선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 하거나, 히트 유닛 개폐구가 자동으로 열려 있는 모습을 확인 할 수 있게 하였다. 그래픽 LCD창에 가스 종류 및 유해 가스 위험 범위와 인체에 미치는 영향에 대한 정보를 보여주게 설계하였다. 그림 13(a)는 오염 지역을 통과로 외부공기가 들어오는 것을 차단하는 모습을 보여주고 있으며, 오염지역 통과중 외부 공기를 차단하면서 차량 내에 내부 공기를 순환 시키는 순환 모드 동작중임을 보여주고 있다.
- 본 논문에서는 4종류의 센서로 구성되는 센서 어레이를 입력으로 하는 지능가스인식시스템을 위한 알고리즘의 개발을 위하여 다음과 같은 사항을 고려하였다. 가스 센서는 검지 가스 뿐만 아니라 다른 가스 성분에도 부분적으로 반응을 하며, 가스별로 다양한 감도 패턴을 나타낸다.
- 또한 차량의 공기인입구의 열림과 닫힘 만을 구분하도록 하고 있다. 본 논문에서는 신경회로망을 이용하여서 가스의 종류에 대한 인식이 가능하게 하고 그 가스에 따른 반정량적인 데이터를 추출하여 외부 가스에 대한 정확한 정보를 운전자에게 줄 수 있도록 구성하였다.
- 반도체형 가스센서물질인 Sn Ch를 모 물질로 적당한 첨가물질과 촉매 물질을 더하여서 특정 가스에 선택성을 가지도록 제조한 두개의 감지막을 가진 단일 소자형 센서구조를 가지고 있다. 본 연구에서는 안개 지역 등에서의 AQS센서의 오동작 방지를 위해 여기에 온도 센서와 습도센서를 추가하였다.
제안 방법
- 환경오염의 주범인 NOx가스에 대한 반응성을 조사하였다. CO 및 CHj의 가스는 0~3000ppm 농도와 NO의 가스는 0~lppm 가스농도 영역에서 가스 감지특성을 측정하였다. 그림 2는 측정박스 (12, 500cm3) 내에서 CH, 500ppm을 주입했을 때의 가스에 대한 환원성가스센서(1 채널)와 산 화성 가스 센서(2 채널)의 시간 별 반응값의 그래프이다.
- CO, CH, , NOj 등의 정확한 농도계측을 위해 12, 500cc의 가스 특정 박스를 설치하였으며 센서모듈을 이곳에 넣어서 가스에 대한 감도변화를 특정하였다. N6 가스의 경우에는 1%의 N2 혼합가스를 가스원으로 사용하였다.
- 가스 센서로부터 획득된 정보를 마이크로프로세서 기반에서 제어 및 처리하기 위한 냄새 인식용 메인 보드를 설계 및 제작하였다. 본 연구에서는 마이크로프로세서로서 원칩 소자이면서 고성능, 저가형, 저소비전력 특성을 갖는 AVR(ATmegal28, Atmel Co.
- CHt에대해 채널 1인 환원성가스감지막만이 반응하는 모습을 확인 할 수 있다. 가스센서의 반응특성을 측정하기 위해서 5V의 전원, 가스센서와 가변저항이 직렬로 연결되고 가변저항 양단의 전압이 가스센서의 출력 측정값으로 측정되었다.
- 자동차용 12V 밧데리는 음성보드에서 전압이 변환하여 지능형 메인 보드에 5V 와 모터 모듈 부분에는 12V를 전압안정화칩으로서 안정화하여 제공되도록 하였다. 그리고 센서보드에 5V와 7V로 전압을 변환 시켜 전압원으로 공급하도록 했다. 여기에서 7V는 가스 센서의 감지막 가열을 위한 전원회로로 사용된다.
- 이와 동시에 오염가스의 농도에 따라서 공기 인입구가 자동적으로 열리거나 닫히게 된다. 또한 오염 지역을 통과할 때는 오염 위험을 알리는 경고메시지와 오염의 농도를 수치로 모니터에 나타내도록 설계하였다.
