2020년 1월 1일부터 국제해사기구(IMO)는 전 세계 모든 해역을 지나가는 선박을 대상으로 선박연료유의 황 함유량 상한선을 3.5 %에서 0.5 %로 낮춰 선박으로 인해 발생하는 대기오염을 줄이기 위한 강력한 규제를 실시한다. 황 함유량이 낮은 연료유를 사용하여 대기오염 물질을 줄이는 것도 중요하지만 선박을 경제적으로 운영하여 불필요한 에너지 낭비를 줄이는 것 또한 대기오염 물질을 줄이는데 큰 도움이 된다. 따라서 선박은 잡음의 영향을 받더라도 항로를 정확하게 유지하여야 한다. 항로를 정확하게 추종하기 위해 오토파일럿 시스템이 사용되지만 오토파일럿 시스템의 성능이 아무리 우수하다 하더라도 잡음의 영향을 받게 된다면 성능에 한계를 가진다. 실제 환경에서는 자이로스코프에서 측정잡음이 더해진 회두각이 오토파일럿 시스템의 입력으로 들어가 오토파일럿 시스템의 성능을 저하시킨다. 이와 같은 문제를 해결하기 위해 상태추정에 쓰이는 Kalman Filter를 적용하여 잡음의 영향을 줄여주는 기법이 있지만 이 또한 역시 잡음의 영향을 완전히 제거시키는 것이 불가능하다. 따라서 본 논문에서는 잡음제거 성능을 더욱 더 개선시키기 위해 전진방향 구간에서는 인공지능 기술 중 하나인 다층퍼셉트론(Multi-Layer Perceptron; MLP)를 적용하고, 회전구간에서는 Kalman Filter를 적용하여 Kalman Filter만을 사용한 경우보다 우수한 잡음제거 기법을 제안한다. 시뮬레이션을 통해 제안한 방법이 Kalman Filter만을 사용한 경우보다 조타기의 오동작을 방지하여 선박의 전진방향 운동이 개선됨을 확인할 수 있다.
2020년 1월 1일부터 국제해사기구(IMO)는 전 세계 모든 해역을 지나가는 선박을 대상으로 선박연료유의 황 함유량 상한선을 3.5 %에서 0.5 %로 낮춰 선박으로 인해 발생하는 대기오염을 줄이기 위한 강력한 규제를 실시한다. 황 함유량이 낮은 연료유를 사용하여 대기오염 물질을 줄이는 것도 중요하지만 선박을 경제적으로 운영하여 불필요한 에너지 낭비를 줄이는 것 또한 대기오염 물질을 줄이는데 큰 도움이 된다. 따라서 선박은 잡음의 영향을 받더라도 항로를 정확하게 유지하여야 한다. 항로를 정확하게 추종하기 위해 오토파일럿 시스템이 사용되지만 오토파일럿 시스템의 성능이 아무리 우수하다 하더라도 잡음의 영향을 받게 된다면 성능에 한계를 가진다. 실제 환경에서는 자이로스코프에서 측정잡음이 더해진 회두각이 오토파일럿 시스템의 입력으로 들어가 오토파일럿 시스템의 성능을 저하시킨다. 이와 같은 문제를 해결하기 위해 상태추정에 쓰이는 Kalman Filter를 적용하여 잡음의 영향을 줄여주는 기법이 있지만 이 또한 역시 잡음의 영향을 완전히 제거시키는 것이 불가능하다. 따라서 본 논문에서는 잡음제거 성능을 더욱 더 개선시키기 위해 전진방향 구간에서는 인공지능 기술 중 하나인 다층퍼셉트론(Multi-Layer Perceptron; MLP)를 적용하고, 회전구간에서는 Kalman Filter를 적용하여 Kalman Filter만을 사용한 경우보다 우수한 잡음제거 기법을 제안한다. 시뮬레이션을 통해 제안한 방법이 Kalman Filter만을 사용한 경우보다 조타기의 오동작을 방지하여 선박의 전진방향 운동이 개선됨을 확인할 수 있다.
Since January 1, 2020, the International Maritime Organization (IMO) has put in place strong regulations to reduce air pollution caused by ships by lowing the upper limit of ship fuel oil sulfur content from 3.5% to 0.5% for ships passing through all sea areas around the world. Although it is import...
