KR102172840B1 - 객체 제어 및 모니터링 시스템 - Google Patents

Abstract

본 발명은 객체(차량 엔진)을 제어하고 모니터링하는 시스템에 관한 것이다.
본 발명에 따른 객체 제어 및 모니터링 시스템은 객체의 데이터를 수신하는 수신부와, 데이터 기반 제어 로직 및 모니터링 프로그램이 저장된 메모리 및 프로그램을 실행시키는 프로세서를 포함하고, 프로세서는 객체의 데이터를 이용하여 딥러닝 모델을 생성하고, 데이터 기반의 객체 제어를 수행하며, 물리 기반 제어 모델을 이용하여 데이터 기반의 객체 제어를 모니터링하여, 제어 모드를 결정하는 것을 특징으로 한다.

Description

객체 제어 및 모니터링 시스템{SYSTEM FOR CONTROLLING AND MONITORING OBJECT}

본 발명은 객체(차량 엔진)를 제어하고 모니터링하는 시스템에 관한 것이다.

종래 기술에 따르면, 물리 기반 제어 로직을 구현하기 위해 많은 입력과 측정 데이터가 필요하며, 측정 데이터를 수집하고 캘리브레이션 하는 과정에서 많은 노력과 시간이 소요되는 문제점이 있다.

본 발명은 전술한 문제점을 해결하기 위하여 제안된 것으로, 데이터 기반 엔진 제어 로직을 활용하여 제어의 정확도를 확보하고, 물리기반의 제어 로직을 이용하여 모니터링함으로써 제어의 신뢰도를 동시에 확보하는 것이 가능한 제어 및 모니터링 시스템을 제공하는 데 그 목적이 있다.

본 발명에 따른 객체 제어 및 모니터링 시스템은 객체의 데이터를 수신하는 수신부와, 데이터 기반 제어 로직 및 모니터링 프로그램이 저장된 메모리 및 프로그램을 실행시키는 프로세서를 포함하고, 프로세서는 객체의 데이터를 이용하여 딥러닝 모델을 생성하고, 데이터 기반의 객체 제어를 수행하며, 물리 기반 제어 모델을 이용하여 모니터링을 수행하여, 제어 모드를 결정하는 것을 특징으로 한다.

본 발명에 따른 객체 제어 및 모니터링 방법은 객체의 데이터에 대해 유효성을 판단하는 단계와, 유효성이 확인된 객체의 데이터를 이용하여 딥러닝 모델을 생성하고, 데이터 기반의 객체 제어를 수행하며, 물리 기반 제어 모델을 이용하여 모니터링을 수행하는 단계 및 모니터링의 결과에 따라 제어 모드를 결정하는 단계를 포함하는 것을 특징으로 한다.

본 발명의 실시예에 따르면, 종래 기술 대비 로직 개발 기간과 캘리브레이션 기간을 획기적으로 단축시키고, 제어 정밀도를 향상시키는 것이 가능한 효과가 있다.

본 발명에 따르면, 종래 기술에 따른 데이터 기반 모델의 문제점(트레이닝 영역을 벗어난 데이터 입력 시 예측 불가한 출력을 내는 문제점)을 해결하고, 정상상태에서 발생할 수 없는 입력의 조합이 발생할 때, 효과적으로 고장을 감지하고 백업 동작을 실시하는 것이 가능한 효과가 있다.

차량의 노화에 따라 특성이 변하는 경우, 보정값 학습을 통해 그 특성 변화에 맞는 최적 제어를 달성하는 것이 가능한 효과가 있다.

본 발명의 효과는 이상에서 언급한 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

도 1및 도 2는 본 발명의 실시예에 따른 객체 제어 및 모니터링 시스템을 나타내는 블록도이다.
도 3은 본 발명의 실시예에 따른 객체 제어 및 모니터링 방법의 학습 과정을 나타내는 순서도이다.
도 4는 본 발명의 실시예에 따른 객체 제어 및 모니터링 방법의 제어 과정을 나타내는 순서도이다.

본 발명의 전술한 목적 및 그 이외의 목적과 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다.

