The tires which contact with the road are important parts to determine the vehicle behavior. Recently, the studies which want to increase the vehicle safety by observing the tire strains containing additional information about vehicle are in progress actively. This system called the intelligent tire system. For developing the whole intelligent tire system, the stain sensor which can measure the strains of tire has to be developed. However, there is no sensor to measure the strains of tire yet by reasons of adhesion of sensor and lack of reliability. In this study, strains of tire were estimated using the tire Finite Elements Model. And the optimized model is made to calculate the strains by converging test. The validation test was also conducted to verify the tire FE model. Using the tire FE model, the shapes of strains can be estimated in each traveling events.
In this research, I suggest the method to develop the simplified analytical tire model to estimate the tire strain in real time. The simplified analytical tire strain model can be used in vehicle simulation replaced with real tire system and be the as comparison data of real tire sensor. To develop the model the standardized shape of tire strains were established refer to the database of tire strains at first. The target strains are lateral strains at each location of tire sensors on straight rolling condition. The standardized shape of tire strains can be determined by few decisive parameters (offset, compression peak, tension peaks) which are extracted from the database. For making the tire strains model two steps are performed. The first step is developing the neural network model to estimate the decisive parameters which determined the standardized shape of tire strains. By the cross-validation the number of hidden layers and the hidden neurons are decided. In the second step, the whole strains are printed with rotation angles by the piecewise polynomials curve. In this step govern equations of tire model are constructed by the decisive parameters. The equations are combinations of $3^{rd}$ and $5^{th}$ polynomials curves. When the $5^{th}$ polynomials curves are constructed the least square method are used. Finally, the developed tire model can approximate the analysis data nicely and computing time is about 5ms (Intel Core i7 CPU, 2.80GHz/3.15GHz, 3GB RAM, measured by MATLAB Tic/Toc function) which is enough to compute the strains in real-time. Therefore if we have plenty of reliable strain data we can make the tire strain model that can be operated in real time with high accuracy. And the tire model can be used in the simulations to develop the intelligent tire system.
인텔리전트 타이어 시스템은 지면과 직접적인 접촉을 하는 타이어의 변형을 통해서 추가적인 정보를 획득하여 차량 제어 성능의 향상과 차량의 안정성을 확보하기 위한 것이다. 본 연구는 아직 개발 되지 않은 인텔리전트 타이어 시스템의 변형량 측정 센서를 대신하여 주행 상황 시의 변형량을 예측하고 시뮬레이션과 검증 작업에 활용하기 위한 모델을 개발하는 것을 목표로 한다.
1. 타이어 변형량 데이터 베이스를 위한 유한 요소 모델 개발
타이어 변형량에 대한 정보는 변형량 측정 센서의 부재로 인해서 아직 구축되지 못한 상황이다. 따라서 본 연구에서는 유한 요소 모델을 이용하여 변형량 데이터 베이스를 구축하였다. 235/65/R17 사이즈의 인텔리전트 타이어 시스템 대상 타이어를 분석하여 타이어 유한 요소 모델 개발하였다. 개발된 모델은 2개의 강철 벨트와 2개의 보강 벨트층, 1개의 카카스 벨트 층으로 구성이 되며 각 코드 층의 배열 각도를 고려하여 구현하였다. 해석 결과를 통해서 얻은 타이어 접촉면에서의 슬립 분포와 마찰 전단 응력(frictional shear stress) 분포를 통해서 타이어 모델의 타당성을 확인하였다. 다음으로 모델의 수렴성 테스트를 진행하였으며, 수직 방향 강성 비교 검증 실험을 통해 10% 이내의 오차를 가지는 모델을 개발하였다. 타이어 유한 요소 모델은 총 노드는 40080개, 요소는 39600개로 구성이 되며 해석 시간은 1 과정(step) 당 90분 정도 소요된다(Intel Core i7 CPU, 2.80GHz/3.15GHz, 3GB RAM, CPU time 기준).
2. 주행 상황에 따른 타이어 변형량 고찰
변형량 데이터를 확보하기 위한 해석은 수직하중, 속도, 자유회전주행, 구/제동, 캠버각, 횡방향 슬립각을 변수로 하여 시행되었다. 수직 하중의 증가는 타이어 접촉면의 증가를 유발하며, 최대 변형량 값의 증가를 유발한다. 또한 속도의 증가는 원심력에 의한 타이어 요소들의 추가적인 변형에 의해서 전체적인 변형이 증가하는 것을 확인하였으며, 구/제동 시에는 타이어접촉면을 기준으로 앞 뒤 변형량의 불균형을 유발함을 확인하였다. 횡방향 슬립각과 캠버각의 경우 좌우 비대칭적인 변형량을 유발한다. 이러한 해석결과 분석을 통해 타이어 변형의 대표적인 개형을 선정할수 있었다.
3. 실시간으로 계산 가능한 수식화 타이어 모델 제시
변형량은 회전 방향 변형량과 횡방향 변형량을 중점적으로 보았으며 그 중 수식화가 용이한 횡방향 변형량에 대해서 수식화 모델을 구현하였다. 변형량은 회전 각도에 따라서 일정한 개형을 지닌다. 본 연구에서는 각 개형을 결정짓는 변수를 설정하였으며, 이 변수들을 기반으로 하는 실시간으로 계산이 가능한 수식화 타이어 모델을 제시하였다. 타이어 모델은 주행상황에 맞는 변형량 개형 결정 변수를 예측하기 위한 신경망 모델과 이렇게 예측된 변수를 기반으로 각도 별 변형량을 예측하는 구분 다항식 근사 모델의 조합으로 구성된다. 먼저 직진 주행 상황 해석 데이터를 기반으로 신경망 모델을 구성하고 교차검증을 통해서 최적의 신경망 모델을 구현하였다. 구분 다항식 근사 모델은 각도 별로 총 6개의 구간으로 변형량 예측 모델을 개발하였으며 각 구간의 모델을 1차, 3차, 5차 최소 자승법을 결합한 모델로 구성이 된다. 최종적으로 개발된 모델은 대략 해석 데이터를 기준으로 평균 1% 가량의 오차를 보이며 예측할 수 있으며(이는 해석 데이터를 기준으로 한 것으로 실제 오차와는 거리가 멀다.), 새로운 값이 입력되고 한 지점의 변형량을 계산하는 데 대략 5ms의 연산 시간을 보였다(Intel Core i7 CPU, 2.80GHz/3.15GHz, 3GB RAM, MATLAB Tic/Toc 명령어 기준). 이는 한 바퀴 회전 당 총 30개의 sample을 계산 할 경우에 55km/h의 회전 속도까지 연산할 수 있는 연산 시간으로, ECU로직에 적용될 경우 더 빠른 연산시간을 보여 시뮬레이션에 적용 가능할 것으로 보인다.
본 연구를 통해서 인텔리전트 타이어 시스템이 개발 될 경우 센서 위치에서 발생하는 변형량 개형을 예측 할 수 있었으며 간략화된 수식화 변형량 예측 모델 개발 방법을 제시하였다. 현재 실제 변형량 데이터가 부재하여 모델의 정확성을 정확하게 계산할 수 없지만, 시뮬레이션에서 사용 가능한 수준의 예측 시간을 지니는 모델을 제시하였다. 본 연구에서 제작된 수식화 모델은 나아가 추가적인 해석데이터를 통해서나 추후 개발될 인텔리전트 타이어 시스템에서 출력되는 변형량 데이터를 통해서 신뢰성 있는 변형량을 예측 할 수 있을 것이다.