KR20220063958A - Apparatus and method for evaluating tire durability using machine learning - Google Patents
Apparatus and method for evaluating tire durability using machine learning Download PDFInfo
- Publication number
- KR20220063958A KR20220063958A KR1020200149938A KR20200149938A KR20220063958A KR 20220063958 A KR20220063958 A KR 20220063958A KR 1020200149938 A KR1020200149938 A KR 1020200149938A KR 20200149938 A KR20200149938 A KR 20200149938A KR 20220063958 A KR20220063958 A KR 20220063958A
- Authority
- KR
- South Korea
- Prior art keywords
- evaluation
- tire
- machine learning
- learning
- unit
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
- G01M17/02—Tyres
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60C—VEHICLE TYRES; TYRE INFLATION; TYRE CHANGING; CONNECTING VALVES TO INFLATABLE ELASTIC BODIES IN GENERAL; DEVICES OR ARRANGEMENTS RELATED TO TYRES
- B60C25/00—Apparatus or tools adapted for mounting, removing or inspecting tyres
- B60C25/002—Inspecting tyres
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
- B60Y2304/00—Optimising design; Manufacturing; Testing
- B60Y2304/09—Testing or calibrating during manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Tires In General (AREA)
Abstract
Description
본 발명은 머신러닝을 이용한 타이어 내구도 평가 장치 및 방법에 관한 것으로, 보다 상세하게는 머신러닝을 이용하여 실제 차량의 타이어의 내구도를 평가하도록 하는 장치 및 방법에 관한 것이다.The present invention relates to an apparatus and method for evaluating tire durability using machine learning, and more particularly, to an apparatus and method for evaluating the durability of a tire of a real vehicle using machine learning.
일반적으로, 타이어의 내구성능을 시험하기 위해서는, 타이어를 실제 차량에 장착하지 않고 주행시험기상에 장착하고 실제 주행중에 가해지는 하중을 상정하여 그러한 하중을 가하면서 일정 시간 주행시험기의 드럼을 회전하면서 타이어의 상태를 검사하는 시험방법이 널리 사용되고 있다.In general, in order to test the durability of a tire, the tire is mounted on the driving tester without being mounted on the actual vehicle, and the load applied during actual driving is assumed and the tire is rotated while the drum of the driving tester is rotated for a certain period of time while applying the load. The test method to check the condition of the body is widely used.
그러나, 이와 같은 종래의 타이어 내구성 평가는 드럼에 기반하여 pass or fail 형태로 진행하여 다양한 조건에 따른 내구성 예측이 어렵다.However, such a conventional tire durability evaluation proceeds in a pass or fail form based on a drum, so it is difficult to predict durability according to various conditions.
특히, 환경이 타이어에 미치는 영향에 대해 정량적 분석을 할 수 없었다.In particular, it was not possible to quantitatively analyze the effect of the environment on tires.
또한, 직접 테스트할 수 없는 환경에서의 타이어 내구도를 예측할 수 없는 문제가 있었다.In addition, there is a problem that the durability of the tire in an environment that cannot be directly tested cannot be predicted.
한편, 일반적으로 타이어 회전저항이 낮으면 마찰력이 떨어져서 제동거리가 길어지고, 타이어의 접지력을 높이면 제동거리가 짧아지고 조종안정성이 증가하는데 반해 연비가 떨어진다. 따라서, 타이어 제조사는 연비와 타이어 품질 사이에서 최대의 효율을 찾아야하지만, 기존의 타이어 내구성 평가로는 개발 전에 회전저항 계수에 따른 연비 효율을 예측하기가 어려운 실정이다.On the other hand, in general, when the tire rolling resistance is low, the friction force decreases and the braking distance becomes longer. Therefore, tire manufacturers must find the maximum efficiency between fuel efficiency and tire quality, but it is difficult to predict fuel efficiency according to the rolling resistance coefficient prior to development using the existing tire durability evaluation.
본 발명은 상기한 종래의 문제점을 해결하기 위해 제안된 것으로, 환경과 차량조건이 타이어에 미치는 영향에 대한 정량적 분석이 가능하도록 하는 머신러닝을 이용한 타이어 내구도 평가 장치 및 방법을 제공함에 그 목적이 있다.The present invention has been proposed to solve the problems of the prior art, and an object of the present invention is to provide an apparatus and method for evaluating tire durability using machine learning that enables quantitative analysis of the effects of environment and vehicle conditions on tires. .