- 또한 입력단의 센서로서 환원성 가스 센서, 산화성가스센서, 습도센서, 온도센서를 사용하여 기존의 환원성가스센서와 산화성가스센서로 구성되는 AQS 시스템에서의 습도 및 온도 등에 의한 오동작을 방지할 수 있도록 설계하였다. 또한 외부 오염가스의 주성분인 CO, CH4, NOx의 가스농도를 신경회로망을 사용하여 반정량적으로 측정하여서, 만약 CO나 CH)가 들어오면 LCD에 가스 분류 및 가스 유해 범위를 “주의”, “위험”, “아주위험” 3단계로 설정하여 차량외부의 유해 가스의 농도 정도를 표시하고 이를 음성으로 차량공기인입구의 개폐여부를 알려줌으로써 기존의 AQS 시스템의 잦은 오동작을 방지하고 농도의 상태도 알려주는 지능형 AQS 시스템을 제작하였다.
- 제작하였다. 또한 입력단의 센서로서 환원성 가스 센서, 산화성가스센서, 습도센서, 온도센서를 사용하여 기존의 환원성가스센서와 산화성가스센서로 구성되는 AQS 시스템에서의 습도 및 온도 등에 의한 오동작을 방지할 수 있도록 설계하였다. 또한 외부 오염가스의 주성분인 CO, CH4, NOx의 가스농도를 신경회로망을 사용하여 반정량적으로 측정하여서, 만약 CO나 CH)가 들어오면 LCD에 가스 분류 및 가스 유해 범위를 “주의”, “위험”, “아주위험” 3단계로 설정하여 차량외부의 유해 가스의 농도 정도를 표시하고 이를 음성으로 차량공기인입구의 개폐여부를 알려줌으로써 기존의 AQS 시스템의 잦은 오동작을 방지하고 농도의 상태도 알려주는 지능형 AQS 시스템을 제작하였다.
- , USA)을 이용하였으며, 보다 효율적인 정보의 표시를 위해 시스템보드상에 그래픽 LCD 를 부착하도록 하였고 음성칩을 부착하여 음성 경고가 전달되도록 하였다. 또한 측정된 데이터 및 정보들을 PC로 전송할 수 있도록 RS-232 방식의 통신포트와 시스템 확장을 위한 다수의 입출력 포트를 확보하였다. 지능형 AQS 시스템 블록도는 그림 10에 나타나 있으며, AQS 시스템의 전체적인 동작형태를 나타내고 있다.
- 이러한 센서 어레이의 서로 상이한 감도 패턴을 신경회로망의 입력층에 사용하여 다양한 조건에서의 보다 정확한 냄새 인식을 위한 학습을 적용하였다. 모든 입출력 패턴에 대하여 출력 노드에서 에러값 E가 최소가 되게 연결 가중치를 변화 시켜 올바른 출력값을 제공해준다.
- 모멘텀 BP 알고리즘을 적용한 신경회로망의 패턴인식 기법을 활용하여 노출된 가스의 종류를 인식한 다음 유해가스의 농도를 인체에 미치는 영향에 따라 분류 후, 그래픽 LCD를 통하여 나타내도록 차량용 AQS 시스템을 설계하였다. 신경회로망칩은 8bit RISC칩인 ATmegal28칩을 사용하여 제작했다.
- 은닉층 개수에 따라서 학습속도에 영향을 받았다. 본 논문에서는 은닉층의 개수가 11개일 때 학습속도가 가장 높았으며, 그리고 하드웨어 성능을향상시키기 위해 일괄 수정법을 사용하였다.
- 따라서 CO가스가 존재하게 되면 환원성가스감지막(S1)은 로드저항의 전압값이 IV 이상으로 증가하게 되며 가스농도가 증가할수록 최대 5V까지 (전압원)증가하게 되고, 산화성가스센서의 경우에는 NCh 가스가 주입되면 센서감지막의 저항값이 감소하여 로드 저항에 걸리는 전압이 IV로 부터 그 이하의 값으로 감소하게 된다. 본 연구에서는 0V〜5V까지의 이러한 로드저항에 걸리는 전압을 선형적으로 0에서 1사이의 값으로 매핑하였다. 온도센서는 정규화값을 임의로 0.
- 본 연구에서는 각종 독성가스에 대한 환경기준치와 인간에 미치는 독성 정도를 기준으로 하여 본 실험에서 테스트할 CO, CH4, NOz 가스의 농도기준을 표 2와 같이 정하였다[8]. 신경회로망의 입력으로 사용하기 위해 CO가스인 경우는 0~9ppm, 10~99ppm, 100~399ppm, 400ppm 이상으로 구분하여서 각각 청정, 주의, 위험, 아주위험의 4단계로 분류하였고, CFU가스의 경우에는 0〜99ppm, 100~299ppm, 300 ppm 이상으로 3단계로, NCh가스의 경우에는 0~0.
