Search

KR-20260061972-A - APPARATUS AND METHOD FOR GENERATING NOISE PREDICTION MODEL

KR20260061972AKR 20260061972 AKR20260061972 AKR 20260061972AKR-20260061972-A

Abstract

소음 예측 모델 생성 장치는, 소음 예측 모델을 생성하기 위한 알고리즘을 저장하는 메모리; 및 상기 메모리와 전기적으로 연결된 프로세서를 포함하고, 상기 프로세서는, 전기적으로 연결 또는 통신 연결된 사운드 측정 장치로부터 사운드 데이터를 수신하며, 상기 사운드 데이터의 신호 처리를 기초로 상기 사운드 데이터로부터 원 소음 데이터를 분리하며, 상기 원 소음 데이터의 스팩트로그램 이미지를 생성하며, 상기 스팩트로그램 이미지에 대한 데이터 클러스터링을 하며, 상기 데이터 클러스터링에 따라 분류된 소음 종류들 중 적어도 하나의 소음 종류의 데이터를 기초로, 상기 적어도 하나의 소음 종류의 데이터를 증강시키며, 상기 증강된 데이터를 포함하는 상기 적어도 하나의 소음 종류의 데이터를 학습용 입력 데이터로 하고, 상기 적어도 하나의 소음 종류를 학습용 출력 데이터로 하는 학습용 데이터 세트를 생성하며, 상기 알고리즘을 통해, 상기 생성된 학습용 데이터 세트를 기초로, 입력된 소음 데이터의 소음 종류를 출력하는 상기 소음 예측 모델을 생성할 수 있다.

Inventors

  • 최재준
  • 김종수

Assignees

  • 주식회사 서연이화

Dates

Publication Date
20260506
Application Date
20241028

Claims (10)

  1. 소음 예측 모델을 생성하기 위한 알고리즘을 저장하는 메모리; 및 상기 메모리와 전기적으로 연결된 프로세서를 포함하고, 상기 프로세서는, 전기적으로 연결 또는 통신 연결된 사운드 측정 장치로부터 사운드 데이터를 수신하며, 상기 사운드 데이터의 신호 처리를 기초로 상기 사운드 데이터로부터 원 소음 데이터를 분리하며, 상기 원 소음 데이터의 스팩트로그램 이미지를 생성하며, 상기 스팩트로그램 이미지에 대한 데이터 클러스터링을 하며, 상기 데이터 클러스터링에 따라 분류된 소음 종류들 중 적어도 하나의 소음 종류의 데이터를 기초로, 상기 적어도 하나의 소음 종류의 데이터를 증강시키며, 상기 증강된 데이터를 포함하는 상기 적어도 하나의 소음 종류의 데이터를 학습용 입력 데이터로 하고, 상기 적어도 하나의 소음 종류를 학습용 출력 데이터로 하는 학습용 데이터 세트를 생성하며, 상기 알고리즘을 통해, 상기 생성된 학습용 데이터 세트를 기초로, 입력된 소음 데이터의 소음 종류를 출력하는 상기 소음 예측 모델을 생성하는, 소음 예측 모델 생성 장치.
  2. 제1항에 있어서, 상기 소음 예측 모델은, 합성곱 신경망(Convolutional Neural Network) 모델을 포함하는, 소음 예측 모델 생성 장치.
