결빙되거나 적설이 있는 도로와 같이 마찰이 작은 노면에서는 일반 노면과 비교했을 때 제동거리가 크게 증가하기 때문에 심각한 교통사고로 이어질 수 있다. 이에 블랙 아이스(Black ice)와 같은 노면 위험을 감지 하기 위한 노면 분류 기술에 대한 연구가 지금까지 지속적으로 이루어지고 있다. ESC(Electronic Stability Control) 시스템은 차량 자세 제어를 통해 마찰이 작은 노면에서 차량의 미끄러짐 및 전복을 방지하는 능동 안전시스템(Active safety system)이다. ESC 시스템의 성능을 위해서는 정확한 노면 마찰 계수(Road friction coefficient) 추정을 통한 노면 분류가 중요하다. 최근의 노면 분류 기술은 카메라, LiDAR 등의 이미 지 기반의 방법에 중점을 두고 연구가 진행되고 있다. 그러나 이러한 이미지 기반의 방법들은 정확도가 낮을 뿐만 아니라 높은 계산 복잡도의 문제를 가지고 있다. 이뿐만 아니라 높은 비용으로 인해 상용화 측면에서도 단점을 드러내고 있다. 본 연구에서는 그림1처럼 센서 융합 기술을 활용하여 이미지 기반 방법의 문제점을 해결하고자 한다. 차량 횡방향 동역학 모델(Vehicle lateral dynamic model)을 선형화하여 칼만 필터(Kalman filter)를 적용한 노면 마찰 계수 추정 알고리즘을 설계하고, 기계학습(Machine learning) 모델을 적용하여 블랙 아이스 검출 알고 리즘을 설계한다. 전기차 CAN 버스로부터 얻을 수 있는 차량 종방향 가속도(Vehicle longitudinal acceleration)를 제어 입력으로 하고, 요 레이트(Yaw rate)를 측정값으로 하여 칼만 필터에 적용하여 차량 종 방향 속도(Vehicle longitudinal velocity)와 차량 횡방향 속도(Vehicle lateral velocity), 요 레이트, 차량 횡방 향 힘(Vehicle lateral force)을 추정한다. 이때 전통적인 칼만 필터 대신 EKF-UI(Extended kalman filter with unknown input)를 적용하여 시스템 행렬의 크기를 줄여 계산 복잡도를 감소시키고 차량의 거동 변화 를 보다 정확하게 반영할 수 있도록 하였다. 추정된 차량 종방향 속도, 차량 횡방향 속도, 요 레이트를 통해 사이드 슬립 각(Side slip angle)을 구해 사이드 슬립 각과 차량 횡방향 힘의 관계를 이용해 특징들을 찾아 기계학습 모델(e.g. 앙상블 기법, SVM 등)을 적용하여 블랙 아이스를 검출할 수 있다. MATLAB/Simulink SW 및 CarSim을 사용하여 개발한 알고리즘의 성능을 검증하였으며, 본 연구의 결과는 ESC 시스템의 성능 을 개선시켜 차량의 미끄러짐으로 인한 교통사고의 예방에 도움이 될 것으로 예상한다. 여기에 스마트 타이 어(Smart tire)의 센서도 추가해 노면과 타이어 사이의 직접적인 데이터를 추가해 검출 성능을 높일 것이다.

Electric doors have been applied in urban trains since 2007 and operated for a long time. Recently, the failure of mechanical devices in electric doors have been increasing. The door is a device that is directly related to the safety of passengers. The rivet breakage of a ball/nut assembly may occur to an accident during train operation. In this study, the operating voltage and acceleration data of the door were collected for rivet condition monitoring, and 4 features were extracted in the frequency domain using the acceleration data. The classification performance of the rivet condition according to the axial direction of the acceleration data and 4 kernel functions was evaluated using SVM algorithm. When the X-axis data and Gaussian kernel function were used, the highest classification performance was shown for the electric door’s rivet with 90% accuracy.

본 연구에서는 투과 유량 모델을 개발하기 위하여, 시간, 막 전후의 압력 차, 회전 속도, 막의 기공 크기, 동점도, 농도 및 공급 유체의 밀도 등 7개의 입력 변수에 기반한 두 종류(ANN 및 SVM) 인공지능 기법을 이용하였다. 시행착오법과 실험데이터와 예측 데이터 간의 결정 계수(R2) 와 평균절대상대편차(AARD)를 포함한 두 가지 통계 변수를 통해 최적의 모델 을 선정하였다. 최종적으로 얻어진 결과에서 최적화된 ANN 모델이 R2 = 0.999 및 AARD% = 2.245인 투과 플럭스 예측 정 확도를 보여서, R2 = 0.996 및 AARD% = 4.09의 정확도를 보인 SVM 모델에 비해 더 정확함을 알 수 있었다. 또한, ANN 모델은 SVM 방식에 비해 투과 유속을 예측하는 능력도 더 높은 것으로 나타났다.