상기와 같은 목적을 달성하기 위하여 본 발명의 바람직한 실시양태에 따른 머신러닝을 이용한 타이어 내구도 평가 장치는, 타이어 환경 변수를 입력받는 입력부; 상기 타이어 환경 변수별로 비중값을 두어 평가식에 따라 점수화하고, 점수화된 데이터를 근거로 머신러닝 학습을 수행한 후, 머신러닝 학습의 결과를 근거로 타이어 내구도를 예측 평가하는 평가부; 및 상기 평가부에서의 평가 결과에 근거하여 타이어 내구도 예측 평가점수를 산출한 후에 출력하는 결과 출력부;를 포함한다.In order to achieve the above object, an apparatus for evaluating tire durability using machine learning according to a preferred embodiment of the present invention includes: an input unit for receiving tire environment variables; an evaluation unit for predicting and evaluating tire durability based on the result of machine learning learning, after assigning a specific gravity value for each tire environment variable and scoring it according to an evaluation formula, performing machine learning learning based on the scored data; and a result output unit that calculates and outputs the tire durability prediction evaluation score based on the evaluation result of the evaluation unit.
상기 타이어 환경 변수는, 속력, 시간, 타이어 폭, 타이어 하중지수, 최대속도, 온도, 속도등급점수 중에서 하나 이상을 포함할 수 있다.The tire environment variable may include one or more of speed, time, tire width, tire load index, maximum speed, temperature, and speed rating score.
상기 평가식은, (속력/3)+(시간×5)+하중지수+(현재공기압/적정공기압)+속도등급점수=평가점수일 수 있다.The evaluation formula may be (speed / 3) + (time × 5) + load index + (current air pressure / appropriate air pressure) + speed grade score = evaluation score.
상기 평가부는, Multiple Regression 알고리즘 기반의 머신러닝 학습을 수행하는 학습부를 포함할 수 있다.The evaluation unit may include a learning unit that performs machine learning learning based on a multiple regression algorithm.
상술한 본 발명의 바람직한 실시양태에는 타이어 환경 변수별 비중값의 조절, 평가식 수정, 신규의 평가식 생성을 수행하는 수정부;를 추가로 포함할 수 있다.The above-described preferred embodiment of the present invention may further include a correction unit for adjusting the specific gravity value for each tire environmental variable, correcting the evaluation equation, and generating a new evaluation equation.
한편, 본 발명의 바람직한 실시양태에 따른 머신러닝을 이용한 타이어 내구도 평가 방법은, 머신러닝을 이용한 타이어 내구도 평가 장치에서 수행되는 타이어 내구도 평가 방법으로서, 타이어 환경 변수를 입력받는 단계; 상기 타이어 환경 변수별로 비중값을 두어 평가식에 따라 점수화하고, 점수화된 데이터를 근거로 머신러닝 학습을 수행한 후, 머신러닝 학습의 결과를 근거로 타이어 내구도를 예측 평가하는 단계; 및 상기 예측 평가하는 단계에서의 평가 결과에 근거하여 타이어 내구도 예측 평가점수를 산출한 후에 출력하는 단계;를 포함한다.Meanwhile, a method for evaluating tire durability using machine learning according to a preferred embodiment of the present invention is a method for evaluating tire durability performed by an apparatus for evaluating tire durability using machine learning, the method comprising: receiving an input of a tire environment variable; assigning a specific gravity value for each tire environment variable to score according to an evaluation formula, performing machine learning learning based on the scored data, and predicting and evaluating tire durability based on the result of the machine learning learning; and calculating and outputting the tire durability prediction evaluation score based on the evaluation result in the predictive evaluation step.
이러한 구성의 본 발명에 따르면, pass or fail 방식이 아닌, 타이어 이상조건 발생 상황을 입력값으로 하여 조건에 따른 타이어 예상 내구도를 측정할 수 있다.According to the present invention having such a configuration, it is possible to measure the expected durability of the tire according to the condition by using the condition of occurrence of a tire abnormal condition as an input value rather than the pass or fail method.
차량조건과 환경조건에 따른 타이어 내구도를 사전에 예측할 수 있어서 비용 절감 및 개발기간을 단축시킬 수 있다.By predicting tire durability according to vehicle and environmental conditions in advance, it is possible to reduce costs and shorten the development period.
