Editorial Board

벌크 트레일러 (bulk trailer)는 시멘트와 석탄재, 건축용 파우더 등 건축에 필요한 분말 형태의 자재를 저장 탱크 내에 적재하여 운송하는 차량이다[1,2]. 특히 콘크리트나 모르타르를 구성하는데 사용되는 주원료인 시멘트는 주요 건설자재로 사용되기 때문에, 이를 운송하기 위한 수단인 벌크 트레일러의 역할은 중요하다[3,4]. 또한 한국교통연구원의 2021년 화물운송시장 동향 연간보고서에 따르면, 일반화물차주의 차종별 차량구입형태에서 컨테이너, 벌크 시멘트 트레일러, 탱크로리, 카고형, 기타 트레일러 중 벌크 시멘트 트레일러 BCT의 신차 구매비율이 72.7%로 가장 높은 것으로 조사되었다[5].

최근 화물운송시장에서는 운임인상을 포함한 물류비 상승 문제가 대두되고 있는데[6], 이는 한번의 운행을 통해 공급할 수 있는 제품의 양이 한정된다는 점과 연관된다. 국내 도로법에 따르면 총중량이 40톤을 초과하는 차량은 운행이 제한되어 있는 반면, 제품의 공급량은 트레일러 운전자들의 운송수입에 직결되는 요소이기 때문이다. 이러한 문제를 해결하기 위한 방안으로 참고문헌[7,8],에서는 제품의 최대 적재량을 증가시킬 수 있도록 벌크 트레일러를 경량화 시키기 위한 연구를 진행한 바 있다. 그러나 탱크 내에 적재된 제품을 배출하는 작업 중 과도한 대기시간이 소요될 경우, 하루에 제품을 운송할 수 있는 횟수가 줄어들게 된다. 따라서 벌크 트레일러 탱크 내의 분말 제품을 짧은 시간 내에 배출하는 것 또한 중요하다.

벌크 트레일러의 저장 탱크 하부에는 배출관과 연결되는 다수 개의 호퍼(hopper)가 있으며, 배출관은 운송된 제품을 저장하기 위한 사일로(silo)로 연결된다. 따라서 호퍼 밸브가 열리면 저장 탱크 내에 적재된 분말 제품이 배출관으로 방출되며, 배출관에서 공기압축기(air compressor)로부터 압축 공기를 공급받아 분말 제품이 사일로로 이송된다. 이때 작업자가 각 호퍼의 밸브와 배출구의 압축 공기 공급량을 제어하기 위한 밸브를 수동으로 조작한다. 하지만, 배출 작업 절차는 명확하게 정해져 있지 않으므로, 배출 시간은 오직 작업자의 숙련도에 의존된다는 문제를 갖는다. 이러한 문제를 해결하기 위한 방안으로는 자동제어 시스템을 통해 수동으로 이뤄지는 기존의 배출 작업 방식을 대체하는 것이다.

벌크 트레일러의 자동제어 시스템을 개발함에 있어, 분말의 순간배출량과 누적배출량은 유용한 정보로 사용 가능하다. 예로, 분말의 순간배출량을 되먹임하여 밸브를 제어하는 형태의 제어 알고리즘을 개발함으로써 순간배출량을 최대한으로 지속시킬 수 있는 자동제어 시스템을 적용할 수 있다. 분말의 순간출량은 분말용 유량계를 통해 측정할 수 있지만, 현재 시중에서 구매할 수 있는 장비들은 고가에 해당한다. 이러한 고가의 분말용 유량계를 자동제어 시스템에 적용할 경우 오히려 더 높은 비용의 발생을 초래할 것이다. 또한 분말용 유량계는 정밀 계측장비이기 때문에, 장시간 및 장거리 운행을 하는 벌크 트레일러에 장착할 경우에 운송 중 파손되는 등의 문제가 발생할 수 있다.

