KR20210150808A

KR20210150808A - 브레이크 마찰재의 마찰계수 결정을 위한 장치 및 방법

Info

Publication number: KR20210150808A
Application number: KR1020200067680A
Authority: KR
Inventors: 조성현
Original assignee: 현대자동차주식회사; 기아 주식회사
Priority date: 2020-06-04
Filing date: 2020-06-04
Publication date: 2021-12-13
Also published as: US20210383040A1; DE102020133556A1; US11875098B2

Abstract

본 발명은 브레이크 마찰재의 마찰계수 결정 장치 및 방법에 관한 것으로서, 차량의 현재 주행 상태가 반영된 브레이크 마찰재의 마찰계수를 실시간으로 정확히 추정 및 결정할 수 있도록 해주는 브레이크 마찰재의 마찰계수 결정 장치 및 방법을 제공하는데 주된 목적이 있는 것이다. 상기한 목적을 달성하기 위해, 선행 시험 평가 과정에서 얻어진 로우 데이터(raw data)를 이용하여 브레이크 작동 상태 정보로부터 마찰계수를 결정하기 위한 마찰계수 메타모델(meta model)을 생성하는 모델 생성 장치를 구비한 브레이크 마찰재의 마찰계수 결정 장치, 및 그 방법이 개시된다.

Description

브레이크 마찰재의 마찰계수 결정을 위한 장치 및 방법{APPARATUS AND METHOD FOR DETERMINING FRICTION COEFFICIENT OF BRAKE PAD}

본 발명은 브레이크 마찰재의 마찰계수 결정을 위한 장치 및 방법에 관한 것으로서, 더욱 상세하게는 차량의 현재 주행 상태가 반영된 브레이크 마찰재의 마찰계수를 실시간으로 정확히 추정 및 결정할 수 있도록 해주는 장치 및 방법에 관한 것이다.

주지된 바와 같이 차량에는 주행 중인 상태에서 차량을 감속 또는 정지시키거나 차량의 정지 상태를 유지하기 위한 브레이크 장치가 구비되어 있다.

차량의 브레이크 장치는 마찰을 이용하여 감속 또는 정지를 위한 제동력을 생성하는데, 차량이 가지고 있는 운동에너지를 마찰을 통해 열에너지로 변환하여 대기 중으로 방출함으로써 제동력을 발생시킨다.

차량의 브레이크 장치는 각 차륜에 설치된 휠 브레이크를 포함하고, 가장 널리 이용되는 휠 브레이크는 디스크 브레이크로서, 디스크 브레이크는 디스크 양면에 마찰재인 브레이크 패드를 강제로 밀착시켜 디스크의 회전이 멈춰지도록 함으로써 차량을 제동한다.

즉, 디스크 브레이크는 디스크와 브레이크 패드 간의 마찰을 이용하여 제동력을 생성하는데, 휠과 일체로 회전하는 디스크, 및 이 디스크에 브레이크 패드(마찰재)를 가압하여 마찰력에 의해 디스크를 감속 또는 정지시키는 캘리퍼 유닛을 포함한다.

캘리퍼 유닛은 차체에 고정되는 캐리어, 캐리어에 설치되고 디스크 양면을 압착하여 제동력을 발생시키는 브레이크 패드, 그리고 유압에 의해 작동하여 브레이크 패드를 디스크에 압착시키는 피스톤이 설치된 캘리퍼 하우징을 포함한다.

또한, 브레이크 장치는 제동유압을 생성하여 제어된 제동유압을 휠 브레이크에 공급하는 유압공급장치를 포함하고, 이 유압공급장치는 모터 펌프와 유압라인, 다수의 밸브 등으로 구성된다.

유압공급장치에서는 모터 펌프 등의 구동을 통해 유압을 발생시킨 뒤 유압라인 및 밸브를 통해 각 차륜의 캘리퍼 유닛에 전달함으로써 제동력이 생성되도록 한다.

이와 같이 유압공급장치가 운전자 제동 의지에 따라 필요한 유압을 생성 및 제어하여 공급함으로써 각 차륜의 캘리퍼 유닛에서 발생하는 제동력을 개별적으로 제어할 수 있게 되고, 이러한 유압공급장치를 통해 차량 자세제어 시스템(Electronic Stability Control, ESC)의 기능이 용이하게 구현될 수 있다.

한편, 차량 성능을 예측하는 시뮬레이션 중 브레이크 성능 예측 시뮬레이션을 하기 위해서는 브레이크 토크를 계산하는 것이 필요하고, 브레이크 성능 예측을 위한 브레이크 토크 계산시에는 마찰계수의 입력이 필요하다.

여기서, 브레이크 토크는 아래의 수학식 1로 정의될 수 있다.

[수학식 1]

Tq = 2 × μ × p × A_piston × R_effective

여기서, Tq는 브레이크 토크를 나타내고, μ는 브레이크 패드(마찰재)의 마찰계수를 나타내며, p는 브레이크 유압을, A_piston은 캘리퍼 하우징(휠 실린더)의 피스톤 면적을, R_effective는 디스크의 유효반경을 각각 나타낸다.

상기와 같이 브레이크 토크 계산시 필요한 마찰계수는 브레이크 디스크의 회전속도(θ), 디스크 온도(T), 브레이크 유압(p) 등에 따라 연속적으로, 그리고 비선형적으로 변화한다.

도 1은 디스크 브레이크에서 브레이크 패드, 즉 마찰재의 마찰계수가 시간이 지남에 따라 연속적으로 변화함을 보여주는 도면이다.

차량의 주행 상태가 시간이 지남에 따라 변화하고, 이때 차량의 주행 상태가 변화함에 따라 디스크 회전속도(θ), 디스크 온도(T), 브레이크 유압(p) 역시 변화하게 된다.

결국, 디스크 회전속도, 디스크 온도, 브레이크 유압의 함수(즉, μ=f(p,θ,T)임)로 결정되는 마찰계수가 도 1에 나타낸 바와 같이 시간이 지남에 따라 변화하게 된다.

그러나, 종래에는 차량의 주행 상태에 따라 브레이크 패드의 마찰계수가 변화함에도 차량 성능 예측시 마찰계수(μ)를 고정 평균값(상수값)으로 적용하여 브레이크 토크를 예측하였다.