실제로 테스트할 수 없는 환경에서도 조건만 입력하면 타이어 내구도 예측이 가능하다.Even in an environment that cannot actually be tested, it is possible to predict the durability of tires by inputting conditions.
여러 조건이 타이어에 미치는 영향을 정략적으로 분석 가능하므로, 타이어 기술 발전에 도움을 줄 수 있다. Since it is possible to quantitatively analyze the effects of various conditions on tires, it can help develop tire technology.
한편, 타이어 예상 수명을 측정할 수 있어서 유지 보수비를 예측할 수 있고 고객에게 타이어 점검 시기를 제시해 줄 수 있다.On the other hand, it is possible to measure the expected lifespan of a tire, so it is possible to predict the maintenance cost and suggest a tire inspection time to the customer.
도 1은 본 발명의 실시예에 따른 머신러닝을 이용한 타이어 내구도 평가 장치의 블럭구성도이다.
도 2는 도 1에 도시된 학습부의 일 예를 나타낸 도면이다.
도 3은 도 1에 도시된 결과 출력부에서 출력되는 결과의 일 예를 나타낸 도면이다.
도 4는 본 발명의 실시예에 따른 머신러닝을 이용한 타이어 내구도 평가 방법을 설명하기 위한 플로우차트이다.1 is a block diagram of an apparatus for evaluating tire durability using machine learning according to an embodiment of the present invention.
FIG. 2 is a diagram illustrating an example of the learning unit shown in FIG. 1 .
3 is a diagram illustrating an example of a result output from the result output unit shown in FIG. 1 .
4 is a flowchart for explaining a tire durability evaluation method using machine learning according to an embodiment of the present invention.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세하게 설명하고자 한다.Since the present invention can have various changes and can have various embodiments, specific embodiments are illustrated in the drawings and described in detail.
그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.However, this is not intended to limit the present invention to specific embodiments, and it should be understood to include all modifications, equivalents and substitutes included in the spirit and scope of the present invention.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terms used in the present application are only used to describe specific embodiments, and are not intended to limit the present invention. The singular expression includes the plural expression unless the context clearly dictates otherwise. In the present application, terms such as “comprise” or “have” are intended to designate that a feature, number, step, operation, component, part, or combination thereof described in the specification exists, but one or more other features It should be understood that this does not preclude the existence or addition of numbers, steps, operations, components, parts, or combinations thereof.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless defined otherwise, all terms used herein, including technical and scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which this invention belongs. Terms such as those defined in a commonly used dictionary should be interpreted as having a meaning consistent with the meaning in the context of the related art, and should not be interpreted in an ideal or excessively formal meaning unless explicitly defined in the present application. does not
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 본 발명을 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.Hereinafter, preferred embodiments of the present invention will be described in more detail with reference to the accompanying drawings. In describing the present invention, in order to facilitate the overall understanding, the same reference numerals are used for the same components in the drawings, and duplicate descriptions of the same components are omitted.
도 1은 본 발명의 실시예에 따른 머신러닝을 이용한 타이어 내구도 평가 장치의 블럭구성도이고, 도 2는 도 1에 도시된 학습부의 일 예를 나타낸 도면이고, 도 3은 도 1에 도시된 결과 출력부에서 출력되는 결과의 일 예를 나타낸 도면이다.1 is a block diagram of an apparatus for evaluating tire durability using machine learning according to an embodiment of the present invention, FIG. 2 is a view showing an example of the learning unit shown in FIG. 1, and FIG. 3 is the result shown in FIG. It is a diagram showing an example of a result output from the output unit.