이를 위한 해결책으로 저자의 최근 연구인 참고문헌 [9]에서 는 분말용 유량계 없이 저가의 압력센서신호만을 사용하여 분말 순간배출량을 추정하는 신경망(neural network) 모델이 제안된 바 있다. 신경망은 사용자에 의한 수학적인 모델링 없이 데이터를 기반으로 모델을 구축하는 기계학습 (machine learning) 기법들 중 하나이다. 순간배출량 추정과 같은 비선형 회귀 문제에 있어서 많이 활용되는 신경망으로는 다층 퍼셉트론(multi-layer perceptron, MLP), 합성곱신경망(convolutional neural network, CNN), 그리고 순환신경망(recurrent neural network, RNN) 등이 있으며, 참고문헌 [9]에서는 이 중 RNN을 활용하였다. RNN은 현재와 이전 시간의 정보를 입력으로 받는 형태의 신경망으로, 시계열 데이터의 추정 문제에 효과적으로 활용된다[10,11]. 그럼에도 MLP와 CNN 또한 시계열 데이터를 포함한 회귀 문제에 활발하게 활용되고 있다[12-14]. 따라서 순간배출량 추정에 있어 최적의 성능을 나타낼 수 있는 모델을 구축하기 위해서는 신경망 모델별로 성능을 비교하는 과정이 필요하다.

이에 본 논문에서는 압력신호를 기반으로 분말 순간배출량을 추정하는 신경망에 있어서, 신경망 모델별로 추정 성능의 비교분석을 수행한다. 이때 신경망 모델로는 시계열 데이터의 추정에 많이 활용되는 MLP, CNN, 그리고 RNN이 활용되었다. 이에 더하여 압력신호로부터 분말 누적배출량을 추정하는 신경망모델을 함께 구현하고 동일한 방식으로 성능을 비교하고자 한다. 또한 각각의 신경망 모델마다 입력 파라미터의 선정이 추정성능에 미치는 영향을 함께 고찰하고자 한다.

Table 1은 분말 순간배출량 추정 RMSE와 NRMSE, 그리고 표준편차 결과를 보여준다. 여기서 각 모델의 결과는 9개 데이터 평균 결과에 해당한다. 입력 파라미터별로 비교하였을 때, 세가지 모델에서 모두 배출관 압력신호(Input1)가 서스펜션 압력신호(Input2)에 비해 우수한 정확도를 나타냈다. 예로, MLP의 경우에 Input 2의 RMSE는 258.05kg/min인 반면에 Input 1은 115.84kg/min으로, Input2 대비 200kg/min 이상의 성능 우세를 보였다. 두 가지 신호를 모두 사용하는 Input3의 경우, 작은 수준이지만 Input1에 비해 향상된 정확도를 나타냈다. Input3을 기준으로 세 가지 모델을 비교하였을 때, RNN이 가장 우수한 성능을 보였으나, 모델간 성능의 차이가 근소한 수준으로 나타났다.

Table 2는 누적배출량의 RMSE와 NRMSE 결과를 보여준다. 입력 파라미터에 대해서 비교하였을 때, 배출관 압력신호(Input1)가 서스펜션 압력신호(Input2)에 비해 우세한 성능을 보였으며, 세 가지 입력 파라미터 중에서는 두 가지 신호를 사용하는 Input3의 성능이 가장 우수하였다. Input3을 기준으로 모델간 성능을 비교하였을 때, CNN(1.67%), MLP(2.03%), RNN(2.20%) 순으로 우수한 성능을 나타냈다.

Table 3과 4는 각각 누적배출량 추정 결과로부터 산출된 순간 배출량의 성능과 순간배출량 추정 결과로부터 산출된 누적배출량의 성능을 보여준다. 여기서는 Input3에 대한 순간/누적배출량 모델의 결과만 나타난다. 우선, 누적배출량으로부터 결정된 순간배출량의 경우, 세 가지 신경망 모델의 NRMSE가 모두 60% 이상으로 사용하기 어려운 수준의 성능이 확인되었다. 반면에 순간배출량으로부터 결정된 누적배출량의 NRMSE는 2.9~3.3%로, 일부 누적배출량 모델과 유사한 성능을 나타냈다. 이 중 RNN이 가장 우수하였지만, 모델간 성능 차이가 크지 않은 것으로 확인되었다.

Fig. 3은 배출작업 데이터 하나에 대한 순간배출량과 누적배출량의 추정 결과를 보여준다. 이때 두 가지 모델 모두 Input3의 결과에 해당한다. Fig. 3(a)에서는 세 가지 모델의 결과 모두 유량계 신호에 근접하게 추종하는 모습을 보였다. 유량계 신호가 급격히 변동되는 부분은 반영하지 못하였지만, 1000~1400초 사이에서 갑자기 저하되는 부분 또한 따르는 모습을 볼 수 있다. 여기서 MLP의 결과는 다른 두 모델에 비해 비교적 잡음 성분이 크게 나타났다. Fig. 3(b)에서도 세 가지 모델 모두 유량계신호로부터 산출된 누적배출량 신호를 잘 추종하는 모습을 보였다. 1000~1400초 구간의 결과에서는 CNN의 추정 결과가 MLP와 RNN에 비해 측정값에 근접한 모습을 나타냈다.