  3. 제1항에 있어서, 상기 프로세서는, 경험적 모드 분해(empirical mode decomposition)알고리즘을 기초로, 상기 사운드 데이터로부터 원 소음 데이터를 분리하는, 소음 예측 모델 생성 장치.
  4. 제1항에 있어서, 상기 프로세서는, 푸리에 변환 알고리즘을 통해, 상기 원 소음 데이터의 상기 스팩트로그램 이미지를 생성하는, 소음 예측 모델 생성 장치.
  5. 제1항에 있어서, 상기 프로세서는, K 평균(K-mean) 클러스터링 알고리즘 또는 t 분포 확률적 이웃 임베딩(t-distributed stochastic neighbor embedding) 알고리즘을 통해 상기 스팩트로그램 이미지에 대한 상기 데이터 클러스터링을 하는, 소음 예측 모델 생성 장치.
  6. 제1항에 있어서, 상기 프로세서는, 합성 소스 오버 샘플링 알고리즘(Synthetic Minority Over-sampling Technique)을 통해, 적어도 하나의 소음 종류의 데이터를 기초로, 상기 적어도 하나의 소음 종류의 데이터를 증강시키는, 소음 예측 모델 생성 장치.
  7. 제1항에 있어서, 상기 프로세서는, 상기 생성된 소음 예측 모델이 학습하도록, 추가 학습용 입력 데이터 및 추가 학습용 출력 데이터를 포함하는 하나 이상의 학습용 데이터 세트를 상기 생성된 소음 예측 모델에 제공하는, 소음 예측 모델 생성 장치.
  8. 제7항에 있어서, 상기 프로세서는, 검증용 입력 데이터 및 검증용 출력 데이터를 포함하는 하나 이상의 검증 데이터 세트를 기초로, 상기 생성된 소음 예측 모델을 검증하는, 소음 예측 모델 생성 장치.
  9. 제1항에 있어서, 상기 사운드 데이터는, 차량의 적어도 하나의 구성의 작동에 기초하여 발생된, 소음 예측 모델 생성 장치.
  10. 사운드 측정 장치로부터 사운드 데이터를 수신하며; 상기 사운드 데이터의 신호 처리를 기초로 상기 사운드 데이터로부터 원 소음 데이터를 분리하며; 상기 원 소음 데이터의 스팩트로그램 이미지를 생성하며; 상기 스팩트로그램 이미지에 대한 데이터 클러스터링을 하며; 상기 데이터 클러스터링에 따라 분류된 소음 종류들 중 적어도 하나의 소음 종류의 소음 데이터를 기초로, 상기 적어도 하나의 소음 종류에 해당하는 소음 데이터를 증강시키며; 상기 증강된 소음 데이터를 포함하는 상기 적어도 하나의 소음 종류의 소음 데이터를 학습용 입력 데이터로 하고, 상기 적어도 하나의 소음 종류를 학습용 출력 데이터로 하는 학습용 데이터 세트를 생성하며; 메모리에 저장된 소음 예측 모델을 생성하기 위한 알고리즘을 통해, 상기 생성된 학습용 데이터 세트를 기초로, 입력된 소음 데이터의 소음 종류를 출력하는 상기 소음 예측 모델을 생성하는 것을 포함하는, 소음 예측 모델 생성 방법.