이와 같이 고정 평균값의 마찰계수를 적용할 경우(예, μ = 0.34, 0.38, 0.42 등), 차량의 주행 상태에 따른 실시간 마찰계수의 변화를 반영하지 못하므로 정확한 브레이크 토크를 예측할 수 없다.

따라서, 본 발명은 상기와 같은 문제점을 해결하기 위하여 창출한 것으로서, 차량의 현재 주행 상태가 반영된 브레이크 마찰재의 마찰계수를 실시간으로 정확히 추정 및 결정할 수 있도록 해주는 장치 및 방법을 제공하는데 그 목적이 있다.

상기한 목적을 달성하기 위하여, 본 발명의 일 양태에 따르면, 선행 시험 평가 과정에서 얻어진 로우 데이터(raw data)를 이용하여 브레이크 작동 상태 정보로부터 마찰계수를 결정하기 위한 마찰계수 메타모델(meta model)을 생성하는 모델 생성 장치를 포함하고, 상기 모델 생성 장치는, 로우 데이터를 처리하여 기계학습에 필요한 데이터를 취득하는 전처리부; 상기 전처리부에서 취득된 데이터들을 훈련 데이터로 이용하여 기계학습을 통해 모델을 훈련시키는 기계학습부; 및 상기 기계학습부에서 훈련이 완료된 모델에 대해 추가 처리하여, 브레이크 작동 상태를 나타내는 입력 파라미터로부터 상응하는 마찰계수를 결정하기 위한 최종의 마찰계수 메타모델을 추출(export)하는 후처리부를 포함하여 구성되는 것을 특징으로 하는 브레이크 마찰재의 마찰계수 결정을 위한 장치를 제공한다.

그리고, 본 발명의 다른 양태에 따르면, 브레이크 작동 상태 정보로부터 마찰계수를 결정하기 위한 마찰계수 메타모델(meta model)을 생성하는데 필요한 로우 데이터(raw data)가 선행 시험 평가 과정에 의해 취득되는 단계; 전처리부에서 상기 취득된 로우 데이터를 정해진 알고리즘에 따라 전처리하여 기계학습에 필요한 데이터를 취득하는 단계; 기계학습부에서 전처리부에 의해 취득된 데이터를 훈련 데이터로 이용하여 기계학습을 통해 모델을 훈련시키는 단계; 및 후처리부에서 기계학습부에서 훈련이 완료된 모델에 대해 추가 처리하여, 브레이크 작동 상태를 나타내는 입력 파라미터로부터 상응하는 마찰계수를 결정하기 위한 최종의 마찰계수 메타모델을 추출(export)하는 단계를 포함하는 브레이크 마찰재의 마찰계수 결정을 위한 방법을 제공한다.

이로써, 본 발명에 따른 브레이크 마찰재의 마찰계수 결정을 위한 장치 및 방법에 의하면, 모델 생성 장치에 의해 생성된 마찰계수 메타모델을 이용하여 차량의 현재 주행 상태가 반영된 브레이크 마찰재의 마찰계수를 실시간으로 정확히 추정 및 결정할 수 있게 된다.

도 1은 디스크 브레이크에서 브레이크 패드의 마찰계수가 시간이 지남에 따라 연속적으로 변화함을 보여주는 도면이다.
도 2는 본 발명에서 마찰계수 메타모델을 생성하기 위한 모델 생성 장치의 구성을 나타내는 블록도이다.
도 3은 본 발명에서 전처리부의 이상치 처리기의 처리 결과를 설명하기 위한 도면이다.
도 4는 본 발명에서 전처리부의 무효 데이터 처리기의 적용 결과를 설명하기 위한 도면이다.
도 5는 본 발명에서 전처리부의 안정화 데이터 구간 추출기의 적용 결과를 설명하기 위한 도면이다.
도 6과 도 7은 본 발명에서 전처리부 적용 전과 적용 후의 모델 훈련 결과를 나타내는 도면이다.
도 8은 본 발명에서 최종 생성된 마찰계수 메타모델이 토크 계산부에 연결될 수 있도록 모델 추출이 이루어짐을 설명하기 위한 도면이다.
도 9는 본 발명에서 디스크 회전속도, 디스크 온도 및 브레이크 유압을 입력으로 하여 모델에서 마찰계수가 결정됨을 보여주는 도면이다.
도 10은 본 발명에서 마찰재별 마찰계수 메타모델의 이용을 보여주는 도면이다.
도 11은 본 발명에 따른 마찰계수 메탈모델에 따른 마찰계수 예측 결과를 예시한 도면이다.
도 12는 본 발명에 따른 마찰계수 메타모델이 적용된 차량 시뮬레이션 결과를 예시한 도면이다.

이하에서는 첨부한 도면을 참조하여 본 발명의 실시예에 대해 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명하기로 한다. 그러나, 본 발명은 여기서 설명되는 실시예에 한정되지 않고 다른 형태로 구체화될 수도 있다.

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

본 발명은 브레이크 마찰재의 마찰계수 결정을 위한 모델을 생성한 후 실제 차량에서 상기 생성된 모델을 이용하여 차량의 현재 주행 상태가 반영된 브레이크 마찰재의 마찰계수를 실시간으로 정확히 추정 및 결정할 수 있도록 해주는 브레이크 마찰재의 마찰계수 추정을 위한 장치 및 방법에 관한 것이다.

전술한 바와 같이, 차량 성능 예측 시뮬레이션 중 브레이크 성능 시뮬레이션을 위해 필요한 브레이크 토크(Tq)를 계산할 때 고정 평균값의 마찰계수를 적용할 경우 주행 모드 등 차량의 주행 상태에 따른 마찰계수(μ)의 변화를 실시간으로 반영하지 못하므로 정확한 브레이크 토크를 예측할 수 없다.

또한, 차량 성능 예측을 위해 주행 모드별 시험 평가 결과로부터 결정된 마찰계수 데이터를 이용하여 주행 모드에 따른 마찰계수 맵(map)을 작성하고, 이 마찰계수 맵으로부터 주행 모드에 해당하는 마찰계수를 결정하여 브레이크 토크를 예측할 수 있다.

그러나, 이 경우 주행 모드별 시험 평가, 즉 주행 모드별 다이노(DYNO) 평가시에 측정한 주행 모드에 대응되는 마찰계수만 예측 가능하다.