본 발명의 실시예에 따른 머신러닝을 이용한 타이어 내구도 평가 장치는 입력부(10), 평가부(12), 결과 출력부(14), 수정부(16), 및 제어부(18)를 포함할 수 있다.The tire durability evaluation apparatus using machine learning according to an embodiment of the present invention may include an
입력부(10)는 외부 입력 단말로부터 소정의 타이어 환경 변수를 입력받을 수 있다. 예를 들어, 타이어 환경 변수는 속력, 시간, 타이어 폭, 타이어 하중지수, 최대속도, 온도, 속도등급점수 등에서 하나 이상을 포함할 수 있다. The
본 발명의 실시예에서는 사용자(예컨대, 기술자 등)가 외부 입력단말을 조작하여 타이어 환경 변수를 입력하는 것으로 한다. 즉, 사용자가 타이어 환경 변수를 지정하여 입력하고, 입력부(10)는 사용자가 입력하는 타이어 환경 변수를 입력받는다.In an embodiment of the present invention, it is assumed that a user (eg, a technician) operates an external input terminal to input a tire environment variable. That is, the user designates and inputs the tire environment variable, and the
평가부(12)는 입력부(10)에서 입력받은 타이어 환경 변수별로 비중값을 두어 소정의 평가식에 따라 점수화하고, 점수화된 데이터를 근거로 머신러닝 학습을 수행하고, 머신러닝 학습의 결과를 근거로 타이어 내구도를 예측 평가할 수 있다. The
예를 들어, 평가식은 "(속력/3)+(시간×5)+하중지수+(현재공기압/적정공기압)+속도등급점수=평가점수" 이 될 수 있고, 이와 같은 평가식에 따라 평가점수가 산출될 수 있다.For example, the evaluation formula can be "(speed/3)+(time×5)+load index+(current air pressure/proper air pressure)+speed grade score=evaluation score", and the evaluation score according to this evaluation formula can be calculated.
특히, 평가부(12)는 학습부(12a)를 포함한다. 학습부(12a)는 예를 들어 Multiple Regression 알고리즘 기반의 머신러닝 학습을 수행할 수 있다. 학습부(12a)는 타이어 환경 변수들이 저마다의 비중값으로 평가식에 적용되어 점수화됨에 따라 생성된 점수 데이터(예컨대, 계산된 평가점수)를 근거로 Multiple Regression 알고리즘 기반의 머신러닝 학습을 수행할 수 있다.In particular, the
따라서, 평가부(12)는 학습부(12a)에서의 머신러닝 학습의 결과를 근거로 타이어 내구도를 예측 평가할 수 있다. Accordingly, the
상술한 학습부(12a)의 일 예를 나타내면 도 2와 같을 수 있다.An example of the above-described
훈련 모델(Train Model) 모듈의 왼쪽 입력은 선형 회귀(Linear Regression) 모듈의 출력에 연결되고, 훈련 모델(Train Model) 모듈의 오른쪽 입력은 분할 데이터(Split Data) 모듈의 왼쪽 포트(학습 데이터 출력단)에 연결된다.The left input of the Training Model module is connected to the output of the Linear Regression module, and the right input of the Training Model module is the left port of the Split Data module (training data output stage). is connected to
훈련 모델(Train Model) 모듈의 출력은 훈련 모델의 점수 매기기가 가능한 점수 모델(Score Model) 모듈의 왼쪽 입력 포트에 연결되고, 분할 데이터(Split Data) 모듈의 오른쪽 포트(테스트 데이터 출력단)은 점수 모델(Score Model) 모듈의 오른쪽 입력 포트에 연결된다.The output of the Training Model module is connected to the left input port of the Score Model module, which enables scoring of the training model, and the right port (the output of the test data) of the Split Data module is connected to the scoring model. (Score Model) Connected to the right input port of the module.
결과 출력부(14)는 평가부(12)에서의 평가 결과에 근거하여 타이어 내구도 예측 평가점수를 산출한 후에 출력할 수 있다. The
결과 출력부(14)의 출력은 사용자에게로 전송될 수 있다. 이때, 결과 출력부(14)의 출력은 도 3과 같을 수 있다. The output of the
예를 들어, 결과 출력부(14)는 도 3에 예시한 바와 같이 사용자가 입력한 타이어 환경 변수(속력, 시간, 타이어 폭, 타이어 하중지수, 최대속도, 온도, 속도등급점수 등)에 따른 예측 평가점수(즉, 타이어 내구도 예측 평가 점수)를 산출하여 출력할 수 있다. 이때, 예측 평가점수는 입력받은 타이어 환경 변수에 기초하여 계산된 실제 평가점수(즉, 평가부(12)에서 계산된 평가점수)에 일대일로 매칭되어 배치될 수 있다.For example, the
도 3을 보면, 실제 평가점수와 예측 평가점수를 비교하여 보면 매우 비슷함을 알 수 있다.Referring to FIG. 3 , it can be seen that the actual evaluation score and the predicted evaluation score are very similar.