Description

소음 예측 모델 생성 장치 및 방법{APPARATUS AND METHOD FOR GENERATING NOISE PREDICTION MODEL} 개시된 발명은 소음 예측 모델 생성 장치 및 방법에 관한 것이다. BSR(Buzz, Squeak, Rattle)이란 차량 내 탑승자에 거슬리는 잡음이나 부품의 동작 등으로 발생하는 소음을 의미한다. 특히, 차량 내 플라스틱 부품의 경우, 소재의 변형, 조립 공차 등의 다양한 원인에 의해 BSR이 발생할 수 있다. 기술의 발전에 따라 인공 지능 모델을 활용하여 도심 내 주요 소음원을 찾아내는 기술 등이 개발되어 있긴 하지만, 인공 지능 모델을 활용하여 차량 내의 다양한 소음의 종류를 예측하고 분류하는 기술은 개발되어 있지 않다. 이는, 소음의 종류를 예측 및 분류하는 인공 지능 모델을 생성하기 위해서는 소음의 종류 별로 수많은 데이터가 필요(다양성)하나, 동일 소음 원인에 대해 다양한 데이터를 수집하기가 어려우며, 동일 소음 원인에 대해 데이터를 수집하였을 경우 수집된 데이터의 수량이 불균일한 문제가 있어왔기 때문이다. 이에 따라, 차량 내의 소음의 종류를 예측 및 분류할 수 있는 강건한 인공 지능 모델의 설계의 어려움이 존재한다. 도 1 은 일 실시예에 따른 소음 예측 모델 생성 시스템의 구성을 나타낸 도면이다. 도 2는 일 실시예에 따른 소음 예측 모델 생성 장치의 동작의 흐름도이다. 도 3은 일 실시예에 따른 사운드 측정 장치의 사운드 데이터 획득을 설명하기 위한 도면이다. 도 4는 일 실시예에 따른 소음 예측 모델 생성 장치가 사운드 데이터로부터 원 소음 데이터를 분리하는 것을 설명하기 위한 도면이다. 도 5는 일 실시예에 따른 소음 예측 모델 생성 장치에 의해 분리된 원 소음 데이터의 스팩트로그램 이미지를 나타낸 도면이다. 도 6은 일 실시예에 따른 소음 예측 모델 생성 장치에 의해 생성된 포인트 클라우드 데이터를 나타낸 도면이다. 도 7은 일 실시예에 따른 소음 예측 모델 생성 장치에 의한 데이터 증강을 설명하기 위한 도면이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 명세서가 실시예들의 모든 요소들을 설명하는 것은 아니며, 개시된 발명이 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는 '부, 모듈, 부재, 블록'이라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예들에 따라 복수의 '부, 모듈, 부재, 블록'이 하나의 구성요소로 구현되거나, 하나의 '부, 모듈, 부재, 블록'이 복수의 구성요소들을 포함하는 것도 가능하다. 명세서 전체에서, 어떤 부분이 다른 부분과 '연결'되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐 아니라, 간접적으로 연결되어 있는 경우를 포함하고, 간접적인 연결은 무선 통신망을 통해 연결되는 것을 포함한다. 또한 어떤 부분이 어떤 구성요소를 '포함'한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 명세서 전체에서, 어떤 부재가 다른 부재 '상에' 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다. 제1, 제2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로, 구성요소가 전술된 용어들에 의해 제한되는 것은 아니다. 단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함한다. 각 단계들에 있어 식별부호는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 실시될 수 있다. 개시된 발명의 실시예는 측정된 차량의 소음, 예를 들어, BSR (Buzz, Squeak, Rattle)의 상세 종류를 예측할 수 있는 소음 예측 모델을 생성 및 학습시키는 기술을 제공하기 위한 것이다. 또한, 개시된 발명의 실시예는 소음 예측 모델의 과적합을 방지하기 위한 데이터 증강 기법을 적용하여 소음 예측 모델을 생성 및 학습시키는 기술을 제공하기 위한 것이다. 이하 첨부된 도면들을 참고하여 개시된 발명의 작용 원리 및 실시예들에 대해 설명한다. 도 1 은 일 실시예에 따른 소음 예측 모델 생성 시스템의 구성을 나타낸 도면이다. 도 1을 참조하면, 소음 예측 모델 생성 시스템(1)은 소음 예측 모델 생성 장치(10) 및/또는 사운드 측정 장치(1000)를 포함할 수 있다. 소음 예측 모델 생성 장치(10)는 전자 장치 또는 서버일 수 있으며, 예를 들어, 전자 장치는 워크스테이션(workstation) 및/또는 퍼스널 컴퓨터(personal computer) 등으로 다양하게 마련될 수 있다. 소음 예측 모델 생성 장치(10)는 입력 장치(110), 출력 장치(120), 통신 장치(130) 및/또는 제어기(140)를 포함할 수 있다. 