KR20220130383A

KR20220130383A - 소음분석을 통한 타이어 편마모 조기 감지 시스템 및 그 방법

Info

Publication number: KR20220130383A
Application number: KR1020210035194A
Authority: KR
Inventors: 이인석
Original assignee: 재단법인한국조선해양기자재연구원
Priority date: 2021-03-18
Filing date: 2021-03-18
Publication date: 2022-09-27
Also published as: KR102519341B1

Abstract

본 발명은 주행 시 발생되는 소음을 실시간 분석하여 타이어 트레드의 편마모 발생여부를 조기에 감지할 수 있는 소음분석을 통한 타이어 편마모 조기 감지 시스템 및 그 방법에 관한 것으로, 본 발명에 따른 타이어 편마모 조기 감지 시스템은 차량의 차륜 부근에 설치되어, 차륜 및 구동계통에서 발생하는 소음데이터를 취득하는 센서모듈, 및 상기 센서모듈로부터 상기 소음데이터를 전달받아, 딥러닝을 통해서 분석하여 타이어의 편마모 및 구동계통의 이상상태를 판단하는 분석유닛을 포함한다.

Description

소음분석을 통한 타이어 편마모 조기 감지 시스템 및 그 방법{Early detection system for uneven tire wear by real-time noise analysis and method thereof}

본 발명은 소음분석을 통한 타이어 편마모 조기 감지 시스템 및 그 방법에 관한 것으로서, 더욱 상세하게는 센서모듈로부터 취득한 실시간 소음데이터를 딥러닝 기법으로 분석하여 타이어의 편마모 및 구동계통의 이상여부를 조기에 감지할 수 있는 소음분석을 통한 타이어 편마모 조기 감지 시스템 및 그 방법에 관한 것이다.

일반적으로 자동차에 사용되는 타이어는 휠과 조합되어 공기를 넣은 타이어(Pneumatic Tire)를 말하는 것이 보통이다. 타이어는 자동차와 노면이 맞닿는 유일한 부품으로서 하중을 받치고, 엔진으로부터 발생한 동력을 차체로 전달하며, 노면으로부터의 충격을 완화하는 스프링과 댐퍼 역할도 한다.

일반적인 타이어의 구성은 노면과 접촉하는 트레드(Tread), 타이어가 림에서 이탈하지 않도록 하는 비드(Bead), 충격을 완화하는 (Belt), 뼈대 역할을 하는 카커스(Cacass)등으로 구성된다.

특히, 트레드는 그루브(Groove), 블록(Block), 사이프(Sipe)로 구성되어있고, 노면과 접촉하여 자동차의 제동성, 가속성, 승차감 등 주행기능과 밀접한 연관이 있다. 보통 트레드는 타이어 내부의 카커스와 브레이커를 보호하기 위해 내마모성이 큰 고무층으로 되어있다.

자동차는 타이어의 마찰력을 이용하여 전진하는 구조로 되어있으므로 주행에 따라 끊임없이 마찰이 발생하게 되고 트레드에 마모가 발생하게 된다.

트레드의 마모는 마모가 균일하게 발생하는 자연 마모가 있으며, 운전자의 습관, 차륜 정렬상태, 운전환경, 자동차 상태, 타이어의 노화상태 등에 의한 편마모가 있다. 트레드의 마모는 구동력의 효율전달과 제동력을 현저히 저하시켜 운전자의 안전을 위협하는 요소이므로 주기적인 관리나 점검이 필수다.

종래에는 운전자가 직접 육안으로 트레드의 마모정도를 파악하거나, 공기압 측정 등을 통해 타이어의 상태를 점검하였다. 또한, 타이어 내부에 센서를 부착하거나, 한계마모지점에 마크를 표시하여 파악할 수 있게 하였다. 하지만, 점검자의 주관적 판단에 의존할 수밖에 없어 정확한 판단을 내리기 어렵고, 고가의 타이어를 지불하거나 장비를 구비해야 된다는 단점이 존재한다.

이를 해결하기 위해 초음파, 방사선 또는 일반적 광원(Light Source, 레이저(Laser)를 이용하여 타이어에 조사(照査, Radiation)하여 반사된 양을 측정하여 타이어 트레드의 이상 유무를 검사하는 장치, 3D Scan, EMED, Footprint는 타이어를 탈착하여, 시험장비로 검사를 해야 하기 때문에 차량을 검사시설까지 이동하거나 타이어를 검사시설로 이동해야 한다는 단점이 있다. 또한, 운행자가 정보를 운행 중 실시간으로 얻을 수 없다.

대한민국공개특허 제10-2016-0091088호(타이어 상태 감지 시스템)는 이를 해결하기 위해 광원부 및 센서부를 구비하여 조사된 빛을 통해 이미지를 촬영 및 광패턴을 분석하여 타이어의 상태를 운행 중에도 판단할 수 있도록 하였다.

하지만, 광원부와 센서부를 구비해야 하며 구조적으로 복잡하고, 이미지를 분석하기 때문에 타이어 정보를 제외한 차륜정렬 등의 기타 정보 수집에는 취약하다는 단점이 존재한다.

대한민국 공개특허 제10-2016-0091088호 (2016.08.02.)

