http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
김성신(Sungshin Kim),주광진(Gwangjin Joo),김주호(Jooho Kim),정연홍(Yeonhong Jung),박성욱(Sung-ook Park) 한국자동차공학회 2010 한국자동차공학회 학술대회 및 전시회 Vol.2010 No.11
A new concept trailing arm bush in CTBA system consists of main rubber(X-leg) and muti-stoppers(2-rubbers/1-plastic). As the X-leg type is applied to main rubber, the longitudinal and vertical stffness can be minimized for comfort and road noise. And muti-stopper system used, the lateral stiffness can be maximized for handling and stability.
김성신(Sungshin Kim),박영욱(Youngwook Park),최광호(Gwangho Choi) 한국자동차공학회 2017 한국자동차공학회 부문종합 학술대회 Vol.2017 No.5
A new type of front strut insulator is proposed, which can enhance the both R&H and NVH performance. As I must decrease shore hardness of rubber for the isolaton of vibration, I delete the longitudinal voids from rubber and change the shape of main plate from circle to oval. And for the harmonized performace between ride and handling, I change the stiffness of zdirection which the static stiffness of bump motion is softer than that of rebound direction.
시간별 기상 변화를 고려한 LSTM 기반 일사량 예측에 관한 연구
김민석(Minseok Kim),정승환(Seunghwan Jung),김종근(Jonggeun Kim),이한수(Hansoo Lee),김성신(Sungshin Kim) 한국지능시스템학회 2021 한국지능시스템학회논문지 Vol.31 No.1
안정적인 전력계통 운영을 위해서는 기상 변화에 따라 변동되는 발전량을 예측할 수 있는 시스템이 수반되어야 한다. 태양광 발전량 예측을 위해 사용되는 대부분의 기상정보는 일기예보를 통해 쉽게 획득할 수 있다. 하지만, 발전량에 많은 영향을 미치는 일사량은 일기예보에 포함되어 있지 않으므로 정확한 발전량 예측을 위해 일사량 예측과 관련된 연구가 활발히 진행되고 있다. 최근에는 시계열 데이터를 효과적으로 처리할 수 있는 순환신경망과 같은 인공지능 기술이 발전함에 따라 LSTM(Long short-term memory)을 이용한 일사량 예측 연구가 제안되고 있다. LSTM은 과거 정보를 반영함으로써 일사량 예측 성능을 높일 수 있다. 따라서, 본 논문에서는 기상 변화를 고려할 수 있는 입력변수(대기권 밖 일사량, 대기청명도 등)를 생성한 다음 LSTM에 적용하여 다음 날의 시간별 일사량을 예측하는 방법을 제안하였다. 실험 결과, 제안된 방법이 인공신경망을 이용한 일사량 예측 방법 보다 시간별 일사량을 적절히 예측할 수 있음을 확인하였다. A system that can predict amount of generation fluctuating according to the weather changes is required for stable operation of the power system. Most of meteorological information can easily be obtained through the meteorological agency. However, solar radiation, which is the most important meteorological information for forecasting amount of generation is not included in the weather forecast. In order to accurately forecasting amount of generation, research related to forecasting solar radiation has been actively conducted. Recently, as artificial intelligence technologies such as recurrent neural networks that can effectively process time series data are developed, studies on forecasting solar radiation using long short-term memory (LSTM) have been proposed. LSTM can improve performance of forecasting by reflecting past information. In this paper, we propose a method to forecasting hourly solar radiation of next day by creating a input variable(extraterrestrial irradiance, clearness index, etc.) to weather changes and applying to LSTM. The experimental results confirmed that the proposed method shows outstanding solar radiation forecasting performance than the forecasting model using feedforward neural network.