또한, 차량 성능 예측을 위해 브레이크 디스크 온도에 따른 마찰계수의 변화를 측정한 뒤 디스크 온도에 따른 마찰계수 맵을 작성하고, 이 마찰계수 맵으로부터 디스크 온도에 해당하는 마찰계수를 결정하여 브레이크 토크를 예측할 수 있다.

그러나, 이 경우 디스크 온도(T)에 따른 마찰계수 변화를 반영하는 것이 가능하지만, 온도 변화시 동시에 변화하는 디스크 회전속도(θ)와 브레이크 유압(p)에 대한 영향을 반영할 수 없다.

결국, 공지의 방법으로 계산된 브레이크 토크가 실제 브레이크 토크와 비교하여 차이가 발생하므로 시뮬레이션 결과를 신뢰할 수 없고, 이에 시뮬레이션 결과의 정확도를 향상시키는 것이 필요한 실정이다.

또한, 마찰계수의 변화에 영향을 주는 디스크 회전속도와 디스크 온도, 브레이크 유압 등에 따른 영향을 동시에 반영할 수 있는 방법의 부재로 인하여 정확한 마찰계수의 예측이 불가하고, 정확한 브레이크 토크의 계산 및 시뮬레이션 결과 획득에 어려움이 있다.

이에 따라, 상기한 문제점을 해결하기 위해, 실제 브레이크 토크 평가 결과 데이터로부터 평가 입력 및 마찰계수를 추출하고 기계학습(machine learning) 과정을 통해 차량의 주행 상태에 따라 변화하는 디스크 회전속도와 디스크 온도, 브레이크 유압에 따른 마찰계수를 예측하는 모델을 구축한 뒤, 상기 모델을 이용하여 브레이크 패드(마찰재)의 마찰계수를 정확히 추정할 수 있는 기술이 개시된다.

이를 통해, 차량 주행 상태에 따른 정확한 마찰계수를 예측할 수 있고, 정확한 마찰계수 예측값을 이용하여 브레이크 토크 계산의 정확도를 향상시킬 수 있는 동시에, 궁극적으로 차량의 주행 성능 예측의 정확도를 향상시킬 수 있다.

이하에서는 본 발명에 따른 마찰계수 결정 장치 및 방법에 대해 도면을 참조로 더욱 상세히 설명하기로 한다.

본 발명에 따른 마찰계수 결정 방법은 차량의 디스크 브레이크에서 사용되고 있는 마찰재, 즉 브레이크 패드의 마찰계수(μ)를 결정하기 위한 마찰계수 메타모델(meta model)을 생성 및 구축하는 과정을 포함하고, 이에 본 발명에 따른 마찰계수 결정 장치는 상기 마찰계수 메타모델을 생성 및 구축하기 위한 모델 생성 장치를 포함한다.

도 2는 본 발명에서 마찰계수 메타모델을 생성하기 위한 모델 생성 장치의 구성을 나타내는 블록도로서, 본 발명에서 최종 생성된 마찰계수 메타모델은 차량의 제어기 등에 미리 입력 및 저장되어 사용될 수 있는 것으로, 차량 주행 상태에 따라 변화하는 브레이크 디스크의 회전속도, 디스크 온도 및 브레이크 유압의 실시간 정보를 입력으로 하여 마찰계수를 추정할 수 있는 모델이다.

본 발명에서 차량의 현재 주행 상태가 반영된 브레이크 패드(마찰재)의 마찰계수는 차량에서 다양한 제어 로직에 이용될 수 있고, 실시간 브레이크 토크 정보를 산출하는데 이용될 수 있으며, 나아가 브레이크 성능 및 차량 성능을 예측하고 평가하는데 이용될 수 있다.

본 발명에서 최종 생성된 마찰계수 메타모델은 디스크 회전속도, 디스크 온도 및 브레이크 유압으로부터 마찰계수를 추정하여 출력하므로, 제어기 내에서 메타모델의 출력을 토크 계산부의 입력으로 연결할 경우, 마찰계수를 입력으로 하는 토크 계산부에서 브레이크 토크가 계산될 수 있고, 결국 브레이크 성능 및 차량 성능의 평가가 가능해진다.

이와 같은 마찰계수 메타모델을 생성하기 위한 구성을 설명하면, 도시된 바와 같이, 모델 생성 장치(100)는, 선행 시험 평가를 통해 취득한 로우 데이터(raw data)를 입력으로 하고 입력된 로우 데이터를 정해진 알고리즘에 따라 전처리하여 기계학습에 필요한 데이터를 취득하는 전처리부(110), 및 상기 전처리부(110)에서 취득된 데이터들을 훈련 데이터로 이용하여 기계학습을 통해 마찰계수 결정을 위한 모델을 훈련시키는 기계학습부(120)를 포함한다.

바람직하게는, 모델 생성 장치(100)는 기계학습부(120)에서 훈련이 완료된 모델에 대해 추가 처리하여 브레이크 작동 상태를 나타내는 입력 파라미터로부터 그에 상응하는 마찰계수를 결정하기 위한 최종의 마찰계수 메타모델을 추출(export)하는 후처리부(130)를 더 포함하여 구성될 수 있다.

상기 모델 생성 장치(100)에서 전처리부(110)의 입력이 되는 로우 데이터는 기계학습 수행에 필요한 모델에서의 입, 출력 파라미터에 대한 데이터들을 포함한다.

여기서, 상기 입력 파라미터는 브레이크 디스크 회전속도(θ)와 디스크 온도(T), 브레이크 유압(p)을 포함하는 것일 수 있고, 상기 출력 파라미터는 마찰계수(μ)이다.

로우 데이터 생성을 위한 선행 시험 평가는 공지의 다이노(DYNO) 평가일 수 있고, 다이노 평가 과정에서는 마찰재(브레이크 패드)의 사용 이력에 따라 마찰계수의 거동이 달라지므로 마찰재의 상태에 따라 구분된 평가 및 데이터 획득이 이루어질 수 있도록 한다.

이를 위해, 버니싱(burnishing) 전 신품 마찰재를 대상으로 마찰재 상태와 마찰계수의 거동을 1차적으로 평가하는데, 마찰계수의 거동을 평가하기 위해 다이노 평가시 디스크 회전속도와 브레이크 유압을 차량에 설치된 센서들을 통해 측정하는 동시에, 공지의 방법을 이용하여 디스크 온도를 추정 내지 센서를 통해 측정하고, 차량 휠 및 디스크에 인가되는 브레이크 토크를 별도 토크 센서를 통해 측정한다.