그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 이하의 실시예들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 목적, 구성 및 효과를 용이하게 알려주기 위해 제공되는 것일 뿐으로서, 본 발명의 권리범위는 청구항의 기재에 의해 정의된다.

한편, 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성소자, 단계, 동작 및/또는 소자가 하나 이상의 다른 구성소자, 단계, 동작 및/또는 소자의 존재 또는 추가됨을 배제하지 않는다.

이하에서는, 당업자의 이해를 돕기 위하여 본 발명이 제안된 배경에 대하여 먼저 서술하고, 본 발명의 실시예에 대하여 서술하기로 한다.

종래 기술에 따르면, engine dyno에서 시험을 통해 측정된 데이터와, 엔진 제어 로직(예: 흡기 공기량 모델)이 사용되며, actual engine에서 측정된 실제 공기량과 엔진 제어 로직 및 캘리브레이션 데이터(엔진 제어 로직에 포함되는 특성 곡선, 맵, 상수 등)로부터 계산된 모델링 공기량의 차이를 최소화하는 캘리브레이션 데이터를 찾는 optimal fitting algorithm이 사용된다.

그런데, 종래 기술에 따른 물리기반 제어 로직은 많은 입력과 측정 데이터가 필요하며, 측정 데이터 수집과 캘리브레이션을 위해 많은 시간과 노력이 소요되는 문제점이 있다.

또한, 종래 기술에 따른 데이터기반 모델은 트레이닝 영역을 벗어난 데이터가 입력되었을 경우 예측 불가한 출력을 내는 문제점이 있다.

본 발명은 전술한 문제점을 해결하기 위하여 제안된 것으로, 데이터 기반 엔진 제어 로직을 활용하여 제어의 정확도를 확보하고, 물리기반의 제어 로직을 이용하여 모니터링을 수행함으로써, 신뢰도를 동시에 확보하는 것이 가능한 객체 제어 및 모니터링 시스템을 제안한다.

개발 단계에서 차량의 모든 운전 가능 상태를 100% 학습 시키는 것은 현실적으로 불가능한데, 본 발명의 실시예에 따르면 물리기반 제어 로직으로 모니터링을 수행함으로써, 데이터 기반의 엔진 제어 로직이 비정상 상태에 빠지는 경우 보조 제어 모드로 모드 변경을 하여 제어의 신뢰도를 향상시키는 것이 가능하다.

본 발명의 실시예에 따르면, 하드웨어 고장으로 인해(예: leak 발생) 정상 상태에서는 발생할 수 없는 센서 입력들의 조합이 발생한 경우, 효과적으로 고장을 감지하고 백업 동작을 실시함으로써, 시스템의 안정성을 유지하는 것이 가능하다.

본 발명의 실시예에 따르면, 종래 기술 대비 로직 개발 기간, 캘리브레이션 기간을 획기적으로 단축시킴으로써, 원가를 대폭 절감하고 제어 정밀도를 상승시키는 것이 가능한 효과가 있다.

차량의 노화에 따라 특성이 천천히 변하는 경우, 데이터 기반 제어 로직과 물리기반 제어 로직의 출력값이 근소한 범위 내에서 점진적으로 변화하게 되는데, 본 발명의 실시예에 따르면 보정값 학습을 통해 특성 변화에 맞는 최적 제어를 달성하는 것이 가능하다.

도 1 및 도 2는 본 발명의 실시예에 따른 객체 제어 및 모니터링 시스템을 나타내는 블록도이다.

본 발명의 실시예에 따른 객체 제어 및 모니터링 시스템은 객체의 데이터를 수신하는 수신부(110)와, 데이터 기반 제어 로직 및 모니터링 프로그램이 저장된 메모리(120) 및 프로그램을 실행시키는 프로세서(130)를 포함하고, 프로세서(130)는 객체의 데이터를 이용하여 딥러닝 모델을 생성하고, 데이터 기반의 객체 제어를 수행하며, 물리 기반 제어 모델을 이용하여 모니터링한 결과에 따라 제어 모드를 결정한다.

