제조공정을 통해 생산된 화살의 성능을 평가하기 위한 방법으로, 활과 화살을 오랫동안 사용해 온 사냥꾼이나 레저 스포츠 용품을 만드는 기술자, 그리고 전문가의 개인적인 경험 등이 사용된다. 또한, 반복슈팅실험을 통해 얻어진 화살의 탄착점 집적도는 생산된 화살의 성능을 평가하기 위한 중요한 지표이다. 탄착점 집적도와 초고속카메라를 통해 촬영된 비행중인 화살의 이미지를 이용하여, 화살의 성능에 대한 연구가 수행되고 있다. 하지만, 화살의 특성(길이, 무게, 스파인, 오버랩, 곧기)과 탄착점의 분포간의 상관관계에 대한 연구는 부족하다. 본 논문에서는 탄착점 분포를 수치적으로 출력할 수 있는 시스템을 개발하고, 생산된 화살이 가지는 특성과 탄착점 사이의 상관관계모델을 구현하는 것이 목적이다. 모델의 입력은 화살이 가지는 특성(스파인, 곧기)이 사용되고, 출력은 화살의 노크 각도를 120도씩 회전시키면서 3번 반복 슈팅하여 얻어지는 삼각형 모양 좌표의 MAD(mean absolute distance)를 이용하였다. 상관관계 모델을 구현하기 위해서 입출력학습데이터를 수집하였고, 모델의 구현을 위해서는 인공신경회로망(Artificial neural network, ANN)을 사용하였다.
제조공정을 통해 생산된 화살의 성능을 평가하기 위한 방법으로, 활과 화살을 오랫동안 사용해 온 사냥꾼이나 레저 스포츠 용품을 만드는 기술자, 그리고 전문가의 개인적인 경험 등이 사용된다. 또한, 반복슈팅실험을 통해 얻어진 화살의 탄착점 집적도는 생산된 화살의 성능을 평가하기 위한 중요한 지표이다. 탄착점 집적도와 초고속카메라를 통해 촬영된 비행중인 화살의 이미지를 이용하여, 화살의 성능에 대한 연구가 수행되고 있다. 하지만, 화살의 특성(길이, 무게, 스파인, 오버랩, 곧기)과 탄착점의 분포간의 상관관계에 대한 연구는 부족하다. 본 논문에서는 탄착점 분포를 수치적으로 출력할 수 있는 시스템을 개발하고, 생산된 화살이 가지는 특성과 탄착점 사이의 상관관계모델을 구현하는 것이 목적이다. 모델의 입력은 화살이 가지는 특성(스파인, 곧기)이 사용되고, 출력은 화살의 노크 각도를 120도씩 회전시키면서 3번 반복 슈팅하여 얻어지는 삼각형 모양 좌표의 MAD(mean absolute distance)를 이용하였다. 상관관계 모델을 구현하기 위해서 입출력 학습데이터를 수집하였고, 모델의 구현을 위해서는 인공신경회로망(Artificial neural network, ANN)을 사용하였다.
In order to evaluate the performance of arrow that manufactures through production process, it is used that personal experiences such as hunters who have been using bow and arrow for a long time, technicians who produces leisure and sports equipment, and experts related with this industries. Also, t...
In order to evaluate the performance of arrow that manufactures through production process, it is used that personal experiences such as hunters who have been using bow and arrow for a long time, technicians who produces leisure and sports equipment, and experts related with this industries. Also, the intensity of arrow's impact point which obtains from repeated shooting experiments is an important indicator for evaluating the performance of arrow. There are some ongoing researches for evaluating performance of arrow using intensity of the arrow's impact point and the arrow's flying image that obtained from high-speed camera. However, the research that deals with mutual relation between distribution of the arrow's impact point and characteristics of the arrow (length, weight, spine, overlap, straightness) is not enough. Therefore, this paper suggests both the system that could describes the distribution of the arrow's impact point into numerical representation and the correlation model between characteristics of arrow and impact points. The inputs of the model are characteristics of arrow (spine, straightness). And the output is MAD (mean absolute distance) of triangular shaped coordinates that could be obtained from 3 times repeated shooting by changing knock degree 120. The input-output data is collected for learning the correlation model, and ANN (artificial neural network) is used for implementing the model.
