KR20210121657A

KR20210121657A - 차량용 노면입력 하중 측정 시스템 및 방법

Info

Publication number: KR20210121657A
Application number: KR1020200038766A
Authority: KR
Inventors: 이기욱; 심홍기; 민병훈; 이해순
Original assignee: 현대자동차주식회사; (주)아비코; 기아 주식회사
Priority date: 2020-03-31
Filing date: 2020-03-31
Publication date: 2021-10-08
Also published as: US20210300391A1; CN113532717A

Abstract

차량의 허브 베어링 표면에 설치된 복수의 스트레인 게이지; 상기 복수의 스트레인 게이지의 출력 데이터에 따른 차량의 노면입력 하중 데이터를 학습한 딥러닝 인공 신경망 모델을 저장하는 저장부; 및 상기 저장부에 저장된 딥러닝 인공 신경망 모델의 각 레이어에서 수행되는 연산을 수행하여, 상기 복수의 스트레인 게이지의 입력에 따른 차량의 노면입력 하중 데이터를 도출하는 처리부를 포함하는 차량용 노면입력 하중 측정 시스템이 개시된다.

Description

차량용 노면입력 하중 측정 시스템 및 방법{SYSTEM AND METHOD FOR ESTIMATING LOAD INPUT FROM ROAD SURFACE}

본 발명은 차량용 노면입력 하중 측정 시스템 및 방법에 관한 것으로, 더욱 상세하게는 딥러닝 인공 지능망을 활용하여 차량의 허브 베어링에 설치된 복수의 스트레인 게이지로부터 입력된 데이터로부터 노면입력 하중을 측정할 수 있는 차량용 노면입력 하중 측정 시스템 및 방법에 관한 것이다.

일반적으로, 노면에서 차량으로 작용하는 하중이나 모멘트를 휠을 통해 계측할 수 있는 6분력계 센서는 차량 휠의 외측에 부착하는 형태로 적용되고 있다. 이러한 종래의 6분력게 센서는 센서 자체의 무게와 센서 설치를 위한 차량 림 및 허브에 부가되는 설치물의 무게 등으로 인해 차량 서스펜션의 지오메트리를 변동시키고 그에 따라 차량 서스펜션 특성이 변화하게 된다. 또한, 종래의 6분력계 센서는 스트레인 게이지의 설치를 위해 가공이 필요하다.

이와 같이, 종래의 휠 부착형 6분력계 센서는 설치 시 차량 서스펜션 특성을 변화시키고 스트레인 게이지를 설치하기 위한 별도의 가공이 요구되므로 차량 노면입력 하중 측정을 정확히 수행하더라도 실제 양산되는 차량과 시험 차량의 서스펜션 특성 차이로 인한 오차가 발생할 수 있으며, 추가 가공에 비용이 소요되는 등의 단점이 있다.

상기의 배경기술로서 설명된 사항들은 본 발명의 배경에 대한 이해 증진을 위한 것일 뿐, 이 기술분야에서 통상의 지식을 가진 자에게 이미 알려진 종래기술에 해당함을 인정하는 것으로 받아들여져서는 안 될 것이다.

JP 4487528 B2 US 8943902 B2

이에 본 발명은, 딥러닝 인공 지능망을 이용하여 차량 허브 베어링에 직접 설치된 복수의 스트레인 게이지로부터 입력된 데이터를 활용하여 차량의 노면입력 하중을 정확하게 측정할 수 있는 차량용 노면입력 하중 측정 시스템 및 방법을 제공하는 것을 해결하고자 하는 기술적 과제로 한다.

상기 기술적 과제를 해결하기 위한 수단으로서 본 발명은,

차량의 허브 베어링 표면에 설치된 복수의 스트레인 게이지;

상기 복수의 스트레인 게이지의 출력 데이터에 따른 차량의 노면입력 하중 데이터를 학습한 딥러닝 인공 신경망 모델을 저장하는 저장부; 및

상기 저장부에 저장된 딥러닝 인공 신경망 모델의 각 레이어에서 수행되는 연산을 수행하여, 상기 복수의 스트레인 게이지의 입력에 따른 차량의 노면입력 하중 데이터를 도출하는 처리부;

를 포함하는 차량용 노면입력 하중 측정 시스템을 제공한다.

