수 유량을 산출하는 제1 서브 모델; 공기팬 소비 전력, 냉각수 유량, 모터 소비전력, 외기 온도, 차량 속도, 인버터 온도 변수를 입력하여 라디에이터 출구 냉각수 온도를 산출하는 제2 서브 모델; 라디에이터 출구 냉각수 온도, 냉각수 유량, 배터리 전류 변수를 입력하여 배터리 예측 온도를 산출하는 제3 서브 모델; 라디에이터 출구 냉각수 온도, 차량속도, 배터리 예측 온도, 외기 온도, 냉각수 유량 변수를 입력하여 PE 입구 냉각수 온도를 산출하는 제4 서브 모델; 및 모터 소비 전력, 냉각수 유량, PE 입구 냉각수 온도, 배터리 전압, 인버터 온도 변수를 입력하여 모터 예측 온도를 산출하는 제5 서브 모델을 포함할 수 있다.

본 발명의 일 실시 예에 따르면 상기 인공 신경망의 학습을 위하여, 상기 제1 서브 모델에 배터리 펌프 소비 전력 변수 및 피드백 변수로 직전 예측 구간의 배터리 펌프 유속 변수를 입력하여 배터리 펌프 유속을 산출하며, 상기 제2 서브 모델에 공기팬 소비 전력, 컴프레셔 소비전력, AC 온-오프 여부, 배터리 전류, 배터리 펌프 유속 변수 및 피드백 변수로 직전 예측 구간의 배터리 입구 냉각수 온도 변수를 입력하여 배터리 입구 냉각수 온도를 산출하고, 상기 제3 서브 모델에 배터리 전류, 배터리 입구 냉각수 온도, 배터리 펌프 유속 변수 및 피드백 변수로 직전 예측 구간의 배터리 예측 온도 변수를 입력하여 배터리 예측 온도를 산출할 수 있다.

본 발명의 일 실시 예에 따르면 상기 인공 신경망의 학습을 위하여, 상기 제1 서브 모델은 PE 펌프 소비 전력 변수 및 피드백 변수로 직전 예측 구간의 PE 냉각수 유량 변수를 입력하여 PE 냉각수 유량을 산출하며, 상기 제2 서브 모델은 공기팬 소비 전력, PE 냉각수 유량, 모터 소비전력, 외기 온도, 차량 속도, 인버터 온도 변수 및 피드백 변수로 직전 예측 구간의 PE 입구 냉각수 온도를 입력하여 PE 입구 냉각수 온도를 산출하고; 상기 제3 서브 모델은 PE 입구 냉각수 온도, PE 냉각수 유량, 모터 소비전력, 인버터 온도, 배터리 전압 변수 및 피드백 변수로 직전 예측 구간의 모터 예측 온도를 입력하여 모터 예측 온도를 산출할 수 있다.

본 발명의 일 실시 예에 따르면 상기 인공 신경망의 학습을 위하여, 상기 제2 서브 모델은 공기팬 소비 전력, 각수 유량, 모터 소비전력, 외기 온도, 차량 속도, 인버터 온도 변수 및 피드백 변수로 직전 예측 구간의 라디에이터 출구 냉각수 온도 변수를 입력하여 라디에이터 출력 냉각수 온도를 산출하고, 상기 제3 서브 모델은 라디에이터 출구 냉각수 온도, 냉각수 유량, 배터리 전류 및 피드백 변수로 직전 예측 구간의 배터리 예측 온도 변수를 입력하여 배터리 예측 온도를 산출하며, 상기 제4 서브 모델은 라디에이터 출구 냉각수 온도, 차량속도, 배터리 예측 온도, 외기 온도, 냉각수 유량 변수 및 피드백 변수로 직전 예측 구간의 PE 입구 냉각수 온도 변수를 입력하여 PE 입구 냉각수 온도를 산출하고, 상기 제5 서브 모델은 모터 소비 전력, 냉각수 유량, PE 입구 냉각수 온도, 배터리 전압, 인버터 온도 변수 및 피드백 변수로 직전 예측 구간의 모터 예측 온도 변수를 입력하여 모터 예측 온도를 산출할 수 있다.

본 발명의 일 실시 예에 따르면 상기 다수의 서브 모델은 활성함수로 ReLU를 사용할 수 있다.

본 발명의 실시 예에 따르면 물리적 인과관계에 따른 딥러닝 기반의 냉각 시스템 온도 예측 방법은 입력층, 은닉층, 출력층으로 구성된 각 인공 신경망 서브 모델을 연결하여 형성된 인공 신경망을 이용하며, 개별 제어 또는 통합 제어 중 하나로 제어 모드를 결정하는 단계; 상기 결정된 제어 모드에 따라 상기 인공 신경망의 서브 모델의 개수 및 각 서브 모델 별로 순차적으로 입력되는 제어 변수 또는 환경 변수는 상기 냉각 시스템의 개별 제어 및 통합 제어 여부에 따라 다수의 서브 모델에 미리 설정된 제어 변수, 환경 변수, 시간 변수 중 적어도 하나를 미리 설정된 물리적 인과 관계에 따라 선정하는 단계; 상기 선정된 변수를 상기 다수의 서브 모델에 입력하여, 펌프 유속, 냉각수 유량, 배터리, 모터의 입력 냉각수 온도, 라디에이터 출력 냉각수 온도, 배터리 온도, 모터 온도를 순차적으로 예측하는 단계;

각 서브 모델에서 예측한 변수를 피드백 변수로 하여 다시 각 서브 모델을 재 학습하는 단계를 포함할 수 있다.

본 발명의 일 실시 예에 따르면 상기 냉각 시스템이 개별 제어되는 경우에는 상기 배터리의 온도를 예측하기 위하여 3개의 서브 모델(제1, 2, 3 서브 모델)을 통해 연산될 수 있으며, 상기 제1 서브 모델에서 배터리 펌프 소비 전력 변수를 입력하여 배터리 펌프 유속을 산출하는 단계; 상기 제2 서브 모델에서 공기팬 소비 전력, 컴프레셔 소비전력, AC 온-오프 여부, 배터리 전류, 배터리 펌프 유속 변수를 입력하여 배터리 입구 냉각수 온도를 산출하는 단계; 상기 제3 서브 모델에서 배터리 전류, 배터리 입구 냉각수 온도, 배터리 펌프 유속 변수를 입력하여 배터리 예측 온도를 산출하는 단계를 더 포함할 수 있다.