본 발명의 목적은 상술한 바와 같은 문제점을 해결하기 위한 것으로, 차량의 차륜 부근에 센서모듈을 설치하고, 센서모듈로부터 실시간으로 소음데이터를 취득후, 이를 딥러닝 기법으로 분석하여 타이어의 편마모 및 구동계통의 이상여부를 조기에 감지할 수 있도록 함으로써, 타이어의 편마모가 상당히 진행된 시점에서야 운전자가 이를 인지할 수 있다는 종래의 문제점을 해결할 수 있는 소음분석을 통한 타이어 편마모 조기 감지 시스템 및 그 방법을 제공하는 것이다.

본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 본 발명의 기술분야에서 통상의 지식을 지닌 자에게 명확하게 이해될 수 있을 것이다.

상기 목적을 달성하기 위하여, 본 발명에 따른 타이어 편마모 조기 감지 시스템은 차량의 차륜 부근에 설치되어, 차륜 및 구동계통에서 발생하는 소음데이터를 취득하는 센서모듈 및 상기 센서모듈로부터 상기 소음데이터를 전달받아\딥러닝을 통해서 분석하여 타이어의 편마모 및 구동계통의 이상상태를 판단하는 분석유닛을 포함한다.

또한, 상기 센서모듈은 마이크로폰을 포함하는 비접촉식 센서로 이루어지는 것을 특징으로 한다.

또한, 상기 분석유닛은 타이어의 편마모 및 구동계통의 이상상태를 판별하는데 기준이 되는 기준데이터를 취득 및 구성하기 위해 정상소음에 대한 데이터셋을 구축하는 구성부와, 상기 데이터셋을 입력값으로 딥러닝을 통해 학습시키는 학습부와, 상기 학습부를 통해 학습된 학습데이터를 기반으로 상기 센서모듈로부터 취득한 소음데이터를 실시간으로 분석하는 분석부, 및 상기 실시간 분석결과 이상상태로 판별 시 이를 차량 내부에 위치한 인원에게 통지해주기 위한 알림부를 포함하는 것을 특징으로 한다.

또한, 상기 데이터셋은 주행 노면 종류에 따른 차량 운행속도 별로 구분하여 차륜 및 구동계통에서 발생하는 정상소음에 대하여 데이터셋을 정의하는 것을 특징으로 한다.

또한, 상기 딥러닝은 합성곱 신경망(Convolutional Neural Network, CNN)인 것을 특징으로 한다.

또한, 상기 합성곱 신경망은 학습효율을 높이기 위하여 드롭아웃(Dropout) 차원 축소 기법을 이용하여 신경망에 있는 일정 노드를 확률적으로 제외시키는 것을 특징으로 한다.

또한, 상기 합성곱 신경망은 가중치(Weight)를 조절하는 과정에서 옵티마이저(Optimizer)를 이용하되, 상기 옵티마이저는 아담(Adaptive Moment Estimation, ADAM) 기법인 것을 특징으로 한다.

또한, 상기 합성곱 신경망은 학습효율을 높이기 위해 역전파(Back propagation)를 이용하여 가중치를 재업데이트하는 것을 특징으로 한다.

또한, 상기 분석부는 특정 주파수 대역에서 상기 학습데이터 대비 일정 수준 이상의 소음레벨이 상승하는 정도를 분석하여 타이어의 편마모 또는 구동계통에 이상이 발생하였다고 판단하되, 상기 소음레벨이 기설정된 주의레벨 이상 상승 시 주의 상태로 판단하고, 상기 소음레벨이 기설정된 경고레벨 이상 상승 시 경고 상태로 판단하는 것을 특징으로 한다.

또한, 상기 알림부는 상기 실시간 분석결과 이상상태로 판별 시, 차량 계기판 내 경고등에 점등되도록 경고신호를 출력하는 것을 특징으로 한다.

또한, 차량 출고 또는 타이어가 교체 시, 자동 또는 수동으로 편마모 및 구동계통의 이상상태 감지 시작 시점을 인식하기 위한 인식부를 더 포함하는 것을 특징으로 한다.

본 발명의 다른 관점에 따른 타이어 편마모 조기 감지 방법은 분석유닛에 의하여 수행되는 소음분석을 통한 타이어 편마모 조기 감지 방법에 있어서, 타이어의 편마모 발생여부 및 구동계통의 이상상태를 판별하는 기준데이터가 되는 정상소음에 대한 데이터셋을 구축하는 단계, 상기 데이터셋을 딥러닝을 통해서 학습하는 단계, 차량의 차륜 부근에 설치된 센서모듈로부터 취득한 차륜 및 구동계통에서 발생하는 소음데이터를 입력받는 단계, 상기 소음데이터를 학습된 딥러닝 모델을 통해서 실시간으로 분석하는 단계, 및 상기 실시간 분석결과 타이어의 편마모 및 구동계통의 이상상태로 판별 시 이를 차량 내부에 위치한 인원에게 통지해주는 단계를 포함한다.

또한, 상기 데이터셋을 구축하는 단계는 주행 노면 종류에 따른 차량 운행속도 별로 구분하여 차륜 및 구동계통에서 발생하는 정상소음에 대한 데이터셋을 구축하는 것을 특징으로 한다.

