Classification of Tire Tread Wear Using Accelerometer Signals through an Artificial Neural Network

인공신경망을 이용한 가속도 센서 기반 타이어 트레드 마모도 판별 알고리즘

Abstract

The condition of tire tread is a key parameter closely related to the driving safety of a vehicle, which affects the contact force of the tire for braking, accelerating and cornering. The major factor influencing the contact force is tread wear, and the more tire tread wears out, the higher risk of losing control of a vehicle exits. The tire tread condition is generally checked by visual inspection that can be easily forgotten. In this paper, we propose the intelligent tire (iTire) system that consists of an acceleration sensor, a wireless signal transmission unit and a tread classifier. In addition, we also presents classification algorithm that transforms the acceleration signal into the frequency domain and extracts the features of several frequency bands as inputs to an artificial neural network. The artificial neural network for classifying tire wear was designed with an Multiple Layer Perceptron (MLP) model. Experiments showed that tread wear classification accuracy was over 80%.

1. 서론

자동차 타이어는 구동력과 제동력 같이 차량에서 발생하는 대부분의 힘을 지면에 전달하는 중요한 차량 부품이다[1-2]. 타이어는 자동차의 승차감, 소음, 그리고 안전성과 밀접한 관계가 있으며, 차량의 안전성은 지면과 접촉하는 타이어 트레드의 마모도, 주행 노면의 상태, 마찰 계수에 따른 미끄러짐의 정도, 타이어 공기압 및 온도 등 다양한 조건에 의해 결정된다[3-4]. 이에 따라 차량의 안전성 및 운전자의 편의성을 높이기 위한 다양한 타이어 관련 기술들이 존재한다. 그 중 Tire Pressure Monitoring System (TPMS)은 타이어 내부 압력을 측정하여 운전자에게 타이어 상태를 제공하는 기술로 이를 통해 타이어의 상태를 지속적으로 확인할 수 있다[5-6]. 타이어 내부 상태는 차량 안전에 밀접한 관계가 있기 때문에 TPMS 기술은 미국은 2007년, 국내의 경우 2015년도부터 판매되는 자동차에 장착을 의무화하고 있다. 하지만, 보다 안전한 차량 주행을 위해서 타이어의 내부 압력과 온도뿐만 아니라 주행 노면의 마찰 정도와 포장 상태, 그리고 타이어 트레드(tread)의 마모 상태와 같은 추가적인 정보들이 요구된다.

특히, 타이어 트레드의 마모 상태는 차량 주행 안전과 밀접한 관계가 있는 지표이다[7-8]. 타이어 트레드는 노면과 닿는 타이어의 표면을 의미하며, 고무층 사이 홈을 특정 패턴으로 생성하여 제동력, 구동력, 선회력, 배수성 등의 기능을 향상시킨다. 이러한 기능들은 타이어 트레드의 마모 정도에 따라 큰 성능 차이를 보이며 마모 정도가 심할수록 제동 거리의 증가, 선회시도로 이탈 등의 위험이 증가한다. 타이어 트레드의 마모 상태는 주행 거리 및 운행 시간에 따라 정기적인 점검을 통해 확인하는 것이 일반적이나, 안전성 향상을 위해서는 TPMS와 같이 운전자에게 타이어 마모 상태를 상시 알려줄 수 있어야 한다.

지능형 타이어는 타이어 내부에 부착된 센서를 이용하여 타이어 트레드의 마모 및 주행 노면의 포장 상태, 마찰 계수 등 다양한 정보를 제공할 수 있는 차세대 타이어 기술이다. 지능형 타이어는 지면과의 마찰로 인해 발생하는 다양한 형태의 데이터들을 수집하여 차량 안전성을 향상하기 위한 정보를 운전자에게 제공할 수 있다. 또한, 유무선 통신 기술을 활용하여 타이어 내부에 내장된 센서와 데이터 처리 및 수집 장치간의 정보 교환이 가능하며, 차량 내부의 다양한 제어 장치와 연동을 통해 적절한 주행, 조향 그리고 제동을 제어하여 보다 안전한 운전을 지원할 수 있다[9-10].