본 발명의 일 실시 예에 따르면 상기 냉각 시스템이 개별 제어되는 경우에는 상기 모터의 온도를 예측하기 위하여 3개의 서브 모델(제1, 2, 3 서브 모델)을 통해 연산될 수 있으며, 상기 제1 서브 모델에서 PE 펌프 소비 전력 변수를 입력하여 PE 냉각수 유량을 산출하는 단계; 상기 제2 서브 모델에서 공기팬 소비 전력, PE 냉각수 유량, 모터 소비전력, 외기 온도, 차량 속도, 인버터 온도 변수를 입력하여 PE 입구 냉각수 온도를 산출하는 단계; 상기 제3 서브 모델에서 PE 입구 냉각수 온도, PE 냉각수 유량, 모터 소비전력, 인버터 온도, 배터리 전압 변수를 입력하여 모터 예측 온도를 산출하는 단계를 더 포함할 수 있다.

본 발명의 일 실시 예에 따르면 상기 냉각 시스템이 통합 제어되는 경우에는 상기 모 터의 온도를 예측하기 위하여 5개의 서브 모델(제1, 2, 3, 4, 5 서브 모델)을 통해 연산될 수 있으며, 상기 제1 서브 모델에서 PE 펌프 소비 전력 변수를 입력하여 냉각수 유량을 산출하는 단계; 상기 제2 서브 모델에서 공기팬 소비 전력, 냉각수 유량, 모터 소비전력, 외기 온도, 차량 속도, 인버터 온도 변수를 입력하여 라디에이터 출구 냉각수 온도를 산출하는 단계; 상기 제3 서브 모델에서 라디에이터 출구 냉각수 온도, 냉각수 유량, 배터리 전류 변수를 입력하여 배터리 예측 온도를 산출하는 단계; 상기 제4 서브 모델에서 라디에이터 출구 냉각수 온도, 차량속도, 배터리 예측 온도, 외기 온도, 냉각수 유량 변수를 입력하여 PE 입구 냉각수 온도를 산출하는 단계; 및 상기 제5 서브 모델에서 모터 소비 전력, 냉각수 유량, PE 입구 냉각수 온도, 배터리 전압, 인버터 온도 변수를 입력하여 모터 예측 온도를 산출하는 단계를 더 포함할 수 있다.

본 발명에 따르면 랜덤하게 변수를 입력 받아 인공 신경망을 통해 연산하는 것이 아닌 냉각 시스템 온도 변화량에 대한 공식을 물리적으로 분석하여 다수의 복잡한 시스템 학습에 있어 입력과 출력을 단순히 1개의 인공신경망으로 예측하는 것이 아니라 주요 구성부품별 다수의 인공신경망을 통해 예측하므로 인공신경망의 예측 과정을 알 수 있다.

또한 데이터의 통계적 분석을 통해 입출력을 결정하던 종래의 기술에서는 학습되지 않은 입력을 인공신경망에 입력했을 때 비합리적인 출력 값이 도출되면 그 원인을 추적하는 것이 매우 힘들었으나, 본 발명에서는 인공신경망의 예측 과정을 추적할 수 있으므로 원인을 상대적으로 찾기 용이하다는 장점이 존재한다.

그리고 데이터의 변동성이 낮은 조건에서도, 예측된 변수들이 냉각시스템의 물리적 특성을 반영하는지 여부에 대한 인공신경망 평가 과정을 통해 확인 가능하며, 조건에 따른 냉각시스템의 모드 변화에 따라 인공신경망의 구성이 변하므로 정교화된 온도 예측이 가능하다는 효과도 제공할 수 있다.

도 1은 통합 제어되는 실시예의 냉각 시스템을 나타낸 도면이다.
도 2은 개별 제어되는 실시예의 냉각 시스템을 나타낸 도면이다.
도 3은 본 발명의 일 실시 예에 따른 개별 제어 시 냉각 시스템 온도 예측 장치의 구성도이다.
도 4는 본 발명의 일 실시 예에 따른 개별 제어 시 배터리 온도 예측을 위한 냉각 시스템 온도 예측 장치의 각 서브 모델에 입력되는 변수를 나타낸 도면이다.
도 5는 본 발명의 일 실시 예에 따른 개별 제어 시 배터리 온도 예측을 위한 냉각 시스템 온도 예측 장치에 재학습을 위하여 피드백 변수를 포함하는 각 서브 모델에 입력되는 변수를 나타낸 도면이다.
도 6는 본 발명의 일 실시 예에 따른 개별 제어 시 모터 온도 예측을 위한 냉각 시스템 온도 예측 장치의 각 서브 모델에 입력되는 변수를 나타낸 도면이다.
도 7은 본 발명의 일 실시 예에 따른 개별 제어 시 모터 온도 예측을 위한 냉각 시스템 온도 예측 장치에 재학습을 위하여 피드백 변수를 포함하는 각 서브 모델에 입력되는 변수를 나타낸 도면이다.
도 8은 본 발명의 일 실시 예에 따른 통합 제어 시 냉각 시스템 온도 예측 장치의 구성도이다.
도 9는 본 발명의 일 실시 예에 따른 통합 제어 시 배터리 및 모터 온도 예측을 위한 냉각 시스템 온도 예측 장치의 각 서브 모델에 입력되는 변수를 나타낸 도면이다.
도 10은 본 발명의 일 실시 예에 따른 통합 제어 시 배터리 및 모터 온도 예측을 위한 냉각 시스템 온도 예측 장치에 재학습을 위하여 피드백 변수를 포함하는 각 서브 모델에 입력되는 변수를 나타낸 도면이다.
도 11은 도 5의 실시 예에 따른 냉각 시스템 온도 예측 장치의 정확도를 나타내는 그래프이다.
도 12은 도 7의 실시 예에 따른 냉각 시스템 온도 예측 장치의 정확도를 나타내는 그래프이다.
도 13은 도 10의 실시 예에 따른 냉각 시스템 온도 예측 장치의 정확도를 나타내는 그래프이다.
도 14는 본 발명의 일 실시 예에 따라 실제로 구현된 인공 신경망을 나타낸 도면이다.
도 15는 본 발명의 실시 예에 따른 물리적 인과관계에 따른 딥러닝 기반의 냉각 시스템 온도 예측 방법의 흐름도이다.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다.

그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

이하, 도면을 참조하여 본 발명의 실시 예에 따른 물리적 인과관계에 따른 딥러닝 기반의 냉각 시스템 온도 예측 장치 및 그 방법에 대하여 설명한다.

도 1은 통합 제어되는 실시예의 냉각 시스템을 나타낸 도면이다.

도 1을 참조하면 냉각 시스템은 배터리 온도와 라디에이터 출구 온도를 비교하여 배터리 온도가 더 높은 경우에 통합 제어로 제어될 수 있다.

