멀티 모달 자기 지도 학습을 활용한 차량 내부 소음 수준 예측

국문 초록 (Abstract)

차량 산업에서 차량 내부 소음 수준을 예측하고 관리하는 것은 매우 중요한 문제이다. 이에 따라 인공 지능을 활용하여 차량 내부 소음 수준의 주 원인인 전동식 조향 장치로부터 발새하는 차량 내부 소음 수준을 효과적으로 예측하고자 하는 시도가 이루어지고 있다. 차량 내부 소음 수준 예측을 위한 기존 연구들은 다량의 레이블 데이터를 필요로 하는 지도 학습 방식으로 차량 내부 소음 수준을 예측한다. 하지만 차량 내부 소음 수준 예측 모델 구축을 위한 레이블 데이터를 얻는 과정에는 많은 시간과 비용이 든다. 따라서 본 연구에서는 적은 레이블 데이터 만으로도 차량 내부 소음 수준을 잘 예측하는 멀티 모달 자기 지도 학습 방법론을 제안한다. 제안 방법론은 먼저 수집이 용이한 레이블이 없는 전동식 조향 장치 가속도 데이터로 입력 데이터를 사전 학습 한다. 원본 가속도 신호 데이터와 이를 스펙트로그램으로 변환한 데이터 사이 관계를 사전 학습을 진행한 후, 사전 학습된 모델의 특징 추출기를 활용하여 적은 레이블 데이터 만으로 성능이 좋은 차량 내부 소음 수준 예측 모델을 구축한다. 본 연구는 실험을 통해 제안하는 사전 학습 방법론이 전동식 조향 장치 가속도 데이터의 특징을 학습하는데 적합한 방식임을 보인다. 더 나아가서 적은 레이블 데이터만을 활용하여 기존 지도학습 기반 모델보다 제안 모델이 차량 내부 소음 수준을 더 잘 예측하고 있음을 입증한다.

다국어 초록 (Multilingual Abstract)

Predicting in-vehicle noise levels is an important issue in automobile industry. In most previous studies, various supervised learning methods that use both the input and output(labeled) variables are used to predict automobile noise levels. However, collecting labeled data for in-vehicle noise prediction is time consuming and expensive. In this study, we propose a multimodal self- supervised learning framework that can predict in-vehicle noise levels with only a small amount of labeled data, so that resources required to collect labeled data can be saved. In our framework, both original acceleration signals and spectrograms converted from the original data are used as the input to predict in-vehicle noise levels. In the first stage, we pretrain the features of the input data based on the relationship between the signal and spectrogram data using only unlabeled data, which is much easier to collect than labeled data. In the second stage, we use a small amount of data to construct the in-vehicle noise prediction model with the pretrained feature extractor. The effectiveness and applicability of the proposed framework are demonstrated using the actual acceleration signal data collected from various locations of electric power steering vehicle noise levels. The proposed framework outperforms the existing supervised learning method especially when a few labeled data are available.

목차 (Table of Contents)

• 초록 ....................................................................................................................i
• ABSTRACT .................................................................................................... iii
• 사사 ...................................................................................................................v
• 목차 ..................................................................................................................vi
• 표 목차............................................................................................................ vii
• 그림 목차....................................................................................................... viii
• 1 장. 서론......................................................................................................... 1
• 2 장. 데이터 설명 및 전처리............................................................................ 6
• 3 장. 제안 모델 ............................................................................................ 10
• 4 장. 실험 결과 ............................................................................................ 14
• 5 장. 결론..................................................................................................... 18
• 참고문헌...................................................................................................... 19