여기서, 디스크 회전속도(θ)는 해당 휠의 회전속도, 즉 휠 속도와 동일하므로 휠속 센서를 통해 실시간으로 측정 가능하고, 브레이크 유압은 브레이크 유압을 생성하는 유압공급장치 내 압력 센서, 예컨대 공지의 ESC(Electronic Stability Control) 유닛 내 압력 센서를 통해 측정 가능하다.

상기 디스크 회전속도(θ)는 차속과 타이어 동반경 등 정보를 이용하여 얻어질 수도 있다.

차량에서 브레이크 디스크 온도는 실시간으로 추정되거나 센서를 통해 측정될 수 있는데, 디스크 온도를 추정하여 추정한 온도를 브레이크 제어, 예를 들어 유압 브레이크 페이딩 보상(Hydraulic Brake Fading Compensation, HFC) 제어의 입력 파라미터로 이용하는 것 등이 알려져 있는바, 본 명세서에서 디스크 온도를 추정하는 방법에 대해서는, 통상의 기술자에게 알려진 공지의 기술 사항이므로 상세한 설명을 생략하기로 한다.

또는 디스크 온도 역시 센서, 즉 온도 센서를 통해 실시간으로 측정하여 디스크 온도를 나타내는 로우 데이터를 취득하는 것이 가능하다.

또한, 다이노 평가를 통해 브레이크 토크가 측정되고 나면, 역으로 측정된 브레이크 토크와 디스크 회전속도, 디스크 온도를 이용하여 상기의 수학식 1을 이용하여 실시간 정보인 마찰계수를 결정하는 것이 가능하다.

상기와 같이 신품에 대한 1차적인 평가를 통해 1차 로우 데이터(1st raw data)를 취득한다.

또한, 신품에 대한 평가 이후, 차량 출고 후 실제 필드 사용 조건을 가정하여 버니싱(burnishing) 된 마찰재를 대상으로 마찰체 상태와 마찰계수 거동을 동일한 방법을 이용하여 2차로 평가하고, 페이드(fade) 발생 중인 마찰재를 대상으로 그 마찰재 상태와 마찰계수 거동을 역시 동일한 방법을 이용하여 3차로 평가한다.

이어 페이드 발생 후의 마찰재를 대상으로 마찰재 상태와 마찰계수 거동을 동일한 방법으로 4차로 평가하는데, 이는 페이드에 의한 열화학 변화로 인해 나타나는 마찰재의 성능 변화를 확인하기 위한 것이며, 상기한 각 단계에서의 평가 및 측정 결과의 데이터를 로우 데이터로 확보한다.

상기 버니싱 된 마찰재에 대한 2차적인 평가를 통해 얻어지는 로우 데이터를 '2차 로우 데이터(2nd raw data)'라 칭하고, 페이드 발생 중인 마찰재와 페이드 발생 후 마찰재에 대한 3차 및 4차적인 평가를 통해 얻어지는 로우 데이터를 '3차 로우 데이터(3rd raw data)'와 '4차 로우 데이터(4th raw data)'라 각각 칭하기로 한다.

위에서 마찰재의 상태에 따라 구분하여 1차, 2차, 3차 및 4차 로우 데이터를 취득함을 설명하였으나, 마찰재의 종류별로 구분하여 로우 데이터를 취득하고, 이후 마찰재의 종류별 로우 데이터를 이용하여 기계학습을 통해 마찰재의 종류별 훈련된 모델을 생성하는 것 또한 가능하다.

한편, 본 발명에서 모델 생성 장치(100)는 로우 데이터를 입력으로 하여 최종의 메타모델을 생성할 수 있도록 프로그래밍 된 소프트웨어가 탑재되어 실행될 수 있는 컴퓨터 장치일 수 있다.

이때, 도 2에 도시된 모델 생성 장치(100)의 각 구성은 각 기능을 수행할 수 있는 개별 소프트웨어가 실행되는 하드웨어 요소일 수 있으나, 상기 소프트웨어에서 해당 기능을 수행하도록 구비된 프로그램 블록들일 수도 있다.

본 발명에서 모델 생성 장치(100)의 각 구성은 예로서 파이썬(python) 프로그래밍 언어를 기반으로 하는 코드(code) 또는 기타 공지의 프로그래밍 언어를 기반으로 하는 코드로 구성될 수 있다.

전술한 바와 같이, 모델 셍성 장치(100)는 전처리부(110), 기계학습부(120) 및 후처리부(130)를 포함하여 구성되고, 여기서 전처리부(110)는 데이터 그룹 분류기(111), 결측 처리기(112), 음수 처리기(113), 이상치 처리기(114), 무효 데이터 처리기(115) 및 안정화 데이터 구간 추출기(116)를 포함하여 구성될 수 있다.

또한, 상기 기계학습부(120)는 훈련 데이터 셋 생성 모듈(121), 테스트 데이터 생성 모듈(122), 모델 생성 모듈(123), 모델 훈련 모듈(124) 및 평가 모듈(125)을 포함하여 구성될 수 있다.

먼저, 전처리부(110)의 데이터 그룹 분류기(111)는 각 테스트 모델별 로우 데이터가 저장된 데이터 경로와 표준화된 파일명을 기준으로 데이터를 구별하여 그룹명을 부여하고, 표준화된 파일명에 정의된 마찰재의 상태별 코드를 이용하여 1 - 4차 로우 데이터 모두를 그룹별로 식별될 수 있도록 분류한다.

즉, 전체 로우 데이터들을 마찰재 상태를 기준으로 하여 마찰재 상태별 데이터인 1차 로우 데이터(1st raw data), 2차 로우 데이터(2nd raw data), 3차 로우 데이터(3rd raw data), 4차 로우 데이터(4th raw data)로 분류하는 것이다.

이와 같이 전처리부(110)의 데이터 그룹 분류기(111)에서는 전체 로우 데이터들이 마찰재 상태에 따라 그룹핑되어 데이터 그룹별로 식별 가능하게 분류되는데, 이후 기계학습부(120)에서 식별되는 데이터 그룹들을 이용하여 데이터 그룹별 기계학습을 수행할 수 있게 된다.