프로세서(130)는 데이터 필터를 이용하여 객체의 데이터에 대한 유효성을 판단하여, 딥러닝 모델 생성에 이용할지 여부를 결정하고, 유효성이 확인된 데이터를 이용하여 딥러닝 모델의 출력에 대한 보정값 학습을 수행한다.

프로세서(130)는 기설정된 신경망 구조에 따라 유효성이 확인된 객체의 데이터를 기반으로 딥러닝 모델을 생성한다.

프로세서(130)는 모니터링의 결과, 데이터 기반의 객체 제어의 출력값이 물리 기반 제어 모델의 출력 범위로부터 기설정된 제1 범위 이상 벗어나는 경우, 백업 모드에 진입하여 물리 기반 제어 모델의 출력 데이터를 이용하여 제어를 수행한다.

프로세서(130)는 모니터링의 결과, 데이터 기반의 객체 제어의 출력값이 물리 기반 제어 모델의 출력 범위로부터 기설정된 제2 범위 이상 벗어나는 경우, 데이터 기반의 객체 제어의 출력값을 보정하고, 보정된 출력값을 이용하여 제어를 수행한다.

본 발명의 실시예에 따른 트레이닝 데이터는 개발 단계에서 수집되어, 데이터 기반 제어 로직의 모델, 즉 딥러닝 모델(220)을 생성하는데 사용된다.

객체(10)의 데이터는 실제 사용 단계에서도 실시간으로 수집될 수 있으며, 이 데이터는 딥러닝 모델(220)의 출력을 보정하는 용도로 사용된다.

공기량 모델을 예로 들면, RPM, In/Ex CAM 각도, valve duration 정보, 쓰로틀 개도, 흡기 압력, 배기가스 온도, 배기 압력이 물리기반 모델(210)로 입력되며, 물리기반 모델(210)은 모델의 공기량(rl_phy)를 출력하여 데이터 필터로 입력한다.

본 발명의 실시예에 따르면, 개발 단계에서 트레이닝을 위해 수집된 데이터의 유효성을 판단하기 위해, 데이터 필터가 적용된다.

계측 장비는 실측 공기량의 참값(rl_real)을 데이터 필터로 입력하며, 그 중 필터 신뢰 구간에서 벗어난 데이터는 측정 오류로 판단되어 제외된다.

데이터 필터는 물리기반 제어 로직을 이용하여 구현되며, 기정의된 오차 범위를 벗어난 데이터 set에 대해서는 유효하지 않은 트레이닝 데이터로 판단하여 학습 과정에서 제외시킨다.

예컨대 데이터 필터의 신뢰 구간을 15%로 설정한 경우, 그 범위 내에 포함되지 않는 데이터는 모델 트레이닝에 사용되지 않는다.

데이터 필터를 통과하여 유효한 것으로 판단된 데이터들은 딥러닝 모델(220)을 만드는데 사용되며, 실사용 단계에서는, 데이터 필터에서 유효성이 확인된 데이터를 활용하여 딥러닝 모델(220)의 출력에 대한 보정값을 학습하는데 사용한다.

전술한 바와 같이, 데이터 필터를 통과하여 유효성이 검증된 데이터만을 이용하여 딥러닝 모델 트레이닝을 수행하며, Input 인자들에 대해 실측된 공기량을 딥러닝 모델에 알려주는 supervised learning 이 진행된다.

딥러닝 모델(220)은 기설정된 신경망 구조에 따라 학습되며, 데이터를 기반으로 모델이 구성된다.

공기량 모델의 일 실시예에 따르면, 물리기반 모델(210)으로부터 출력된 모델링 공기량은 rl_phy, 딥러닝 모델(220)로부터 출력된 모델링 공기량은 rl_data이다.

실사용 단계에서 딥러닝 모델(220)에서 출력되는 출력값은 물리기반 모델(210)의 출력값이 보증하는 범위 내에 존재하게 되며, 이상적으로는 물리기반 모델(210) 출력 범위의 정중앙에 위치하게 되는데, 다양한 환경 조건 변화, 차량의 노화 등에 따라 차츰 중앙에서 벗어날 수 있다.

이러한 점진적인 변화는 대부분의 경우 고장 상황이 아니며, 본 발명의 실시예에 따른 보정값 학습부(230)는 학습을 통해 모델 값을 보정한다.

