This dissertation deals with model-based fault diagnosis algorithm and fault countermeasure of vehicle suspension system using machine learning technique. The suspension system of the vehicle consists of three sprung mass accelerometers, two unsprung mass accelerometers, suspensions and tires. This study covers suspension sensor and magnetorheological (MR) damper fault diagnosis and the countermeasure method for suspension sensor fault. In this dissertation, first, a model-based fault diagnosis method is used to generate the residuals in response to sensor fault. This residual reacts independently to the fault of the sprung mass accelerometer and unsprung mass accelerometer. To evaluate the residual generated by the model-based fault diagnosis method, we use a support vector machine, one of the machine learning techniques. By combining model-based fault diagnosis with machine learning, this study designs fault diagnosis algorithm without threshold tuning process. Next, based on the robust Takagi-Sugeno (T-S) fuzzy observer, the fault of MR damper is diagnosed. Using the T-S fuzzy modeling technique, the nonlinear characteristics of the MR damper is modeled and the MR damper fault can be diagnosis for variety current range. Finally, to overcome the limitation that conventional relative velocity estimation methods cannot be used in the event of unsprung mass sensor fault, the alternative relative velocity estimation method is proposed using wheelbase preview assumption. Using this fault countermeasure algorithm, the vehicle is able to keep the performance of suspension while the sensor fault occurs. In addition, in the appendix, indirect TPMS using the tire's frequency characteristics are designed using ABS sensor mounted on the vehicle wheel. By combining deep neural network and frequency analysis based indirect TPMS, the proposed method overcome the limitation of previous researches.
본 논문에서는 머신러닝 방법을 활용한 차량 서스펜션 시스템의 모델기반 고장 진단 알고리즘과 고장 대응방법을 다룬다. 차량의 서스펜션 시스템은 세개의 스프렁 메스 센서와 두개의 언스프렁 메스 센서, 그리고 서스펜션으로 이루어 진다. 본 연구에서는 서스펜션 제어에 활용되는 센서와 MR댐퍼의 고장 진단 방법 및 센서 고장 대응 방안에 대하여 다루었다. 먼저, 모델 기반 고장진단 방법을 활용하여 센서의 고장에 반응하는 잔차를 생성하였다. 이 잔차는 스프렁 메스 센서와 언스프렁 메스 센서의 고장에 독립적으로 반응한다. 모델 기반 고장진단 방법으로 생성된 잔차를 평가하기 위하여, 머신러닝 기법중 하나인 서포트 벡터 머신을 활용하였다. 모델기반 고장진단 방법과 머신러닝 기법을 결합하여, 별로의 스레시홀드 튜닝 작업 없이 고장진단 알고리즘을 설계할 수 있었다. 다음으로, 노면의 입력에 강건한 T-S 퍼지 추정기를 활용하여, MR 댐퍼의 고장을 진단하였다. MR 댐퍼의 비선형특성을 모델링할 수 있는 T-S 퍼지 모델링 기법을 활용하여, 다양한 전류 영역대에서 MR 댐퍼의 고장이 진단 가능하게 하였다. 마지막으로, 언스프렁 메스 센서의 고장시 기존의 상대속도 추정 방법을 사용할 수 없다는 한계점을 극복하기 위해, 휠베이스 프리뷰 가정을 사용하여 언스프렁 메스 센서 고장이 발생할 시 상대속도를 추정할 수 있는 고장 대응 알고리즘을 제안하였다. 이에 더하여, appendix 에서는 차량에 장착된 ABS 센서를 활용하여, 타이어의 주파수 특성을 활용한 간접식 TPMS를 설계하였다. 심층 신경망을 간접식 TPMS에 접목하여, 기존 연구의 한계점인 데이터 취사 선택을 없애고 스레시홀드 튜닝 과정을 생략하였다.
