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 ψ_d값을 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.