본 발명의 일 실시형태에서, 상기 복수의 스트레인 게이지는, 상기 허브 베어링의 외륜의 표면에 일정한 간격으로 설치될 수 있다.

본 발명의 일 실시형태에서, 상기 복수의 스트레인 게이지는, 상기 허브 베어링 내 회전 축 방향으로 나란히 배치된 한 쌍의 베어링 볼 사이의 응력 집중점에 대응되는 위치에 설치될 수 있다.

본 발명의 일 실시형태에서, 상기 딥러닝 인공 신경망 모델은, 상기 복수의 스트레인 게이지에서 출력된 데이터 또는 그 이전 레이어에서 출력된 데이터를 입력 받고, 입력 받은 데이터에 가중치 및 바이어스 값을 적용한 값을 활성화 함수에 입력하여 출력값을 결정하는 복수의 Dense 레이어와, 상기 Dense 레이어 사이에 배치되어 Dense 레이어의 출력값을 ReLu 함수에 적용하여 출력값을 결정하는 복수의 ReLu 레이어를 포함할 수 있다.

본 발명의 일 실시형태에서, 상기 복수의 Dense 레이어는, 입력 받은 데이터의 개수보다 적은 수의 데이터를 출력할 수 있다.

본 발명의 일 실시형태에서, 상기 저장부는, 상기 가중치 및 바이어스 값을 저장할 수 있다.

본 발명의 일 실시형태에서, 상기 처리부는, 사전 설정된 일정한 샘플링 주기에 따른 타임 채널 순으로 상기 스트레인 게이지의 출력 데이터를 입력 받고, 순차적인 복수의 타임 채널에 해당하는 데이터를 하나의 데이터 세트로 딥러닝 상기 인공 신경망 모델에 입력할 수 있다.

본 발명의 일 실시형태에서, 상기 처리부는, 하나의 타임 채널에 대한 노면입력 하중을 도출하기 위한 입력 데이터로서 해당 타임 채널의 데이터와 그 이전의 복수의 타임 채널의 데이터를 포함하는 데이터 세트를 상기 딥러닝 인공 신경망 모델에 입력할 수 있다.

본 발명의 일 실시형태에서, 상기 처리부는, 상기 복수의 타임 채널 중 최우선의 사전 설정된 개수의 타임 채널에서 상기 딥러닝 인공 신경망 모델로 입력된 입력 데이터 및 최종의 사전 설정된 타임 채널에서 상기 딥러닝 인공 신경망 모델로 입력된 입력 데이터에 대해 오버 샘플링을 적용할 수 있다.

상기 기술적 과제를 해결하기 위한 다른 수단으로서 본 발명은,

차량의 허브 베어링 표면에 설치된 복수의 스트레인 게이지의 출력 데이터 및 상기 복수의 스트레인 게이지의 출력 데이터에 따른 노면입력 하중의 실측 데이터를 학습용 데이터로서 수집하는 단계;

상기 수집된 데이터를 이용하여 사전 저장된 딥러닝 인공 신경망 모델을 학습 및 검증하는 단계;

학습 및 검증된 딥러닝 인공 신경망 모델을 저장하는 단계; 및

학습 및 검증된 딥러닝 인공 신경망에 상기 복수의 스트레인 게이지의 출력 데이터를 입력하여 차량의 노면입력 하중 데이터를 도출하는 단계;

를 포함하는 차량용 노면하중 측정 방법을 제공한다.

본 발명의 일 실시형태에서, 상기 수집하는 단계는, 사전 설정된 일정한 샘플링 주기에 따른 타임 채널 순으로 상기 학습용 데이터를 수집하는 단계이고, 상기 학습 및 검증하는 단계 이전에, 한 타임 채널의 입력 데이터 및 그 이전의 복수의 타임 채널에 대응되는 입력 데이터를 포함하는 데이터 세트를 한 타임 채널의 학습을 위한 입력 데이터로 결정할 수 있다.

본 발명의 일 실시형태에서, 상기 수집하는 단계는, 사전 설정된 일정한 샘플링 주기에 따른 타임 채널 순으로 상기 학습용 데이터를 수집하는 단계이고, 상기 학습 및 검증하는 단계 이전에, 복수의 타임 채널 중 최우선의 사전 설정된 개수의 타임 채널에서 입력된 학습용 입력 데이터 및 최종의 사전 설정된 타임 채널에서 입력된 학습용 입력 데이터에 대해 오버 샘플링을 적용하는 데이터 전처리 단계를 더 포함할 수 있다.