도 1에 따르면 통합 제어 시에는 3-way 밸브는 냉각 시스템이 통합되게 동작 되며 PE 펌프, 공기팬, 배터리 펌프 또한 동작될 수 있으나, 컴프레셔는 동작하지 아니한다.

도 2은 개별 제어되는 실시예의 냉각 시스템을 나타낸 도면이다.

도 2을 참조하면 냉각 시스템은 배터리 온도와 라디에이터 출구 온도를 비교하여 배터리 온도가 더 낮은 경우에 개별 제어로 제어될 수 있다.

도 1에 따르면 통합 제어 시에는 3-way 밸브는 냉각 시스템이 개별 제어되게 동작 되며 PE 펌프, 공기팬, 배터리 펌프 및 컴프레셔가 동작될 수 있다.

도 3은 본 발명의 일 실시 예에 따른 개별 제어 시 냉각 시스템 온도 예측 장치의 구성도이다.

도 3을 참조하면 본 발명의 일 실시 예에 따른 개별 제어 시 냉각 시스템 온도 예측 장치는 제1 서브 모델(100), 제2 서브 모델(200), 제3 서브 모델(300)로 구성될 수 있다.

본 발명의 일 실시 예에 따르면 개별 제어 시 냉각 시스템 온도 예측 장치를 이용하여 모터 또는 배터리의 온도를 각각 예측할 수 있다.

본 발명의 일 실시 예에 따르면 입력층, 은닉층, 출력층으로 구성된 각 인공 신경망 서브 모델을 연결하여 형성된 인공 신경망을 이용하며 다수의 서브 모델에 미리 설정된 제어 변수, 환경 변수, 시간 변수 중 적어도 하나를 미리 설정된 물리적 인과 관계에 따라 입력하여, 펌프 유속, 냉각수 유량, 배터리, 모터의 입력 냉각수 온도, 라디에이터 출력 냉각수 온도, 배터리 온도, 모터 온도를 순차적으로 예측하고. 인공 신경망의 서브 모델의 개수 및 각 서브 모델 별로 순차적으로 입력되는 제어 변수 또는 환경 변수는 상기 냉각 시스템의 개별 제어 및 통합 제어 여부에 따라 변경할 수 있다.

여기서 미리 설정된 물리적 인과 관계는 냉각 시스템의 시스템 온도 변화량을 산정할 수 있는 공식에 기반할 수 있으며, 이는 아래 수학식 1과 같다.

[수학식 1]

수학식 1을 참조하면 냉각 시스템의 온도 변화량(

)은 유량(

)에 냉각되는 열량(

)을 곱한 값을 발열량(

)에 더하는 것으로 계산될 수 있음을 알 수 있으며 이를 통해 다음과 같은 물리적인 인과 관계를 도출할 수 있다.

이에 따라 유량은 펌프파워에 비례하며, 배터리 입구 냉각수 온도는 팬의 풍량이 클수록, 컴프레서 작동량이 클수록 배터리 출력 전류가 적을수록 낮아지며, 유량이 많으면 온도도의 변경 폭이 적어질 수 있다.

또한 배터리의 예측 온도는 발열량이 많을수록 상승하며, 냉각수의 온도가 낮을수록, 유량이 많을수록 하강할 수 있다.

본 발명의 일 실시 예에 따르면 PE 입구 냉각수 온도는 팬 풍량이 클수록 감소하며, 유량이 많을수록 온도 변화량이 감소할 수 있으며 모터 소모동력이 클수록 외기온도가 높을수록 높아질 수 있다.

또한 차량속도가 높으면 RAD 통과 풍량 증가로 인하여 PE 입구 냉각수 온도는 낮아 질 수 있고, 인버터온도가 높으면 높아질 수 있다.

본 발명의 일 실시 예에 따르면 모터의 예측 온도는 발열량이 많을수록 증가할 수 있으며, 냉각수 온도가 낮고 유량이 많을수록 감소할 수 있다.

이러한 인과 관계를 통해 도 4, 6, 9와 같이 다수의 서브 모델의 각각에 특정 변수를 입력하는 당위성이 도출되게 된다.

본 발명의 일 실시 예에 따르면 다수의 서브 모델은 활성함수로 ReLU를 사용할 수 있다.

도 4는 본 발명의 일 실시 예에 따른 개별 제어 시 배터리 온도 예측을 위한 냉각 시스템 온도 예측 장치의 각 서브 모델에 입력되는 변수를 나타낸 도면이다.

도 4를 참조하면 개별 제어 시 배터리 온도 예측을 위한 냉각 시스템 온도 예측 장치는 배터리의 온도를 예측하기 위하여 3개의 서브 모델(제1, 2, 3 서브 모델)을 통해 연산될 수 있으며 각 서브모델에 입력되는 변수 및 출력되는 변수는 다음과 같다.

도 4의 각 서브 모델에 입력될 수 있는 변수는 아래 표 1과 같다.

[표 1]

본 발명의 일 실시 예에 따르면 제1 서브 모델은 배터리 펌프 소비 전력 변수를 입력하여 배터리 펌프 유속을 산출할 수 있다.

또한 제2 서브 모델은 공기팬 소비 전력, 컴프레셔 소비전력, AC 온-오프 여부, 배터리 전류, 배터리 펌프 유속 변수를 입력하여 배터리 입구 냉각수 온도를 산출할 수 있다.

마지막으로 제3 서브 모델은 배터리 전류, 배터리 입구 냉각수 온도, 배터리 펌프 유속 변수를 입력하여 배터리 예측 온도를 산출할 수 있다.

도 5는 본 발명의 일 실시 예에 따른 개별 제어 시 배터리 온도 예측을 위한 냉각 시스템 온도 예측 장치에 재학습을 위하여 피드백 변수를 포함하는 각 서브 모델에 입력되는 변수를 나타낸 도면이다.

도 5는 본 발명의 일 실시 예에 따른 배터리 온도 예측을 위한 냉각 시스템 온도 예측 장치에 재학습을 위하여 피드백 변수를 포함하는 각 서브 모델에 입력되는 변수를 나타낸 도면이다.

도 5를 참조하면 개별 제어 시 배터리 온도 예측을 위한 냉각 시스템 온도 예측 장치는 배터리의 온도를 예측 및 재학습을 하기 위하여 3개의 서브 모델(제1, 2, 3 서브 모델)을 통해 연산될 수 있으며 각 서브모델에 입력되는 변수 및 출력되는 변수는 다음과 같다.

본 발명의 일 실시 예에 따르면 제1 서브 모델에 배터리 펌프 소비 전력 변수 및 피드백 변수로 직전 예측 구간의 배터리 펌프 유속 변수를 입력하여 배터리 펌프 유속을 산출할 수 있다.