또한, 상기 학습하는 단계는 상기 데이터셋을 입력값으로 하여 합성곱 계층(Convolution layer)을 통해 스펙트럼도(Spectrogram)가 가진 특징 맵(Feature map)을 추출하고 활성화 함수(Activation function)를 통해 추출한 상기 특징 맵에 값을 활성화하는 단계와, 풀링 계층(Pooling layer)에서 상기 합성곱 계층으로부터 추출된 특징 맵을 간소화하는 단계와, 학습 과정을 수행하기 위해 플랫튼 계층(Flatten layer)에서 상기 풀링 계층으로부터 간소화된 특징 맵의 차원을 1차원 벡터로 변환하고 소프트맥스(Softmax) 함수를 통해 최종 예측값을 출력층으로 전달하는 단계를 포함하는 것을 특징으로 한다.

또한, 상기 학습하는 단계는 손실 함수(Loss function)를 이용하여 상기 예측값과 실제값의 차이를 수치화하여 손실 함수의 값을 계산하고, 옵티마이저(Optimizer)를 통해 가중치와 편향값을 포함하는 매개변수를 조절하여 손실 함수의 값을 최저로 만드는 최적화 과정을 수행하는 단계를 더 포함하는 것을 특징으로 한다.

또한, 상기 손실 함수(Loss function)는 교차 엔트로피(Cross entrophy) 함수인 것을 특징으로 한다.

또한, 상기 옵티마이저를 수행하는 단계는 역전파(back propagation) 과정을 수행해서 상기 매개변수를 최적화하는 단계를 포함하는 것을 특징으로 한다.

또한, 상기 옵티마이저는 아담(Adaptive Moment Estimation, ADAM) 기법인 것을 특징으로 한다.

또한, 상기 학습하는 단계는 상기 특징 맵을 간소화하는 단계 이후에 오버피팅(Overfitting)을 줄이기 위한 드롭아웃(Dropout)을 수행하는 단계를 더 포함하는 것을 특징으로 한다.

또한, 상기 분석하는 단계는 특정 주파수 대역에서 정상소음 대비 일정 수준 이상의 소음레벨이 상승하는 정도를 분석하여 타이어의 편마모 및 구동계통의 이상이 발생하였다고 판단하되, 상기 소음레벨이 기설정된 주의레벨 이상 상승 시 주의 상태로 판단하고, 상기 소음레벨이 기설정된 경고레벨 이상 상승 시 경고 상태로 판단하는 것을 특징으로 한다.

또한, 상기 소음데이터를 입력받는 단계 이전에 차량 출고, 타이어 교체 등을 포함하는 구동계통에 발생할 수 있는 주요 변경사항을 입력받아 감지 시작 시점을 인식하는 단계를 더 포함할 수 있는 것을 특징으로 한다.

본 발명에 따른 소음분석을 통한 타이어 편마모 조기 감지 시스템 및 그 방법은 사람이 인지하기 어려운 정도의 소음 변화를 감지하여 운전자 또는 점검자에게 조기 통보함으로써 타이어의 편마도 또는 차륜정렬 상태를 포함하는 구동계통의 불량상태가 악화되는 것을 방지할 수 있는 효과가 있다.

또한, 비접촉 센서를 이용하여 취득한 소음데이터를 활용하여 상태를 진단하므로 유지관리 측면에서 큰 이점이 있으며, 이상상태에 대해 신속한 대응을 가능케 하여 타이어의 편마모로 인한 타이어 조기 폐기 방지, 소음발생 억제에 의한 안락한 음환경 제공, 진동 억제에 의한 구동계 진동내구성 향상 등에 기여할 수 있는 효과가 있다.

도 1은 본 발명에 따른 타이어 편마모 조기 감지 시스템을 나타낸 구성도이다.
도 2는 본 발명에 따른 타이어 편마모 조기 감지 시스템을 구성하는 분석유닛을 나타낸 블록도이다.
도 3은 본 발명에 따른 타이어 편마모 조기 감지 시스템을 구성하는 학습부를 설명하기 위한 도이다.
도 4는 본 발명에 따른 타이어 편마모 조기 감지 시스템을 구성하는 분석부를 설명하기 위한 도이다.
도 5는 본 발명에 따른 타이어 편마모 조기 감지 방법의 전체적인 흐름을 나타낸 순서도이다.
도 6은 본 발명에 따른 타이어 편마모 조기 감지 방법의 딥러닝을 통한 학습 단계를 설명하기 위한 상세순서도이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

아래 첨부된 도면을 참조하여 본 발명의 실시를 위한 구체적인 내용을 상세히 설명한다. 도면에 관계없이 동일한 부재번호는 동일한 구성요소를 지칭하며, "및/또는"은 언급된 아이템들의 각각 및 하나 이상의 모든 조합을 포함한다.

본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며, 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성요소 외에 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명하기로 한다.

도 1은 본 발명에 따른 타이어 편마모 조기 감지 시스템을 나타낸 구성도이다.

도 1을 참조하면, 본 발명에 따른 타이어 편마모 조기 감지 시스템은 크게 센서모듈(100)과 분석유닛(200)을 포함한다.

먼저, 센서모듈(100)은 차량의 차륜(W) 부근에 설치되어, 차륜 및 구동계통에서 차량이 주행 중에 발생하는 소음데이터를 취득하는 역할을 한다. 센서모듈(100)은 차량 각각의 차륜 부근에 설치되는 것이 바람직하다.