본 발명의 실시예에 따른 보정값 학습부(250)는 물리기반 제어 모델(210)의 출력과 데이터 기반 제어모델, 즉 딥러닝 모델(220)의 출력을 지속적으로 비교하여 데이터 기반 제어 모델의 출력을 보정한다.

이 때, RPM, 흡기 압력 별로 영역을 나누고, rl_phy 및 rl_data의 차이가 일정 수준 이상이 되는 경우, 학습을 수행하고, 보정값인 rl_data_corr을 다음 [수학식 1]을 사용하여 산출한다.

본 발명의 실시예에 따르면, 점진적 변화가 아닌 갑작스런 변화가 발생한 경우에는, 고장으로 판단하여 데이터를 보정값 학습에 사용하지 않는다.

본 발명의 실시예에 따른 물리기반 제어 모델(210)은 제어 대상을 관측하고 그 현상을 물리적인 지식을 동원하여 모델링한 것이다.

물리기반 제어 모델(210)은 캘리브레이션 단계에서 미처 고려하지 못한 입력 데이터 set에 대해서도 신뢰할 만한 범위의 출력을 내며, 그 정밀도는 개발 기간에 비례하여 상승한다.

본 발명의 실시예에 따른 물리기반 제어 모델(210)은 데이터 기반 제어로직의 출력을 모니터링 하는 용도로 사용된다.

이러한 물리기반 제어로직은 가상엔진 시스템을 활용하여 구현하는 것이 가능하다.

본 발명의 실시예에 따른 고장 진단부(240)는 물리기반 모델(210)의 출력에 일정 마진을 감안하여 신뢰 구간을 만들고, 딥러닝 모델(220)의 출력이 신뢰 구간을 벗어나는지 여부를 모니터링한다.

예컨대, rl_phy의 +/-10%를 신뢰 구간으로 설정한 경우, 그 범위를 벗어나는 rl_data에 대해서는 고장으로 판정하게 된다.

일반적인 상황에서는 신뢰구간의 중심부근에 딥러닝 모델의 출력이 형성될 것인데, 딥러닝 모델의 출력이 신뢰구간을 정해진 시간보다 오래 벗어나게 되면, 비정상 상황으로 인지하고 물리기반 모델(210)의 출력을 제어에 사용한다.

또한 RPM, 차속 등을 제한하여 차량을 보호하는 백업 동작을 수행한다.

제어부(250)는 고장 진단부(240)의 진단 결과 고장으로 판정되면, 물리기반 모델(210)을 통해 보조 제어 모드가 수행되도록 모드를 변경시킨다.

본 발명의 실시예에 따르면, 기존 ECU의 로직 중 일부 로직을 외부의 co-proccessor로 이동하여 CPU 부하 및 메모리 사용량을 저감시키고, 차량 개발 프로세스 중 로직 개발과 캘리브레이션에 소요되는 시간을 대폭 단축시켜 개발 사이클 타임을 대폭 저감시키는 효과가 있다.

본 발명의 실시예에 따른 객체 제어 및 모니터링 방법은 객체의 데이터를 수신하여 유효성을 판단하는 단계와, 유효성이 확인된 객체의 데이터를 이용하여 딥러닝 모델을 생성하고, 데이터 기반의 객체 제어를 수행하며, 물리 기반 제어 모델을 이용하여 모니터링을 수행하는 단계 및 모니터링의 결과에 따라 제어 모드를 결정하는 단계를 포함한다.

이 때, 유효성을 판단하는 단계에서는, 데이터 필터의 기설정된 신뢰 구간을 고려하여 측정 오류로 인한 데이터를 제외시킨다.

모니터링을 수행하는 단계에서는, 데이터 기반의 객체 제어의 출력값이 물리 기반 제어 모델의 출력 범위로부터 기설정된 범위 이상 벗어나는 경우, 데이터 기반의 객체 제어의 출력값을 보정하고, 보정된 출력값을 이용하여 제어를 수행한다.