특히, 지능형 타이어 시스템의 핵심 기술 중 하나인 타이어 마모도 판별 기술에 대해서는 많은 연구가 진행되고 있다. 하지만, 타이어 마모 상태와 수명을 확인하기 위해 대다수의 연구자들은 고무의 특성을 분석하고 고무 재료에 대한 피로시험을 통한 데이터를 기반으로 내구 수명을 예측하고 있다[11-13]. 또 다른 접근법으로는 유한 요소 접근 방식을 통해 타이어 마모에 대한 시뮬레이션을 실시하였으며, 실험을 통해 이를 검증하였다[14-15]. 하지만 이와 같은 방법들은 운전자의 주행 습관, 주행 도로, 차종에 따라 정확한 예측이 어려우며, 운전자가 타이어의 상태와 잔존 수명을 실시간으로 확인하기 어렵다.

본 연구에서는 타이어 내부에 가속도 센서를 부착한 방식의 지능형 타이어 시스템 구조와 가속도 센서에서 측정된 진동 성분으로 타이어 트레드의 마모 정도를 판별하는 알고리즘을 제안한다[16]. 특히 제안하는 트레드 마모도 판별 알고리즘은 진동 성분을 주파수 영역으로 변환하여 특징점을 추출하였으며, 인공신경망을 이용하여 트레드의 마모 정도를 판별하였다. 또한, 알고리즘의 성능을 검증하기 위해 서로 다른 마모율을 가진 3개의 타이어에 센서를 부착하고, 실차 환경에서 데이터를 획득하였으며, 트레드의 마모도 분류 알고리즘의 적용 가능성을 검증하였다.

본 논문은 총 5장으로 구성하였다. 2장에서는 타이어 마모도 분류를 위한 지능형 타이어의 구조와 센서 출력의 특성에 대해 기술하였다. 3장에서는 마모도 분류를 위한 가속도 데이터의 전처리 방법과 인공신경망을 통한 분류 알고리즘에 대해 설명하였다. 4장에서는 실차 기반의 데이터 수집 및 실험 환경과 제안하는 알고리즘의 성능을 검증하였다. 마지막 5장에서는 결론과 향후 연구 계획에 대해 기술한다.

2. 지능형 타이어 시스템

2.1 지능형 타이어의 시스템 구조

지능형 타이어의 가속도 센서는 타이어 내부에 부착되기 때문에 측정한 데이터를 외부로 전송하기 위한 방법이 필요하다. Fig. 1은 트레드 마모 상태 판별하기 위한 지능형 타이어시스템의 구조를 나타낸다. 타이어 내부의 가속도 센서는 외부와 직접적으로 연결할 수 있는 방법이 없으므로 별도의 무선 네트워크가 필요하다. 본 연구에서는 가속도 센서 모듈에 Analog to Digital (AD) 컨버터를 탑재해 가속도 값을 디지털화하고 변환된 가속도 데이터는 블루투스 통신을 사용하여 데이터 수신 모듈로 전송한다. 데이터 수신 모듈은 블루투스로 전송된 데이터를 시리얼 통신을 통해 PC 기반의 트레드 마모 상태 분류기로 데이터를 전송한다. 또한, Digital to Analog (DA) 컨버터가 내장되어 있어 데이터 수집 장비를 통해 데이터를 검증할 수 있다. PC 기반의 트레드 마모 상태 판별기는 시간 영역의 가속도 데이터를 주파수 영역으로 변환한 후 특징점을 추출하기 위한 전처리(pre-processing) 과정을 수행한다. 추출된 특징점은 설계된 인공신경망의 입력 변수로 사용되고, 인공신경망은 현재 타이어 트레드의 마모 상태 출 력한다.