Since January 1, 2020, the International Maritime Organization (IMO) has put in place strong regulations to reduce air pollution caused by ships by lowing the upper limit of ship fuel oil sulfur content from 3.5% to 0.5% for ships passing through all sea areas around the world. Although it is important to reduce air pollutants by using fuel oil with low sulfur content, reducing the amount of energy waste through the economic operation of a ship can also help reduce air pollutants. Ships can follow designated routes accurately even under the influence of noise using autopilot systems. However, regardless of their quality, the performance of these systems is af ected by noise; heading angles with added measurement noise from the gyroscope are input into the autopilot system and degrade its performance. A technique to solve these problems reduces noise effects through the application of a Kalman filter, which is widely used in condition estimation. This method, however, cannot completely eliminate the effects of noise. Therefore, to further improve noise removal performances, in this study we propose a better denoising method than the Kalman filter technique by applying a multi-layer perceptron (MLP) in forward direction motion and a Kalman Filter in rotation motion. Simulations show that the proposed method improves forward direction motion by preventing the malfunction of a rudder more so than merely using a Kalman Filter.
Since January 1, 2020, the International Maritime Organization (IMO) has put in place strong regulations to reduce air pollution caused by ships by lowing the upper limit of ship fuel oil sulfur content from 3.5% to 0.5% for ships passing through all sea areas around the world. Although it is important to reduce air pollutants by using fuel oil with low sulfur content, reducing the amount of energy waste through the economic operation of a ship can also help reduce air pollutants. Ships can follow designated routes accurately even under the influence of noise using autopilot systems. However, regardless of their quality, the performance of these systems is af ected by noise; heading angles with added measurement noise from the gyroscope are input into the autopilot system and degrade its performance. A technique to solve these problems reduces noise effects through the application of a Kalman filter, which is widely used in condition estimation. This method, however, cannot completely eliminate the effects of noise. Therefore, to further improve noise removal performances, in this study we propose a better denoising method than the Kalman filter technique by applying a multi-layer perceptron (MLP) in forward direction motion and a Kalman Filter in rotation motion. Simulations show that the proposed method improves forward direction motion by preventing the malfunction of a rudder more so than merely using a Kalman Filter.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
후)전진 방향">전진방향 운동이 가능함을 알 수 있었다. 다만 회전구간에서 MLP 훈련 모델을 생성하기는 어려움이 있어서 기존에 널리 사용되는 Kalman Filter를 적용하였지만 회전구간에서도 인공지능이 대체 할 수 있는지 추후 연구하고자 한다. 또한 실제 운항을 통해 제안한 방법이 선박 에너지 효율을 얼마나 높일 수 있을지 검증하는 일도 향후 연구로
후)가진다 (Park,">가진다(Park, 2016). 따라서 본 논문에서는 잡음의 영향을 더욱 줄여주기 위해 인공신경망의 한 종류인 MLP(Multi-Layer Perceptron)와 Kalman Filter를 결합하고자 한다. MLP는 패턴인식, 시계열 예측, 비선형 제어 등과 같은 다양한 분야에서 응용되고
후)전진 방향">전진방향 운동을 하는데 한계를 가진다. 이와 같은 현상을 방지하기 위해 본 논문에서는Kalman Filter와 MLP를 결합하여 회전구간에서는 Kalman Filter를 전진방향 구간에서는 MLP를 적용하는 방법을 제안하였다. 제안한 방법을 적용한 결과 오토파일럿 시스템의 미분기에서 오동작이 줄어들어 선박은 보다 정확한
가설 설정
Table 2와 같이 훈련에 사용된 데이터는 자이로스코프가 0°를 측정하고 있는0°+N(0, 0.052)인 값으로 선정하였으며 측정 잡음은 평균이 0이고 분산이 0.052인 백색 가우시안 잡음이라 가정한다.
선박이 항로를 유지하기 위해 사용되는 속도형 퍼지 PID 오토파일럿 시스템을 사용하지만 이는 잡음이 없다는 가정 하에 우수한 성능을 표출한다. 그러나 선박을 운항하는 실제 상황에서는 잡음의 영향을 무시할 수 없기 때문에 자이로스코프에서 측정 잡음이 포함된 회두각을 필터링을 거치지 않고 바로 사용하였을 시 오토파일럿 시스템이 받는 영향에 대해 설명한다.
여기서, L, Lpp, Draft, ∇, B는 각각 선박의 길이, 수선간장, 재화중량, 폭을 의미하고 전진방향 속도는 8m/s라 가정하였다.