또한, 센서모듈(100)은 음파를 받아 같은 파형의 음성 전류로 변환할 수 있는 비접촉식 센서로서, 여기서 상기 센서모듈(100)은 바람직하게는 마이크로폰(microphone)을 의미할 수 있으나, 이에 제한되는 것은 아니며 소음을 측정할 수 있는 센서면 다양하게 변경되어 구성될 수 있다.

또한, 센서모듈(100)은 취득한 소음데이터를 후술할 분석유닛(200)으로 전송한다.

다음, 분석유닛(200)은 상기 센서모듈(100)로부터 상기 소음데이터를 전달받아 딥러닝을 통해서 분석하여 타이어의 편마모 및 구동계통의 이상상태를 판단하고, 상태정보를 출력하는 역할을 한다.

여기서, 상기 분석유닛(200)은 딥러닝 구동 및 데이터 저장을 위한 CPU, GPU 그리고 데이터 저장장치 및 기타 장치로 구성될 수 있다.

도 2는 본 발명에 따른 타이어 편마모 조기 감지 시스템을 구성하는 분석유닛을 나타낸 블록도이다.

도 2를 더 참조하면, 분석유닛(200)에 대하여 좀 더 구체적으로 설명하자면, 상기 분석유닛(200)은 인식부(210), 구성부(220), 학습부(230), 분석부(240) 및 알림부(250)를 포함하여 이루어질 수 있다.

상기 인식부(210)는 타이어의 편마모 및 구동계통에 대한 이상상태 분석 및 감지하기 위한 시작시점을 파악하기 위해 차량 출고, 타이어 교체 등 구동계통에 발생할 수 있는 주요 변경사항을 인식하는 역할을 한다.

상기 인식부(210)는 차량 출고일, 차량의 주행거리, 타이어 교체일 등을 포함하는 주요 변경사항을 인식한다. 이는 자동으로 인식되도록 구성될 수 있으며, 또한, 정비/관리인원 또는 차량 운전자가 수동으로 인식되도록 구성될 수 있다.

상기 구성부(220)는 타이어의 편마모 및 구동계통의 이상상태를 판별하는데 기준이 되는 기준데이터를 취득 및 구성하기 위해 정상소음에 대한 데이터셋(data set)을 구축하는 역할을 한다.

상기 데이터셋은 주행 노면 종류에 따른 차량 운행속도 별로 구분하여 정의할 수 있다. 예를 들면, 아스팔트에서 10km/h 주행 시 정상소음 수치 내지 200km/h 주행 시 정상소음 수치에 대하여 데이터셋을 구축할 수 있으며, 상기 노면 종류는 아스팔트 외에도 흙으로 된 비포장도로, 자갈로 된 비포장도로 등을 포함하여 구성될 수 있다. 즉, 각 노면별에 대하여 속도별로 구분하여 정의될 수 있음을 의미한다.

또한, 상기 데이터셋은 일반적으로 승용차에 사용되는 타이어의 수명은 60,000km 정도로 알려져 있으며, 일반인의 1년 주행거리는 약 15,000km 내지 약 20,000km 정도라고 알려져 있으며, 자동차의 타이어의 편마모 또는 구동계통의 이상발생은 년 단위의 상대적으로 긴 시간에 걸쳐 서서히 발생하게 되므로 상기 인식부(210)로부터 인식한 시작시점으로부터 10,000km까지는 사고 등 특별한 이슈 사항이 없을 경우에 타이어의 편마모 및 구동계통에 이상이 발생하지 않는다고 가정하고 이를 취득 기간으로 정의하여 데이터들을 수집한 자료집합을 의미할 수 있다.

상기 학습부(230)는 상기 데이터셋을 입력값으로 딥러닝을 통해 학습하는 역할을 한다. 여기서, 상기 딥러닝은 인공신경망을 의미할 수 있으며, 바람직하게는 합성곱 신경망(Convolutional Neural Network, CNN)을 의미한다. 즉, 상기 학습부(230)는 상기 데이터셋을 이용하여 합성곱 신경망을 통해 학습하는 과정을 수행한다.

도 3은 본 발명에 따른 타이어 편마모 조기 감지 시스템을 구성하는 학습부를 설명하기 위한 도이다.

도 3을 참조하여, 상기 학습부(230)에 적용되는 합성곱 신경망 모델에 대하여 설명하도록 한다.

상기 합성곱 신경망 모델은 상기 데이터셋을 입력으로하여 합성곱 계층(Convolution layer)을 통해 스펙트럼도(spectrogram)가 가진 특징 맵(Feature map)을 추출하고, 활성화 함수(Activation function)를 통해 상기 특징 맵에 값을 활성화하고, 풀링 계층(Pooling layer)에서 상기 합성곱 계층으로부터 추출된 특징 맵을 간소화(축약)하고, 이때, 연산의 효율을 높이기 위해 드롭아웃(Dropout)을 활용하고, 학습과정을 수행하기 위해 플랫튼 계층(Flatten layer)을 통해 상기 풀링 계층으로부터 간소화된 특징 맵의 차원을 1차원 벡터로 변환하고, 그 결과값을 최종 출력층에 활성화 함수로 소프트맥스(Softamx) 함수를 활용하여 전달하고, 이를 손실 함수(Loss function)인 교차 엔트로피(Cross entrophy) 기법을 이용하여 상기 결과값에 대한 손실 함수의 값을 계산하고, 옵티마이저(Optimizer)를 통해 가중치와 편향값을 포함하는 매개변수를 조절하여 손실 함수의 값을 최저로 만들고, 역전파(back propagation) 학습을 수행해서 상기 매개변수를 최적화한다.