In order to evaluate the performance of arrow that manufactures through production process, it is used that personal experiences such as hunters who have been using bow and arrow for a long time, technicians who produces leisure and sports equipment, and experts related with this industries. Also, the intensity of arrow's impact point which obtains from repeated shooting experiments is an important indicator for evaluating the performance of arrow. There are some ongoing researches for evaluating performance of arrow using intensity of the arrow's impact point and the arrow's flying image that obtained from high-speed camera. However, the research that deals with mutual relation between distribution of the arrow's impact point and characteristics of the arrow (length, weight, spine, overlap, straightness) is not enough. Therefore, this paper suggests both the system that could describes the distribution of the arrow's impact point into numerical representation and the correlation model between characteristics of arrow and impact points. The inputs of the model are characteristics of arrow (spine, straightness). And the output is MAD (mean absolute distance) of triangular shaped coordinates that could be obtained from 3 times repeated shooting by changing knock degree 120. The input-output data is collected for learning the correlation model, and ANN (artificial neural network) is used for implementing the model.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 탄착점 분포를 수치적으로 출력할 수 있는 시스템과 완성된 화살이 가지는 특성을 이용하여 화살이 가지는 성능에 대한 예측 모델을 수행하였다. 화살 특성에 따른 탄착점의 분포를 예측하면 화살 특성에 따른 성능 분석 및 제조업에서 화살 성능 분류가 용의하다.
본 논문에서는 화살의 탄착점 분포를 수치적으로 출력할 수 있는 시스템과 완성된 화살이 가지는 외생 변수를 이용하여 화살 성능 예측 모델을 수행하였다. 화살의 위치 정보를 좌표로 출력하기위해 라인레이저와 포토다이오드 센서를 사각 모양의 프레임에 설치하여 센서 데이터를 계측 받아 화살의 탄착점을 표출하였다.
가설 설정
작은 직경에 높은 질량 화살일수록 바람에 대한 영향을 적게 받는다.[1] 화살의 진동은 디자인과 재료에 영향을 받는다.[2] 비행 시 발생하는 화살의 진동을 궁사의 패러독스라고 한다.
제안 방법
그래서 높은 sampling rate와 많은 채널을 커버할 수 있는 National Instruments에서 출시되는 DAQ device를 이용하여 비행 중인 화살의 위치 좌표를 출력할 수 있는 시스템을 개발하였다.[6] 다수의 포토다이오드에서 출력되는 데이터를 계측하기 위해 8:1 analog mux mux(74HC/HCT4051)를 사용하고, mux는 NI 9401 모듈의 3bit 디지털 신호로 컨트롤 하였다. mux에서 출력되는 신호는 NI 9205 analog input 모듈을 사용하여 24개의 채널을 입력받는다.
많은 양의 데이터를 계측하기 위해 높은 sampling rate을 가지며, 포토다이오드의 개수에 따라 많은 채널을 커버할 수 있는 아날로그 입력 모듈이 필요하다. 그래서 높은 sampling rate와 많은 채널을 커버할 수 있는 National Instruments에서 출시되는 DAQ device를 이용하여 비행 중인 화살의 위치 좌표를 출력할 수 있는 시스템을 개발하였다.[6] 다수의 포토다이오드에서 출력되는 데이터를 계측하기 위해 8:1 analog mux mux(74HC/HCT4051)를 사용하고, mux는 NI 9401 모듈의 3bit 디지털 신호로 컨트롤 하였다.
화살의 성능을 좌우하는 탄착점의 밀집도에 영향을 미치는 외생변수로는 화살 깃(vanes, fletching), 화살촉(arrow head), 스파인(spine), 오버랩(overlap), 곧기(straghtness)등이 있다. 본 논문에서는 곧기와 스파인을 모델의 입력으로 사용하였다. 그림 5의 (a)와 (b) 같이 곧기는 28 inch 만큼 떨어져있는 두 포인트 위에 화살을 놓고 화살의 중심이 휘어진 정도를 나타내는 척도이다.
화살의 노크를 120도 회전시켜 3번 슈팅하고, 출력되는 삼각형 모양의 좌표를 이용하여 MAD를 출력하고, 완성된 화살이 가지는 외생변수 스파인과 곧기를 이용하여 화살 성능 예측 모델의 입·출력 데이터를 구성하였다. 측정된 화살의 입·출력 데이터를 비선형 현상의 모델링 및 다변량 회귀 문제에 사용되는 ANN을 이용하여 성능 예측 모델 수행하였다. 반응표면 모델의 성능을 분석하고 RMSE를 통해서 모델의 성능을 검증하였다.
1cm 간격으로 격자점을 뚫어 교정판을 제작하여 프레임에 설치하였다. 프레임에 설치된 1cm 간격의 격자점에 화살을 꽂아 계측된 데이터를 이용하여 보정을 수행하였다. 보정 알고리즘은 ANN을 이용하였고, 격자점의 좌표와 계측된 좌표의 평균적인 오차는 보정 전 약 3mm에서 보정 후 0.