Recently, due to the aging of workers and the weakening of the labor base in the automobile industry, research on quality inspection methods through ICT(Information and Communication Technology) convergence is being actively conducted. A lot of research has already been done on the development of an automated system for quality inspection in the manufacturing process using image processing. However, there is a limit to detecting defects occurring in the automotive sunroof sealer application process, which is the subject of this study, only by image processing using a general camera. To solve this problem, this paper proposes a system construction method that collects image information using a infrared thermal imaging camera for the sunroof sealer application process and detects possible product defects based on the SVM(Support Vector Machine) algorithm. The proposed system construction method was actually tested and applied to auto parts makers equipped with the sunroof sealer application process, and as a result, the superiority, reliability, and field applicability of the proposed method were proven.

본 논문은 상대적으로 새로운 기법인 Parzen Density Estimation과 Multi-class SVM을 이용한 지능형 고장 탐색과 진단 방법을 제안하고 있다. 본 연구에서는 롤링 베어링을 대상으로 고장을 탐색하고 진단하기 위한 방법을 제안하는데 Parzen Density Estimation과 Multi-class SVM은 고장 클래스를 잘 표현할 수 있다. Parzen Density Estimation은 새로운 패턴 데이터의 거절과 알려진 데

본 연구는 현재 상태에서 콘크리트 내부의 균열, 공극, 결함 등을 식별 및 판단하고 일반적인 초음파법 및 반발경도법 외에 S-wave 및 R-wave를 사용하여 미래의 머신러닝 기법의 적용 가능성을 설명합니다. 또한, 다양한 머신러닝 기법 중에서 서포트벡터머신(SVM) 및 인공신경망(ANN)을 사용하여 콘크리트 건전성 평가에 대한 모델 개발을 통해 실험데이터의 예측 결과에 대한 비교분석을 진행하였고 최종적으로 SVM 모델을 제시하였다.

This study describes the applicability of machine learning techniques using the measurements of non - destructive testing techniques to identify the strength of concrete in the current state and to predict future strength. We also want to develop analytical techniques suitable for the strength evaluation of concrete among various machine learning techniques.

본 연구에서는 Tropical Rainfall Measuring Mission (TRMM) 3B43 V7 (25 km)의 월 누적 격자 강우량을 1 km 해상도로 상세화하기 위해 Support Vector Machine (SVM) 회귀를 활용한 상세화 기법을 제안하였다. 비선형 예측모델인 SVM은 상세화의 기반이 되는 다양한 수문기상인자와 강우 발생간의 월별 상관성 구축에 효율적으로 활용되었다. 상세화된 격자 강우는 전국에 고루 분포한 64개 지점 관측 강우와의 비교 분석을 통해 상세화 이전의 격자 강우 보다 다소 개선된 정확도를 지니는 것으로 확인되었다. 특히, 상세화 이전 격자 강우가 지니는 양의 Bias가 효과적으로 개선되었다. 상세화 전후의 공간분포 비교에서 두 분포는 평균적으로 유사했으나, 상세화 이전 강우의 공간분포에서 나타나지 않았던 강우의 국지적 특성이 상세화된 공간분포를 통해 잘 표현되는 것을 확인할 수 있었다. 특히, 일부 지점의 과소 및 과대산정이 상세화를 통해 개선되어 전반적인 정확도 향상에 기여하였음을 확인했다. 본 연구에서 제안된 상세화 기법이 적용된 격자 강우는 모델의 정확도 향상을 위한 고해상도 입력자료로 활용될 수 있으며, 추후 연구에서는 SVM 외에 다른 회귀 방식을 활용하여 최적의 강우 상세화 기법 개발에 기여할 수 있을 것으로 보인다.

본 연구에서는 Wavelet Transform과 Support Vector Machine (SVM)을 결합한 Hybrid 상수도 수요량 예측 모형을 개발하였다. Wavelet Transform 방법을 활용하여 다양한 스케일이 존재하는 상수도 수요량 시계열을 분해하여 단순한 형태의 시계열로 변환하는데 이용하였으며, 비선형 예측모형인 SVM은 이들 단순화된 시계열을 예측하는데 활용하여 예측성능을 극대화시키는 방안을 수립하였다. 본 연구에서는 상수도 수요량 자료에서 내재되어 있는 주기의 특성과 비선형 예측모형의 장점을 서로 연계한 해석이 가능하였으며 시각적인 검토 및 모든 통계지표에서 개선된 예측결과를 확인할 수 있었다. 특히, 기존 ARIMA 모형 계열에서 나타나는 자기예측문제를 상당부분 개선한 결과를 보여줌으로서 실질적인 수요량 예측모형으로서 활용이 가능할 것으로 판단된다.

본 논문에서는 SVM을 이용한 번호판 위치 추출 알고리즘을 제안한다. 일반적으로 번호판 영역은 가로-세로 비율 컬러, 공간 주파수 성분 등의 특징을 포함하고 있다. 제안하는 기법은 영상 획득, 번호판 후보 영역 추출, 번호란 위치 검증 세가지 단계로 구성되어 있다. 번호판 후보 영역 추출 단계에서는 컬러 필터링과 경계선 검출을 하여 번호판 후보 영역을 찾아내고 후보 영역의 DCT 계수를 SVM에 적용하여 검증한다. 이러한 검증과정을 거침으로써 잘못된 추출을 막아 신뢰성 있는 번호판 영역 추출이 가능하다. 실험을 통해 제안한 방법을 검증하였다.