상기 합성곱 계층에서 이용되는 활성화 함수는 시그모이드(Sigmoid), 렐루(Rectified Linear Unit, ReLU), 하이퍼볼릭탄젠트(tanh) 등을 포함하여 어느 하나가 선택적으로 이용될 수 있다.

또한, 상기 풀링 계층에서 특징 맵을 간소화하는 풀링 방법은 맥스 풀링(Max pooling), 평균 풀링(Average pooling), L2-norm Pooling 등을 포함하여, 어느 하나가 선택적으로 이용될 수 있다. 바람직하게는, 맥스 풀링을 이용하는 것이 바람직하다. 이는, 뉴런이 가장 큰 신호에 반응하는 것과 유사하기 때문에 노이즈가 감소하고 속도가 빨라지며 분별력이 좋아지는 효과가 있다.

상기 드롭아웃은 신경망에 있는 일정 노드를 확률적(랜덤)으로 제외시킴으로써, 신경망이 학습 중일 때 학습을 방해하여 학습이 학습용 데이터에 치우는 현상을 방지하도록한다.

상기 옵티마이저는 손실 함수를 최소화하는 방향으로 매개변수를 갱신하는 알고리즘으로 확률적 경사 하강법(Stochastic Gradient Descent, SGD), 알엠에스프롭(RMSProp), 아담(Adam), 아다그라드(Adagrad), 모멘텀(Momentum) 등을 포함하며, 어느 하나가 선택적으로 이용될 수 있으나, 상기 아담(Adam)을 이용하는 것이 바람직하다.

상기 아담은 상기 알엠에스프롭과 모멘텀 두 가지를 합친 듯한 방법으로, 손실함수 그래프에서 최소값에 갇혀버리는 문제를 해결할 수 있으며, 학습률을 조정할 수 있는 효과가 있다.

더불어, 도 3을 참조하면, 상기 합성곱 신경망 모델은 합성곱 계층과 풀링 계층(도 3의 붉은색 부분)은 반복적으로 구성될 수 있다.

상기 분석부(240)는 상기 학습부(230)를 통해 학습된 학습데이터를 기반으로 상기 센서모듈(100)로부터 취득한 소음데이터를 실시간으로 분석하는 역할을 한다.

도 4는 본 발명에 따른 타이어 편마모 조기 감지 시스템을 구성하는 분석부를 설명하기 위한 도면으로, 도 4의 (a)는 특정 주파수 대역의 소음 데이터가 정상소음을 나타내는 그래프를 예로 나타낸 것이며, (b)는 편마모가 발생하거나 구동계통에 이상이 발생한 경우, 특정 주파수대역의 소음 데이터가 정상소음 대비 상승한 모습을 나타내는 그래프를 예를 나타낸 도이다.

상기 분석부(240)는 도 4의 (b)에 도시된 바와 같이 특정 주파수 대역에서 상기 학습데이터 대비 일정 수준 이상의 소음레벨이 상승하는 정도를 분석하여 타이어의 편마모 또는 구동계통에 이상이 발생하였다고 판단한다.

또한, 상기 분석부(240)는 상기 소음레벨이 기설정된 주의레벨(예: 10dB) 이상 상승 시 주의 상태로 판단하고, 상기 소음레벨이 기설정된 경고레벨(예: 15dB) 이상 상승 시 경고 상태로 판단하도록 구성될 수 있으며, 이에 한정되는 것은 아니다.

상기 알림부(250)는 상기 분석부(240)에서 분석결과 이상상태로 판별 시, 이를 차량 내부에 위치한 인원에게 통지해주는 역할을 한다.

상기 알림부(250)는 차량 내부에 위치한 인원에게 통지할 수 있도록 차량 계기판 내 경고등에 점등되도록 차량 계기판 측으로 경고신호를 출력하도록 구성될 수 있다.

하기에서는, 본 발명의 다른 관점에 따른 타이어 편마모 조기 감지 방법에 대하여 설명하도록 한다.

도 5는 본 발명에 따른 타이어 편마모 조기 감지 방법의 전체적인 흐름을 나타낸 순서도이다.

도 5를 참조하면, 본 발명에 따른 타이어 편마모 조기 감지 방법은 상기 분석유닛(200)에 의하여 수행되는 것으로, 먼저, 차량 출고, 타이어 교체 등을 포함하는 구동계통에 발생할 수 있는 주요 변경사항을 입력받아 감지 시작 시점을 인식하는 단계를 수행한다.

상기 주요 변경사항은 타이어가 교체되었을 때 자동으로 인식되거나, 정비/관리 인원 또는 차량 운전자가 수동으로 입력한다.

다음, 타이어의 편마모 발생여부 및 구동계통의 이상상태를 판별하는 기준데이터가 되는 정상소음에 대한 데이터셋을 구축하는 단계(S10)를 수행한다. 여기서, 정상소음은 차량에 편마모, 구동계통 불량 등과 같은 문제가 없는 상태에서 차량을 운행함에 따라 정상적으로 발생되는 소음을 의미한다.