도 1에서, 수정부(16)는 타이어 환경 변수별 비중값을 조절(수정)할 수 있고, 평가식을 수정하거나, 원하는 신규의 평가식을 생성할 수도 있다. In FIG. 1 , the
제어부(18)는 본 발명의 실시예에 따른 머신러닝을 이용한 타이어 내구도 평가 장치의 전체적인 동작을 제어한다.The
한편, 필요에 따라 상술한 평가부(12)는 평가 점수기반이 아니라 개별 요소에 대한 예측 평가도 가능할 수 있다. 예를 들어, 평가부(12)는 동일조건에서 하중지수만 변경시 속력에 대해서만의 예측 평가, 시간에 대해서만의 예측 평가, 최대속도에 대해서만의 예측 평가와 같이 하나의 개별 요소에 대한 예측 평가를 수행할 수 있다. 이 경우, 결과 출력부(14)는 하나의 개별 요소에 대한 예측 평가점수를 산출하여 출력할 수 있을 것이다.On the other hand, if necessary, the above-described
도 4는 본 발명의 실시예에 따른 머신러닝을 이용한 타이어 내구도 평가 방법을 설명하기 위한 플로우차트이다.4 is a flowchart for explaining a tire durability evaluation method using machine learning according to an embodiment of the present invention.
먼저, 입력부(10)는 외부 입력 단말로부터 타이어 환경 변수를 입력받는다(S10). 예를 들어, 입력부(10)는 속력, 시간, 타이어 폭, 타이어 하중지수, 최대속도, 온도, 속도등급점수 등에서 하나 이상의 타이어 환경 변수를 입력받을 수 있다. First, the
이어, 평가부(12)는 입력부(10)에서 입력받은 타이어 환경 변수별로 비중값을 두어 소정의 평가식에 따라 점수화한다(S20). 예를 들어, 평가식은 "(속력/3)+(시간×5)+하중지수+(현재공기압/적정공기압)+속도등급점수=평가점수" 이 될 수 있고, 이와 같은 평가식에 따라 평가점수가 산출될 수 있다.Next, the
그리고 나서, 평가부(12)는 점수화된 데이터(즉, 산출된 평가점수)를 근거로 머신러닝 학습을 수행하고, 머신러닝 학습의 결과를 근거로 타이어 내구도를 예측 평가한다(S30). 평가부(12)는 예를 들어 Multiple Regression 알고리즘 기반의 머신러닝 학습을 수행하는 학습부(12a)를 포함하므로, 타이어 환경 변수들이 저마다의 비중값으로 평가식에 적용되어 점수화됨에 따라 생성된 점수 데이터(예컨대, 계산된 평가점수)를 근거로 Multiple Regression 알고리즘 기반의 머신러닝 학습을 수행할 수 있다. 따라서, 평가부(12)는 학습부(12a)에서의 머신러닝 학습의 결과를 근거로 타이어 내구도를 예측 평가할 수 있다. Then, the
이후, 결과 출력부(14)는 평가부(12)에서의 평가 결과(예컨대, Multiple Regression 알고리즘 기반의 머신러닝 학습 수행 평가 결과)에 기초한 타이어 내구도 예측 평가점수를 산출한 후에 출력한다(S40). 예를 들어, 결과 출력부(14)는 도 3에 예시된 내용과 같은 결과를 출력할 수 있다. Thereafter, the
또한, 상술한 본 발명의 머신러닝을 이용한 타이어 내구도 평가 방법은, 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광데이터 저장장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고, 상기 방법을 구현하기 위한 기능적인(function) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술분야의 프로그래머들에 의해 용이하게 추론될 수 있다.In addition, the tire durability evaluation method using machine learning of the present invention described above can be implemented as computer-readable codes on a computer-readable recording medium. The computer-readable recording medium includes all types of recording devices in which data readable by a computer system is stored. Examples of computer-readable recording media include ROM, RAM, CD-ROM, magnetic tape, floppy disk, and optical data storage device. In addition, the computer-readable recording medium is distributed in a computer system connected through a network, so that the computer-readable code can be stored and executed in a distributed manner. In addition, functional programs, codes, and code segments for implementing the method can be easily inferred by programmers in the art to which the present invention pertains.