- 제작하였다. 본 연구에서는 마이크로프로세서로서 원칩 소자이면서 고성능, 저가형, 저소비전력 특성을 갖는 AVR(ATmegal28, Atmel Co., USA)을 이용하였으며, 보다 효율적인 정보의 표시를 위해 시스템보드상에 그래픽 LCD 를 부착하도록 하였고 음성칩을 부착하여 음성 경고가 전달되도록 하였다. 또한 측정된 데이터 및 정보들을 PC로 전송할 수 있도록 RS-232 방식의 통신포트와 시스템 확장을 위한 다수의 입출력 포트를 확보하였다.
- 본 연구에서는 이러한 반도체형가스센서의 특정 가스에 대한 선택성의 부족 문제를 극복하고 특정한 가스에 선택성을 가지고 정확하게 반응하게 하기위해 신경회로망 (Artificial Neural Network)[5-1()]을 적용한 가스 인식 AQS 시스템을 제작하였다. 또한 입력단의 센서로서 환원성 가스 센서, 산화성가스센서, 습도센서, 온도센서를 사용하여 기존의 환원성가스센서와 산화성가스센서로 구성되는 AQS 시스템에서의 습도 및 온도 등에 의한 오동작을 방지할 수 있도록 설계하였다.
- 따라서 신경망회로에서 유사한 입력형태에서도 근사적인 결과 값을 얻게 하기 위해서 정규화 값을 설정하게 된다. 본 연구에서는 환원성가스감지 막과 산화성가스감지 막을 가지는 SnOz 듀얼 가스센서와 온도센서, 습도센서를 입력 센서로 사용하였으며, 가스센서의 경우에는 가스가 없는 청정 공기환경에서의 센서와 연결된 로드저항의 전압값이 IV가 되도록 미리 설정하였다. 따라서 CO가스가 존재하게 되면 환원성가스감지막(S1)은 로드저항의 전압값이 IV 이상으로 증가하게 되며 가스농도가 증가할수록 최대 5V까지 (전압원)증가하게 되고, 산화성가스센서의 경우에는 NCh 가스가 주입되면 센서감지막의 저항값이 감소하여 로드 저항에 걸리는 전압이 IV로 부터 그 이하의 값으로 감소하게 된다.
- 시뮬레이션에 의해 구해진 연결 가중치 및 바이어스 값을 마이크로 프로세서의 ROM에 look-up 테이블 방식으로 일괄처리법에 의하여 저장하는 신경회로망을 설계하였다. 설계 툴은 AVR-GCC 컴파일 툴(C언어, 공개교육용)을 이용했으며, 설계한 파일을 ATmegal28 마이크로프로세서에 다운로드하기 위해 다운로드 프로그램인 Ponyprog2000 (오픈소스)을 사용하였다.
- 신경회로망의 입력으로 사용하기 위해 CO가스인 경우는 0~9ppm, 10~99ppm, 100~399ppm, 400ppm 이상으로 구분하여서 각각 청정, 주의, 위험, 아주위험의 4단계로 분류하였고, CFU가스의 경우에는 0〜99ppm, 100~299ppm, 300 ppm 이상으로 3단계로, NCh가스의 경우에는 0~0.09ppm, 0.1~0.49ppm, 0.5ppm 이상으로 3단계로 각각 구분하여 청정, 주의, 위험 단계로 분류하였다. 따라서 가스농도에 대해 가스 센서의 감도 데이터는 총 8개로 분류되었다.
- 00001 을 달성하기 위한 학습 시간이 8분15초에서 55초로 약 89%를 줄일수 있었다. 이때 은닉층에서의 노드의 개수를 정하기 위해서 은닉노드를 5개에서부터 19개 까지 테스트를 수행하면서 목표 오차율에 따른 학습시간을 구려하여 최종적으로 11개의 은닉 노드를 가지는 은닉층을 사용하게 되었다
- 가스 센서는 검지 가스 뿐만 아니라 다른 가스 성분에도 부분적으로 반응을 하며, 가스별로 다양한 감도 패턴을 나타낸다. 이러한 센서 어레이의 서로 상이한 감도 패턴을 신경회로망의 입력층에 사용하여 다양한 조건에서의 보다 정확한 냄새 인식을 위한 학습을 적용하였다. 모든 입출력 패턴에 대하여 출력 노드에서 에러값 E가 최소가 되게 연결 가중치를 변화 시켜 올바른 출력값을 제공해준다.