상기 전처리부(110)에서 결측 처리기(112)는 다이노 평가시 센서로부터 측정된 로우 데이터의 결측을 처리하는 구성부로서, 로우 데이터의 모델 입력 파라미터 및 출력 파라미터 값 중 의미가 있는 구간에 대해서는 해당 행(즉, 결측된 파라미터 값)의 앞, 뒤 값의 중간 값으로 선형 보간을 하여 결측된 데이터들을 취득한다.

여기서, 로우 데이터에서 입력 파라미터는 모델 입력이 되는 디스크 회전속도(θ)와 디스크 온도(T), 브레이크 유압(p)을 포함할 수 있고, 출력 파라미터는 모델 출력이 되는 마찰계수(μ)가 된다.

또한, 로우 데이터의 입력 및 출력 파라미터 값 중 의미가 없는 구간, 예를 들어 평가 시작 직전 측정이 실시되어 유효값이 없는 구간, 및 평가 종료 직후 측정이 유지되어 유효값이 없는 구간에서 결측이 발생한 경우 해당 행 및 그 데이터를 삭제한다.

상기 전처리부(110)에서 음수 처리기(113)는 다이노 평가시 센서로부터 측정된 로우 데이터의 음수를 처리하는 구성부로서, 로우 데이터의 모델 입력 파라미터 및 출력 파라미터 값 중 의미가 있는 구간에서 하나라도 음의 값이 있는 경우 해당 값의 앞, 뒤 값의 중간 값으로 선형 보간을 하여 양의 값으로 데이터를 대체 및 확보한다.

마찬가지로, 로우 데이터의 입력 및 출력 파라미터 값 중 의미가 없는 구간, 예를 들어 평가 시작 직전 측정이 실시되어 유효값이 없는 구간, 및 평가 종료 직후 측정이 유지되어 유효값이 없는 구간에서 음수가 있는 경우 해당 행 및 그 데이터를 삭제한다.

상기 전처리부(110)에서 이상치 처리기(114)는 다이노 평가 장비 또는 센서의 노이즈로 인해 발생하는 물리적으로 성립되지 않는 크기의 마찰계수 및 그와 관련된 데이터를 로우 데이터에서 제거하는 구성부이다.

상기 이상치 처리기(114)에서는 마찰재의 특성에 따라 기존 개발 이력으로부터 설정된 기준값을 초과하는 마찰계수에 대해서 관련 입, 출력 데이터를 제거하며, 예를 들면, 도 3에 나타낸 바와 같이, 논스틸(non steel)계 마찰재인 경우 마찰계수 0.6을 초과하는 행 및 관련 입, 출력 데이터를 모두 제거하고, 로우스틸(low steel)계 마찰재인 경우 마찰계수 0.7을 초과하는 행 및 관련 입, 출력 데이터를 로우 데이터에서 모두 제거한다.

이때, 제거한 행(즉, 제거된 파라미터 값)의 앞, 뒤 값의 중간 값으로 선형 보간하여 그 선형 보간한 값을 상기 제거한 행의 값으로 결정 및 확보한다.

상기 전처리부(110)에서 무효 데이터 처리기(115)는 다이노 평가 완료 후 장비가 정지하는 동안의 데이터를 무효 데이터로 처리하는 구성부일 수 있다.

즉, 다이노 평가 완료 후의 데이터는 평가와는 무관한 무효 구간의 데이터이므로, 무효 데이터 처리기(115)에서 다이노 평가 완료 후 장비가 정지하는 구간을 무효 구간으로 판단하여 해당 무효 구간의 데이터를 삭제하도록 할 수 있다.

예로서, 도 4에 나타낸 바와 같이, 무효 데이터 처리기(115)는 평가 종료 시 발생하는 기준차속 1km/hr 미만 구간의 데이터를 무효 데이터인 것으로 판단하여 로우 데이터에서 삭제하도록 설정될 수 있다.

상기 전처리부(110)에서 안정화 데이터 구간 추출기(116)는 다이노 평가 데이터 중 다이노 제어 과정 등에서 발생하는 불규칙한 데이터 및 노이즈를 제거하는 구성부로서, 도 5에 나타낸 바와 같이 이동 표준편차 기준을 만족하는 구간만 필터링하여 필터링된 구간의 데이터를 모델 훈련을 위한 데이터로 결정하고, 필터링된 구간을 제외한 나머지는 제거한다.

좀 더 상세하게는, 임의의 시작 시점부터 미리 정해진 일정 시간 간격으로 n번째 시점까지의 마찰계수 표준편차가 상기 임의의 시작 시점부터 m번째 시점(m < n임) 동안 미리 설정된 기준값 이하를 유지하는 구간만 유효 구간으로 필터링하여, 상기 필터링된 유효 구간의 데이터를 모델 훈련을 위한 데이터로 결정하도록 할 수 있다.

예를 들면, 현재 시점부터 일정 시간 간격의 10번째 시점까지의 마찰계수 표준편차가 현재 시점부터 5번째 시점 동안 기준값인 0.03 이하를 유지하는 구간만 유효 구간으로 필터링하여, 필터링된 유효 구간의 데이터를 모델 훈련을 위한 데이터로 결정하도록 할 수 있다.

도 6과 도 7은 전처리부(110)의 적용 효과를 미적용시와 비교하여 설명하기 위한 도면으로서, 도 6은 전처리부(110)에서 결측 처리기(112), 음수 처리기(113), 이상치 처리기(114), 무효 데이터 처리기(115) 및 안정화 데이터 구간 처리기(116)로 처리하지 않은 로우 데이터를 기계학습의 훈련 데이터로 이용하여 모델을 훈련한 결과를 나타낸 도면이다.

반면, 도 7은 결측 처리기(112), 음수 처리기(113), 이상치 처리기(114), 무효 데이터 처리기(115) 및 안정화 데이터 구간 처리기(116)로 처리한 로우 데이터를 기계학습의 훈련 데이터로 이용하여 모델을 훈련한 결과를 나타낸 도면이다.