상기 데이터셋을 구축하는 단계(S10)는 주행 노면 종류에 따라 차량 운행속도 별로 구분하여 차량이 주행 중일 때 차륜 부근에서 발생하는 정상소음에 대한 데이터들을 수집하여 구축한다. 이는 도 2를 참조하여 설명한 상기 구성부(220)에서 데이터셋을 구축하는 것과 동일하므로 이에 대한 설명은 생략하도록 한다.

다음, 상기 데이터셋을 입력값으로 딥러닝을 통해서 학습하는 단계(S20)를 수행한다.

상기 딥러닝은 인공신경망(Artificial Neural Network, ANN), 심층신경망(Deep Neural Network, DNN), 합성곱 신경망(Convolutional Neural Network, CNN), 순환신경망(Recurrent Neural Network, RNN) 등을 의미할 수 있으나, 바람직하게는 합성곱 신경망(Convolutional Neural Network, CNN)을 의미한다.

도 6은 본 발명에 따른 타이어 편마모 조기 감지 방법의 딥러닝을 통한 학습 단계를 설명하기 위한 상세순서도이다.

도 6을 참조하여, 상기 학습하는 단계(S20)에 대하여 좀 더 구체적으로 설명하자면, 상기 학습하는 단계(S20)는 먼저, 상기 데이터셋을 입력값으로 하여(S201), 합성곱 계층(Convolution layer)을 통해 스펙트럼도(Spectrogram)가 가진 특징 맵(Feature map)을 추출하고(S201), 활성화 함수(Activation function)를 통해 추출한 상기 특징 맵에 값을 활성화하는 단계(S203)를 수행한다.

여기서, 상기 합성곱 계층에서 이용되는 활성화 함수는 시그모이드(Sigmoid), 렐루(Rectified Linear Unit, ReLU), 하이퍼볼릭탄젠트(tanh) 등을 포함하여 어느 하나가 선택적으로 이용될 수 있으며, 이에 한정되는 것은 아니다.

이후, 풀링 계층(Pooling layer)에서 상기 합성곱 계층으로부터 추출된 특징 맵을 간소화하는 단계(S204)를 수행한다.

여기서, 상기 풀링 계층에서 특징 맵을 간소화하는 풀링 방법은 맥스 풀링(Max pooling), 평균 풀링(Average pooling), 민 풀링(Min Pooling) 등을 포함하여, 어느 하나가 선택적으로 이용될 수 있으나, 바람직하게는, 맥스 풀링을 이용한다.

한편, 상기 특징맵을 간소화하는 단계(S204) 이후에, 오버피팅(Overfitting)을 줄이기 위한 드롭아웃(Dropout)을 수행하는 단계를 더 수행할 수 있다.

이때, 합성곱 계층과 풀링 계층이 반복적으로 구성되는 경우, 상기 S202 단계 내지 S204 단계 및 드롭아웃을 수행하는 단계가 반복적으로 수행될 수 있다.

이후, 플랫튼 계층(Flatten layer)에서 상기 풀링 계층으로부터 간소화된 특징 맵의 차원을 1차원 벡터로 변환(S205)하고, 소프트맥스(Softmax) 함수를 통해 최종 예측값을 출력층으로 전달하는 단계(S206)를 수행한다.

여기서, 상기 풀링 계층에서 특징 맵을 간소화하는 풀링 방법은 맥스 풀링(Max pooling), 평균 풀링(Average pooling), 민 풀링(Min Pooling) 등을 포함하여, 어느 하나가 선택적으로 이용될 수 있으나, 바람직하게는 맥스 풀링을 이용한다.

이후, 손실 함수(Loss function)를 이용하여 상기 예측값과 실제값의 차이를 수치화하여 손실 함수의 값을 계산(S207)한다. 여기서, 상기 손실 함수는 MSE(Mean Squred Error, MSE), 교차 엔트로피(Cross entrophy) 등을 의미할 수 있으나, 바람직하게는 교차 엔트로피를 의미한다.

이후, 옵티마이저(Optimizer)를 통해 가중치와 편향값을 포함하는 매개변수를 조절하여 손실 함수의 값을 최저로 만드는 최적화 과정을 수행하는 단계(S208)를 수행한다.

여기서, 상기 옵티마이저는 손실 함수를 최소화하는 방향으로 매개변수를 갱신하는 알고리즘으로 확률적 경사 하강법(Stochastic Gradient Descent, SGD), 알엠에스프롭(RMSProp), 아담(Adam), 아다그라드(Adagrad), 모멘텀(Momentum) 등을 의미할 수 있으나, 바람직하게는 상기 아담(Adam)을 의미한다.

또한, 상기 옵티마이저를 수행하는 단계(S208)은 역전파(back propagation) 과정을 수행해서 상기 매개변수를 최적화한다.

다음, 차량의 차륜 부근에 설치된 센서모듈(100)로부터 취득한 차륜 및 구동계통에서 발생하는 소음데이터를 입력받는 단계(S30)를 수행한다.

다음, 상기 소음데이터를 학습된 합성곱 신경망 모델을 통해 타이어의 편마모 및 구동계통의 이상상태를 분석하는 단계(S40)를 수행한다.