화살의 위치 정보를 좌표로 출력하기위해 라인레이저와 포토다이오드 센서를 사각 모양의 프레임에 설치하여 센서 데이터를 계측 받아 화살의 탄착점을 표출하였다. 화살의 노크를 120도 회전시켜 3번 슈팅하고, 출력되는 삼각형 모양의 좌표를 이용하여 MAD를 출력하고, 완성된 화살이 가지는 외생변수 스파인과 곧기를 이용하여 화살 성능 예측 모델의 입·출력 데이터를 구성하였다. 측정된 화살의 입·출력 데이터를 비선형 현상의 모델링 및 다변량 회귀 문제에 사용되는 ANN을 이용하여 성능 예측 모델 수행하였다.
본 논문에서는 화살의 탄착점 분포를 수치적으로 출력할 수 있는 시스템과 완성된 화살이 가지는 외생 변수를 이용하여 화살 성능 예측 모델을 수행하였다. 화살의 위치 정보를 좌표로 출력하기위해 라인레이저와 포토다이오드 센서를 사각 모양의 프레임에 설치하여 센서 데이터를 계측 받아 화살의 탄착점을 표출하였다. 화살의 노크를 120도 회전시켜 3번 슈팅하고, 출력되는 삼각형 모양의 좌표를 이용하여 MAD를 출력하고, 완성된 화살이 가지는 외생변수 스파인과 곧기를 이용하여 화살 성능 예측 모델의 입·출력 데이터를 구성하였다.
라인레이저 빛의 강도에 따라 포토다이오드에서 출력되는 전압레벨이 다르다. 화살이 사각 모양의 프레임을 통과할 때 발생하는 임의의 지점에 있는 포토다이오드 센서의 전압레벨 변화를 계측할 수 있으며, 계측된 데이터를 이용하여 화살 위치의 좌표를 표출한다. 화살이 프레임을 통과하게 되면, 그림 3의 (b)와 같이 화살에 의해서 레이저 빛의 일부분이 가려지게 되므로, x축 포토다이오드 센서에 그림자 #와 y축 포토다이오드 센서에 그림자 #가 발생하게 된다.
대상 데이터
NI 9205 아날로그 입력 모듈의 최대 sampling rate은 250kS/s이고, 총 32개의 아날로그 입력을 가진다. 본 연구에서 사용하는 채널수는 24개이며, 1개의 채널당 20kS/s를 사용한다. NI 9205의 한 채널의 입력은 mux의 출력에서 받으며, mux가 커버하는 포토다이오드 수는 8개이다.
데이터처리
01이고, Training data와 Test data 79개를 3개의 케이스로 분류하였다. 결과는 그림 7의 반응 표면과 표 2와 모델의 RMSE(root mean square error)로 도출하였다.
측정된 화살의 입·출력 데이터를 비선형 현상의 모델링 및 다변량 회귀 문제에 사용되는 ANN을 이용하여 성능 예측 모델 수행하였다. 반응표면 모델의 성능을 분석하고 RMSE를 통해서 모델의 성능을 검증하였다. 제안된 성능 예측 모델을 통해서 활에 따른 적합한 스파인의 화살을 선택할 수 있었다.
이론/모형
그리고 블랙박스 모델로 시스템 또는 프로세스의 물리적 표현이 필요하지 않으며, 복잡하고 비선형 문제를 해결할 때 사용된다.[7] 본 논문에서는 ANN의 구조는 2-2-1 feed-forward network를 사용하였다. Learning rate는 0.
P(x,y)는 고속 물체를 탐지하기 위해 포토다이오드 센서가 일직선으로 부착되어 있는 보드의 구조와 라인레이저에서 출력되는 빛의 각도, 사각형 모양의 프레임 정밀도 때문에 오차를 포함하고 있다. 그래서 화살의 탄착점 위치 측정 시스템 정밀도 향상을 위해서 격자 교정판을 이용한 보정 알고리즘을 적용하였다. 1cm 간격으로 격자점을 뚫어 교정판을 제작하여 프레임에 설치하였다.
탄착점 성능에 대한 예측 모델은 ANN을 사용하였다. ANN은 비선형 현상의 모델링 및 다변량 회귀 문제를 해결하기위해 다양한 프레임 워크를 제공한다.
[7] 그림 1은 약 300km/h 속도로 비행하는 화살의 위치 좌표를 표출하는 시스템 구성도와 반복적인 슈팅 실험을 통해 저장된 화살의 위치 좌표를 이용한 화살 성능 예측 모델을 나타낸 시스템 구성도이다. 화살의 특성에 따른 탄착점 분포에 대한 예측 모델은 블랙박스 모델로 복잡하고 비선형 현상의 모델링 및 다변량 회귀 문제를 해결하기위해 다양한 프레임 워크를 제공하는 Artificial Neural Network(ANN)을 사용하였다.[8]
성능/효과
프레임에 설치된 1cm 간격의 격자점에 화살을 꽂아 계측된 데이터를 이용하여 보정을 수행하였다. 보정 알고리즘은 ANN을 이용하였고, 격자점의 좌표와 계측된 좌표의 평균적인 오차는 보정 전 약 3mm에서 보정 후 0.5mm로 개선됨을 확인 할 수 있었다. 두 점사이의 평균적 오차의 합은 식 (2)와 같다.