또한 제2 서브 모델에 공기팬 소비 전력, 컴프레셔 소비전력, AC 온-오프 여부, 배터리 전류, 배터리 펌프 유속 변수 및 피드백 변수로 직전 예측 구간의 배터리 입구 냉각수 온도 변수를 입력하여 배터리 입구 냉각수 온도를 산출할 수 있으며, 제3 서브 모델에 배터리 전류, 배터리 입구 냉각수 온도, 배터리 펌프 유속 변수 및 피드백 변수로 직전 예측 구간의 배터리 예측 온도 변수를 입력하여 배터리 예측 온도를 산출할 수 있다.

도 6는 본 발명의 일 실시 예에 따른 개별 제어 시 모터 온도 예측을 위한 냉각 시스템 온도 예측 장치의 각 서브 모델에 입력되는 변수를 나타낸 도면이다.

도 6를 참조하면 개별 제어 시 모터 온도 예측을 위한 냉각 시스템 온도 예측 장치는 배터리의 온도를 예측하기 위하여 3개의 서브 모델(제1, 2, 3 서브 모델)을 통해 연산될 수 있으며 각 서브모델에 입력되는 변수 및 출력되는 변수는 다음과 같다.

도 6의 각 서브 모델에 입력될 수 있는 변수는 아래 표 2와 같다.

[표 2]

본 발명의 일 실시 예에 따르면 제1 서브 모델은 PE 펌프 소비 전력 변수를 입력하여 PE 냉각수 유량을 산출할 수 있으며, 제2 서브 모델은 공기팬 소비 전력, PE 냉각수 유량, 모터 소비전력, 외기 온도, 차량 속도, 인버터 온도 변수를 입력하여 PE 입구 냉각수 온도를 산출할 수 있다.

상기 실시 예에 따르면 제3 서브 모델 은 PE 입구 냉각수 온도, PE 냉각수 유량, 모터 소비전력, 인버터 온도, 배터리 전압 변수를 입력하여 모터 예측 온도를 산출할 수 있다.

도 7은 본 발명의 일 실시 예에 따른 개별 제어 시 모터 온도 예측을 위한 냉각 시스템 온도 예측 장치에 재학습을 위하여 피드백 변수를 포함하는 각 서브 모델에 입력되는 변수를 나타낸 도면이다.

도 7을 참조하면 개별 제어 시 모터 온도 예측을 위한 냉각 시스템 온도 예측 장치는 배터리의 온도를 예측 및 재학습을 하기 위하여 3개의 서브 모델(제1, 2, 3 서브 모델)을 통해 연산될 수 있으며 각 서브모델에 입력되는 변수 및 출력되는 변수는 다음과 같다.

본 발명의 일 실시 예에 따르면 제1 서브 모델은 PE 펌프 소비 전력 변수 및 피드백 변수로 직전 예측 구간의 PE 냉각수 유량 변수를 입력하여 PE 냉각수 유량을 산출할 수 있으며, 제2 서브 모델은 공기팬 소비 전력, PE 냉각수 유량, 모터 소비전력, 외기 온도, 차량 속도, 인버터 온도 변수 및 피드백 변수로 직전 예측 구간의 PE 입구 냉각수 온도를 입력하여 PE 입구 냉각수 온도를 산출할 수 있다.

또한 제3 서브 모델은 PE 입구 냉각수 온도, PE 냉각수 유량, 모터 소비전력, 인버터 온도, 배터리 전압 변수 및 피드백 변수로 직전 예측 구간의 모터 예측 온도를 입력하여 모터 예측 온도를 산출할 수 있다.

도 8은 본 발명의 일 실시 예에 따른 통합 제어 시 냉각 시스템 온도 예측 장치의 구성도이다.

도 8을 참조하면 일 실시 예에 따른 통합 제어 시 냉각 시스템 온도 예측 장치는 배터리 및 모터의 온도를 예측하기 위하여 5개의 서브 모델(제1, 2, 3, 4, 5 서브 모델)을 통해 연산을 수행할 수 있다.

도 9는 본 발명의 일 실시 예에 따른 통합 제어 시 배터리 및 모터 온도 예측을 위한 냉각 시스템 온도 예측 장치의 각 서브 모델에 입력되는 변수를 나타낸 도면이다.

도 9의 각 서브 모델에 입력될 수 있는 변수는 아래 표 3와 같다.

[표 3]

본 발명의 일 실시 예에 따르면 제1 서브 모델(130)은 PE 펌프 소비 전력 변수를 입력하여 냉각수 유량을 산출할 수 있으며, 제2 서브 모델(230)은 공기팬 소비 전력, 냉각수 유량, 모터 소비전력, 외기 온도, 차량 속도, 인버터 온도 변수를 입력하여 라디에이터 출구 냉각수 온도를 산출할 수 있다.

또한 상기 실시 예에 따르면 제3 서브 모델(330)은 라디에이터 출구 냉각수 온도, 냉각수 유량, 배터리 전류 변수를 입력하여 배터리 예측 온도를 산출할 수 있으며, 제4 서브 모델은 라디에이터 출구 냉각수 온도, 차량속도, 배터리 예측 온도, 외기 온도, 냉각수 유량 변수를 입력하여 PE 입구 냉각수 온도를 산출할 수 있다.

상기 실시 예에 따르면 제5 서브 모델은 모터 소비 전력, 냉각수 유량, PE 입구 냉각수 온도, 배터리 전압, 인버터 온도 변수를 입력하여 모터 예측 온도를 산출할 수 있다.

도 10은 본 발명의 일 실시 예에 따른 통합 제어 시 배터리 및 모터 온도 예측을 위한 냉각 시스템 온도 예측 장치에 재학습을 위하여 피드백 변수를 포함하는 각 서브 모델에 입력되는 변수를 나타낸 도면이다.

본 발명의 일 실시 예에 따르면 제2 내지 제5서브모델에 앞에 언급한 변수를 입력함과 동시에 직전 예측 구간에서의 산출된 특정 변수를 피드백 변수로 하여 추가 입력함으로써 재학습을 수행할 수 있다.

본 발명의 일 실시 예에 따르면 제2 서브 모델은 공기팬 소비 전력, 각수 유량, 모터 소비전력, 외기 온도, 차량 속도, 인버터 온도 변수 및 피드백 변수로 직전 예측 구간의 라디에이터 출구 냉각수 온도 변수를 입력하여 라디에이터 출력 냉각수 온도를 산출할 수 있다.

상기 실시 예에 따르면 제3 서브 모델은 라디에이터 출구 냉각수 온도, 냉각수 유량, 배터리 전류 및 피드백 변수로 직전 예측 구간의 배터리 예측 온도 변수를 입력하여 배터리 예측 온도를 산출할 수 있다.