상기 차량용 노면입력 하중 측정 시스템 및 방법에 따르면, 복수의 스트레인 게이지에서 입력되는 데이터를 해당 스트레인 게이지의 데이터를 기반으로 학습된 딥러닝 인공 신경망 모델에 적용하여 노면입력 하중을 추정하므로, 베어링 볼의 위치에 따른 스트레인 변화나 스트레인 게이지의 배치된 위치와는 상관없이 정확한 노면입력 하중을 추정할 수 있다

또한, 상기 차량용 노면입력 하중 측정 시스템 및 방법에 따르면, 차량의 휠에 별도 부착하는 구조물이나 휠의 가공이 필요 없으므로 차량에 적용되는 휠의 서스펜션 특성 변화없이 정확한 노면입력 하중을 측정할 수 있다.

본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 일 실시형태에 따른 차량용 노면입력 하중 측정 시스템을 도시한 블록 구성도이다.
도 2는 본 발명의 일 실시형태에 따른 차량용 노면입력 하중 측정 시스템의 허브 베어링 및 허브 베어링에 설치된 스트레인 게이지를 도시한 사시도이다.
도 3은 도 2에 도시된 본 발명의 일 실시형태에 따른 빅데이터를 이용한 차량 파워 제어 시스템의 스트레인 게이지 설치 영역의 일부를 도시한 단면도이다.
도 4는 본 발명의 일 실시형태에 따른 차량용 노면입력 하중 측정 시스템에 적용된 딥러닝 인공 지능망 모델의 일례를 도시한 구성도이다.
도 5는 본 발명의 일 실시형태에 따른 차량용 노면입력 하중 측정 시스템에 적용된 딥러닝 인공 지능망 모델의 Dense 레이어에 적용되는 셀을 도시한 도면이다.
도 6은 본 발명의 일 실시형태에 따른 차량용 노면입력 하중 측정 시스템에 적용된 딥러닝 인공 지능망 모델의 ReLu 레이어의 셀에서 적용되는 ReLu 함수를 도시한 그래프이다.
도 7은 본 발명의 일 실시형태에 따른 차량용 노면입력 하중 측정 방법 중 딥러닝 인공 지능망 모델의 학습 방법을 도시한 흐름도이다.
도 8은 본 발명의 일 실시형태에 따른 차량용 노면입력 하중 측정 시스템 및 방법에서 스트레인 게이지에서 출력된 데이터를 딥러닝 인공 지능망 모델에 입력하기 위해 가공한 데이터의 일례를 도시한 도면이다.
도 9는 본 발명의 일 실시형태에 따른 차량용 노면입력 하중 측정 방법 중 노면입력 하중을 실제 측정하는 과정을 도시한 흐름도이다.

이하, 첨부의 도면을 참조하여 본 발명의 다양한 실시형태에 따른 차량용 노면입력 하중 측정 시스템 및 방법을 상세하게 설명한다.

도 1은 본 발명의 일 실시형태에 따른 차량용 노면입력 하중 측정 시스템을 도시한 블록 구성도이다.

도 1을 참조하면, 본 발명의 일 실시형태에 따른 차량용 노면입력 하중 측정 시스템은, 차량의 허브 베어링(10) 표면에 설치된 복수의 스트레인 게이지(11-1, 11-2, ??, 11-n)와, 복수의 스트레인 게이지(11-1, 11-2, ??, 11-n)의 출력 데이터에 따른 차량의 노면입력 하중 데이터를 학습한 딥러닝 인공 신경망 모델을 저장하는 저장부(30) 및 저장부(30)에 저장된 딥러닝 인공 신경망 모델의 각 레이어에서 수행되는 연산을 수행하는 처리부(20)를 포함하여 구성될 수 있다.

도 2는 본 발명의 일 실시형태에 따른 차량용 노면입력 하중 측정 시스템의 허브 베어링 및 허브 베어링에 설치된 스트레인 게이지를 도시한 사시도이고, 도 3은 도 2에 도시된 본 발명의 일 실시형태에 따른 빅데이터를 이용한 차량 파워 제어 시스템의 스트레인 게이지 설치 영역의 일부를 도시한 단면도이다.