Fig. 1 Structure of the iTire and tire wear classifier

2.2 지능형 타이어의 가속도 데이터 특성

Fig. 2는 본 연구에서 사용한 지능형 타이어의 가속도 데이터의 z축 (타이어 접촉면에서 타이어 회전 중심을 향하는 방향) 출력을 나타낸다. 지능형 타이어에 부착된 가속도 센서 출력은 타이어가 회전함에 따라 센서 부착면과 지면이 접촉할 때 큰 특징이 나타난다. 이 특성은 접촉이 시작되는 시점(leading edge)과 접촉을 유지하는 구간(contact) 그리고 접촉이 끝나는 시점(trailing edge)으로 표현할 수 있다[17]. Fig. 2에서 가속도 센서 부착면과 지면이 접촉을 시작할 때 출력이 증가한 후 급격히 감소하고, 반대로 접촉이 끝날 때는 출력이 급격이 증가한 후 감소한다. 이러한 특성은 노면의 종류를 판별하거나, 타이어의 상태를 확인하기 위한 데이터로 사용할 수 있다[18]. 하지만, 본 논문에서 사용된 가속도 센서의 경우 샘플링 주기가 1000Hz로 바퀴의 1회전 당 얻을 수 있는 접촉 구간의 데이터 수는 상당히 작은 양이다. 그리고 1회전 당 획득한 데이터로만 마모도를 판별할 경우 충격 또는 잡음으로 인해 알고리즘의 정확도에 부정적인 영향을 미친다. 따라서 본 연구에서는 약 2초 동안 획득한 2,000개의 가속도 데이터를 주파수 영역으로 변환하여 트레드 마모도 판별 알고리즘에 사용하였다.

Fig. 2 Example of acceleration output characteristics

3. 트레드 마모도 판별 알고리즘

Algorithm 1은 논문에서 제안하는 지능형 타이어 시스템을 이용한 트레드 마모도를 판별하는 알고리즘을 나타낸다. 지능형 타이어의 트레드 마모도 판별은 주파수 영역으로 변환된 가속도 값을 전처리하여 인공신경망의 입력으로 사용하며, 인공신경망은 타이어 마모 상태를 출력한다. 알고리즘은 먼저 지능형 타이어의 시스템 초기화를 통해 변수 k와 tread-wear를 0으로 설정한다. 여기서 k는 수집된 가속도 데이터 개수를 확인하기 위한 값이며, tread-wear는 인공신경망의 출력값, tread-wear status는 알고리즘의 최종 결과를 의미한다.

Algorithm 1 Tread-wear classification

시스템 초기화 후 가속도 센서 데이터를 k개만큼 획득한다. 타이어에 가해지는 충격 및 불규칙한 노면 상태로 인해 타이어 마모 상태를 판별하기 위해서는 충분한 양의 가속도 값이 필요하기 때문이다. 제안하는 알고리즘에서는 k값을 2,000으로 설정하여 약 2초의 주기로 마모도 상태를 판별한다. 만약 획득한 가속도 데이터의 수가 k개가 될 때까지 가속도 값을 획득하고, k개 이상일 경우 현재까지 수집된 가속도 값을 데이터셋(dataset)에 저장한다. 그리고 데이터셋을 주파수 영역으로 변환하기 위해 FFT 신호 처리를 수행한다. 다음으로 주파수 영역의 100Hz 대역부터 500Hz 대역까지 50Hz 간격으로 8등분한 후 각 구간의 파워 스펙트럼을 합하여 8개의 특징점을 추출한다. 그리고 추출된 특징점들은 인공신경망 모델의 입력으로 사용하기 위해 0에서 사이 값을 가지도록 정규화를 수행한다. Fig. 3은 인공신경망의 입력 변수로 사용되는 8개의 특징점을 추출한 결과를 나타낸다. 이 결과는 서로 다른 마모도(0%, 40%, 80%)를 가지는 세 개의 타이어에서 획득한 결과로 타이어의 마모 상태에 따라 패턴의 차이가 있음을 확인할 수 있다.

Fig. 3 Results of feature extraction for classifying tread wear

다음으로 사전에 설계된 인공신경망은 추출된 특징점들을 입력받아 3가지 마모 상태에 대한 판별 결과를 출력한다. 여기서 출력 값은 0 또는 1에 수렴하도록 설계하였다. 이때 인공신경망 모델은 MLP(Multiple Layer Perceptron)을 사용하였으며, 학습 방법으로 오류역전파(Back-propagation)를 이용하였다[19]. 마지막으로 인공신경망을 통해 판별된 트레드의 마모 상태를 차량으로 제공하고 트레드 마모도 판별 알고리즘을 반복한다.