상기 실시 예에 따르면 제4 서브 모델은 라디에이터 출구 냉각수 온도, 차량속도, 배터리 예측 온도, 외기 온도, 냉각수 유량 변수 및 피드백 변수로 직전 예측 구간의 PE 입구 냉각수 온도 변수를 입력하여 PE 입구 냉각수 온도를 산출할 수 있으며, 제5 서브 모델은 모터 소비 전력, 냉각수 유량, PE 입구 냉각수 온도, 배터리 전압, 인버터 온도 변수 및 피드백 변수로 직전 예측 구간의 모터 예측 온도 변수를 입력하여 모터 예측 온도를 산출할 수 있다.

도 11은 도 5의 실시 예에 따른 냉각 시스템 온도 예측 장치의 정확도를 나타내는 그래프이다.

도 11은 참조하면 본 발명의 일 실시 예에 따른 개별 제어 시 배터리 온도 예측을 위한 냉각 시스템 온도 예측 장치의 각 서브 모델이 연산을 수행하는 경우의 정확도를 테스트한 결과가 나타나 있다.

여기서 정확도를 테스트하기 위하여 정규화된 평균 제곱 오차(normalized mean squared error, NMSE)를 이용할 수 있으나, 꼭 이에 한정되지는 아니한다.

도 11을 참조하면 제1 서브 모델을 통한 연산결과에 따른 배터리 펌프 유속의 정확도는 99.98%이며, 제2 서브 모델을 통한 연산결과에 따른 배터리 입구 냉각수 온도의 정확도는 97.72%이고, 제3 서브 모델을 통한 연산결과에 따른 배터리 예측 온도의 정확도는 97.2%로써 종래의 80%대 초반의 정확도를 가진 인공 신경망 기반의 온도 예측 장치보다 그 정확도가 현저히 높아진 것을 알 수 있다.

도 12는 도 7의 실시 예에 따른 냉각 시스템 온도 예측 장치의 정확도를 나타내는 그래프이다.

도 12를 참조하면 본 발명의 일 실시 예에 따른 개별 제어 시 모터 온도 예측을 위한 냉각 시스템 온도 예측 장치의 각 서브 모델이 연산을 수행하는 경우의 정확도를 테스트한 결과가 나타나 있다.

도 12를 참조하면 제1 서브 모델을 통한 연산결과에 따른 PE 펌프 유속의 정확도는 100%이며, 제2 서브 모델을 통한 연산결과에 따른 PE 입구 냉각수 온도의 정확도는 91.97%이고, 제3 서브 모델을 통한 연산결과에 따른 모터 예측 온도의 정확도는 96.09%로써 종래의 80%대 초반의 정확도를 가진 인공 신경망 기반의 온도 예측 장치보다 그 정확도가 현저히 높아진 것을 알 수 있다.

도 13은 도 10의 실시 예에 따른 냉각 시스템 온도 예측 장치의 정확도를 나타내는 그래프이다.

도 13을 참조하면 본 발명의 일 실시 예에 따른 통합 제어 시 배터리 및 모터 온도 예측을 위한 냉각 시스템 온도 예측 장치의 각 서브 모델이 연산을 수행하는 경우의 정확도를 테스트한 결과가 나타나 있다.

도 13을 참조하면 제1 서브 모델을 통한 연산결과에 따른 PE 펌프 유속의 정확도는 100%이며, 제2 서브 모델을 통한 연산결과에 따른 라디에이터 출구 냉각수 온도의 정확도는 82.46%이고, 제3 서브 모델을 통한 연산결과에 따른 배터리 예측 온도의 정확도는 97.7%로이며, 제4 서브 모델을 통한 연산결과에 따른 PE 입구 냉각수 온도의 정확도는 94.05%로이고, 제5 서브 모델을 통한 연산결과에 따른 모터 예측 온도의 정확도는 91.96% 로써 종래의 80%대 초반의 정확도를 가진 인공 신경망 기반의 온도 예측 장치보다 그 정확도가 현저히 높아진 것을 알 수 있다.

도 14는 본 발명의 일 실시 예에 따라 실제로 구현된 인공 신경망을 나타낸 도면이다.

본 발명의 일 실시 예에 따라 다수의 서브 모델을 포함하는 인공 신경망으로 이루어진 딥러닝 기반의 냉각 시스템 온도 예측 장치는 도 14과 같이 구현될 수 있으며, 각 서브 모델은 입력층, 은닉층, 출력층으로 구성될 수 있으며, 이러한 서브 모델들이 여러층으로 이루어진 인공신경망 구조를 가질 수 있다.

본 발명의 일 실시 예에 따르면 다른 조건은 유지한 상태에서 각 서브 모델에 입력하는 변수를 증감함으로써 각 서브 모델의 출력 측정하고, 이를 분석하여 해당 서브 모델의 적합성을 평가할 수 있으며, 적합성이 높을수록 과적합이 적게 발생하여, 더 높은 정확도를 보일 수 있다.

도 15는 본 발명의 실시 예에 따른 물리적 인과관계에 따른 딥러닝 기반의 냉각 시스템 온도 예측 방법의 흐름도이다.

제어 모드 결정한다(S10).

본 발명의 일 실시 예에 따르면 개별 제어 또는 통합 제어 중 하나로 제어 모드를 결정할 수 있다.

본 발명의 일 실시 예에 따르면 냉각 시스템은 배터리 온도와 라디에이터 출구 온도를 비교하여 배터리 온도가 더 높은 경우 ()에 통합 제어로 결정되어 제어될 수 있으며, 냉각 시스템은 배터리 온도와 라디에이터 출구 온도를 비교하여 배터리 온도가 더 낮은 경우 ()에 개별 제어로 결정되어 제어될 수 있다.

제어, 입력 변수 선정한다(S20).

본 발명의 일 실시 예에 따르면 입력층, 은닉층, 출력층으로 구성된 각 인공 신경망 서브 모델을 연결하여 형성된 인공 신경망을 이용하며 다수의 서브 모델에 미리 설정된 제어 변수, 환경 변수, 시간 변수 중 적어도 하나를 미리 설정된 물리적 인과 관계에 따라 선정하여 변수를 입력할 수 있다.

여기서 미리 설정된 물리적 인과 관계는 냉각 시스템의 시스템 온도 변화량을 산정할 수 있는 공식에 기반할 수 있으며, 이는 위의 수학식 1과 같다.

수학식 1을 참조하면 냉각 시스템에서의 물리적인 인과 관계를 도출할 수 있으며, 유량은 펌프파워에 비례하며, 배터리 입구 냉각수 온도는 팬의 풍량이 클수록, 컴프레서 작동량이 클수록 배터리 출력 전류가 적을수록 낮아지며, 유량이 많으면 온도도의 변경 폭이 적어질 수 있다.

