| 1 |
1
저더 발생이 저더 발생 판단 장비로 측정되는 시험 차량에서 모바일 GDS(Global Diagnostic System)로 입력 데이터가 샘플링되고, 인공지능 활용 데이터를 추출하는 데이터 샘플링 단계,상기 인공지능 활용 데이터가 DNN(Deep Neural Network)의 시행착오(Trial and Error)를 통해 저더판단 인공지능 모델로 개발되는 DNN 모델 구축 단계, 및상기 저더판단 인공지능 모델을 상기 모바일 GDS에 탑재하고, 차량의 저더 평가 모드에서 저더 발생의 유무가 확인되는 인공지능 진단 단계가 포함되는 것을 특징으로 하는 인공지능 활용 차량 저더 진단 방법
|
| 2 |
2
청구항 1에 있어서, 상기 입력 데이터는 상기 시험 차량과 상기 차량의 센서 신호를 샘플링하여 획득되는 것을 특징으로 하는 인공지능 활용 차량 저더 진단 방법
|
| 3 |
3
청구항 2에 있어서, 상기 센서 신호의 종류는 엔진 회전수, 클러치 입력축 회전수, 종방향 가속도, 차속, 클러치 온도 및 클러치 슬립 회전수 중 하나 이상인 것을 특징으로 하는 인공지능 활용 차량 저더 진단 방법
|
| 4 |
4
청구항 1에 있어서, 상기 데이터 샘플링 단계는상기 시험 차량을 구축하는 시험 데이터 준비 단계,상기 시험 차량을 저더 진단 모드로 운전하고, 상기 저더 발생 판단 장비에서 상기 시험 차량의 가속도계 측정 신호를 검출하면서 상기 모바일 GDS에서 샘플링이 수행되는 GDS 측정 단계상기 입력 데이터에 대한 레벨링(Labelling)으로 레벨링 데이터(Labelling Data)가 추출되는 단계,상기 레벨링 데이터의 데이터 크기 영향 및 샘플링 주기 영향이 제거되는 레벨링 데이터 정제 단계, 및상기 레벨링 데이터를 학습 데이터와 유효성 검증 데이터로 구분하여 상기 인공지능 활용 데이터가 추출되는 단계로 수행되는 것을 특징으로 하는 인공지능 활용 차량 저더 진단 방법
|
| 5 |
5
청구항 4에 있어서, 상기 시험 데이터 준비 단계는DCT(Double Clutch Transmission)와 더블 클러치가 저더 시험 장비로 선정되는 단계,상기 DCT와 상기 더블 클러치로 상기 시험 차량이 선정되는 단계, 및상기 시험 차량에 대한 저더 평가가 정의되는 단계로 수행되는 것을 특징으로 하는 인공지능 활용 차량 저더 진단 방법
|
| 6 |
6
청구항 5에 있어서, 상기 더블 클러치는 클러치 커버 변형과 커버 플레이트 가공 오차 제한 초과 클러치의 기하 저더 발생 샘플 2종, 차량 노화(Aging)와 클러치 면 재료 물성치 변경 및 클러치 면 열화 시험 클러치의 마찰저더 발생 샘플 3종, 신품과 차량 노화(Aging) 후 정상 상태 클러치의 정상 상태 샘플 2종으로 구성되는 것을 특징으로 하는 인공지능 활용 차량 저더 진단 방법
|
| 7 |
7
청구항 5에 있어서, 상기 저더 평가의 정의는 차량 운전 조건과 저더 시험 조건으로 구분되며,상기 차량 운전 조건은 워밍업 상태 및 일반 도로에서 정차로부터 가속 페달 조작 없는 차량 발진 및 출발 상태이고,상기 저더 시험 조건은 상기 더블 클러치에 대한 X℃ 이상 ~X℃ 미만의 클러치 온도 영역인 것을 특징으로 하는 인공지능 활용 차량 저더 진단 방법
|
| 8 |
8
청구항 7에 있어서, 상기 X℃ 이상 ~X℃ 미만은 50℃ 간격의 5개 온도 영역으로 분류되고, 상기 5개 온도 영역에서 1개 온도 영역 당 20개로 하여 100개가 상기 저더 시험 조건으로 적용되는 것을 특징으로 하는 인공지능 활용 차량 저더 진단 방법
|
| 9 |
9
청구항 4에 있어서, 상기 GDS 측정 단계는상기 시험 차량의 차량 제어기에서 검출한 복수개 센서 신호를 상기 모바일 GDS에서 상기 입력 데이터로 샘플링되는 시험 데이터 측정 단계, 및상기 입력 데이터를 샘플링 주기로 적합성이 판단되는 단계로 수행되는 것을 특징으로 하는 인공지능 활용 차량 저더 진단 방법
|
| 10 |
10
청구항 9에 있어서, 상기 입력 데이터는 상기 샘플링을 통해 1400개가 측정되는 것을 특징으로 하는 인공지능 활용 차량 저더 진단 방법
|
| 11 |
11