- 지능형 AQS 시스템 블록도는 그림 10에 나타나 있으며, AQS 시스템의 전체적인 동작형태를 나타내고 있다. 자동차용 12V 밧데리는 음성보드에서 전압이 변환하여 지능형 메인 보드에 5V 와 모터 모듈 부분에는 12V를 전압안정화칩으로서 안정화하여 제공되도록 하였다. 그리고 센서보드에 5V와 7V로 전압을 변환 시켜 전압원으로 공급하도록 했다.
- 지능형 AQS 시스템의 테스트를 위하여 환원성가스로서, CO와 CH, 가스에 대한 반응성을 조사하였고, 산 화성가스로서는 환경오염의 주범인 NOx가스에 대한 반응성을 조사하였다. CO 및 CHj의 가스는 0~3000ppm 농도와 NO의 가스는 0~lppm 가스농도 영역에서 가스 감지특성을 측정하였다.
- 환원성 가스센서, 산화성 가스센서로 이루어진 듀얼형가스센서와 신경회로망 패턴인식기법이 적용된 신호처리 칩을 설계하여 특정 가스인식과 농도 판별이 가능한 차량용 AQS 시스템을 제작하고 그 특성을 평가하였다.
대상 데이터
- 그림 3. 3층 구조의 신경회로망의 구조.
- 표 1은 일반적인 BP알고리즘에 의한 학습 횟수에 따른 학습오차율을 본실험에서의 모멘텀 BP알고리즘에 의해 수행된 것과의 비교를 표시한 것이다. 4개의 입력노드와 11개의 은닉노드, 4개의 출력노드를 가지는 3층 퍼셉트론(4X11X4)에서 각각 8개의 입/출력 패턴데이터를 가지고 시뮬레이션해서 나타낸 학습 횟수와 시간을 나타내었다. 모멘텀 BP알고리즘을 적용하므로서 학습 오차율 0.
- 5ppm 이상으로 3단계로 각각 구분하여 청정, 주의, 위험 단계로 분류하였다. 따라서 가스농도에 대해 가스 센서의 감도 데이터는 총 8개로 분류되었다. 가스입력 패턴인 아날로그 신호을 A/D변환을 거친 후 그림 6의 입력층에 정규화된 데이터가 전달된다.
- 본 논문에서는 차량 외부의 CO, CHi 등의 환원성 가스와 NOx, SOx 등의 산화성 가스를 동시에 감지하기 위해 원 칩형 듀얼 가스센서인 일본의 Figaro사의 상용 센서인 TGS_2201 를 사용하였다. 반도체형 가스센서물질인 Sn Ch를 모 물질로 적당한 첨가물질과 촉매 물질을 더하여서 특정 가스에 선택성을 가지도록 제조한 두개의 감지막을 가진 단일 소자형 센서구조를 가지고 있다.
- 신경회로망칩은 8bit RISC칩인 ATmegal28칩을 사용하여 제작했다. 제작된 AQS 시스템은 평가결과 시험적으로 사용된 3가지 가스인 CO, CHt, NO 패턴에 대해 인식율이 95% 이상의 성능을 얻을 수 있었다.
- 여기에서 7V는 가스 센서의 감지막 가열을 위한 전원회로로 사용된다. 오실 레이 터로는 16M Clock을 사용하였다.
이론/모형
- 단계별 오류역전파(error back propagtion) 알고리즘은 일반화 델타 규칙을 사용하여 연결 가중치 및 바이어스 값을 조절한다. 하지만 신경망에서 소모된 반복횟수가 길어서 학습속도에 문제점을 안고 있다.
- 설계 툴은 AVR-GCC 컴파일 툴(C언어, 공개교육용)을 이용했으며, 설계한 파일을 ATmegal28 마이크로프로세서에 다운로드하기 위해 다운로드 프로그램인 Ponyprog2000 (오픈소스)을 사용하였다.