그리고 PE 입구 냉각수 온도는 팬 풍량이 클수록 감소하며, 유량이 많을수록 온도 변화량이 감소할 수 있으며 모터 소모동력이 클수록 외기온도가 높을수록 높아질 수 있다.

추가적으로 모터의 예측 온도는 발열량이 많을수록 증가할 수 있으며, 냉각수 온도가 낮고 유량이 많을수록 감소할 수 있다.

제어, 입력 변수를 다수의 서브 모델에 입력하여 배터리 및 모터 온도 예측한다(S30).

본 발명의 일 실시 예에 따르면 개별 제어 시 배터리 온도 예측을 위한 냉각 시스템 온도 예측 장치는 배터리의 온도를 예측하기 위하여 3개의 서브 모델(제1, 2, 3 서브 모델)을 통해 연산될 수 있으며 각 서브모델에 입력되는 변수 및 출력되는 변수는 상기 표 1과 같다.

상기 실시 예에 따르면 제2 서브 모델은 공기팬 소비 전력, 컴프레셔 소비전력, AC 온-오프 여부, 배터리 전류, 배터리 펌프 유속 변수를 입력하여 배터리 입구 냉각수 온도를 산출할 수 있다.

상기 실시 예에 따르면 제3 서브 모델은 배터리 전류, 배터리 입구 냉각수 온도, 배터리 펌프 유속 변수를 입력하여 배터리 예측 온도를 산출할 수 있다.

본 발명의 일 실시 예에 따르면 개별 제어 시 모터 온도 예측을 위한 냉각 시스템 온도 예측 장치는 배터리의 온도를 예측하기 위하여 3개의 서브 모델(제1, 2, 3 서브 모델)을 통해 연산될 수 있으며 각 서브모델에 입력되는 변수 및 출력되는 변수는 상기 표 2와 같다.

본 발명의 일 실시 예에 따른 통합 제어 시 냉각 시스템 온도 예측 장치는 배터리 및 모터의 온도를 예측하기 위하여 5개의 서브 모델(제1, 2, 3, 4, 5 서브 모델)을 통해 연산을 수행할 수 있다.

상기 실시 예에 따르면 각 서브 모델에 입력될 수 있는 변수는 상기 표 3와 같다.

각 서브 모델에서 예측한 변수를 피드백 변수로 하여 각 서브 모델을 재학습한다(S40).

본 발명의 일 실시 예에 따르면 개별 제어 시 배터리 온도 예측을 위한 냉각 시스템 온도 예측 장치는 배터리의 온도를 예측 및 재학습을 하기 위하여 3개의 서브 모델(제1, 2, 3 서브 모델)을 통해 연산될 수 있으며 각 서브모델에 입력되는 변수 및 출력되는 변수는 다음과 같다.

본 발명의 일 실시 예에 따르면 개별 제어 시 모터 온도 예측을 위한 냉각 시스템 온도 예측 장치는 배터리의 온도를 예측 및 재학습을 하기 위하여 3개의 서브 모델(제1, 2, 3 서브 모델)을 통해 연산될 수 있으며 각 서브모델에 입력되는 변수 및 출력되는 변수는 다음과 같다.

본 발명의 일 실시 예에 따르면 제2 내지 제5서브모델에 앞에서 언급한 변수를 입력함과 동시에 직전 예측 구간에서의 산출된 특정 변수를 피드백 변수로 하여 추가 입력함으로써 재학습을 수행할 수 있다.

본 발명의 실시 예는 이상에서 설명한 장치 및/또는 방법을 통해서만 구현이 되는 것은 아니며, 이상에서 본 발명의 실시 예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