도 2 및 도 3을 참조하면, 스트레인 게이지(11-1, 11-2, ??, 11-7)가 설치된 허브 베어링(10)은 외륜(13), 내륜(14), 그리고 외륜(13)과 내륜(14) 사이 또는 외륜(13)과 허브(12) 사이에 배치되는 베어링 볼(15a, 15b)를 포함할 수 있다. 이러한 허브 베어링(10) 구조는 제작하는 업체나 적용되는 차량 마다 조금씩 다른 구조를 가질 수 있으나, 외륜(13)은 너클(미도시)과 결합되어 고정되며 허브(12)와 내륜(14)은 허브 볼트(16)을 통해 휠이 장착되어 회전한다는 점은 대부분의 허브 베어링 구조에서 일치한다.

본 발명의 일 실시형태에서, 스트레인 게이지(11-1, 11-2, ??, 11-7)는 허브 베어링(10)의 외륜(13)의 표면에 부착되는 형태로 설치될 수 있다. 특히, 스트레인 게이지(11-1, 11-2, ??, 11-7)는 일정한 간격으로 외륜(13)의 외주면에 부착될 수 있으며, 베어링 볼(15a, 15b)가 배치되는 위치를 감안하여 축방향으로 배치된 한 쌍의 베어링 볼(15a, 15b) 사이의 응력 집중점에 배치되는 것이 바람직하다.

스트레인 게이지(11-1, 11-2, ??, 11-n)에 검출된 스트레인 데이터는 처리부(20)로 제공될 수 있다.

처리부(20)는 스트레인 게이지(11-1, 11-2, ??, 11-n)에서 출력된 데이터를 입력 받고, 입력 받은 데이터를 사전 학습된 딥러닝 인공 신경망 모델에 적용하여 입력 받은 스트레인 게이지(11-1, 11-2, ??, 11-n)의 출력 데이터에 따른 차량의 노면입력 하중 데이터를 도출할 수 있다.

처리부(20)는 입력 받은 데이터를 사전 학습된 딥러닝 인공 신경망 모델에 적용하는데 필요한 각종 연산 및 데이터 처리를 수행할 수 있다. 예를 들어, 처리부(20)는 입력 받은 데이터를 사전 학습된 딥러닝 인공 신경망 모델에 적용하는데 적절한 형태의 데이터로 전처리를 수행할 수 있으며, 사전 학습된 딥러닝 인공 신경망 모델의 각 레이어에서 수행되는 연산을 수행할 수 있다.

더하여, 처리부(20)는 학습되기 이전의 딥러닝 인공 신경망 모델에 대해 인공 신경망 모델의 각 레이어에 속한 셀의 가중치 및 바이어스 등을 결정하는 딥러닝 인공 신경망 모델의 학습을 수행할 수도 있다.

저장부(30)는 스트레인 게이지(11-1, 11-2, ??, 11-n)에서 출력된 데이터를 입력으로 하고 차량의 노면입력 하중을 출력으로 하는 사전 학습된 딥러닝 인공 신경망 모델이 저장될 수 있다.

도 4는 본 발명의 일 실시형태에 따른 차량용 노면입력 하중 측정 시스템에 적용된 딥러닝 인공 지능망 모델의 일례를 도시한 구성도이다.

도 4를 참조하면, 본 발명의 일 실시형태에 따른 차량용 노면입력 하중 측정 시스템에 적용된 딥러닝 인공 지능망 모델은, 스트레인 게이지(11-1, 11-2, ??, 11-n)의 출력 데이터를 입력으로 하고, 그에 따른 노면입력 하중 데이터를 도출하여 출력하는 모델로서, 복수의 Dense 레이어(DL1-DL4)와 복수의 ReLu 레이어(RL1-RL3)를 포함하여 구성될 수 있다.