청구항 9에 있어서, 상기 샘플링 주기의 적합성은 상기 샘플링의 측정 소요시간이 측정 설정시간을 넘지 않는 상태로 확인되며,상기 측정 소요시간이 상기 측정 설정시간 보다 긴 경우 상기 복수개 센서 신호를 재 샘플링하는 것을 특징으로 하는 인공지능 활용 차량 저더 진단 방법
|
| 12 |
12
청구항 4에 있어서, 상기 레벨링(Labelling)은 “저더 문제 없음”, ”저더 문제 수준“, ”기하 저더“ 및 ”마찰 저더“로 구분된 상기 입력 데이터에 대한 저더 발생 판단으로 상기 레벨링 데이터를 생성해 주는 것을 특징으로 하는 인공지능 활용 차량 저더 진단 방법
|
| 13 |
13
청구항 4에 있어서, 상기 레벨링 데이터 정제 단계는상기 입력데이터에 대한 정규화(Normalization)와 표준화(Standardization)가 이루어지는 단계, 및상기 입력데이터에 대한 상기 샘플링의 측정 소요시간이 측정 설정시간보다 작을 때 시간을 0으로 수렴시켜 주는 단계로 수행되는 것을 특징으로 하는 인공지능 활용 차량 저더 진단 방법
|
| 14 |
14
청구항 4에 있어서, 상기 학습 데이터와 상기 유효성 검증 데이터는 상기 레벨링 데이터의 품질로 구분되며,상기 학습 데이터는 상기 레벨링 데이터의 70%를 적용하고, 상기 유효성 검증 데이터는 상기 레벨링 데이터의 30%를 적용하는 것을 특징으로 하는 인공지능 활용 차량 저더 진단 방법
|
| 15 |
15
청구항 1에 있어서, 상기 DNN 모델 구축 단계는상기 인공지능 활용 데이터의 학습용 데이터를 읽어 오는 단계, 상기 학습용 데이터가 상기 DNN에서 상기 DNN 모델 구축으로 인공지능 모델 설계가 이루어지는 단계, 상기 인공지능 활용 데이터의 유효성 검증 데이터를 읽어 오는 단계, 상기 DNN이 상기 유효성 검증 데이터를 입력으로 처리하는 단계,상기 인공지능 모델의 출력이 설정된 저더진단 정확도로 검증되는 단계, 및상기 저더진단 정확도가 설정값 미만인 경우 상기 시행착오로 상기 DNN 모델 구축을 다시 하는 인공지능 모델 재설계 단계 또는 상기 저더진단 정확도가 설정값 이상인 경우 상기 저더판단 인공지능 모델로 확립되는 모델검증 충족 단계로 수행되는 것을 특징으로 하는 인공지능 활용 차량 저더 진단 방법
|
| 16 |
16
청구항 15에 있어서, 상기 인공지능 모델 설계 단계는CNN(Convolution Neural Network) 및 MP(Max Pooling)로 상기 학습용 데이터에서 특징 추출이 이루어지는 단계, 및입력과 출력을 Layer로 연결하여 상기 DNN 모델 구축이 이루어지는 단계로 수행되는 것을 특징으로 하는 인공지능 활용 차량 저더 진단 방법
|
| 17 |
17
청구항 15에 있어서, 상기 저더진단 정확도는 “저더 문제 없음”, ”저더 문제 수준“, ”기하 저더“ 및 ”마찰 저더“의 각각에 대한 백분율이며,상기 설정값은 90%로 설정되는 것을 특징으로 하는 인공지능 활용 차량 저더 진단 방법
|
| 18 |
18
청구항 1에 있어서, 상기 인공지능 진단 단계는상기 차량의 복수개 센서 신호를 상기 모바일 GDS에서 샘플링하여 차량 입력 데이터로 획득되고,상기 모바일 GDS에서 구동한 상기 저더판단 인공지능 모델로 상기 차량 입력 데이터를 처리하여 상기 저더 발생의 유무가 확인되며,저더가 발생 주파수의 변화 상태로 파악되는 기하 저더 및 발생 주파수의 고정 상태로 파악되는 마찰 저더로 구분되는것을 특징으로 하는 인공지능 활용 차량 저더 진단 방법
|
| 19 |
19
시험 차량의 복수개 센서 신호를 샘플링하여 인공지능 활용 데이터로 추출하고, DNN(Deep Neural Network)의 시행착오(Trial and Error)로 상기 인공지능 활용 데이터를 DNN 모델 구축에 적용하며, 차량의 저더 평가 모드 운전 중 샘플링한 복수개 센서 신호로 저더를 진단하여 기하 저더와 마찰 저더가 발생 주파수의 차이로 구분되는 저더판단 인공지능 모델이 포함되는 것을 특징으로 하는 모바일 기반 GDS
|
| 20 |
20
청구항 19에 있어서, 상기 시험 차량과 상기 차량은 DCT(Double Clutch Transmission)를 장착한 차량이며,상기 저더판단 인공지능 모델은 태블릿 PC 기반 GDS(Global Diagnostic System)에서 구동되는 것을 특징으로 하는 모바일 기반 GDS
|
