지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 박성근
- 발행연도
- 2023
- 저작권
- 순천향대학교 논문은 저작권에 의해 보호받습니다.
이용수31
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 연구는 전기자동차의 연비향상을 위하여 사용하는 회생제동 기술을 적용함에 있어 발생하는 백래시 현상에 의한 승차감 저하를 줄이기 위하여 백래시 현상 완화 토크 프로파일 도출 알고리즘을 제안한다. 전기차는 배터리에 축적된 에너지로 모터를 회전시켜 자동차를 구동시키는데 전기차의 운행 가능한 거리가 짧다는 단점이 있다. 때문에 효율적인 에너지 관리가 중요하게 생각되고 으며 전기차 배터리의 효율적인 에너지 관리를 위하여 핵심기술로 회생제동 시스템(regenerative braking system)을 사용한다. 회생제동은 차량 감속 시 발생하는 에너지를 전기 에너지로 변환해 고전압 배터리를 충전하여 전기 에너지와 제동력을 얻을 수 있다. 하지만 모터와 기어의 특성상 회전방향이 바뀌면 기어에 백래시 영역에 충돌하며 진동이 발생하며 이로 인하여 승차감의 저하가 일어난다. 승차감 향상을 위한 기존 백래시 최소화 작업에 있어 백래시 보상 제어기 사용 시에 전문 엔지니어가 수동으로 Calibration하여 사용하는 방식을 사용하며 기존 방식에는 엔지니어에 따른 튜닝 성능차이, Calibration 인자 및 차량편차가 존재하고 많은 시간과 비용이 요구되는 단점이 있다.
본 논문에서는 실제 차량의 주행데이터를 기반으로 딥러닝 알고리즘을 사용하여 가속도 인자에 영향을 주는 인자를 선별하고 목표 가속도 설정 및 목표 가속도 추종 모델과 백래시 저감 토크 프로파일 생성 알고리즘을 제안한다. 생성된 토크 프로파일을 적용할 경우 백래시 및 뒤틀림 충격 저감과 이를 통한 승차감의 향상을 목표로 한다. 위와 같은 목표를 위하여 연구는 크게 2가지로 나누어 개발을 진행하였다.
먼저 Phase 1 으로는 차량 정보를 기반으로 MLP, LSTM과 같은 딥러닝 알고리즘을 사용하여 가속도 예측 모델을 개발하였다. 가속도 인자와 연관이 높은 인자를 구하였으며 가장 연관이 높은 모터 토크 인자를 사용하여 가속도를 예측 모델을 설계하였다.
Phase 1의 모델을 기반으로 Phase 2가 진행되며, Phase 2는 백래시 저감을 위한 최적화 토크 프로파일을 찾는 알고리즘을 개발하였다. Genetic Algorithm(GA)를 사용하여 평가 지표인 fitness가 감소하는 방향으로 학습되는 것을 보였다. 평가지표로 MAPE를 사용하였기 때문에 감소되는 것이 이상적인 가속도 값과 예측 가속도 값의 차이가 줄어든다는 것을 의미한다. 하지만 원하는 목표 가속도를 얻을 수 있는 토크 프로파일을 생성하는 데에 어려움이 있었다. 이를 해결하기 위하여 한 step씩 진행하는 One Step GA를 제안하였다. One Step GA 학습을 진행 한 결과 원하는 목표 가속도를 얻을 수 있는 토크 프로파일을 생성하였다.
하지만 One Step GA 학습 결과 도출된 토크 프로파일은 가속도 추종 모델에서는 이상적인 가속도를 도출하고 있지만 이를 실차에 넣어 테스트를 해보기 전까지는 해당 토크가 실제로 백래시 저감 효과가 있는지 확인할 수 없는 문제가 존재한다. 따라서 실차 실험이 이루어지기 전까지는 도출한 GA 결과는 해당 토크 프로파일의 성능을 측정할 수 없는 문제가 있다.
이 경우 Phase 1의 가속도 예측 모델을 기반으로 Phase 2가 진행되기 때문에 가속도 추종 알고리즘인 LSTM 모델에 크게 영향을 받게 된다. 따라서 One Step GA의 성능 개선 방향을 위한 LSTM 성능 개선 방법을 제시한다.