상기 분석하는 단계(S40)는 상기 소음데이터에 기초하여 특정 주파수 대역에서 정상소음 대비 일정 수준 이상의 소음레벨이 상승하는 정도를 분석하여, 타이어의 편마모 및 구동계통의 이상이 발생하였다고 판단하되, 상기 소음레벨이 기설정된 주의레벨(예: 10dB) 이상 상승 시 주의 상태로 판단하고, 상기 소음레벨이 기설정된 경고레벨(예: 15dB)이상 상승 시 경고 상태로 판단한다.

다음, 상기 분석하는 단계(S40)에서 타이어의 편마모 및 구동계통의 이상상태로 판별 시, 이를 차량 내부에 위치한 인원에게 통지해주는 단계(S50)를 수행한다.

상기 통지해주는 단계(S50)은 차량 내부에 위치한 인원에게 통지할 수 있도록 차량 계기판 내 경고등에 점등되도록 차량 계기판 측으로 경고신호를 출력한다.

따라서, 상술한 바와 같은 구성을 가지는 소음분석을 통한 타이어 편마모 조기 감지 시스템 및 그 방법은 센서모듈(100)로부터 취득한 실시간 소음데이터를 딥러닝 기법으로 분석하여 타이어의 편마모 및 구동계통의 이상여부를 조기에 감지할 수 있는 시스템 및 방법을 제공할 수 있다.

이상과 첨부된 도면을 참조하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해되어야 한다.

