딥러닝 기법을 이용한 차량 연료차단 주행의 감지법
Detection Method of Vehicle Fuel-cut Driving with Deep-learning Technique
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
차량의 변속기어가 체결된 주행 상태에서 가속페달을 방치하는 경우 연료차단 주행이 시작된다. 적극적인 연료차단 주행을 활용하면 차량 연비가 개선된다. 본 연구에서는 차량의 속도, 가속도, 도로구배를 입력데이터로 사용하여 연료차단 주행 여부를 예측할 수 있는 딥러닝 기법을 제안하였다. 약 12km 정도의 도로주행을 통해 측정한 9600개의 데이터에 은닉층 3~10개, 매개변수 10~20개의 딥러닝 연산법을 적용하여 연료차단 주행여부를 예측하였다. 연산 결과, 렐루함수를 활성화함수로 적용하고 은닉층 7개, 매개변수 10개인 경우 정확도 84.5% 수준으로 예측할 수 있었다. 입력데이터인 속도, 가속도, 도로구배의 변화율이 연료소모율 데이터의 변화율에 비해 큰 것이 오차의 원인으로 판단된다. 따라서 입력데이터 정규화 과정을 통해 정확도를 높일 수 있을 것으로 예상된다. 본 연구의 특징은 차량의 연료분사 인젝터나 OBD 데이터를 사용하지 않고 GPS 등에서 쉽게 측정할 수 있는 데이터에 딥러닝을 적용한 방식이다. 또한 연산량이 적어 본 연구에서 제안한 방식으로 친환경 경제운전에 적용하기 용이할 것으로 기대된다.
Abstract
The Fuel-cut driving is started when the acceleration pedal released with transmission gear engaged. Fuel economy of the vehicle improves by active fuel-cut driving. A deep-learning technique is proposed to predict fuel-cut driving with vehicle speed, acceleration and road gradient data in the study. It’s 3~10 of hidden layers and 10~20 of variables and is applied to the 9600 data obtained in the test driving of a vehicle in the road of 12km. Its accuracy is about 84.5% with 10 variables, 7 hidden layers and Relu as activation function. Its error is regarded from the fact that the change rate of input data is higher than the rate of fuel consumption data. Therefore the accuracy can be better by the normalizing process of input data. It’s unnecessary to get the signal of vehicle injector or OBD, and a deep-learning technique applied to the data to be got easily, like GPS. It can contribute to eco-drive for the computing time small.
참고문헌 (15)
- Muji Setiyo, "AFR and fuel cut-off modeling of LPG-fueled engine based on engine, transmission, and brake system using fuzzy logic controller (FLC)", Journal of Mechatronics, Electrical Power, and Vehicular Technology, 8(1), pp.50~59 (2017), Indonesian Institute of Sciences[DOI]
- 고광호, "연료차단 주행에 의한 연비 개선 효과에 대한 연구", 한국산학기술학회논문지, 13(2), pp.498~503 (2012), 한국산학기술학회
- 최성철, "OPTIMAL FUEL-CUT DRIVING METHOD FOR BETTER FUEL ECONOMY", International Journal of Automotive Technology, 14(2), pp.183~187 (2013), 한국자동차공학회[DOI]
- 고광호, "The Change Rate of Fuel Consumption for Different IRI of Paved Roads", 한국도로학회논문집, 12(1), pp.55~59 (2010), 한국도로학회
- 윤재곤, "차량의 CAN DATA와 Fuel Flowmeter를 이용한 연비 측정에 관한 실험적 연구", 한국기계기술학회지, 21(1), pp.63~68 (2019), 한국기계기술학회[DOI]
- 이계훈, "Comparing the Effects of Visual and Visual-auditory Feedback on Eco-driving and Driving Workload", 한국ITS학회 논문지, 16(3), pp.120~131 (2017), 한국ITS학회[DOI]
- 박종찬, "Vbox와 PC-Crash를 활용한 EDR 기록정보의 신뢰성 평가", 한국자동차공학회 논문집, 25(3), pp.317~325 (2017), 한국자동차공학회[DOI]
- Sang-Heon Lee, "Model Reference Adaptive Control Using Non-Euclidean Gradient Descent", International Journal of Control, Automation, and Systems, 4(4), pp.330~340 (2002), 제어·로봇·시스템학회
- Ehsan Rouhani, "A Finite-time Adaptive Fuzzy Terminal Sliding Mode Control for Uncertain Nonlinear Systems", International Journal of Control, Automation, and Systems, 16(4), pp.1938~1950 (2018), 제어·로봇·시스템학회[DOI]
- Woojin Lee, "Instance Weighting Domain Adaptation Using Distance Kernel", Industrial Engineering & Management Systems, 17(2), pp.334~340 (2018), 대한산업공학회[DOI]
- 류서현, "정규화 및 항등사상이 활성함수 성능에 미치는 영향", 한국산학기술학회논문지, 18(10), pp.75~80 (2017), 한국산학기술학회[DOI]
- 인수교, "군집화와 딥러닝을 활용한 스마트폰 센서 데이터로부터의 신장과 체중 추론 기법", 정보과학회 컴퓨팅의 실제 논문지, 24(9), pp.456~462 (2018), 한국정보과학회[DOI]
- 성재경, "딥 러닝 기반 쇼핑몰 플랫폼용 상품 이미지 자동 분류 시스템 및 사용성 평가", 한국인터넷방송통신학회 논문지, 17(3), pp.227~234 (2017), 한국인터넷방송통신학회[DOI]
- Chien-Hua Peng, "Modeling strength of high-performance concrete using genetic operation trees with pruning techniques", Computers and Concrete, An International Journal, 6(3), pp.203~223 (2009), 사단법인 한국계산역학회
- 지명근, "배치 정규화와 CNN을 이용한 개선된 영상분류 방법", 인터넷정보학회논문지, 19(3), pp.35~42 (2018), 한국인터넷정보학회[DOI]