Fig. 3. 
Estimation results of (a) instantaneous exhausts and (b) accumulated exhausts.

본 연구에서는 압력신호로부터 분말 순간배출량 및 누적배출량을 추정하는 신경망 모델을 구현하고, 모델에 따른 성능 비교를 수행하였다. 또한 각 모델마다 입력 파라미터별로 추정 성능을 함께 비교하였다.

순간배출량 추정에 있어서는 모델에 따른 성능의 차이가 작은 수준으로 나타났다. 예로, Input1에 대한 세 가지 모델의 NRMSE 범위가 8.62~8.72%, Input3에 대해서는 8.56~8.64%로, 모델간 성능 차이가 최대 0.1%로 나타났다. 즉, 순간배출량을 추정함에 있어서 신경망 모델의 선정이 매우 큰 효과를 갖지는 못하는 것으로 판단된다. 이러한 경우, 세 가지 모델 중 가장 적은 수의 가중치를 갖는 MLP 모델을 사용하는 것이 연산량의 측면에서 효율적일 것으로 볼 수 있다.

입력 파라미터의 경우에는, 배출관 압력신호가 서스펜션 압력신호에 비해 현저히 우수한 정확도를 나타냈다. 이 결과는 순간 배출량을 추정함에 있어 배출관의 압력이 큰 효과를 갖는다는 것을 보여준다. 참고문헌 [9]에서 확인되었듯, 배출관 압력이 순간배출량과 높은 상관관계를 갖는 것으로 볼 수 있다. 반면에 서스펜션 압력신호는 큰 효과를 보이지 못하였다. 서스펜션 압력은 배출관 압력과 다르게 급격하게 변하지 않고 탱크 내의 분말이 배출됨에 따라서 서서히 감소된다. 이와 동시에 센서신호 내의 잡음 성분이 압력의 변화량 대비 큰 수준으로 나타나기 때문에, 분말 배출에 따른 순수한 압력의 변화량의 정보를 추출하기는 어렵다.

누적배출량 추정의 경우, CNN 모델이 가장 우수한 성능을 나타냈으며, 그 다음으로는 MLP가 우세하였다. 두 모델은 현재의 입력 신호와 이전의 상태 정보를 사용하는 RNN과 다르게, 커널(또는 윈도우) 크기만큼의 현재와 이전 시간의 입력값들을 사용하는 구조라는 점에서 과거 정보들을 직접적으로 사용한다고 볼 수 있다. 특히 CNN은 2개의 합성곱 층으로 구성되어 MLP에 비해 더 많은 과거 정보를 사용한다. CNN의 성능 우세는 이러한 CNN의 특성에 기인한 것으로 추측된다.

입력 파라미터별로 비교한 경우, 배출관 압력신호를 사용한 경우가 서스펜션 압력신호에 비해 우세한 성능을 나타냈다. 이는 누적배출량 추정함에 있어서, 서서히 변동되는 서스펜션 압력에 비해 배출관 압력의 적분치가 비교적 더 효과적이라는 것을 보여준다. 그럼에도 서스펜션 압력신호 또한 누적배출량 추정에 효과를 나타내고 있으며, 두 가지 신호 모두 사용하는 경우가 가장 우수한 정확도를 보였다.

본 연구의 결과는 벌크 트레일러 배출을 상사하는 축소모델 기반 데이터가 아닌 실제 벌크 트레일러의 실제 배출작업과정 중에 수집된 데이터를 기반으로 분석이 이루어졌다는 점에서 결과의 현실성에 의미를 부여할 수 있을 것이다. 하지만 9개의 배출 작업 데이터에 대해서만 성능 평가가 이뤄졌기 때문에, 각 모델의 성능을 일반화하기는 어렵다. 그럼에도 시계열 추정 문제에 많이 활용되는 3가지의 신경망 모델과 입력 파라미터별로 순간/누적 배출량의 추정 성능을 비교하고 분석하였다는 점에서 중요성이 있다.

본 연구의 결과는 벌크 트레일러의 자동 배출을 위한 자동제어 시스템을 개발함에 있어 기초 자료로 활용될 수 있을 것으로 기대된다.