Claims

입력층, 은닉층, 출력층으로 구성된 각 인공 신경망 서브 모델을 연결하여 형성된 인공 신경망을 이용하며,
다수의 서브 모델에 미리 설정된 제어 변수, 환경 변수, 시간 변수 중 적어도 하나를 미리 설정된 물리적 인과 관계에 따라 입력하여, 펌프 유속, 냉각수 유량, 배터리, 모터의 입력 냉각수 온도, 라디에이터 출력 냉각수 온도, 배터리 온도, 모터 온도를 예측하고,
상기 인공 신경망의 서브 모델의 개수 및 각 서브 모델 별로 순차적으로 입력되는 제어 변수 또는 환경 변수는 상기 냉각 시스템의 개별 제어 및 통합 제어 여부에 따라 변경되는 것을 특징으로 하는 물리적 인과관계에 따른 딥러닝 기반의 냉각 시스템 온도 예측 장치.
제 1 항에 있어서,
상기 냉각 시스템이 개별 제어되는 경우에는 상기 배터리의 온도를 예측하기 위하여 3개의 서브 모델(제1, 2, 3 서브 모델)을 통해 연산될 수 있으며,
배터리 펌프 소비 전력 변수를 입력하여 배터리 펌프 유속을 산출하는 제1 서브 모델;
공기팬 소비 전력, 컴프레셔 소비전력, AC 온-오프 여부, 배터리 전류, 배터리 펌프 유속 변수를 입력하여 배터리 입구 냉각수 온도를 산출하는 제2 서브 모델; 및
배터리 전류, 배터리 입구 냉각수 온도, 배터리 펌프 유속 변수를 입력하여 배터리 예측 온도를 산출하는 제3 서브 모델을 포함하는 것을 특징으로 하는 물리적 인과관계에 따른 딥러닝 기반의 냉각 시스템 온도 예측 장치.
제 1 항에 있어서,
상기 냉각 시스템이 개별 제어되는 경우에는 상기 모터의 온도를 예측하기 위하여 3개의 서브 모델(제1, 2, 3 서브 모델)을 통해 연산될 수 있으며,
PE 펌프 소비 전력 변수를 입력하여 PE 냉각수 유량을 산출하는 제1 서브 모델;
공기팬 소비 전력, PE 냉각수 유량, 모터 소비전력, 외기 온도, 차량 속도, 인버터 온도 변수를 입력하여 PE 입구 냉각수 온도를 산출하는 제2 서브 모델; 및
PE 입구 냉각수 온도, PE 냉각수 유량, 모터 소비전력, 인버터 온도, 배터리 전압 변수를 입력하여 모터 예측 온도를 산출하는 제3 서브 모델을 포함하는 것을 특징으로 하는 물리적 인과관계에 따른 딥러닝 기반의 냉각 시스템 온도 예측 장치.
제 1 항에 있어서,
상기 냉각 시스템이 통합 제어되는 경우에는 상기 모 터의 온도를 예측하기 위하여 5개의 서브 모델(제1, 2, 3, 4, 5 서브 모델)을 통해 연산될 수 있으며,
PE 펌프 소비 전력 변수를 입력하여 냉각수 유량을 산출하는 제1 서브 모델;
공기팬 소비 전력, 냉각수 유량, 모터 소비전력, 외기 온도, 차량 속도, 인버터 온도 변수를 입력하여 라디에이터 출구 냉각수 온도를 산출하는 제2 서브 모델;
라디에이터 출구 냉각수 온도, 냉각수 유량, 배터리 전류 변수를 입력하여 배터리 예측 온도를 산출하는 제3 서브 모델;
라디에이터 출구 냉각수 온도, 차량속도, 배터리 예측 온도, 외기 온도, 냉각수 유량 변수를 입력하여 PE 입구 냉각수 온도를 산출하는 제4 서브 모델; 및
모터 소비 전력, 냉각수 유량, PE 입구 냉각수 온도, 배터리 전압, 인버터 온도 변수를 입력하여 모터 예측 온도를 산출하는 제5 서브 모델을 포함하는 것을 특징으로 하는 물리적 인과관계에 따른 딥러닝 기반의 냉각 시스템 온도 예측 장치.
제 2 항에 있어서 상기 인공 신경망의 학습을 위하여,
상기 제1 서브 모델에 배터리 펌프 소비 전력 변수 및 피드백 변수로 직전 예측 구간의 배터리 펌프 유속 변수를 입력하여 배터리 펌프 유속을 산출하며,
상기 제2 서브 모델에 공기팬 소비 전력, 컴프레셔 소비전력, AC 온-오프 여부, 배터리 전류, 배터리 펌프 유속 변수 및 피드백 변수로 직전 예측 구간의 배터리 입구 냉각수 온도 변수를 입력하여 배터리 입구 냉각수 온도를 산출하고,
상기 제3 서브 모델에 배터리 전류, 배터리 입구 냉각수 온도, 배터리 펌프 유속 변수 및 피드백 변수로 직전 예측 구간의 배터리 예측 온도 변수를 입력하여 배터리 예측 온도를 산출하는 것을 특징으로 하는 물리적 인과관계에 따른 딥러닝 기반의 냉각 시스템 온도 예측 장치.
제 3 항에 있어서 상기 인공 신경망의 학습을 위하여,
상기 제1 서브 모델은 PE 펌프 소비 전력 변수 및 피드백 변수로 직전 예측 구간의 PE 냉각수 유량 변수를 입력하여 PE 냉각수 유량을 산출하며,
상기 제2 서브 모델은 공기팬 소비 전력, PE 냉각수 유량, 모터 소비전력, 외기 온도, 차량 속도, 인버터 온도 변수 및 피드백 변수로 직전 예측 구간의 PE 입구 냉각수 온도를 입력하여 PE 입구 냉각수 온도를 산출하고,
상기 제3 서브 모델은 PE 입구 냉각수 온도, PE 냉각수 유량, 모터 소비전력, 인버터 온도, 배터리 전압 변수 및 피드백 변수로 직전 예측 구간의 모터 예측 온도를 입력하여 모터 예측 온도를 산출하는 것을 특징으로 하는 물리적 인과관계에 따른 딥러닝 기반의 냉각 시스템 온도 예측 장치.
제 4 항에 있어서 상기 인공 신경망의 학습을 위하여,
상기 제2 서브 모델은 공기팬 소비 전력, 각수 유량, 모터 소비전력, 외기 온도, 차량 속도, 인버터 온도 변수 및 피드백 변수로 직전 예측 구간의 라디에이터 출구 냉각수 온도 변수를 입력하여 라디에이터 출력 냉각수 온도를 산출하고,
상기 제3 서브 모델은 라디에이터 출구 냉각수 온도, 냉각수 유량, 배터리 전류 및 피드백 변수로 직전 예측 구간의 배터리 예측 온도 변수를 입력하여 배터리 예측 온도를 산출하며,
상기 제4 서브 모델은 라디에이터 출구 냉각수 온도, 차량속도, 배터리 예측 온도, 외기 온도, 냉각수 유량 변수 및 피드백 변수로 직전 예측 구간의 PE 입구 냉각수 온도 변수를 입력하여 PE 입구 냉각수 온도를 산출하고,
상기 제5 서브 모델은 모터 소비 전력, 냉각수 유량, PE 입구 냉각수 온도, 배터리 전압, 인버터 온도 변수 및 피드백 변수로 직전 예측 구간의 모터 예측 온도 변수를 입력하여 모터 예측 온도를 산출하는 것을 특징으로 하는 물리적 인과관계에 따른 딥러닝 기반의 냉각 시스템 온도 예측 장치.
제 1 항에 있어서,
상기 다수의 서브 모델은 활성함수로 ReLU를 사용하는 것을 특징으로 하는 물리적 인과관계에 따른 딥러닝 기반의 냉각 시스템 온도 예측 장치.
입력층, 은닉층, 출력층으로 구성된 각 인공 신경망 서브 모델을 연결하여 형성된 인공 신경망을 이용하며,
개별 제어 또는 통합 제어 중 하나로 제어 모드를 결정하는 단계;