본 논문에서는 실제 차량의 주행데이터를 기반으로 딥러닝 알고리즘을 사용하여 가속도 인자에 영향을 주는 인자를 선별하고 목표 가속도 설정 및 목표 가속도 추종 모델과 백래시 저감 토크 프로파일 생성 알고리즘을 제안한다. 생성된 토크 프로파일을 적용할 경우 백래시 및 뒤틀림 충격 저감과 이를 통한 승차감의 향상을 목표로 한다. 위와 같은 목표를 위하여 연구는 크게 2가지로 나누어 개발을 진행하였다.
먼저 Phase 1 으로는 차량 정보를 기반으로 MLP, LSTM과 같은 딥러닝 알고리즘을 사용하여 가속도 예측 모델을 개발하였다. 가속도 인자와 연관이 높은 인자를 구하였으며 가장 연관이 높은 모터 토크 인자를 사용하여 가속도를 예측 모델을 설계하였다.
Phase 1의 모델을 기반으로 Phase 2가 진행되며, Phase 2는 백래시 저감을 위한 최적화 토크 프로파일을 찾는 알고리즘을 개발하였다. Genetic Algorithm(GA)를 사용하여 평가 지표인 fitness가 감소하는 방향으로 학습되는 것을 보였다. 평가지표로 MAPE를 사용하였기 때문에 감소되는 것이 이상적인 가속도 값과 예측 가속도 값의 차이가 줄어든다는 것을 의미한다. 하지만 원하는 목표 가속도를 얻을 수 있는 토크 프로파일을 생성하는 데에 어려움이 있었다. 이를 해결하기 위하여 한 step씩 진행하는 One Step GA를 제안하였다. One Step GA 학습을 진행 한 결과 원하는 목표 가속도를 얻을 수 있는 토크 프로파일을 생성하였다.
하지만 One Step GA 학습 결과 도출된 토크 프로파일은 가속도 추종 모델에서는 이상적인 가속도를 도출하고 있지만 이를 실차에 넣어 테스트를 해보기 전까지는 해당 토크가 실제로 백래시 저감 효과가 있는지 확인할 수 없는 문제가 존재한다. 따라서 실차 실험이 이루어지기 전까지는 도출한 GA 결과는 해당 토크 프로파일의 성능을 측정할 수 없는 문제가 있다.
이 경우 Phase 1의 가속도 예측 모델을 기반으로 Phase 2가 진행되기 때문에 가속도 추종 알고리즘인 LSTM 모델에 크게 영향을 받게 된다. 따라서 One Step GA의 성능 개선 방향을 위한 LSTM 성능 개선 방법을 제시한다.
목차
제1장. 서론 1제1절 연구 배경 1제2절 연구 필요성 2제3절 문제 현상 정의 5제4절 관련 연구 및 차별점 8제5절 연구 목표 10제2장. 연구 이론 11제1절 딥러닝(Deep Learning) 학습 112.1.1 MLP(Multi-Layer Perceptron) Regression 112.1.2 LSTM(Long Short-Term Memory) Regression 12제2절 중요인자 추출 132.2.1 Decision Tree 132.2.2 Random Forest 142.2.3 XGBoost 142.2.4 CART 14제3절 최적화(Optimization) 알고리즘 152.3.1 GA (Genetic Algorithm) 15제3장. 연구 방법 17제1절 데이터 상에서의 문제 현상 정의 18제2절 사용 데이터 20제3절 가속도 추정 모델 설계 213.3.1 인자 선정 213.3.2 딥러닝 알고리즘 기반 가속도 추정 모델 설계 243.3.2.1 MLP(Multi-Layer Perceptron) Regression 243.3.2.2 LSTM(Long Short-Term Memory) Regression 26제4절 최적화 토크 프로파일 도출 알고리즘 개발 273.4.1 백래시 판별 조건 283.4.2 GA(Genetic Algorithm) 303.4.3 One Step GA 38제4장. 실험 및 결과 42제1절 실험 환경 424.1.1 H/W 실험 환경 424.1.2 S/W 실험 환경 42제2절 Phase 1 실험 434.2.1 Phase 1 실험 및 평가 방법 434.2.2 Phase 1 실험 결과 45제3절 Phase 2 실험 494.3.1 Phase 2 실험 및 평가 방법 494.3.2 Phase 2 실험 결과 49제5장. 결론 52참고 문헌 54ABSTRACT 57
최근 본 자료
댓글(0)
0