복수의 Dense 레이어(DL1-DL4)는 스트레인 게이지(11-1, 11-2, ??, 11-n)에서 입력된 데이터 또는 그 이전 레이어에서 출력되는 데이터를 모두 입력 받고, 입력 받은 데이터에 대해 학습에 의해 결정되는 가중치와 바이어스에 따른 연산을 수행하여 출력하는 복수의 셀을 포함할 수 있다. 복수의 Dense 레이어(DL1-DL4)에 속한 셀의 수는 입력된 데이터의 차원보다 출력된 데이터의 차원이 감소될 수 있도록 입력된 데이터의 개수보다 작은 수의 셀을 포함할 수 있다.

도 5는 본 발명의 일 실시형태에 따른 차량용 노면입력 하중 측정 시스템에 적용된 딥러닝 인공 지능망 모델의 Dense 레이어에 적용되는 셀을 도시한 도면이다.

도 5에 도시된 바와 같이, Dense 레이어(DL1-DL4)에 적용된 셀은 스트레인 게이지(11-1, 11-2, ??, 11-n)에서 입력된 데이터 또는 그 이전 레이어에서 출력되는 데이터(x_i)에 가중치(w_i) 및 바이어스 값(b)를 적용한 값을 활성화 함수(f)에 입력하여 출력값을 생성할 수 있다.

딥러닝 인공 지능망 모델의 최종 Dense 레이어(DL4)는 출력 레이어로 노면입력 하중을 출력하도록 가중치와 바이어스 값이 결정될 수 있다.

복수의 ReLu 레이어(RL1-RL3)는 ReLu 함수를 활성화 함수로 적용한 레이어로, 그 이전에 배치된 Dense 레이어(DL1-DL3)의 각 셀에서 출력되는 값에 ReLu 함수를 적용하여 출력하는 함수이다.

도 6은 본 발명의 일 실시형태에 따른 차량용 노면입력 하중 측정 시스템에 적용된 딥러닝 인공 지능망 모델의 ReLu 레이어의 셀에서 적용되는 ReLu 함수를 도시한 그래프이다.

도 6에 도시한 바와 같이, ReLu 함수는 입력값이 0 이상인 경우 기울기 1인 직선에 해당하고 x값이 0 보다 작은 경우 0의 값을 갖는 함수로, 0 이상인 입력은 그대로 출력하고 0 보다 작은 입력에 대해서는 0을 출력하게 된다.

본 발명의 일 실시형태에 따른 차량용 노면입력 하중 측정 방법은 도 4에 도시된 것과 같은 딥러닝 인공 지능망 모델을 학습하고 학습된 딥러닝 인공 지능망 모델을 이용하여 노면입력 하중을 도출하는 과정으로 구성될 수 있다.

도 7은 본 발명의 일 실시형태에 따른 차량용 노면입력 하중 측정 방법 중 딥러닝 인공 지능망 모델의 학습 방법을 도시한 흐름도이다.

도 7에 도시한 것과 같이, 본 발명의 일 실시형태에 따른 차량용 노면입력 하중 측정 방법 중 딥러닝 인공 지능망 모델의 학습 방법은, 학습 데이터로서 스트레인 게이지 출력 데이터와 그에 따른 노면입력 하중 데이터를 수집하는 단계(S11)로부터 시작될 수 있다.

학습에 사용되는 학습 데이터는, 도 1 내지 도 3에 도시된 것과 같이 사전에 노면입력 하중을 측정하기 위한 하드웨어와 딥러닝 인공 지능망 모델을 저장부(30)에 구비한 이후, 시뮬레이션 장치 등을 이용하여 스트레인 게이지(11-1, 11-2, ??, 11-n)의 출력 데이터에 따른 노면입력 하중의 실측값을 구하는 방식으로 수집될 수 있다.

도 8은 본 발명의 일 실시형태에 따른 차량용 노면입력 하중 측정 시스템 및 방법에서 스트레인 게이지에서 출력된 데이터를 딥러닝 인공 지능망 모델에 입력하기 위해 가공한 데이터의 일례를 도시한 도면이다.

도 8에 도시한 것과 같이, 사전 설정된 일정한 샘플링 주기에 따른 타임 채널 순으로 스트레인 게이지(11-1, 11-2, ??, 11-n)의 출력 데이터 및 그에 따른 노면입력 하중 데이터가 수집될 수 있다. 전체 타임 채널의 수는 필요에 따라 적절하게 조정될 수 있다.

