본 논문에서는 연료 소모량을 예측하기 위해 차량 데이터를 이용한 신경회로망모델링 방식을 제안하였다. 제안한 신경회로망의 훈련과 시험 데이터를 획득하기 위해 시내를 중형 가솔린 차량을 주행하였고, OBD-II 포트에서 입력 데이터로 속도, 엔진 RPM, 쓰로틀 위치 센서(TPS), 흡기 공기량(MAF)을 측정하였고, 목표값으로 연료 소모량을 측정하였다. 입력과 출력 데이터의 빈선형 맵핑을 위해 다층 퍼셉트론 네트워크를 사용하였다. 신경회로망 모델은 평균 제곱오차가 $1.306{\times}10^{-6}$로 연료 소모량을 매우 잘 예측함을 확인하였다.
본 논문에서는 연료 소모량을 예측하기 위해 차량 데이터를 이용한 신경회로망 모델링 방식을 제안하였다. 제안한 신경회로망의 훈련과 시험 데이터를 획득하기 위해 시내를 중형 가솔린 차량을 주행하였고, OBD-II 포트에서 입력 데이터로 속도, 엔진 RPM, 쓰로틀 위치 센서(TPS), 흡기 공기량(MAF)을 측정하였고, 목표값으로 연료 소모량을 측정하였다. 입력과 출력 데이터의 빈선형 맵핑을 위해 다층 퍼셉트론 네트워크를 사용하였다. 신경회로망 모델은 평균 제곱오차가 $1.306{\times}10^{-6}$로 연료 소모량을 매우 잘 예측함을 확인하였다.
This paper presented neural network modeling method using vehicle data to predict fuel consumption. To acquire data for training and testing the proposed neural network, medium-class gasoline vehicle drove at downtown and parameters measured include speed, engine rpm, throttle position sensor (TPS),...
This paper presented neural network modeling method using vehicle data to predict fuel consumption. To acquire data for training and testing the proposed neural network, medium-class gasoline vehicle drove at downtown and parameters measured include speed, engine rpm, throttle position sensor (TPS), and mass air flow (MAF) as input data, and fuel consumption as target data from OBD-II port. Multi layer perception network was used for nonlinear mapping between the input and the output data. It was observed that the neural network model can predict the vehicle quite well with mean squared error was $1.306{\times}10^{-6}$ for the fuel consumption.
This paper presented neural network modeling method using vehicle data to predict fuel consumption. To acquire data for training and testing the proposed neural network, medium-class gasoline vehicle drove at downtown and parameters measured include speed, engine rpm, throttle position sensor (TPS), and mass air flow (MAF) as input data, and fuel consumption as target data from OBD-II port. Multi layer perception network was used for nonlinear mapping between the input and the output data. It was observed that the neural network model can predict the vehicle quite well with mean squared error was $1.306{\times}10^{-6}$ for the fuel consumption.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 차량의 연료 소모량 예측을 위해 신경 회로망을 이용한 모델링을 제안하였다. OBD-II로부터 차량의 속도, RPM, TPS(Throttle Position Sensor), MAF(Mass Air Flow) 정보를 획득하고, 실제 엔진의 연료 분사량을 목표값으로 신경회로망을 학습하고 연료 소모량을 추정하였다.
제안 방법
그림 3과 같이 OBD-II 인터페이스를 이용하여 테스트환경을 구성하였다. OBD-II 인터페이스를 통해 획득된 속도, RPM, TPS, MAF 정보를 이용하여 연료 소모량을 계산하였다.
본 논문에서는 차량의 연료 소모량 예측을 위해 신경 회로망을 이용한 모델링을 제안하였다. OBD-II로부터 차량의 속도, RPM, TPS(Throttle Position Sensor), MAF(Mass Air Flow) 정보를 획득하고, 실제 엔진의 연료 분사량을 목표값으로 신경회로망을 학습하고 연료 소모량을 추정하였다. 5km 도심 구간에서 제네시스 차량을 이용하여 실험 한 결과, 학습에서는 평균 제곱오차 1.
본 논문에서는 OBD-II로부터 차량의 속도, RPM, TPS(Throttle Position Sensor), MAF(Mass Air Flow) 정보를 획득하고, 신경회로망을 이용하여 연료 소모량을 추정하는 방법을 제안한다. 테스트 차량을 이용하여 제안한 방법으로 연료 소모량을 계산하고, 전문 업체의 지원으로 실제 엔진에서 분사되는 연료 분사량과 비교·검토한다.
본 논문에서는 도로주행에서 얻어진 RPM, 차량속도, TPS, MAF 정보를 신경회로망의 입력으로 사용하고, 목표값은 실제 차량 엔진에서 분사되는 연료량을 사용한다.