4. 성능 평가

Fig. 4는 타이어 마모도 판별 알고리즘의 성능 평가를 위해 마모도에 따른 데이터를 수집하기 위한 iTire 시스템의 구성 요소를 나타낸다. Fig. 4 (a)는 지능형 타이어 내부에 부착되는 가속도 센서 모듈을 보여준다. 가속도 센서는 1kHz의 샘플링 주기로 데이터를 블루투스를 통해 수신부로 전송하며, 500g까지 측정 가능하다. 또한 가속도 센서는 3가지 방향(x, y, z축)에 대해 측정할 수 있으며 여기서, x축은 차량의 종방향, y축은 차량의 횡방향, z축은 타이어의 회전중심 방향이다. 본 논문에서는 3가지 방향 중 z축 가속도 값만을 사용하였다. Fig. 4 (b)은 블루투스 통신으로 전송되는 가속도 데이터를 수신하고 이를 PC 또는 DAC(Digital to Analog Convertor) 장비에 전달하기 위한 데이터 수집 모듈이다. 이 때 PC와의 연결은 RS232를 사용하며 115200bps 속도로 통신된다. 그리고 DAC 장비와 연결을 위한 I/O 포트를 마련하여 디버깅이 용이하도록 설계하였다.

Fig. 4 iTire system component: (a) accelerometer, (b) data aquisition module

지능형 타이어를 이용한 트레드 마모도 판별 알고리즘에 사용되는 가속도 값은 아스팔트 포장 도로를 모사한 전용 시험장을 60km/h의 속도로 주행하여 수집하였다. 이 때 가속도 센서는 차량의 전방 좌측 타이어에만 장착하였으며, 서로 다른 마모 상태를 가지는 타이어로 각각 데이터를 수집하였다. 실험에 사용된 3개의 타이어는 마모도가 0%일 때 약 7mm, 40% 일 때 약 4.2mm, 80% 일 때 약 1.4mm의 트레드 깊이를 가진다. Fig. 5는 실차에 적용된 가속도 센서를 부착한 모습과 전원 공급을 위한 외부 장치를 보여준다. Fig. 5 (a)는 타이어 내부에 부착된 가속도 센서를 나타내며, 센서의 파손을 방지하고 손쉬운 탈부착을 위해 별도의 하우징 결합한 후 타이어 표면에 부착하였다. Fig. 5 (b)는 타이어 내부 가속도 센서의 구동을 위한 전원 공급 장치로, 배터리가 부착된 원형 브라켓을 휠 외부에 장착하였으며, 휠의 림(rim)에 구멍을 뚫어 전원 선을 연결하였다. 타이어 마모도 판별 알고리즘의 성능평가를 위하여 가속도 데이터는 타이어 마모 상태별로 각각 128,000개씩 총 384,000개의 가속도 데이터를 획득하였다. 그리고 특징점을 추출하기 위한 데이터 셋은 가속도 데이터 2,000개당 하나로 설정하였다.

Fig. 5 Configure test-bed for performance evaluation: (a) accelerometer attached in the tire, (b) battery module

Fig. 6은 설계된 인공신경망의 구조를 보여준다. 인공신경망 모델은 총 3개의 층(layer)로 구성되며 입력층 (input layer)은 전처리를 통해 얻어진 특징점을 입력으로 받는 8개의 노드와 bias 노드로 설계하였다. 은닉층 (hidden layer)은 6개의 노드를 가지며, 출력층 (output layer)은 마모도를 표현하는 3개의 노드로 구성된다. 그리고 설계된 인공신경망 모델의 가중치(weight)는 오류역전파(back propagation) 알고리즘으로 학습되며, 활성 함수(activation function)는 시그모이드(sigmoid) 함수를 사용하였다. 여기서 학습율(learning rate)은 0.05로 설정하였으며, 약 51,000번 학습을 반복하였다. 수집된 데이터 중 50%는 인공신경망 모델 생성을 위해 사용하였으며, 나머지 50%는 성능을 검증하기 위해 사용하였다.