이러한 학습 데이터가 수집된 이후, 학습에 사용되는 데이터 셋을 결정하는 데이터 전처리 단계(S12)가 수행될 수 있다(S12). 데이터 전처리 단계는, 딥러닝 인공 신경망 모델에 한번에 입력되는 데이터 세트를 결정하는 단계이다.

본 발명의 일 실시형태에서, 데이터 전처리 단계(S12)는 순차적인 복수의 타임 채널에 해당하는 학습용 입력 데이터를 하나의 데이터 세트로 결정할 수 있다. 즉, 하나의 타임 채널에 대한 학습용 입력 데이터로서, 해당 타임 채널의 입력 데이터 및 그 이전의 복수의 타임 채널에 대응되는 입력 데이터를 학습용 입력 데이터로 결정할 수 있다. 예를 들어, 5번 타임 채널에 해당하는 학습용 입력 데이터는 1-4번 타임 채널에 해당하는 학습용 입력 데이터로 이루어진 데이터 세트가 될 수 있다.

더하여, 데이터 전처리 단계(S12)에서는 학습용 입력 데이터의 양 극단, 즉 최우선의 사전 설정된 개수의 타임 채널에서 입력된 학습용 입력 데이터 및 최종의 사전 설정된 타임 채널에서 입력된 학습용 입력 데이터에 대해 SMOTE(synthetic minority over-sampling technique) 등을 적용하여 오버 샘플링함으로써 학습 데이터의 극단의 예측 정보 정확도를 확보하게 할 수도 있다.

이어, 학습용 입력 데이터를 딥러닝 인공 신경망 모델에 입력하여 딥러닝 인공 신경망 모델이 학습용 출력 데이터(즉, 시뮬레이션에 의해 획득된 바람직한 노면입력 하중 데이터)를 출력할 수 있도록 딥러닝 인공 신경망 모델을 학습시킬 수 있다(S13). 학습 단계(S13)에서는 시뮬레이션에 의해 획득된 바람직한 노면입력 하중 데이터와 딥러닝 인공 신경망 모델이 출력하는 출력 데이터의 오차가 최소화되게 하는 최적 학습이 수행될 수 있다.

이어, 시뮬레이션에 의해 획득된 검증 데이터를 이용하여 딥러닝 인공 신경망 모델의 학습이 적절하게 완료되었는지 검증한 이후 학습-검증을 통해 최종적으로 결정된 결과를 저장부(30)에 저장하는 방식으로 학습이 수행될 수 있다.

전술한 것과 같은, 학습 및 검증에서 요구되는 데이터 연산 및 처리는 처리부(20)에 의해 수행될 수 있다.

도 9는 본 발명의 일 실시형태에 따른 차량용 노면입력 하중 측정 방법 중 노면입력 하중을 실제 측정하는 과정을 도시한 흐름도이다.

노면입력 하중 측정 과정은 처리부(20)가 스트레인 게이지(11-1, 11-2, ??, 11-n)의 출력 데이터를 입력 받고(S21), 저장부(30)에 저장된 딥러닝 인공 신경망 모델에 실제 차량의 허브 베어링에 적용된 스트레인 게이지(11-1, 11-2, ??, 11-n)의 출력 데이터를 입력하여 딥러닝 인공 신경망 모델의 각 레이어(DL1-DL4, RL1―RL3)에서 수행되는 각종 연산을 수행하여 노면입력 하중 데이터를 출력하는 과정이다.

물론, 이 노면입력 하중 측정 과정은, 전술한 딥러닝 인공 신경망 모델의 학습에 적용된 것과 같이, 스트레인 게이지(11-1, 11-2, ??, 11-n)의 출력 데이터를 입력 받은 후 이를 전처리 하는 과정(S22)이 수행될 필요가 있다. 이 전처리 과정에서는, 측정하고자 하는 타임 채널의 입력 데이터 및 그 이전 복수의 타임 채널의 입력 데이터를 하나의 데이터 셋으로 설정하는 과정과, 최우선의 소정 타임 채널에서 입력된 데이터 및 최종의 소정 타임 채널에서 입력된 데이터에 대해 SMOTE(synthetic minority over-sampling technique) 등을 적용하여 오버 샘플링하는 과정이 수행될 수 있다.