입력 장치(110)는 사운드 데이터를 수신 및/또는 사용자 조작에 따른 입력 데이터, 예를 들어, 소음 예측 모델 생성 장치(10)를 제어하기 위한 명령을 입력받아 제어기(140)로 제공할 수 있다. 입력 장치(110)는 사운드 데이터를 수신하는 마이크, 및/또는 사용자 조작을 입력받는 마우스, 키보드, 버튼, 터치 패드 및/또는 터치스크린 등을 포함할 수 있다. 출력 장치(120)는 제어기(140)의 제어에 기초하여 시각적 정보 및/또는 청각적 정보를 출력할 수 있다. 예를 들어, 도 1에 도시하지 않았지만, 출력 장치(120)는 각종 컨텐츠, 예를 들어, 텍스트, 이미지, 비디오, 아이콘 및/또는 심볼 등을 표시할 수 있는 디스플레이 및/또는 전기 신호를 사운드로 변경하여 출력할 수 있는 스피커 등을 포함할 수 있다. 예를 들어, 디스플레이는 터치스크린을 포함할 수 있다. 통신 장치(130)(또는 통신 회로라고도 함)는 외부 장치, 예를 들어, 사운드 측정 장치(1000)와의 통신 채널의 수립 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있으며, 통신 회로를 포함할 수 있다. 예를 들어, 통신 장치(130)는 무선 통신 모듈(미도시) 및/또는 유선 통신 모듈(미도시)을 포함하고, 그 중 해당하는 통신 모듈을 이용하여 외부 장치와 통신할 수 있다. 유선 통신 모듈은 이더넷(Ethernet, IEEE 802.3 기술 표준) 등을 통하여 유선 통신망에 접속하고, 유선 통신망을 통하여 외부 장치와 통신할 수 있다. 무선 통신 모듈은 와이파이(WiFi™, IEEE 802.11 기술 표준)를 이용하여 액세스 포인트(AP)와 무선으로 통신하거나, CDMA, WCDMA, GSM, LTE(Long Term Evolution), 와이브로 등을 이용하여 기지국과 통신할 수 있다. 무선 통신 모듈(미도시)은 또한 기지국 또는 액세스 포인트를 거쳐 외부 장치와 통신할 수 있다. 제어기(140)(제어 회로 또는 프로세서라고도 함)는, 소음 예측 모델 생성 장치(10)의 적어도 하나의 다른 구성 요소(예: 하드웨어 구성 요소 및/또는 소프트웨어 구성 요소(소프트웨어 프로그램))를 제어할 수 있고, 다양한 데이터 처리 및 연산을 수행할 수 있다. 제어기(140)는 메모리(141) 및/또는 프로세서(143)를 포함할 수 있다. 메모리(141)는 소음 예측 모델 생성 장치(10)의 제어용 소프트웨어 프로그램을 저장할 수 있다. 예를 들어, 메모리(141)에는 소음 예측 모델을 생성하는 알고리즘을 저장, 즉, 소음 예측 모델을 생성하는 알고리즘을 포함하는 소프트웨어 프로그램을 저장할 수 있다. 메모리(141)는 소음 예측 모델 생성 장치(10)의 각 구성 별 데이터를 처리하기 위한 프로그램 및/또는 데이터를 저장할 수 있다. 메모리(141)는 데이터를 임시로 기억하고, 프로세서(143)의 각 데이터의 처리 결과를 임시로 기억할 수 있다. 메모리(141)는 S램(S-RAM), D램(D-RAM) 등의 휘발성 메모리뿐만 아니라 플래시 메모리, 롬(ROM; Read Only Memory), 이피롬(EPROM; Erasable Programmable Read Only Memory) 등의 비휘발성 메모리를 포함할 수 있다. 프로세서(143)는 각 데이터를 처리하여, 입력 장치(110), 출력 장치(120), 통신 장치(130) 및/또는 메모리(141)를 각각 제어하기 위한 신호를 해당 장치에 제공할 수 있다. 예를 들어, 프로세서(143)는 마이크로 컨트롤 유닛(MCU; Micro Control Unit)을 포함할 수 있다. 프로세서(154)는 메모리(141)에 저장된 소음 예측 모델을 생성하는 알고리즘을 포함하는 소프트웨어 프로그램을 실행시켜 소음 예측 모델을 생성할 수 있다. 프로세서(154)는 소음 예측 모델 생성 장치(10)와 전기적으로 연결 또는 통신 연결된 사운드 측정 장치(1000)로부터 수신된 사운드 데이터의 신호 처리를 기초로 사운드 데이터로부터 원 소음 데이터를 분리할 수 있다. 예를 들어, 프로세서(154)는 사운드 측정 장치(1000)로부터 BSR(Buzz, Squeak, Rattle)에 해당하는 사운드 데이터를 수신할 수 있으며, 신호 처리 기법인 경험적 모드 분해(EMD; empirical mode decomposition) 알고리즘을 기초로 수신된 사운드 데이터로부터 원소음을 분리하는 전치리를 수행할 수 있다. 경험적 모드 분해 알고리즘은 여러 개의 내재적 모드 함수(IMFs; Intrinsic Mode Functions)로 분해하여 신호의 다양한 주파수 정본을 독립적으로 분석할 수 있도록 하는 알고리즘으로, 종래의 공지된 기술이므로 상세한 설명은 생략한다. 프로세서(154)는 원 소음 데이터를 스팩트로그램(Spectrogram) 형태로 변환하여 후술하는 소음 예측 모델이 학습할 수 있는 이미지인 스팩토그램 이미지를 생성하는 전처리를 할 수 있다. 프로세서(154)는 스팩트로그램 이미지에 대한 데이터 클러스터링을 할 수 있다. 프로세서(154)는 데이터 클러스터링에 따라 분류된 소음 종류들 중 적어도 하나의 소음 종류의 데이터를 기초로, 적어도 하나의 소음 종류의