스파인은 화살의 탄성을 나타내는 수치이고, 활에 따라 적합한 스파인을 선택해야한다. 본 논문에서 제안한 화살 성능 예측 모델을 통해서 현재 슈팅 실험을 한 활의 최적화된 화살을 선택할 수 있다.
본 논문의 연구 결과를 토대로 하여 양궁선수 개인 활에 따른 적합한 화살을 선택할 수 있다. 그리고 측정 시스템의 프레임 확장하여 화살의 모양 복원 연구와 화살의 성능을 평가하는 요소 중 궁사의 패러독스 크기 측정을 통해 화살 성능하고의 상관관계에 대해서 연구를 계속 수행할 것이다.
반응표면 모델의 성능을 분석하고 RMSE를 통해서 모델의 성능을 검증하였다. 제안된 성능 예측 모델을 통해서 활에 따른 적합한 스파인의 화살을 선택할 수 있었다.
후속연구
본 논문의 연구 결과를 토대로 하여 양궁선수 개인 활에 따른 적합한 화살을 선택할 수 있다. 그리고 측정 시스템의 프레임 확장하여 화살의 모양 복원 연구와 화살의 성능을 평가하는 요소 중 궁사의 패러독스 크기 측정을 통해 화살 성능하고의 상관관계에 대해서 연구를 계속 수행할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
바람의 영향과 관계있는 화살의 특성은 무엇인가?
대표적인 화살의 외부적인 영향은 바람이며, 바람은 화살의 측면 움직임에 영향을 준다. 바람의 영향과 관계있는 화살의 특성은 질량과 무게이다. 작은 직경에 높은 질량 화살일수록 바람에 대한 영향을 적게 받는다.
대표적인 화살의 외부적인 영향은 무엇인가?
성능에 관여하는 요소로는 화살의 외부적인 영향[1]과 화살이 비행할 때 발생하는 진동[2,3], 그리고 탄착점 분포 등이 있다. 대표적인 화살의 외부적인 영향은 바람이며, 바람은 화살의 측면 움직임에 영향을 준다. 바람의 영향과 관계있는 화살의 특성은 질량과 무게이다.
Artificial Neural Network은 무엇을 위해 다양한 프레임 워크를 제공하는가?
탄착점 성능에 대한 예측 모델은 ANN을 사용하였다. ANN은 비선형 현상의 모델링 및 다변량 회귀 문제를 해결하기위해 다양한 프레임 워크를 제공한다. 그리고 블랙박스 모델로 시스템 또는 프로세스의 물리적 표현이 필요하지 않으며, 복잡하고 비선형 문제를 해결할 때 사용된다.
참고문헌 (8)
J. L. Park, "Minimizing wind drift of an arrow," Part P: Journal of Sports Engineering and Technology, vol. 226, no. 1, pp. 52-60, 2012.
M. Rieckmann, J. L. Park, J. Codrington and B. Cazzolato, "Modelling the three-dimensional vibration of composite archery arrows under free-free boundary conditions," Part P: Journal of Sports Engineering and Technology, vol. 226, no. 2, pp. 114-122, 2012.
B. W. Kooi, "On the mechanics of the arrow: Archer's Paradox," Journal of Engineering Mathematics, vol. 31, no. 2-3, pp. 285-303, 1997.
J. L. Park and O. Logan, "High-speed video analysis of arrow behaviour during the power stroke of a recurve archery bow," Part P: Journal of Sports Engineering and Technology, vol. 227, no. 2, pp. 128-136, 2013.
J. L. Park, "The behaviour of an arrow shot from a compound archery bow," Part P: Journal of Sports Engineering and Technology, vol. 225, no. 1, pp. 8-21, 2011.
J, Yu, H. Lee, Y. Jeong, "Measuring System for Impact Point of Arrow using Mamdani Fuzzy Inference System," Journal of Korea Institute of Intelligent systems, vol. 22, no.4, pp. 521-526, 2012.
Y. Jeong, H. Lee, J, Yu, "Measurement and Calibration System of Arrow's Impact Point using High Speed Object Detecting Sensor," The Second International Conference on Intelligent Systems and Applications, pp. 167-172, 2013.
M. Khayet, C. Cojocaru, M. Essalhi, "Artificial neural network modeling and response surface methodology of desalination by reverse osmosis," Journal of Membrane Science, vol. 368, no. 1, pp. 202-214, 2011.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.