통상적으로 허브 베어링 상에 스트레인 게이지를 배치하는 경우 지면과 스트레인 게이지가 설치된 위치와 베어링 볼이 일직선 상에 배치되는 경우와 지면과 스트레인 게이지가 설치된 위치와 베어링 볼 사이의 비어 있는 부분이 일직선 상이 배치되는 경우 스트레인 게이지가 출력하는 값이 달라질 수 있다. 즉, 스트레인 게이지와 베어링 볼이 지면과 일직선 상에 배치되는 경우 더 큰 스트레인이 발생한다. 베어링 볼은 허브 둘레에 일정한 간격으로 배치되므로 스트레인 게이지가 검출하는 스트레인의 크기는 커졌다 작아졌다를 반복하는 정현파의 형태를 가질 수 있다. 또한, 허브 베어링 상에 스트레인 게이지를 배치하는 경우 응력이 집중되는 위치에 정확하게 복수의 스트레인 게이지를 설치하여야 정확한 노면입력 하중이 측정 가능하다.

본 발명의 일 실시형태에 따른 노면입력 하중 측정 시스템 및 방법은, 복수의 스트레인 게이지에서 입력되는 데이터를 해당 스트레인 게이지의 데이터를 기반으로 학습된 딥러닝 인공 신경망 모델에 적용하여 노면입력 하중을 추정하므로, 베어링 볼의 위치에 따른 스트레인 변화나 스트레인 게이지의 배치된 위치와는 상관없이 정확한 노면입력 하중을 추정할 수 있다

또한, 본 발명의 일 실시형태에 따른 노면입력 하중 측정 시스템 및 방법은, 차량의 휠에 별도 부착하는 구조물이나 휠의 가공이 필요 없으므로 차량에 적용되는 휠의 서스펜션 특성 변화없이 정확한 노면입력 하중을 측정할 수 있다.

10: 허브 베어링 11-1 내지 11-n: 스트레인 게이지
20: 처리부 30: 저장부
DL1-DL4: Dense 레이어 RL1-RL3: ReLu 레이어

Claims

차량의 허브 베어링 표면에 설치된 복수의 스트레인 게이지;
상기 복수의 스트레인 게이지의 출력 데이터에 따른 차량의 노면입력 하중 데이터를 학습한 딥러닝 인공 신경망 모델을 저장하는 저장부; 및
상기 저장부에 저장된 딥러닝 인공 신경망 모델의 각 레이어에서 수행되는 연산을 수행하여, 상기 복수의 스트레인 게이지의 입력에 따른 차량의 노면입력 하중 데이터를 도출하는 처리부;
를 포함하는 차량용 노면입력 하중 측정 시스템.
청구항 1에 있어서, 상기 복수의 스트레인 게이지는,
상기 허브 베어링의 외륜의 표면에 일정한 간격으로 설치된 것을 특징으로 하는 차량용 노면입력 하중 측정 시스템.
청구항 1에 있어서, 상기 복수의 스트레인 게이지는,
상기 허브 베어링 내 회전 축 방향으로 나란히 배치된 한 쌍의 베어링 볼 사이의 응력 집중점에 대응되는 위치에 설치된 것을 특징으로 하는 차량용 노면입력 하중 측정 시스템.
청구항 1에 있어서, 상기 딥러닝 인공 신경망 모델은,
상기 복수의 스트레인 게이지에서 출력된 데이터 또는 그 이전 레이어에서 출력된 데이터를 입력 받고, 입력 받은 데이터에 가중치 및 바이어스 값을 적용한 값을 활성화 함수에 입력하여 출력값을 결정하는 복수의 Dense 레이어와, 상기 Dense 레이어 사이에 배치되어 Dense 레이어의 출력값을 ReLu 함수에 적용하여 출력값을 결정하는 복수의 ReLu 레이어를 포함하는 것을 특징으로 하는 차량용 노면입력 하중 측정 시스템.
청구항 4에 있어서, 상기 복수의 Dense 레이어는,
입력 받은 데이터의 개수보다 적은 수의 데이터를 출력하는 것을 특징으로 하는 차량용 노면입력 하중 측정 시스템.
청구항 4에 있어서, 상기 저장부는,
상기 가중치 및 바이어스 값을 저장하는 것을 특징으로 하는 차량용 노면입력 하중 측정 시스템.
청구항 1에 있어서, 상기 처리부는,
사전 설정된 일정한 샘플링 주기에 따른 타임 채널 순으로 상기 스트레인 게이지의 출력 데이터를 입력 받고, 순차적인 복수의 타임 채널에 해당하는 데이터를 하나의 데이터 세트로 딥러닝 상기 인공 신경망 모델에 입력하는 것을 특징으로 하는 차량용 노면입력 하중 측정 시스템.
청구항 7에 있어서, 상기 처리부는,
하나의 타임 채널에 대한 노면입력 하중을 도출하기 위한 입력 데이터로서 해당 타임 채널의 데이터와 그 이전의 복수의 타임 채널의 데이터를 포함하는 데이터 세트를 딥러닝 상기 인공 신경망 모델에 입력하는 것을 특징으로 하는 차량용 노면입력 하중 측정 시스템.
청구항 7에 있어서, 상기 처리부는,
상기 복수의 타임 채널 중 최우선의 사전 설정된 개수의 타임 채널에서 상기 딥러닝 인공 신경망 모델로 입력된 입력 데이터 및 최종의 사전 설정된 타임 채널에서 상기 딥러닝 인공 신경망 모델로 입력된 입력 데이터에 대해 오버 샘플링을 적용하는 것을 특징으로 하는 차량용 노면입력 하중 측정 시스템.
차량의 허브 베어링 표면에 설치된 복수의 스트레인 게이지의 출력 데이터 및 상기 복수의 스트레인 게이지의 출력 데이터에 따른 노면입력 하중의 실측 데이터를 학습용 데이터로서 수집하는 단계;
상기 수집된 데이터를 이용하여 사전 저장된 딥러닝 인공 신경망 모델을 학습 및 검증하는 단계;
학습 및 검증된 딥러닝 인공 신경망 모델을 저장하는 단계; 및
학습 및 검증된 딥러닝 인공 신경망에 상기 복수의 스트레인 게이지의 출력 데이터를 입력하여 차량의 노면입력 하중 데이터를 도출하는 단계;
를 포함하는 차량용 노면하중 측정 방법.
청구항 10에 있어서,
상기 수집하는 단계는, 사전 설정된 일정한 샘플링 주기에 따른 타임 채널 순으로 상기 학습용 데이터를 수집하는 단계이고,
상기 학습 및 검증하는 단계 이전에, 한 타임 채널의 입력 데이터 및 그 이전의 복수의 타임 채널에 대응되는 입력 데이터를 포함하는 데이터 세트를 한 타임 채널의 학습을 위한 입력 데이터로 결정하는 데이터 전처리 단계를 더 포함하는 것을 특징으로 하는 차량용 노면하중 측정 방법.
청구항 10에 있어서,
상기 수집하는 단계는, 사전 설정된 일정한 샘플링 주기에 따른 타임 채널 순으로 상기 학습용 데이터를 수집하는 단계이고,
상기 학습 및 검증하는 단계 이전에, 복수의 타임 채널 중 최우선의 사전 설정된 개수의 타임 채널에서 입력된 학습용 입력 데이터 및 최종의 사전 설정된 타임 채널에서 입력된 학습용 입력 데이터에 대해 오버 샘플링을 적용하는 데이터 전처리 단계를 더 포함하는 것을 특징으로 하는 차량용 노면입력 하중 측정 방법.
청구항 10에 있어서, 상기 딥러닝 인공 신경망 모델은,
상기 복수의 스트레인 게이지에서 출력된 데이터 또는 그 이전 레이어에서 출력된 데이터를 입력 받고, 입력 받은 데이터에 가중치 및 바이어스 값을 적용한 값을 활성화 함수에 입력하여 출력값을 결정하는 복수의 Dense 레이어와, 상기 Dense 레이어 사이에 배치되어 Dense 레이어의 출력값을 ReLu 함수에 적용하여 출력값을 결정하는 복수의 ReLu 레이어를 포함하는 것을 특징으로 하는 차량용 노면입력 하중 측정 방법.
청구항 13에 있어서, 상기 복수의 Dense 레이어는,
입력 받은 데이터의 개수보다 적은 수의 데이터를 출력하는 것을 특징으로 하는 차량용 노면입력 하중 측정 방법.