잡음의 영향을 보다 줄여주기 위해 학습시킬 MLP 신경망은 5개의 뉴런으로 이루어진 입력층과 10개의 뉴런으로 이루어진 은닉층을 가졌다고 가정하고, 활성화 함수는 sigmoid 함수를 사용하였다. sigmoid 함수는 출력을 비선형으로 만들기 위해 사용되는 함수로 식(14)와 같이 구성되며
제안 방법
후)측정 잡음이">측정잡음이 없는 0°로 선정한다. 그리고 2000개의 훈련데이터 중 렌덤으로 50개를 선정하고 이를 500번 반복하여 훈련된 MLP 모델을 생성한다.
또한 출력에 ψd값을 더해주게 된다면 잡음의 영향이 줄어든 예측된 회두각을 얻을 수 있다. 그리고 회전구간에서 위와 같은 방법을 적용하기는 불가능하기 때문에 상태추정에 널리 쓰이는 Kalman Filter를 차용하여 전진방향 구간에서는 MLP를, 회전구간에서는 Kalman Filter를 적용하는 방법을 제안한다. 이러한 방법으로 제안하는 오토파일럿 시스템의 구조는 Fig.
후)원영상으로">원 영상으로 복원하는 연구도 진행되었다(Heo and Lim, 2019). 선박은 전진방향 운동과 회전운동으로 이루어지기 때문에 전진방향 운동구간에서는 MLP를 적용하고 회전구간에서는 Kalman Filter를 적용하여 기존에 사용되는 Kalman Filter만을 사용한 경우보다 더욱 더 우수한 잡음제거능력을 표출할 수 있는 제어시스템을 제안한다.
후)수행하는 데">수행하는데 한계를 가지고 있다. 시뮬레이션 결과를 통해 PD형 대비 속도형 Fuzzy PID 오토파일럿 시스템의 우수한 성능을 검증하였고 본 논문에서 회두각을 유지하기 위한 오토파일럿 시스템으로 속도형 Fuzzy PID 제어기를 적용한다.
오토파일럿 시스템으로 많이 사용하고 있는 PD형 제어기와 속도형 퍼지 PID제어기의 성능을 비교하여 속도형 퍼지PID 제어기의 우수성을 입증하였다. 속도형 퍼지 PID 오토파일럿 시스템은 잡음이 없다는 가정 하에서는 매우 우수한 성능을 표출하지만 잡음의 영향을 받는다면 미분기의 오동작이 발생하여 성능저하를 초래한다.
후)전진 방향">전진방향 운동이 불가함을 알 수 있다. 이와 같은 문제를 해결 위해 기존에 상태추정에 널리 사용되는 Kalman Filter를 적용하여 예측 추정치를 제어시스템의 입력으로 피드백 시키는 분리원리를 적용하여 미분기의 오동작을 줄여주고자 한다.
후)전진 방향">전진방향 운동을 하는데 한계를 가진다. 이와 같은 문제를 해결하기 위해 최근 대두되고 있는 머신러닝 기법 중 하나인 MLP(Multi-Layer Perceptron)를 Kalman Filter와 결합하는 방식을 제안하고자 한다.
이와 같은 특성을 이용하여 조타각이 0°보다 작거나 크면 회전구간이라 판단하여 Kalman Filter모드를 적용하고 조타각이 0°부근에 존재하면 전진방향 운동 상태라 판단하여 MLP모드를 적용한다.
후)회전 구간에서는">회전구간에서는 Kalman Filter를 적용하고 전진방향 구간에서는 MLP를 적용하여 회전구간 및 전진방향 구간에서 오토파일럿 시스템의 성능을 개선하여 선박이 항로를 보다 정확하게 추종할 수 있게 하고자 한다.
대상 데이터
기존에 널리 사용되고 있는 PD형 오토파일럿 시스템과 속도형 퍼지 PID 오토파일럿 시스템의 성능을 비교하기 위해 시뮬레이션을 실시하였으며 시뮬레이션에 사용된 PD형 제어기는 식(4)와 같이 구성하였고 선반의 제원은 Table 1과 같다.