상기 결정된 제어 모드에 따라 상기 인공 신경망의 서브 모델의 개수 및 각 서브 모델 별로 순차적으로 입력되는 제어 변수 또는 환경 변수는 상기 냉각 시스템의 개별 제어 및 통합 제어 여부에 따라 다수의 서브 모델에 미리 설정된 제어 변수, 환경 변수, 시간 변수 중 적어도 하나를 미리 설정된 물리적 인과 관계에 따라 선정하는 단계;
상기 선정된 변수를 상기 다수의 서브 모델에 입력하여, 펌프 유속, 냉각수 유량, 배터리, 모터의 입력 냉각수 온도, 라디에이터 출력 냉각수 온도, 배터리 온도, 모터 온도를 예측하는 단계; 및
각 서브 모델에서 예측한 변수를 피드백 변수로 하여 다시 각 서브 모델을 재 학습하는 단계를 포함하는 것을 특징으로 하는 물리적 인과관계에 따른 딥러닝 기반의 냉각 시스템 온도 예측 방법.
제 9 항에 있어서,
상기 냉각 시스템이 개별 제어되는 경우에는 상기 배터리의 온도를 예측하기 위하여 3개의 서브 모델(제1, 2, 3 서브 모델)을 통해 연산될 수 있으며,
상기 제1 서브 모델에서 배터리 펌프 소비 전력 변수를 입력하여 배터리 펌프 유속을 산출하는 단계;
상기 제2 서브 모델에서 공기팬 소비 전력, 컴프레셔 소비전력, AC 온-오프 여부, 배터리 전류, 배터리 펌프 유속 변수를 입력하여 배터리 입구 냉각수 온도를 산출하는 단계; 및
상기 제3 서브 모델에서 배터리 전류, 배터리 입구 냉각수 온도, 배터리 펌프 유속 변수를 입력하여 배터리 예측 온도를 산출하는 단계를 더 포함하는 것을 특징으로 하는 물리적 인과관계에 따른 딥러닝 기반의 냉각 시스템 온도 예측 방법.
제 9 항에 있어서,
상기 냉각 시스템이 개별 제어되는 경우에는 상기 모터의 온도를 예측하기 위하여 3개의 서브 모델(제1, 2, 3 서브 모델)을 통해 연산될 수 있으며,
상기 제1 서브 모델에서 PE 펌프 소비 전력 변수를 입력하여 PE 냉각수 유량을 산출하는 단계;
상기 제2 서브 모델에서 공기팬 소비 전력, PE 냉각수 유량, 모터 소비전력, 외기 온도, 차량 속도, 인버터 온도 변수를 입력하여 PE 입구 냉각수 온도를 산출하는 단계; 및
상기 제3 서브 모델에서 PE 입구 냉각수 온도, PE 냉각수 유량, 모터 소비전력, 인버터 온도, 배터리 전압 변수를 입력하여 모터 예측 온도를 산출하는 단계를 더 포함하는 것을 특징으로 하는 물리적 인과관계에 따른 딥러닝 기반의 냉각 시스템 온도 예측 방법.
제 9 항에 있어서,
상기 냉각 시스템이 통합 제어되는 경우에는 상기 모 터의 온도를 예측하기 위하여 5개의 서브 모델(제1, 2, 3, 4, 5 서브 모델)을 통해 연산될 수 있으며,
상기 제1 서브 모델에서 PE 펌프 소비 전력 변수를 입력하여 냉각수 유량을 산출하는 단계;
상기 제2 서브 모델에서 공기팬 소비 전력, 냉각수 유량, 모터 소비전력, 외기 온도, 차량 속도, 인버터 온도 변수를 입력하여 라디에이터 출구 냉각수 온도를 산출하는 단계;
상기 제3 서브 모델에서 라디에이터 출구 냉각수 온도, 냉각수 유량, 배터리 전류 변수를 입력하여 배터리 예측 온도를 산출하는 단계;
상기 제4 서브 모델에서 라디에이터 출구 냉각수 온도, 차량속도, 배터리 예측 온도, 외기 온도, 냉각수 유량 변수를 입력하여 PE 입구 냉각수 온도를 산출하는 단계; 및
상기 제5 서브 모델에서 모터 소비 전력, 냉각수 유량, PE 입구 냉각수 온도, 배터리 전압, 인버터 온도 변수를 입력하여 모터 예측 온도를 산출하는 단계를 더 포함하는 것을 특징으로 하는 물리적 인과관계에 따른 딥러닝 기반의 냉각 시스템 온도 예측 방법.
제 10 항에 있어서 상기 인공 신경망의 학습을 위하여,
상기 제1 서브 모델에 배터리 펌프 소비 전력 변수 및 피드백 변수로 직전 예측 구간의 배터리 펌프 유속 변수를 입력하여 배터리 펌프 유속을 산출하며,
상기 제2 서브 모델에 공기팬 소비 전력, 컴프레셔 소비전력, AC 온-오프 여부, 배터리 전류, 배터리 펌프 유속 변수 및 피드백 변수로 직전 예측 구간의 배터리 입구 냉각수 온도 변수를 입력하여 배터리 입구 냉각수 온도를 산출하고,
상기 제3 서브 모델에 배터리 전류, 배터리 입구 냉각수 온도, 배터리 펌프 유속 변수 및 피드백 변수로 직전 예측 구간의 배터리 예측 온도 변수를 입력하여 배터리 예측 온도를 산출하는 것을 특징으로 하는 물리적 인과관계에 따른 딥러닝 기반의 냉각 시스템 온도 예측 방법.
제 11 항에 있어서 상기 인공 신경망의 학습을 위하여,
상기 제1 서브 모델은 PE 펌프 소비 전력 변수 및 피드백 변수로 직전 예측 구간의 PE 냉각수 유량 변수를 입력하여 PE 냉각수 유량을 산출하며,
상기 제2 서브 모델은 공기팬 소비 전력, PE 냉각수 유량, 모터 소비전력, 외기 온도, 차량 속도, 인버터 온도 변수 및 피드백 변수로 직전 예측 구간의 PE 입구 냉각수 온도를 입력하여 PE 입구 냉각수 온도를 산출하고,
상기 제3 서브 모델은 PE 입구 냉각수 온도, PE 냉각수 유량, 모터 소비전력, 인버터 온도, 배터리 전압 변수 및 피드백 변수로 직전 예측 구간의 모터 예측 온도를 입력하여 모터 예측 온도를 산출하는 것을 특징으로 하는 물리적 인과관계에 따른 딥러닝 기반의 냉각 시스템 온도 예측 방법.
제 12 항에 있어서 상기 인공 신경망의 학습을 위하여,
상기 제2 서브 모델은 공기팬 소비 전력, 각수 유량, 모터 소비전력, 외기 온도, 차량 속도, 인버터 온도 변수 및 피드백 변수로 직전 예측 구간의 라디에이터 출구 냉각수 온도 변수를 입력하여 라디에이터 출력 냉각수 온도를 산출하고,
상기 제3 서브 모델은 라디에이터 출구 냉각수 온도, 냉각수 유량, 배터리 전류 및 피드백 변수로 직전 예측 구간의 배터리 예측 온도 변수를 입력하여 배터리 예측 온도를 산출하며,
상기 제4 서브 모델은 라디에이터 출구 냉각수 온도, 차량속도, 배터리 예측 온도, 외기 온도, 냉각수 유량 변수 및 피드백 변수로 직전 예측 구간의 PE 입구 냉각수 온도 변수를 입력하여 PE 입구 냉각수 온도를 산출하고,
상기 제5 서브 모델은 모터 소비 전력, 냉각수 유량, PE 입구 냉각수 온도, 배터리 전압, 인버터 온도 변수 및 피드백 변수로 직전 예측 구간의 모터 예측 온도 변수를 입력하여 모터 예측 온도를 산출하는 것을 특징으로 하는 물리적 인과관계에 따른 딥러닝 기반의 냉각 시스템 온도 예측 방법.
제 9 항에 있어서,
상기 다수의 서브 모델은 활성함수로 ReLU를 사용하는 것을 특징으로 하는 물리적 인과관계에 따른 딥러닝 기반의 냉각 시스템 온도 예측 방법.