초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

국 문 요 약

과도한 타이어 마모는 차량 운전 안전에 영향을 미칠 수 있다. 실시간으로 타이어 마모량을 예측하는 방법은 여러 가지가 있지만 센싱의 어려움과 예측 정확도 측면에서 어떤 방법이 가장 효과적인지는 명확하지 않다. 본 연구는 타이어 마모 예측 알고리즘을 개발하고 알고리즘의 성능을 비교하는 것을 목표로 하였다. 먼저 유한요소 타이어 모델을 개발하였고, 실험 데이터에 대해 검증하였다. 검증한 모델을 이용하여 다양한 주행 및 타이어 마모 조건을 구현하고, 그에 따른 타이어 내부가속도 신호를 얻기 위해 파라메트릭(Parametric) 타이어 구름 ...

국 문 요 약

과도한 타이어 마모는 차량 운전 안전에 영향을 미칠 수 있다. 실시간으로 타이어 마모량을 예측하는 방법은 여러 가지가 있지만 센싱의 어려움과 예측 정확도 측면에서 어떤 방법이 가장 효과적인지는 명확하지 않다. 본 연구는 타이어 마모 예측 알고리즘을 개발하고 알고리즘의 성능을 비교하는 것을 목표로 하였다. 먼저 유한요소 타이어 모델을 개발하였고, 실험 데이터에 대해 검증하였다. 검증한 모델을 이용하여 다양한 주행 및 타이어 마모 조건을 구현하고, 그에 따른 타이어 내부가속도 신호를 얻기 위해 파라메트릭(Parametric) 타이어 구름 시뮬레이션을 수행했다. 다음으로, 다양한 센싱 옵션(feature)을 활용한 ML 기반 타이어 마모 예측 알고리즘을 개발하여 성능을 비교하였다. 타이어의 주행 속도 및 회전 속도(V 및 ω) 기반 feature 조합은 평균 예측 오차(RMSE, Root Mean Square Error)가 1.2mm로 나타났다. V 및 ω와 함께 타이어의 내압 및 수직 하중을 활용하면 예측 정확도가 0.33mm로 향상되었다. 가속도 신호 기반 feature 조합의 평균 예측 오류는 0.6mm이다. 차량 정보와 타이어 정보를 모두 활용한 알고리즘은 예측 오차 0.21mm로 가장 좋은 성능을 보였다. 데이터 센싱 비용을 고려하면 V 및 ω 기반 feature 조합이 효율적으로 보인다. 개발된 알고리즘을 실험적으로 검증하기 위해 주행시험을 수행하였다. 시험 데이터로부터 1D-CNN을 통해 추출한 인자(AC)의 클러스터 형성을 확인하여 마모 예측에 영향을 미침을 확인하였다.

주제어