제어 모드를 결정하는 단계에서는, 모니터링의 결과에 따라, 데이터 기반의 객체 제어의 출력값이 물리 기반 제어 모델의 출력 범위로부터 기설정된 범위를 벗어나는 경우, 백업 모드에 진입하여 물리 기반 제어 모델의 출력 데이터를 이용하여 제어를 수행한다.

도 3은 본 발명의 실시예에 따른 객체 제어 및 모니터링 방법의 학습 과정을 나타내는 순서도이다.

본 발명의 실시예에 따르면, 객체 데이터를 취득하고(S310), 객체 데이터가 필터를 통과하는지 여부를 판단하여(S320), 유효한 데이터를 저장시키고(S330), 유효하지 않은 데이터를 제외시킨다(S340).

해당 데이터가 마지막 객체 데이터인지 여부를 확인하고(S350), 마지막 객체 데이터인 경우, 유효한 데이터를 이용하여 딥러닝 모델을 트레이닝하고, 모델을 저장한다(S360).

도 4는 본 발명의 실시예에 따른 객체 제어 및 모니터링 방법의 제어 과정을 나타내는 순서도이다.

본 발명의 실시예에 따르면, 데이터를 취득하고(S410), 취득된 데이터 중 유효한 데이터를 이용하여, 물리 기반 연산 및 데이터 기반 연산을 수행한다(S420).

물리 기반 연산 결과를 rl_phy, 데이터 기반 연산 결과를 rl_data로 정의한다.

S430 단계에서는 데이터 기반 연산 결과가 물리 기반 연산 결과 대비 기설정된 범위 내에 포함되는지 여부를 확인한다.

예컨대,rl_data가 rl_phy의 0.9배보다 크고, 1.1배보다 작은 경우, 고장으로 판단하지 않고S440 단계로 이동한다.

S440 단계에서는 rl_data와 rl_phy의 차연산 값의 절대값이 기설정된 범위(예: 5% 이내)에 포함되는지 여부를 확인한다.

기설정된 범위 이내에 포함되는 경우, 보정을 미실시한다(S450).

기설정된 범위 이내에 포함되지 않는 경우, 보정값을 학습하고, 보정을 실시하며, 보정된 데이터인 rl_data_corr을 사용하여 제어를 수행한다(S460).

S430 단계에서 데이터 기반 연산 결과가 물리 기반 연산 결과 대비 기설정된 범위 내에 포함되지 않는 경우, 카운터를 증가시키고(S470), 카운터가 threshold보다 커지는지 여부를 판단하고(S480), 카운터가 threshold보다 큰 경우 고장 정보를 표출하고, 백업 모드로 진입하며, rl_phy를 사용하여 제어를 수행한다(S490).

한편, 본 발명의 실시예에 따른 객체 제어 및 모니터링 방법은 컴퓨터 시스템에서 구현되거나, 또는 기록매체에 기록될 수 있다. 컴퓨터 시스템은 적어도 하나 이상의 프로세서와, 메모리와, 사용자 입력 장치와, 데이터 통신 버스와, 사용자 출력 장치와, 저장소를 포함할 수 있다. 전술한 각각의 구성 요소는 데이터 통신 버스를 통해 데이터 통신을 한다.

컴퓨터 시스템은 네트워크에 커플링된 네트워크 인터페이스를 더 포함할 수 있다. 프로세서는 중앙처리 장치(central processing unit (CPU))이거나, 혹은 메모리 및/또는 저장소에 저장된 명령어를 처리하는 반도체 장치일 수 있다.

메모리 및 저장소는 다양한 형태의 휘발성 혹은 비휘발성 저장매체를 포함할 수 있다. 예컨대, 메모리는 ROM 및 RAM을 포함할 수 있다.

따라서, 본 발명의 실시예에 따른 객체 제어 및 모니터링 방법은 컴퓨터에서 실행 가능한 방법으로 구현될 수 있다. 본 발명의 실시예에 따른 객체 제어 및 모니터링 방법이 컴퓨터 장치에서 수행될 때, 컴퓨터로 판독 가능한 명령어들이 본 발명에 따른 제어 및 모니터링 방법을 수행할 수 있다.