이상에서와 같이 도면과 명세서에서 최적의 실시예가 개시되었다. 여기서 특정한 용어들이 사용되었으나, 이는 단지 본 발명을 설명하기 위한 목적에서 사용된 것이지 의미 한정이나 청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로, 본 기술 분야의 통상의 지식을 가진자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 청구범위의 기술적 사상에 의해 정해져야 할 것이다.As described above, the best embodiment has been disclosed in the drawings and the specification. Although specific terms have been used herein, they are only used for the purpose of describing the present invention and are not used to limit the meaning or scope of the present invention described in the claims. Therefore, it will be understood by those skilled in the art that various modifications and equivalent other embodiments are possible therefrom. Accordingly, the true technical protection scope of the present invention should be defined by the technical spirit of the appended claims.
10 : 입력부
12 : 평가부
14 : 결과 출력부
16 : 수정부
18 : 제어부
12a : 학습부10: input unit 12: evaluation unit
14: result output unit 16: correction unit
18:
Claims (7)
상기 타이어 환경 변수별로 비중값을 두어 평가식에 따라 점수화하고, 점수화된 데이터를 근거로 머신러닝 학습을 수행한 후, 머신러닝 학습의 결과를 근거로 타이어 내구도를 예측 평가하는 평가부; 및
상기 평가부에서의 평가 결과에 근거하여 타이어 내구도 예측 평가점수를 산출한 후에 출력하는 결과 출력부;를 포함하는,
머신러닝을 이용한 타이어 내구도 평가 장치.an input unit for receiving tire environment variables;
an evaluation unit for predicting and evaluating tire durability based on the result of machine learning learning, after assigning a specific gravity value for each tire environment variable and scoring it according to an evaluation formula, performing machine learning learning based on the scored data; and
a result output unit that calculates and outputs the tire durability prediction evaluation score based on the evaluation result in the evaluation unit;
Tire durability evaluation device using machine learning.
상기 타이어 환경 변수는,
속력, 시간, 타이어 폭, 타이어 하중지수, 최대속도, 온도, 속도등급점수 중에서 하나 이상을 포함하는,
머신러닝을 이용한 타이어 내구도 평가 장치.The method of claim 1,
The tire environment variable is
including one or more of speed, time, tire width, tire load index, maximum speed, temperature, and speed rating score;
Tire durability evaluation device using machine learning.
상기 평가식은,
(속력/3)+(시간×5)+하중지수+(현재공기압/적정공기압)+속도등급점수=평가점수인,
머신러닝을 이용한 타이어 내구도 평가 장치.The method of claim 1,
The evaluation formula is,
(speed / 3) + (time × 5) + load index + (current air pressure / appropriate air pressure) + speed grade score = evaluation score,
Tire durability evaluation device using machine learning.
상기 평가부는,
Multiple Regression 알고리즘 기반의 머신러닝 학습을 수행하는 학습부를 포함하는,
머신러닝을 이용한 타이어 내구도 평가 장치.The method of claim 1,
The evaluation unit,
Including a learning unit that performs machine learning learning based on the multiple regression algorithm,
Tire durability evaluation device using machine learning.
타이어 환경 변수별 비중값의 조절, 평가식 수정, 신규의 평가식 생성을 수행하는 수정부;를 추가로 포함하는,
머신러닝을 이용한 타이어 내구도 평가 장치.The method of claim 1,
A correction unit for adjusting the specific gravity value for each tire environment variable, correcting the evaluation expression, and generating a new evaluation expression; further comprising,
Tire durability evaluation device using machine learning.
타이어 환경 변수를 입력받는 단계;
상기 타이어 환경 변수별로 비중값을 두어 평가식에 따라 점수화하고, 점수화된 데이터를 근거로 머신러닝 학습을 수행한 후, 머신러닝 학습의 결과를 근거로 타이어 내구도를 예측 평가하는 단계; 및
상기 예측 평가하는 단계에서의 평가 결과에 근거하여 타이어 내구도 예측 평가점수를 산출한 후에 출력하는 단계;를 포함하는,
머신러닝을 이용한 타이어 내구도 평가 방법.A tire durability evaluation method performed in a tire durability evaluation device using machine learning, the method comprising:
receiving a tire environment variable;
assigning a specific gravity value for each tire environment variable to score according to an evaluation formula, performing machine learning learning based on the scored data, and predicting and evaluating tire durability based on the result of the machine learning learning; and
Including, after calculating the tire durability prediction evaluation score based on the evaluation result in the predictive evaluation step;
Tire durability evaluation method using machine learning.