W: 차륜
100: 센서모듈
200: 분석유닛
210: 인식부
220: 구성부
230: 학습부
240: 분석부
250: 알림부

Claims

차량의 차륜 부근에 설치되어, 차륜 및 구동계통에서 발생하는 소음데이터를 취득하는 센서모듈; 및
상기 센서모듈로부터 상기 소음데이터를 전달받아, 딥러닝을 통해서 분석하여 타이어의 편마모 및 구동계통의 이상상태를 판단하는 분석유닛;을 포함하는 소음분석을 통한 타이어 편마모 조기 감지 시스템.
제1항에 있어서,
상기 센서모듈은,
마이크로폰을 포함하는 비접촉식 센서로 이루어지는 것을 특징으로 하는 소음분석을 통한 타이어 편마모 조기 감지 시스템.
제1항에 있어서,
상기 분석유닛은,
타이어의 편마모 및 구동계통의 이상상태를 판별하는데 기준이 되는 기준데이터를 취득 및 구성하기 위해 정상소음에 대한 데이터셋을 구축하는 구성부와,
상기 데이터셋을 입력값으로 딥러닝을 통해 학습시키는 학습부와,
상기 학습부를 통해 학습된 학습데이터를 기반으로 상기 센서모듈로부터 취득한 소음데이터를 실시간으로 분석하는 분석부, 및
상기 실시간 분석결과 이상상태로 판별 시, 이를 차량 내부에 위치한 인원에게 통지해주기 위한 알림부를 포함하는 것을 특징으로 하는 소음분석을 통한 타이어 편마모 조기 감지 시스템.
제3항에 있어서,
상기 데이터셋은,
주행 노면 종류에 따른 차량 운행속도 별로 구분하여, 차륜 및 구동계통에서 발생하는 정상소음에 대하여 데이터셋을 정의하는 것을 특징으로 하는 소음분석을 통한 타이어 편마모 조기 감지 시스템.
제3항에 있어서,
상기 딥러닝은,
합성곱 신경망(Convolutional Neural Network, CNN)인 것을 특징으로 하는 소음분석을 통한 타이어 편마모 조기 감지 시스템.
제5항에 있어서,
상기 합성곱 신경망은,
학습효율을 높이기 위하여, 드롭아웃(Dropout) 차원 축소 기법을 이용하여 신경망에 있는 일정 노드를 확률적으로 제외시키는 것을 특징으로 하는 소음분석을 통한 타이어 편마모 조기 감지 시스템.
제5항에 있어서,
상기 합성곱 신경망은,
가중치(Weight)를 조절하는 과정에서 옵티마이저(Optimizer)를 이용하되,
상기 옵티마이저는 아담(Adaptive Moment Estimation, ADAM) 기법인 것을 특징으로 하는 소음분석을 통한 타이어 편마모 조기 감지 시스템.
제5항에 있어서,
상기 합성곱 신경망은,
학습효율을 높이기 위해 역전파(Back propagation)를 이용하여 가중치를 재업데이트하는 것을 특징으로 하는 소음분석을 통한 타이어 편마모 조기 감지 시스템.
제3항에 있어서,
상기 분석부는,
특정 주파수 대역에서 상기 학습데이터 대비 일정 수준 이상의 소음레벨이 상승하는 정도를 분석하여 타이어의 편마모 또는 구동계통에 이상이 발생하였다고 판단하되,
상기 소음레벨이 기설정된 주의레벨 이상 상승 시 주의 상태로 판단하고, 상기 소음레벨이 기설정된 경고레벨 이상 상승 시 경고 상태로 판단하는 것을 특징으로 하는 소음분석을 통한 타이어 편마모 조기 감지 시스템.
제3항에 있어서,
상기 알림부는,
상기 실시간 분석결과 이상상태로 판별 시, 차량 계기판 내 경고등에 점등되도록 경고신호를 출력하는 것을 특징으로 하는 소음분석을 통한 타이어 편마모 조기 감지 시스템.
제3항에 있어서,
차량 출고 또는 타이어가 교체 시, 자동 또는 수동으로 편마모 및 구동계통의 이상상태 감지 시작 시점을 인식하기 위한 인식부를 더 포함하는 것을 특징으로 하는 소음분석을 통한 타이어 편마모 조기 감지 시스템.
분석유닛에 의하여 수행되는 소음분석을 통한 타이어 편마모 조기 감지 방법에 있어서,
타이어의 편마모 발생여부 및 구동계통의 이상상태를 판별하는 기준데이터가 되는 정상소음에 대한 데이터셋을 구축하는 단계;
상기 데이터셋을 딥러닝을 통해서 학습하는 단계;
차량의 차륜 부근에 설치된 센서모듈로부터 취득한 차륜 및 구동계통에서 발생하는 소음데이터를 입력받는 단계;
상기 소음데이터를 학습된 딥러닝 모델을 통해서 실시간으로 분석하는 단계; 및
상기 실시간 분석결과 타이어의 편마모 및 구동계통의 이상상태로 판별 시, 이를 차량 내부에 위치한 인원에게 통지해주는 단계;를 포함하는 소음분석을 통한 타이어 편마모 조기 감지 방법.
제12항에 있어서,
상기 데이터셋을 구축하는 단계는,
주행 노면 종류에 따른 차량 운행속도 별로 구분하여 차륜 및 구동계통에서 발생하는 정상소음에 대한 데이터셋을 구축하는 것을 특징으로 하는 소음분석을 통한 타이어 편마모 조기 감지 방법.
제12항에 있어서,
상기 딥러닝은,
합성곱 신경망(Convolutional Neural Network, CNN)인 것을 특징으로 하는 소음분석을 통한 타이어 편마모 조기 감지 방법.
제14항에 있어서,
상기 학습하는 단계는,
상기 데이터셋을 입력값으로 하여 합성곱 계층(Convolution layer)을 통해 스펙트럼도(Spectrogram)가 가진 특징 맵(Feature map)을 추출하고, 활성화 함수(Activation function)를 통해 추출한 상기 특징 맵에 값을 활성화하는 단계와,
풀링 계층(Pooling layer)에서 상기 합성곱 계층으로부터 추출된 특징 맵을 간소화하는 단계와,
학습 과정을 수행하기 위해, 플랫튼 계층(Flatten layer)에서 상기 풀링 계층으로부터 간소화된 특징 맵의 차원을 1차원 벡터로 변환하고, 소프트맥스(Softmax) 함수를 통해 최종 예측값을 출력층으로 전달하는 단계를 포함하는 것을 특징으로 하는 소음분석을 통한 타이어 편마모 조기 감지 방법.
제15항에 있어서,
상기 학습하는 단계는,
손실 함수(Loss function)를 이용하여 상기 예측값과 실제값의 차이를 수치화하여 손실 함수의 값을 계산하고, 옵티마이저(Optimizer)를 통해 가중치와 편향값을 포함하는 매개변수를 조절하여 손실 함수의 값을 최저로 만드는 최적화 과정을 수행하는 단계를 더 포함하는 것을 특징으로 하는 소음분석을 통한 타이어 편마모 조기 감지 방법.
제16항에 있어서,
상기 손실 함수(Loss function)는,
교차 엔트로피(Cross entrophy) 함수인 것을 특징으로 하는 소음분석을 통한 타이어 편마모 조기 감지 방법.
제16항에 있어서,
상기 옵티마이저를 수행하는 단계는,
역전파(back propagation) 과정을 수행해서 상기 매개변수를 최적화하는 단계를 포함하는 것을 특징으로 하는 소음분석을 통한 타이어 편마모 조기 감지 방법.
제16항에 있어서,
상기 옵티마이저는,
아담(Adaptive Moment Estimation, ADAM) 기법인 것을 특징으로 하는 소음분석을 통한 타이어 편마모 조기 감지 방법.
제15항에 있어서,
상기 학습하는 단계는,
상기 특징 맵을 간소화하는 단계 이후에,
오버피팅(Overfitting)을 줄이기 위한 드롭아웃(Dropout)을 수행하는 단계를 더 포함하는 것을 특징으로 하는 소음분석을 통한 타이어 편마모 조기 감지 방법.
제12항에 있어서,
상기 분석하는 단계는,
특정 주파수 대역에서 정상소음 대비 일정 수준 이상의 소음레벨이 상승하는 정도를 분석하여, 타이어의 편마모 및 구동계통의 이상이 발생하였다고 판단하되,
상기 소음레벨이 기설정된 주의레벨 이상 상승 시 주의 상태로 판단하고, 상기 소음레벨이 기설정된 경고레벨 이상 상승 시 경고 상태로 판단하는 것을 특징으로 하는 소음분석을 통한 타이어 편마모 조기 감지 방법.
제12항에 있어서,
상기 소음데이터를 입력받는 단계 이전에,
차량 출고, 타이어 교체 등을 포함하는 구동계통에 발생할 수 있는 주요 변경사항을 입력받아 감지 시작 시점을 인식하는 단계를 더 포함할 수 있는 것을 특징으로 하는 소음분석을 통한 타이어 편마모 조기 감지 방법.