Auto-associative Kernel Regression을 이용한 화력발전소 고장탐지 및 고장변수 식별에 대한 연구
김민석(Minseok Kim),정승환(Seunghwan Jung),김백천(BaekCheon Kim),장재열(Jaeyel Jang),유재영(Jaeyenog Yoo),김성신(Sungshin Kim) 한국지능시스템학회 2018 한국지능시스템학회논문지 Vol.28 No.5
원활한 전력공급을 위한 발전설비의 증축 및 기존 발전설비의 노후화로 인해 최근 발전공정에서 발생한 고장사례와 비계획정지의 횟수가 급격히 증가하고 있는 추세이다. 따라서 발전공정의 가용성, 안전성, 신뢰성을 보장하기 위한 데이터기반 고장탐지 및 진단에 관련된 연구가 활발히 진행되고 있다. 본 논문에서는 화력발전소에서 수집된 데이터에 Auto-associative Kernel Regression (AAKR)을 적용하였다. AAKR의 고장탐지 절차는 오프라인, 온라인 과정으로 나누어진다. 오프라인 과정에서는 대상시스템의 다변량 샘플을 이용하여 고장탐지를 위한 문턱값과 대역폭파라미터를 설정한다. 온라인 과정에서는 메모리에 저장된 학습데이터와 검증데이터의 유사도를 계산한다. 계산된 유사도에 따라 학습데이터의 가중치를 할당하고, 추정벡터 및 탐지지수를 계산한 후, 오프라인 과정으로부터 설정된 문턱값을 이용하여 고장탐지 및 기여도 분석을 수행하였다. AAKR을 이용한 고장탐지의 성능을 검증하기 위해서 정상데이터에 인위적으로 외란을 섞은 고장데이터를 생성하여 고장탐지를 수행한 결과, AAKR을 이용한 고장탐지방법이 고장구간을 적절히 탐지할 수 있음을 보여준다. The number of unexpected failures and shutdowns of the recent power generation process has been increasing sharply due to the expansion of power generation facilities for smooth power supply and the deteriorating of existing power plants. In this paper, Auto-associative Kernel Regression (AAKR) was applied to collect data from thermal power plants. There are two processes in the applied method, offline and online. In the offline process, a threshold and a bandwidth parameter for fault detection are set using multivariate samples of the terget system that were normally operated. And in the online process, the similarities between training data stored in memory and validation data is computed. The weight of training data is allocated according to the calculated similarity. After calculating estimated vector and detection indices, and fault detection and contribution analysis were performed using the threshold value set in the offline process. Fault data were generated by artificial disturbance mixed with normal data to verify the performance of the fault detection. Results of the fault detection using AAKR show that a failure intervals can be adequately detected.
김정민(Jungmin Kim),김연태(Yountae Kim),김성신(Sungshin Kim) 한국지능시스템학회 2008 한국지능시스템학회논문지 Vol.18 No.5
본 논문에서는 Inertial Navigation System (INS)와 Ultrasonic-SATellite (U-SAT)의 센서융합을 기반으로 100㎜ 이하의 정밀위치측정 시스템을 보여준다. INS는 자이로와 두 개의 엔코더로 구성되고, U-SAT는 네 개의 송신기와 한 개의 수신기로 구성하였다. 구성된 센서들은 정밀한 정밀위치측정을 위하여 Extended Kalman Filter (EKF)를 통해 센서들을 융합하였다. 위치측정의 성능을 증명하기 위해 본 논문에서는 로봇이 0.5 m/s의 속도로 주행한 실제 데이터(직진, 곡선)와 시뮬레이션을 통한 실험을 하였으며, 실험에 사용된 위치측정방법은 일반적인 센서융합과 INS 데이터만을 칼만 필터에 이용한 센서융합을 비교하였다. 시뮬레이션과 실제 데이터를 통해 실험한 결과 INS 데이터만을 칼만 필터에 이용한 센서융합이 더 정밀함을 확인할 수 있었다. This paper is presented an accurate localization scheme for mobile robots based on the fusion of ultrasonic satellite (U-SAT) with inertial navigation system (INS), i.e., sensor fusion. Our aim is to achieve enough accuracy less than 100 ㎜. The INS consist of a yaw gyro, two wheel-encoders. And the U-SAT consist of four transmitters, a receiver. Besides the localization method in this paper fuse these in an extended Kalman filter. The performance of the localization is verified by simulation and two actual data(straight, curve) gathered from about 0.5 m/s of driving actual driving data. localization methods used are general sensor fusion and sensor fusion through Kalman filter using data from INS. Through the simulation and actual data studies, the experiment show the effectiveness of the proposed method for autonomous mobile robots.