한편, 상술한 본 발명에 따른 객체 제어 및 모니터링 방법은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현되는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록 매체로는 컴퓨터 시스템에 의하여 해독될 수 있는 데이터가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래시 메모리, 광 데이터 저장장치 등이 있을 수 있다. 또한, 컴퓨터로 판독 가능한 기록매체는 컴퓨터 통신망으로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 읽을 수 있는 코드로서 저장되고 실행될 수 있다.

이제까지 본 발명의 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

110: 수신부 120: 메모리
130: 프로세서 210: 물리기반 모델
220: 딥러닝 모델 230: 보정값 학습부
240: 고장 진단부 250: 제어부

Claims (9)

1. 객체의 데이터를 수신하는 수신부;
   데이터 기반 제어 로직 및 모니터링 프로그램이 저장된 메모리; 및
   상기 프로그램을 실행시키는 프로세서를 포함하되,
   상기 프로세서는 상기 객체의 데이터를 이용하여 딥러닝 모델을 생성하고, 데이터 기반의 객체 제어를 수행하며, 물리 기반 제어 모델을 이용하여 상기 데이터 기반의 객체 제어를 모니터링하여, 제어 모드를 결정하고,
   상기 프로세서는 상기 모니터링의 결과, 상기 데이터 기반의 객체 제어의 출력값이 상기 물리 기반 제어 모델의 출력 범위로부터 기설정된 제1 범위를 벗어나는 경우, 백업 모드에 진입하여 상기 물리 기반 제어 모델의 출력 데이터를 이용하여 제어를 수행하고, 상기 모니터링의 결과, 상기 데이터 기반의 객체 제어의 출력값이 상기 물리 기반 제어 모델의 출력 범위로부터 기설정된 제2 범위를 벗어나는 경우, 상기 데이터 기반의 객체 제어의 출력값을 보정하고, 보정된 출력값을 이용하여 제어를 수행하는 것
   인 객체 제어 및 모니터링 시스템.
   
   
2. 제1항에 있어서,
   상기 프로세서는 데이터 필터를 이용하여 상기 객체의 데이터에 대한 유효성을 판단하여, 상기 딥러닝 모델 생성에 이용할지 여부를 결정하고, 상기 딥러닝 모델의 출력에 대한 보정값 학습에 이용하는 것
   인 객체 제어 및 모니터링 시스템.
   
3. 제2항에 있어서,
   상기 프로세서는 기설정된 신경망 구조에 따라 상기 유효성이 확인된 객체의 데이터를 기반으로 딥러닝 모델을 생성하는 것
   인 객체 제어 및 모니터링 시스템.
   
4. 삭제
5. 삭제
6. (a) 객체의 데이터를 수신하고, 유효성을 판단하는 단계;
   (b) 상기 유효성이 확인된 객체의 데이터를 이용하여 딥러닝 모델을 생성하고, 데이터 기반의 객체 제어를 수행하며, 물리 기반 제어 모델을 이용하여 모니터링을 수행하는 단계; 및
   (c) 상기 모니터링의 결과에 따라 제어 모드를 결정하는 단계를 포함하고,
   상기 (b) 단계는 상기 데이터 기반의 객체 제어의 출력값이 상기 물리 기반 제어 모델의 출력 범위로부터 기설정된 제2 범위를 벗어나는 경우, 상기 데이터 기반의 객체 제어의 출력값을 보정하고, 보정된 출력값을 이용하여 제어를 수행하고,
   상기 (c) 단계는 상기 모니터링의 결과에 따라, 상기 데이터 기반의 객체 제어의 출력값이 상기 물리 기반 제어 모델의 출력 범위로부터 기설정된 제1 범위 이상 벗어나는 경우, 백업 모드에 진입하여 상기 물리 기반 제어 모델의 출력 데이터를 이용하여 제어를 수행하는 것
   인 객체 제어 및 모니터링 방법.
   
7. 제6항에 있어서,
   상기 (a) 단계는 데이터 필터의 기설정된 신뢰 구간을 고려하여 측정 오류로 인한 데이터를 제외시키는 것
   인 객체 제어 및 모니터링 방법.
   
8. 삭제
9. 삭제

Images