상기 타이어 환경 변수는,
속력, 시간, 타이어 폭, 타이어 하중지수, 최대속도, 온도, 속도등급점수 중에서 하나 이상을 포함하는,
머신러닝을 이용한 타이어 내구도 평가 방법.7. The method of claim 6,
The tire environment variable is
including one or more of speed, time, tire width, tire load index, maximum speed, temperature, and speed rating score;
Tire durability evaluation method using machine learning.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200149938A KR20220063958A (en) | 2020-11-11 | 2020-11-11 | Apparatus and method for evaluating tire durability using machine learning |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200149938A KR20220063958A (en) | 2020-11-11 | 2020-11-11 | Apparatus and method for evaluating tire durability using machine learning |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20220063958A true KR20220063958A (en) | 2022-05-18 |
Family
ID=81800970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200149938A KR20220063958A (en) | 2020-11-11 | 2020-11-11 | Apparatus and method for evaluating tire durability using machine learning |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20220063958A (en) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100489266B1 (en) | 1998-11-11 | 2005-08-12 | 한국타이어 주식회사 | Tire bead durability test device |
KR20080079464A (en) | 2007-02-27 | 2008-09-01 | 금호타이어 주식회사 | A method for testing a run-flat tire |
KR101338828B1 (en) | 2013-07-30 | 2013-12-06 | 군산대학교산학협력단 | Tire handling performance evaluation method and system |
-
2020
- 2020-11-11 KR KR1020200149938A patent/KR20220063958A/en active Search and Examination
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100489266B1 (en) | 1998-11-11 | 2005-08-12 | 한국타이어 주식회사 | Tire bead durability test device |
KR20080079464A (en) | 2007-02-27 | 2008-09-01 | 금호타이어 주식회사 | A method for testing a run-flat tire |
KR101338828B1 (en) | 2013-07-30 | 2013-12-06 | 군산대학교산학협력단 | Tire handling performance evaluation method and system |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107231436B (en) | Method and device for scheduling service | |
US20140379199A1 (en) | Method for aging-efficient and energy-efficient operation in particular of a motor vehicle | |
Yadav et al. | Reliability demonstration test planning: A three dimensional consideration | |
US10921216B2 (en) | Method and system for efficient load identification | |
JP6694392B2 (en) | Energy storage device emulator and method for emulating an energy storage device | |
CN110686915B (en) | Method, system, medium and equipment for determining multi-stress acceleration test profile | |
Lamár et al. | Average probability of failure of aperiodically operated devices | |
Lindlar et al. | Integrating model-based testing with evolutionary functional testing | |
US11151475B2 (en) | Method and device for generating a machine learning system and virtual sensor device | |
US20170176985A1 (en) | Method for predicting end of line quality of assembled product | |
WO2021250280A1 (en) | Provision of currently unmeasurable state information about a switchgear device system | |
Renganathan et al. | An observer based approach for achieving fault diagnosis and fault tolerant control of systems modeled as hybrid Petri nets | |
US20200238970A1 (en) | Computer-based system for testing a server-based vehicle function | |
US20070282588A1 (en) | Electric power system training simulation software and process for electric power system training | |
KR20220063958A (en) | Apparatus and method for evaluating tire durability using machine learning | |
CN101509433B (en) | Oxygen sensor deterioration emulator control deviation calibrating method based on lambda closed-loop control | |
US11580456B2 (en) | System to correct model drift in machine learning application | |
CN114616561A (en) | Method for determining an admissible deviation of a system behavior of a technical installation from a standard value range | |
KR101127941B1 (en) | Method for detecting error for air conditioner and apparatus for performing the same | |
KR101778218B1 (en) | Apparatus and method for generating evaluation standard of trainer | |
EP3044563B1 (en) | Method of off-line hybrid system assessment for test monitoring and modification | |
KR20220051530A (en) | Failure prediction method based on double prediction model | |
JP2018179720A (en) | Test controller, test control system, and method for testing | |
Wang et al. | Reliability modeling of systems with protective auxiliary components under imperfect inspections | |
WO2022210472A1 (en) | Machining condition adjustment device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination |