[논문 리뷰] Optimization of Operation Startegy for Primary Torque based hydrostatic Drivetrain using Artificial Intelligence.

Yusheng Xiang, Marcus Geimer|arXiv (Cornell University)|2020. 01. 01.

Hydraulic and Pneumatic Systems인용 수 3

한 줄 요약

이 논문은 심층 학습 기반 전략을 제안하여 주 토크 제어형 수력 기어박스에서 재생을 최적화한다. CRDNN과 양방향 LSTMs를 사용해 Y 사이클을 98.2%의 정확도로 탐지한다. 이 방법은 Y 사이클 기간 동안 전체 효율을 최대 9% 향상시켜 웨일로더와 같은 이동식 기계에서 에너지 회수를 크게 향상시킨다.

ABSTRACT

A new primary torque control concept for hydrostatics mobile machines was introduced in 2018. The mentioned concept controls the pressure in a closed circuit by changing the angle of the hydraulic pump to achieve the desired pressure based on a feedback system. Thanks to this concept, a series of advantages are expected. However, while working in a Y cycle, the primary torque-controlled wheel loader has worse performance in efficiency compared to secondary controlled earthmover due to lack of recuperation ability. Alternatively, we use deep learning algorithms to improve machines' regeneration performance. In this paper, we firstly make a potential analysis to show the benefit by utilizing the regeneration process, followed by proposing a series of CRDNNs, which combine CNN, RNN, and DNN, to precisely detect Y cycles. Compared to existing algorithms, the CRDNN with bi-directional LSTMs has the best accuracy, and the CRDNN with LSTMs has a comparable performance but much fewer training parameters. Based on our dataset including 119 truck loading cycles, our best neural network shows a 98.2% test accuracy. Therefore, even with a simple regeneration process, our algorithm can improve the holistic efficiency of mobile machines up to 9% during Y cycle processes if primary torque concept is used.

연구 동기 및 목표

• 제한된 재생 능력으로 인해 Y 사이클에서 주 토크 제어형 수력 기어박스의 효율성이 떨어지는 문제를 해결하기 위해.
• Y 사이클 운영 중 효과적인 재생을 가능하게 하여 이동식 기계의 에너지 회수를 향상시키기 위해.
• 실시간 동적 제어를 위해 Y 사이클을 탐지할 수 있는 고정확도·저파rameter 신경망 모델을 개발하기 위해.
• 심층 학습을 수력 기어박스 제어에 통합하여 시스템 전체 효율을 향상시키는 가능성 입증하기 위해.
• 주 토크 제어 시스템에서 AI 강화 재생을 통해 달성 가능한 효율 향상 정도를 정량화하기 위해.

제안 방법

• 수압 신호에서 시간적 및 공간적 특징을 추출하기 위해 컨volutional 신경망(CNN), 순환 신경망(RNN), 심층 신경망(DNN)을 조합한 CRDNN 아키텍처를 제안하였다.
• 수압 및 유량 신호의 시계열 데이터에서 장거리 의존성을 포착하기 위해 CRDNN 내부에 양방향 LSTMs를 구현하였다.
• Y 사이클의 시작과 완료를 탐지하기 위해 119개의 실제 트럭 적재 사이클 데이터셋을 기반으로 신경망을 훈련시켰다.
• 정확도와 파rameter 효율성에 중점을 두고 표준 LSTMs와 양방향 LSTMs를 포함한 CRDNN 변종을 비교하여 모델 성능을 최적화하였다.
• 탐지된 Y 사이클 피드백을 바탕으로 사이클의 감속 단계에서 재생 과정을 유도하였다.
• 일반화 능력과 실시간 적용 가능성에 중점을 두고, 미사용 데이터에 대한 테스트 정확도를 사용해 모델 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 심층 학습 모델은 이동식 수력 기계의 수압 신호에서 Y 사이클 패턴을 정확하게 탐지할 수 있는가?
• RQ2 표준 RNN과 비교할 때, 양방향 LSTMs의 포함 여부가 사이클 탐지 작업에서 정확도에 어떤 영향을 미치는가?
• RQ3 이동 기계를 위한 CRDNN 기반 사이클 탐지에서 정확도와 파rameter 수의 상호 간 상충 관계는 어떠한가?
• RQ4 AI 강화 재생은 주 토크 제어형 수력 기어박스의 전체 에너지 효율을 어느 정도 향상시킬 수 있는가?
• RQ5 경량 CRDNN 모델은 실시간 임베디드 시스템 구현에 적합하면서도 높은 정확도를 달성할 수 있는가?

주요 결과

• 양방향 LSTMs를 탑재한 CRDNN은 수압 데이터에서 Y 사이클을 탐지하는 데 최고의 테스트 정확도 98.2%를 기록하였다.
• 표준 LSTMs를 사용한 CRDNN는 양방향 버전과 유사한 정확도를 달성했지만 훨씬 적은 학습 파rameter를 사용하여 모델 효율성이 향상되었다.
• 제안된 AI 기반 재생 전략은 주 토크 제어 이동식 기계의 전체 효율을 Y 사이클 운영 중 최대 9% 향상시켰다.
• 사이클 분석을 통해 재생을 통한 에너지 회수 잠재력이 정량적으로 검증되었으며, 상당한 효율 향상이 확인되었다.
• 심층 학습 모델은 미사용 데이터에 대해 강력한 일반화 능력을 보이며, 실세계 적용에 대한 견고성을 입증하였다.
• 주 토크 제어에 AI 통합은 기존 시스템의 핵심 한계를 극복하고 효과적인 재생을 가능하게 한다.