본 논문에서는 연료 소모량과 연관이 되는 엔진 RPM, 차량 속도, TPS(악셀레이터 정도), MAF(공연비, 공기와 연료의 혼합율)을 이용한다.
본 논문에서는 제네시스 330(2009연식, 자동변속, 가솔린)차량을 이용하여 그림 4와 같이 주행경로 총 5km (도심환경)를 주행하면서 차량 정보를 측정하고 연료소모량을 분석하였다.
제안한 신경회로망을 이용한 연료 소모량 예측 모델의 평가를 위해 동일한 주행경로에서 정속주행과 급가속/급감속 주행 정보를 사용하였다.
차량의 속도, RPM, TPS, MAF 정보를 이용하여 연료 소모량을 예측하기 위해 다층 신경회로망 구조를 구성한다.
테스트 차량을 이용하여 제안한 방법으로 연료 소모량을 계산하고, 전문 업체의 지원으로 실제 엔진에서 분사되는 연료 분사량과 비교·검토한다.
대상 데이터
본 논문에서 사용한 PID는 모드 01로 진단정보를 이용하였으며 세부 PID는 표 1과 같다. 차량의 OBD-II 정보는 Mode와 PID를 이용하여 접근이 가능하다[5].
실제 엔진 연료 분사량은 OBD-II로 측정할 수 없는 정보로, 차량 전문업체의 지원을 받아서 엔진 ECU에서 고속 CAN 방식으로 수집하였다. 이 정보는 신경회로망의 학습에서 목표값으로 활용된다.
이론/모형
이 목적함수 E 가 ωkj , ωji 에 대하여 최소화되도록 gradient descent 법을 적용한다.
성능/효과
5km 도심 구간에서 제네시스 차량을 이용하여 실험 한 결과, 학습에서는 평균 제곱오차 1.306×10-6의 결과를 얻었고, 정속주행과 급가속/급감속 주행의 시험에서는 1.177×10-4, 6.118×10-4의 결과를 확인하였다.
학습 성능의 평가방법으로 목표값과 출력값의 평균 제곱 오차를 계산하면 1.306×10-6로 실제 연료 소모량과 신경회로망으로 모델링한 결과가 유사함을 확인할 수 있다.
후속연구
향후 엔진부하나 적재하중, 운전자 운전패턴 등 연료 소모량에 영향을 줄 수 있는 인자를 추가하여 정확한 연료 소모량 모델을 구성한다.
질의응답
핵심어
질문
논문에서 추출한 답변
OBD-II의 역할은 무엇인가?
현재 차량에서는 OBD-II(On Board Dignosis) 포트를 통해 차량의 진단 상태를 접근할 수 있다. OBD-II는 MIL(Malfunction Indicator Lamp)이라고 하는 안내 표시등을 통해서 차량의 문제를 사용자나 정비사에게 보여 주는 기능을 한다. 이 램프가 들어오면, 사용자는 차량에 이상이 있다는 것을 알게 되고, 정비사에게 가서 문제를 해결 하는데 기본적인 목적을 두고 있다.
차량정보를 운전자에게 실시간으로 제공함으로 운전을 더욱 효율적으로 유도할 수 있는 시스템에 필요한 차량정보에는 무엇이 있는가?
차량정보를 운전자에게 실시간으로 제공해줌으로 운전을 더욱 효율적으로 유도할 수 있는 시스템에 대한 연구는 지속적으로 수행되고 있다. 이때 관련된 해당 차량정보로는 주행거리, 주행속도, 주행시간, 연료소모량, 주행연비, 연료비용, 탄소배출량 등 다양한 값들이 그 대상으로 더욱 확장되고 있다. 이러한 차량정보를 제공하기 위해서는 차량 내부의 엔진 데이터가 필요하다.
역전파 신경회로망의 구조에 대해 설명하시오.
역전파 신경회로망(back-propagation neural network)은 선형 뉴런의 입력층과 출력층 사이에 하나 이상의 중간층, 즉 비선형 뉴런으로 구성된 은닉층을 갖는 다층 구조의 회로망이다. 입력층의 입력신호들은 은닉층의 뉴런을 거쳐 출력층으로 전달되는 전방향 회로망이다.
참고문헌 (6)
Delia Ajtay, Martin Weilenmann, "Compensation of the Exhaust Gas Transport Dynamics for Accurate Instantaneous Emission Measurements," Environ. Sci. Technol., Vol. 38, No. 19, pp. 5141-5148, 2004,
Joeri Van Mierlo, Gaston Maggetto, Erik van de Burgwal Raymond Gense, "Driving style and traffic measures-influence on vehicle emissions and fuel consumption," Journal of Automobile Engineering, Vol. 218, No. 1, pp.43-50, 2004.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.