- 이러한 단순 오류역전파 알고리즘의 단점을 극복하기 위해 본 논문에서는 모멘텀 오류역전파 알고리즘(momentum back propagation)[5, 12]을 사용하였다. 이 모멘텀은 신경회로망의 연결 가중치 조절식에 관성을 줌으로써 학습 시간을 단축하고 학습성능의 향상을 위해 고안된 것이다.
- 신경회로망을 학습시키기 위한 지도학습은 입력패턴과 각 학습 입력패턴에 대한 출력층 뉴런의 목표 출력값(또는 목표 패턴 값)을 가지고 학습을 시킨다. 학습 방법은 모든 학습 입력 패턴에 대한 출력층 뉴런의 실제 출력 값과 목표 출력 값 사이의 오차의 합이 줄어들도록 시냅스의 연결강도를 반복적으로 수정해서 오차가 최소가 될 경우나 더 이상 오차가 줄어들지 않을 경우 학습을 중단하는 오류 역전파 알고리즘을 이용을 한다.
성능/효과
- 제작된 AQS 시스템은 평가결과 시험적으로 사용된 3가지 가스인 CO, CHt, NO 패턴에 대해 인식율이 95% 이상의 성능을 얻을 수 있었다. 이러한 결과는 기존의 AQS 시스템이 유해가스 존재 유무만을 출력신호로 나타내고 온도와 습도에 의한 오동작이 자주 일어나는 것에 비해, 본 연구에서 개발된 AQS 시스템이 가스의 종류 및 농도에 따른 가스가 인체에 미치는 영향 뿐만 아니라 음성으로 사용자에게 ''주위”, “위험” 등을 알려줌으로써 보다 지능화된 AQS 시스템의 가능성을 보였주었다는 것을 나타낸다.
- ()1 까지 도달하면 최적의 출력값이 얻어질수 있게 학습이 되었다. 구해진 연결강도는 일괄 수정법을 적용하고 이 값을 마이크로프로세서에 이식함으로써 작은 프로그램 코드로서 알고리즘을 구현하고, 하드웨어 성능을 향상 시킬 수 있었다.
- 4개의 입력노드와 11개의 은닉노드, 4개의 출력노드를 가지는 3층 퍼셉트론(4X11X4)에서 각각 8개의 입/출력 패턴데이터를 가지고 시뮬레이션해서 나타낸 학습 횟수와 시간을 나타내었다. 모멘텀 BP알고리즘을 적용하므로서 학습 오차율 0.00001 을 달성하기 위한 학습 시간이 8분15초에서 55초로 약 89%를 줄일수 있었다. 이때 은닉층에서의 노드의 개수를 정하기 위해서 은닉노드를 5개에서부터 19개 까지 테스트를 수행하면서 목표 오차율에 따른 학습시간을 구려하여 최종적으로 11개의 은닉 노드를 가지는 은닉층을 사용하게 되었다
- 신경회로망칩은 8bit RISC칩인 ATmegal28칩을 사용하여 제작했다. 제작된 AQS 시스템은 평가결과 시험적으로 사용된 3가지 가스인 CO, CHt, NO 패턴에 대해 인식율이 95% 이상의 성능을 얻을 수 있었다. 이러한 결과는 기존의 AQS 시스템이 유해가스 존재 유무만을 출력신호로 나타내고 온도와 습도에 의한 오동작이 자주 일어나는 것에 비해, 본 연구에서 개발된 AQS 시스템이 가스의 종류 및 농도에 따른 가스가 인체에 미치는 영향 뿐만 아니라 음성으로 사용자에게 ''주위”, “위험” 등을 알려줌으로써 보다 지능화된 AQS 시스템의 가능성을 보였주었다는 것을 나타낸다.
- 즉 각 가스의 농도영역, 예를들면 CO '위험, 영역인 100~299ppm 에서 5 가지의 농도를 lOOppm, 140ppm, 180ppm, 220ppm, 260ppm의 5 단계로 나누어서 테스트 한 결과 95% 이상의 출력 정확성을 보이는 것이 확인되었다. 또한 유해가스 3종류에 대한 구별이 가능했으며 학습결과와 매우 유사한 출력이 얻어졌다.
후속연구
- 추후, 본 연구의 마이크로프로세서 대신에 차량 HVAC 시스템의 마이크로프로세서를 공유하는 통합시스템에 대한 연구와 실제 차량에 부착하여 실험하는 필드테스트가 필요하고 현장에서의 적용을 위한 알고리즘의 업데이트에 대한 연구를 진행해나갈 예정이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.