데이터처리
후)최소화시켜야">최소화 시켜야 MLP의 출력과 정답 데이터 간의 오차가 작음을 의미한다. 비용함수(Loss Function)는 평균제곱오차(Mean Square Error)를 사용하였고, 비용함수를 최소화 시키는 최적화 함수는 Adam-Optimizer 함수를 사용하였다. 최적화 함수는 비용함수의 값을 최소화하기 위해 비용함수의 기울기를 이용하며 크게 모멘텀 방식과 어댑티브 방식으로 이루어진다.
이론/모형
후)응답 속도가">응답속도가 느려 선박이 정해진 항로에서 이탈하게 된다. 따라서 본 논문에서는 PD형 오토파일럿 시스템의 단점을 보완할 수 있는 속도형 퍼지 PID(Proportional-Integral-Differential) 오토파일럿 시스템을 적용한다(Kim et al., 2018a). 속도형 퍼지 PID 오토파일럿 시스템은 잡음이 없다는 가정 하에 아주 우수한 성능을 발휘하지만 시스템이 잡음의 영향을 받는다면 D제어기(미분기)가 정상적인 작동을 하지 못해 잡음의 영향을 더욱
후)퍼지제어블록1과">퍼지 제어블록1과 2의 제어규칙은 Zadeh의 AND논리가 적용되었으며 이는 전반부의 2가지 조건에 대하여 후반부의 적합도를 찾기 위해 min연산을 수행하며 비퍼지화기는 무게중심법을 사용하였다. 속도형 퍼지 PID 오토파일럿 시스템에 대한 자세한 내용은 참고문헌(Kim et al.
성능/효과
후)경우 보도">경우보도 우수함을 알 수 있다. 결론적으로 선박은 기존의 방법보다 더욱 우수한 전진방향 운동을 성능을 표출함을 알 수 있다.
후)전진 방향의">전진방향의 위치에 대한 제안한 방법과 Kalman Filter를 사용한 경우 RMSE값이 각각 0.002, 0.057이 계산됨으로 수치적으로도 제안한 방법이 Kalman Filter를 적용한 경우보도 우수함을 알 수 있다. 결론적으로 선박은 기존의 방법보다 더욱 우수한
후)회전 구간에서는">회전구간에서는 Kalman Filter를 전진방향 구간에서는 MLP를 적용하는 방법을 제안하였다. 제안한 방법을 적용한 결과 오토파일럿 시스템의 미분기에서 오동작이 줄어들어 선박은 보다 정확한 전진방향 운동이 가능함을 알 수 있었다. 다만
후속연구
후)대체할">대체 할
수 있는지 추후 연구하고자 한다. 또한 실제 운항을 통해 제안한 방법이 선박 에너지 효율을 얼마나 높일 수 있을지 검증하는 일도 향후 연구로 남아있다.
질의응답
핵심어
질문
논문에서 추출한 답변
MLP는 어떤 분야에서 응용되고 있는가?
따라서 본 논문에서는 잡음의 영향을 더욱 줄여주기 위해 인공신경망의 한 종류인 MLP(Multi-Layer Perceptron)와 Kalman Filter를 결합하고자 한다. MLP는 패턴인식, 시계열 예측, 비선형 제어 등과 같은 다양한 분야에서 응용되고 있으며(Oh, 2003) MLP의 일종인 CNN을 이용하여 잡음 영상을 원 영상으로 복원하는 연구도 진행되었다(Heo and Lim, 2019). 선박은 전진방향 운동과 회전운동으로 이루어지기 때문에 전진방향 운동구간에서는 MLP를 적용하고 회전구간에서는 Kalman Filter를 적용하여 기존에 사용되는 Kalman Filter만을 사용한 경우보다 더욱 더 우수한 잡음제거능력을 표출할 수 있는 제어시스템을 제안한다.
오토파일럿 시스템의 입력, 출력데이터는 무엇인가?
선박을 운항하기 위해서 오토파일럿 시스템이 사용되는데(Fossen, 1999; Sperry, 1992) 오토파일럿 시스템은 자이로스코프에서 측정된 회두각을 입력으로 사용하고, 출력으로 선박을 제어하기 위한 조타각을 생성한다. 기존에 사용된오토파일럿 시스템은 PD(Proportional-Differential)형 제어기로 구성된 오토파일럿을 사용하였지만 비선형 항을 많이 포함하고 있는 선박에 적용할 경우 회전 시 조타각의 변화가 거칠게 일어나 오버슈트, 정상상태 오차가 발생하고 응답속도가 느려 선박이 정해진 항로에서 이탈하게 된다.