Fig. 6 Artificial neural network structure for tread-wear classification

Table 1은 지능형 타이어 시스템을 이용한 타이어 마모도 판단 알고리즘의 성능평가 결과를 나타내고 있다. 먼저 성능평가를 위해서 타이어 마모도 별로 각각 32개의 데이터셋을 인공신경망의 입력으로 사용하였다. 그리고 인공신경망 모델의 목표값(target value)은 1로 설정하였으며, 목표값에 인공신경망의 출력값(output value)을 뺀 값을 임계치(threshold)로 설정했으며, 이 값이 0.01 이상이면 오분류로 판별하여 오류(error)로 간주한다. 평가 결과 마모도 별로 32개씩 데이터셋을 입력했을 때 인공신경망의 평균 출력값은 0% 마모도에서 0.94, 40% 마모도에서 0.994, 80% 마모도에서 0.993으로 나타났다. 0% 마모도에서 출력값의 평균이 가장 낮은 이유는 가장 낮은 출력값인 0.023가 발생되었기 때문이다. 이는 주행 중인 차량에서 발생하는 진동 또는 노면 상태에 따른 충격에 의한 것으로 판단된다. 최종적으로 트레드 마모도 판별 정확도의 경우 0%와 40%의 마모도에서 5건의 오분류가 발생하였으며, 84.375%의 정확도를 보여준다. 그리고 80% 마모도에서 3건의 오분류가 발생하여 90.625%의 정확도를 가지는 것을 확인하였다.

Table 1. Evaluation result of the tread wear classification algorithm

이상의 실험 결과로부터 제안하는 지능형 타이어 시스템의 타이어 마모도 분류 알고리즘이 80% 이상의 성능을 보이는 것을 확인하였다. 이를 근거로 차량이 주행할 때 타이어에서 측정되는 진동 성분을 통해 타이어의 마모 상태를 분류할 수 있는 가능성을 확인하였다.

5. 결론

본 논문에서는 타이어 내부에 부착된 가속도 센서와 데이터를 처리할 수 있는 수신기로 구성된 지능형 타이어 시스템을 설계하였다. 그리고 이를 이용하여 타이어의 마모 상태를 판별할 수 있는 알고리즘을 제안하였다. 특히, 지면과 타이어의 접촉으로 인해 발생하는 진동 성분을 주파수 영역으로 변환하였고, 대역폭 구간으로 분리하여 얻어진 특징점을 인공신경망의 입력 변수로 사용하였다. 마지막으로, 실차 환경에서 획득한 가속도 데이터를 이용하여 타이어의 마모 상태를 분류하는 알고리즘의 적용 가능성을 검증하였으며, 다음과 같은 결론을 얻을 수 있었다.

첫째, 타이어 내부에 가속도 센서를 부착하여 얻어진 진동 성분을 통하여 타이어의 마모 상태를 분류할 수 있음을 확인하였다. 이 때 부착된 가속도 센서 데이터는 무선 네트워크로 획득이 가능하며, 본 논문에서는 일반적으로 사용되는 블루투스 통신을 적용하였다.

둘째, 가속도 데이터를 주파수 영역으로 변환하고, 대역폭을 구간별로 분리하는 전처리 과정은 타이어 마모 상태를 분류할 수 있는 특징점으로 사용할 수 있음을 확인하였다.

셋째, 성능 평가를 통해 제안하는 타이어 마모도 판별 알고리즘은 80% 이상의 정확도를 보여주었으며, 이를 통해 가속도 센서를 이용한 타이어 마모도 분류의 가능성을 확인하였다.

하지만, 본 논문의 경우 아스팔트 노면을 60km/h 속도로 주행한 제한된 조건에서 데이터를 획득하여 평가를 수행하였기 때문에 알고리즘의 신뢰성과 정확도를 향상하기 위해 더욱 다양한 조건과 환경에서 데이터를 획득해야할 필요가 있다. 또한 이러한 실험을 수행기 위해서는 방대한 양의 데이터가 요구되며, 더 많은 층을 가지는 딥러닝 기반의 학습 과정이 필요하다. 마지막으로 제안된 지능형 타이어 시스템은 지속적이고 안정적인 전원 공급을 위해 에너지 하베스팅(energy harvesting)과 같은 기술 적용에 대한 연구가 필요하다.