도 6의 미적용시 모델 훈련 결과와 달리, 도 7에 나타낸 적용 후 모델 훈련 결과를 참조하면, 결측 처리기(112), 음수 처리기(113), 이상치 처리기(114), 무효 데이터 처리기(115) 및 안정화 데이터 구간 처리기(116)를 적용한 경우, 기계학습 모델의 출력 결과와 실제 테스트(test) 데이터 간 차이가 크게 축소됨을 알 수 있다.

이로써, 본 발명에서와 같이 기계학습(machine learning) 모델을 이용하여 마찰계수를 예측하는 것이 가능하다는 것을 알 수 있다.

다음으로, 기계학습부(120)는 전처리부(110)에서 전처리된 데이터들을 입력으로 하며, 기계학습부(120)에서 훈련 데이터 셋 생성 모듈(121)과 테스트 데이터 셋 생성 모듈(122)에 의해, 각각 전처리된 데이터의 데이터 셋들로부터 모델 학습 및 훈련을 위한 훈련 데이터 셋(training data set)과, 학습 성능 테스트를 위한 테스트 데이터 셋(test data set)이 선택되어 결정된다.

상기 훈련 데이터 셋에서 입력 파라미터는 디스크 회전속도(θ), 디스크 온도(T) 및 브레이크 유압(p)의 데이터를 포함하는 것일 수 있고, 출력 파라미터는 마찰계수(μ)일 수 있다.

상기 훈련 데이터 셋 생성 모듈(121)은 전처리부(110)에서 전처리된 데이터들로 구성되는 전체 데이터 셋 중 일부를 상기 훈련 데이터 셋으로 선택할 수 있다.

마찬가지로, 테스트 데이터 셋에서 입력 파라미터는 디스크 회전속도(θ), 디스크 온도(T) 및 브레이크 유압(p)의 데이터를 포함하는 것일 수 있고, 출력 파라미터는 마찰계수(μ)일 수 있다.

이때, 상기 테스트 데이터 셋 생성 모듈(122)은 전처리부(110)에서 전처리된 데이터들로 구성되는 전체 데이터 셋 중 상기 훈련 데이터 셋을 제외한 나머지 데이터 셋을 테스트 데이터 셋으로 선택할 수 있다.

또한, 기계학습부(120)에서 모델 생성 모듈(123)은 전처리된 데이터들을 이용하여 입력 파라미터와 출력 파라미터의 상관관계를 정의하고 있는 모델을 생성하고, 모델 훈련 모듈(125)은 훈련 데이터 셋을 이용하여 모델(124)을 학습 및 훈련시킨다.

또한, 기계학습부(120)에서 평가 모듈(125)은 테스트 데이터 셋과 모델 예측(추정) 값을 이용하여 훈련된 모델(124)의 신뢰도를 평가하게 된다.

이때, 기계학습부(120)는 동일 입력 파라미터 값 조건에서 테스트 데이터 셋의 출력 파라미터(마찰계수,μ) 값과 훈련된 모델(124)을 통해 예측되는 출력 값(마찰계수,μ)을 비교하여 훈련된 모델을 평가한다.

다음으로, 후처리부(130)는 기계학습 및 훈련이 완료된 모델에 대해 추가 가공 및 처리하여 실제 차량의 토크 계산부에 연결 가능한 포맷으로 최종의 마찰계수 메타모델(131)을 추출한다.

도 8은 본 발명에서 최종 생성된 마찰계수 메타모델이 토크 계산부에 연결될 수 있도록 모델 추출이 이루어짐을 설명하기 위한 도면이다.

도시된 바와 같이, 모델 생성 장치(100)의 후처리부(130)에서는 기계학습시와 동일한 입력포트와 출력포트를 가지도록 최종의 마찰계수 메타모델(131)을 추출하고, 추출된 모델이 토크 계산부(200)에 연결될 수 있도록 한다.

이와 같이 모델 생성 장치(100)에서 생성된 최종의 마찰계수 메타모델(131)은 실제 차량의 제어기에 입력 및 저장된 상태로 이용될 수 있는데, 제어기 내에서 토크 계산부(140)와 연결될 수 있고, 제어기 내에서 현재의 브레이크 작동 상태 정보로부터 차량의 주행 상태에 따른 마찰재(브레이크 패드)의 마찰계수를 결정하는데 이용될 수 있다.

또한, 실제 차량에서 주행 중 마찰계수 메타모델(131)에 의해 결정되는 마찰재의 마찰계수가 토크 계산부(200)에 입력되면, 토크 계산부(200)에서는 마찰계수 메타모델에 의해 결정된 마찰재의 마찰계수를 이용하여 브레이크 토크를 계산하게 된다.

도 9는 본 발명에서 디스크 회전속도, 디스크 온도 및 브레이크 유압을 입력으로 하여 모델에서 마찰계수가 결정됨을 보여주는 도면이고, 도 10은 본 발명에서 마찰재별 마찰계수 메타모델의 이용을 보여주는 도면이다.

본 발명에서 마찰재의 종류별로 구분하여 로우 데이터를 취득하고, 이후 마찰재의 종류별 로우 데이터를 이용하여 기계학습을 통해 마찰재의 종류별 훈련된 모델을 생성하는 것 또한 가능하다.

이로써, 도 10에 나타낸 바와 같이, 마찰재별 메타모델을 이용하여 동일한 입력에 대한 마찰재별 마찰계수의 변화를 예측 및 비교하는 것이 가능해진다.

이와 같이 하여, 마찰계수 메타모델은 실제 차량에서 주행 동안 수집되는 실시간 브레이크 작동 상태 정보, 즉 차량 주행 상태에 따라 변화하는 실시간 정보인 디스크 회전속도(θ)와 디스크 온도(T), 브레이크 유압(p)을 입력으로 하여 그에 상응하는 마찰계수(μ)를 결정하는데 이용될 수 있게 된다.

도 11은 본 발명에 따른 마찰계수 메탈모델에 따른 마찰계수 예측 결과를 예시한 도면이다.

이와 같이 마찰계수 메타모델에 의해 결정되는 마찰계수는 차량의 실시간 주행 상태가 반영된 값이 되고, 토크 계산부에서는 상기 마찰계수 메타모델에 의해 결정되는 마찰계수를 입력으로 하여 차량의 실시간 주행 상태가 반영된 브레이크 토크를 계산할 수 있게 되는바, 이를 통해 브레이크 성능 및 차량 성능에 대한 정확한 예측이 가능해진다.

마찰계수 메타모델을 토크 계산부에 연결하고, 이 토크 계산부를 차량 모델에 연결하여, 주행 상황에 따라 마찰계수 변화가 반영된 브레이크 토크의 계산이 가능하고, 정확한 브레이크 성능의 예측이 가능해지는 것이다.

도 12는 본 발명에 따른 마찰계수 메타모델이 적용된 차량 시뮬레이션 결과를 예시한 것으로서, 차속과 제동거리에 있어 실제 테스트 값과 메타모델을 이용한 시뮬레이션 값이 거의 일치함을 보여주고 있다.

이와 같이 하여, 본 발명의 실시예에 대해 설명하였는바, 위의 설명에서 디스크 브레이크의 예를 들어 설명하였으나, 디스크 브레이크가 아닌 드럼 브레이크의 경우에도 본 발명의 적용이 가능하고, 따라서 본 발명이 디스크 브레이크에 대해 적용되는 것으로 한정되지는 않는다.

통상의 기술자라면, 본 발명의 범위를 디스크 브레이크뿐만 아니라 드럼 브레이크로 확장했을 때 상기한 설명에서 디스크는 로터(이를 드럼이라 하기도 함)로 대체됨을 이해할 수 있을 것이다.

또한, 본 발명에서 마찰재는 디스크 브레이크의 브레이크 패드 또는 드럼 브레이크의 라이닝(이를 브레이크 패드라 하기도 함)일 수 있음을 통상의 기술자라면 이해할 수 있을 것이다.

이상으로 본 발명의 실시예에 대하여 상세하게 설명하였지만, 본 발명의 권리범위가 이에 한정되는 것은 아니며, 다음의 특허청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당 업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 포함된다.

100 : 모델 생성 장치 110 : 전처리부
111 : 데이터 그룹 분류기 112 : 결측 처리기
113 : 음수 처리기 114 : 이상치 처리기
115 : 무효 데이터 처리기 116 : 안정화 데이터 구간 추출기
120 : 기계학습부 121 : 훈련 데이터 셋 생성 모듈
122 : 테스트 데이터 셋 생성 모듈 123 : 모델 생성 모듈
124 : 훈련 모델 125 : 모델 훈련 모듈
130 : 후처리부 131 : 마찰계수 메타모델
200 : 토크 계산부

Claims

선행 시험 평가 과정에서 얻어진 로우 데이터(raw data)를 이용하여 브레이크 작동 상태 정보로부터 마찰계수를 결정하기 위한 마찰계수 메타모델(meta model)을 생성하는 모델 생성 장치를 포함하고,
상기 모델 생성 장치는,
로우 데이터를 처리하여 기계학습에 필요한 데이터를 취득하는 전처리부;
상기 전처리부에서 취득된 데이터를 훈련 데이터로 이용하여 기계학습을 통해 모델을 훈련시키는 기계학습부; 및
상기 기계학습부에서 훈련이 완료된 모델에 대해 추가 처리하여, 브레이크 작동 상태를 나타내는 입력 파라미터로부터 상응하는 마찰계수를 결정하기 위한 최종의 마찰계수 메타모델을 추출(export)하는 후처리부를 포함하여 구성되는 것을 특징으로 하는 브레이크 마찰재의 마찰계수 결정을 위한 장치.
청구항 1에 있어서,
상기 브레이크 작동 상태 정보는 브레이크 디스크 또는 로터의 회전속도와 온도, 브레이크 유압을 포함하는 것을 특징으로 하는 브레이크 마찰재의 마찰계수 결정을 위한 장치.
청구항 1에 있어서,
상기 로우 데이터는 브레이크 작동 상태를 나타내는 브레이크 디스크 또는 로터의 회전속도와 온도, 브레이크 유압, 그리고 상기 브레이크 작동 상태에 해당하는 마찰계수의 데이터를 포함하는 것을 특징으로 하는 브레이크 마찰재의 마찰계수 결정을 위한 장치.
청구항 1에 있어서,
상기 로우 데이터는 브레이크 마찰재의 상태별 로우 데이터이고,
상기 전처리부는 입력되는 로우 데이터를 브레이크 마찰재의 상태별로 그룹핑하여 데이터 그룹별로 식별 가능하게 분류하는 데이터 그룹 분류기를 포함하며,
상기 기계학습부는 브레이크 마찰재의 상태에 따라 식별되는 데이터 그룹별로 기계학습을 통해 모델을 훈련시키도록 구비되는 것을 특징으로 하는 브레이크 마찰재의 마찰계수 결정을 위한 장치.
청구항 1에 있어서,
상기 전처리부는,
입력되는 로우 데이터에서 결측된 데이터를 선형 보간을 통해 취득하는 결측 처리기;
입력되는 로우 데이터 중 음수에 대해 선형 보간을 통해 구해지는 양수로 대체하는 음수 처리기;
입력되는 로우 데이터에서 미리 설정된 기준값보다 큰 마찰계수에 관련된 데이터를 제거하는 이상치 처리기;
입력되는 로우 데이터 중 무효 구간의 데이터를 제거하는 무효 데이터 처리기; 및
입력되는 로우 데이터에서 마찰계수의 이동 표준편차 기준을 만족하는 구간만 필터링하여 필터링된 유효 구간의 데이터만을 모델 훈련을 위한 데이터로 확보하고, 나머지 구간의 데이터는 제거하는 안정화 데이터 구간 추출기 중 적어도 하나 이상을 포함하는 것을 특징으로 하는 브레이크 마찰재의 마찰계수 결정을 위한 장치.
청구항 5에 있어서,
상기 이상치 처리기에서 상기 기준값은 브레이크 마찰재의 특성에 따른 값으로 설정되는 것을 특징으로 하는 브레이크 마찰재의 마찰계수 결정을 위한 장치.
청구항 6에 있어서,
상기 기준값은 브레이크 마찰재의 재질에 따른 값으로 설정되는 것을 특징으로 하는 브레이크 마찰재의 마찰계수 결정을 위한 장치.
청구항 5에 있어서,
상기 무효 데이터 처리기에서 무효 구간은 선행 시험 평가 과정에서 평가 종료시의 차속으로 설정된 기준차속 미만의 구간인 것을 특징으로 하는 브레이크 마찰재의 마찰계수 결정을 위한 장치.
청구항 5에 있어서,
상기 안정화 데이터 구간 추출기는,
임의의 시작 시점부터 미리 정해진 일정 시간 간격으로 n번째 시점까지의 마찰계수 표준편차가 상기 임의의 시작 시점부터 m번째 시점(m < n임) 동안 미리 설정된 기준값 이하를 유지하는 구간만 유효 구간으로 필터링하여, 상기 필터링된 유효 구간의 데이터를 모델 훈련을 위한 데이터로 결정하고, 필터링된 유효 구간을 제외한 나머지 구간의 데이터는 제거하는 것을 특징으로 하는 브레이크 마찰재의 마찰계수 결정을 위한 장치.
브레이크 작동 상태 정보로부터 마찰계수를 결정하기 위한 마찰계수 메타모델(meta model)을 생성하는데 필요한 로우 데이터(raw data)가 선행 시험 평가 과정에 의해 취득되는 단계;
전처리부에서 상기 취득된 로우 데이터를 정해진 알고리즘에 따라 전처리하여 기계학습에 필요한 데이터를 취득하는 단계;
기계학습부에서 전처리부에 의해 취득된 데이터를 훈련 데이터로 이용하여 기계학습을 통해 모델을 훈련시키는 단계; 및
후처리부에서 기계학습부에서 훈련이 완료된 모델에 대해 추가 처리하여, 브레이크 작동 상태를 나타내는 입력 파라미터로부터 상응하는 마찰계수를 결정하기 위한 최종의 마찰계수 메타모델을 추출(export)하는 단계를 포함하는 브레이크 마찰재의 마찰계수 결정을 위한 방법.
청구항 10에 있어서,
상기 최종의 마찰계수 메타모델이 입력 및 저장된 제어기에서 차량 주행 중 수집되는 실시간 브레이크 작동 상태 정보를 입력으로 하여 상기 저장된 마찰계수 메타모델에 의해 마찰계수가 결정되는 단계를 더 포함하는 것을 특징으로 하는 브레이크 마찰재의 마찰계수 결정을 위한 방법.
청구항 10에 있어서,
상기 브레이크 작동 상태 정보는 브레이크 디스크 또는 로터의 회전속도와 온도, 브레이크 유압을 포함하는 것을 특징으로 하는 브레이크 마찰재의 마찰계수 결정을 위한 방법.
청구항 10에 있어서,
상기 로우 데이터는 브레이크 작동 상태를 나타내는 브레이크 디스크 또는 로터의 회전속도와 온도, 브레이크 유압, 그리고 상기 브레이크 작동 상태에 해당하는 마찰계수의 데이터를 포함하는 것을 특징으로 하는 브레이크 마찰재의 마찰계수 결정을 위한 방법.
청구항 10에 있어서,
상기 로우 데이터는 브레이크 마찰재의 상태별 로우 데이터이고,
상기 전처리부는 입력되는 로우 데이터를 브레이크 마찰재의 상태별로 그룹핑하여 데이터 그룹별로 식별 가능하게 분류하는 데이터 그룹 분류기를 포함하며,
상기 기계학습부는 브레이크 마찰재의 상태에 따라 식별되는 데이터 그룹별로 기계학습을 통해 모델을 훈련시키도록 구비되는 것을 특징으로 하는 브레이크 마찰재의 마찰계수 결정을 위한 방법.
청구항 14에 있어서,
상기 브레이크 마찰재의 상태는 신품의 브레이크 마찰재, 버니싱(burnishing) 된 브레이크 마찰재, 페이딩(fading) 중인 브레이크 마찰재, 및 페이딩 후 브레이크 마찰재를 포함하고,
상기 로우 데이터는 선행 시험 평가 과정에서 취득되는 상기 각 브레이크 상태별 데이터인 것을 특징으로 하는 브레이크 마찰재의 마찰계수 결정 방법.
청구항 10에 있어서,
상기 전처리부는,
입력되는 로우 데이터에서 결측된 데이터를 선형 보간을 통해 취득하는 결측 처리기;
입력되는 로우 데이터 중 음수에 대해 선형 보간을 통해 구해지는 양수로 대체하는 음수 처리기;
입력되는 로우 데이터에서 미리 설정된 기준값보다 큰 마찰계수에 관련된 데이터를 제거하는 이상치 처리기;
입력되는 로우 데이터 중 무효 구간의 데이터를 제거하는 무효 데이터 처리기; 및
입력되는 로우 데이터에서 마찰계수의 이동 표준편차 기준을 만족하는 구간만 필터링하여 필터링된 유효 구간의 데이터만을 모델 훈련을 위한 데이터로 확보하고, 나머지 구간의 데이터는 제거하는 안정화 데이터 구간 추출기 중 적어도 하나 이상을 포함하는 것을 특징으로 하는 브레이크 마찰재의 마찰계수 결정을 위한 방법.
청구항 16에 있어서,
상기 이상치 처리기에서 상기 기준값은 브레이크 마찰재의 특성에 따른 값으로 설정되는 것을 특징으로 하는 브레이크 마찰재의 마찰계수 결정을 위한 방법.
청구항 17에 있어서,
상기 기준값은 브레이크 마찰재의 재질에 따른 값으로 설정되는 것을 특징으로 하는 브레이크 마찰재의 마찰계수 결정을 위한 방법.
청구항 16에 있어서,
상기 무효 데이터 처리기에서 무효 구간은 선행 시험 평가 과정에서 평가 종료시의 차속으로 설정된 기준차속 미만의 구간인 것을 특징으로 하는 브레이크 마찰재의 마찰계수 결정을 위한 방법.
청구항 16에 있어서,
상기 안정화 데이터 구간 추출기는,
임의의 시작 시점부터 미리 정해진 일정 시간 간격으로 n번째 시점까지의 마찰계수 표준편차가 상기 임의의 시작 시점부터 m번째 시점(m < n임) 동안 미리 설정된 기준값 이하를 유지하는 구간만 유효 구간으로 필터링하여, 상기 필터링된 유효 구간의 데이터를 모델 훈련을 위한 데이터로 결정하고, 필터링된 유효 구간을 제외한 나머지 구간의 데이터는 제거하는 것을 특징으로 하는 브레이크 마찰재의 마찰계수 결정을 위한 방법.