기존 PD형 오토파일럿 시스템의 단점은 무엇인가?
선박을 운항하기 위해서 오토파일럿 시스템이 사용되는데(Fossen, 1999; Sperry, 1992) 오토파일럿 시스템은 자이로스코프에서 측정된 회두각을 입력으로 사용하고, 출력으로 선박을 제어하기 위한 조타각을 생성한다. 기존에 사용된오토파일럿 시스템은 PD(Proportional-Differential)형 제어기로 구성된 오토파일럿을 사용하였지만 비선형 항을 많이 포함하고 있는 선박에 적용할 경우 회전 시 조타각의 변화가 거칠게 일어나 오버슈트, 정상상태 오차가 발생하고 응답속도가 느려 선박이 정해진 항로에서 이탈하게 된다. 따라서 본논문에서는 PD형 오토파일럿 시스템의 단점을 보완할 수있는 속도형 퍼지 PID(Proportional-Integral-Differential) 오토파일럿 시스템을 적용한다(Kim et al.
참고문헌 (18)
Fossen, T. I.(1999), Recent Development in Ship Control System Design, London, USA: Sterling Publications Limited.
Fossen, T. I.(2001), Marine Control Systems, Trondheim, Norway: Marine Cybernetics.
Fossen, T. I.(2011), Guidance and Control of Ocean Vehicles, Sussex, England: John Willy & Sons Ltd.
Han, D. K., I. R. Fitri, and J. S. Kim(2018), Disturbance Observer using Machine Learning Algorithm, Journal of the Institute of Control, Robotics and System, Vol. 24, No. 5, pp. 386-392.
Heo, K. H. and D. H. Lim(2019), Noise reduction using patch-based CNN in images, Journal of the Korean Data And Information Science Society, Vol. 30, No. 2, pp. 349-363.
Jazwinski, A. H.(1960), Stochastic processes and Filtering Theory, Academic Press, New York.
Kim, I. H., B. K. Lee, and J. H. Kim(2003), A study on the Performance Improvement of the Nonlinear Fuzzy PID Controller, Journal of the Korean Society of Marine Engineering, Vol. 27, No. 7, pp. 852-861.
Kim, J. H., Y. S. Ha, and B. K. Lee(2006), A Fuzzy PID Controller Type Autopilot System for Route-Tracking of Ships, Journal of the Korean Society of Marine Engineering, Vol. 30, No. 6, pp. 760-769.
Kim, Y. N., M. K. Kim, and H. Y. Yu(2015), MLP based directional pedestrian counting, Korea Computer Congress, pp. 832-834.
Kim, M. K., J. H. Kim, and J. K. Kyu(2018a), A fuzzy PID autopilot and path following using fuzzy disturbance estimator for a ship, Journal of the Korean Society of Marine Engineering, Vol. 42, No. 1, pp. 49-57.
Kim, M. K., S. H. Lee, and J. H. Kim(2018b), Control Performance Improvement using Unknown Disturbance Estimation Based on Kalman Filter, Journal of the Institute of Control, Robotics and System, Vol. 24, No. 5, pp. 445-452.
Kim, H. J.(2016), 69th IMO Marine Environment Protection Committee (MEPC), Bulletin of the Society of Naval Architects of Korea, Vol. 53, No. 2, pp. 29-37.
Lee, E. K., S. H. Choi, and M. H. Kang(2017), AMP installation for alleviating the fine dust issue of port city, KMI Weekly Report, Vol. 35, pp. 1-23.
Oh, S. H.(2003), On the Noise Robustness of Multilayer Perceptrons, The Korea Contents Society, pp. 213-217.
Park, S. H.(2016), State Estimation and Control of Stochastic System under Unknown Disturbance and Noise, M.S. Dissertation, Korea Maritime and Ocean University.
Park, S. H. and J. H. Kim(2016), A study on rotational motion control for ship steering motion control, Journal of the Korean Society of Marine Engineering, Vol. 40, No. 2, pp. 120-130.
Park, J. H., J. W. Choi, and H. T. Choi(2018), Collision Risk Evaluation and Collision-Free Path Planning of Autonomous Surface Vehicles Considering the Uncertainty of Trajectory Prediction, Journal of Institute of Control, Robotics and Systems, Vol. 24, No. 7, pp. 608-616.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.