KR102617044B1 - Apparatus for detecting fault of sensor using EMB system and method using the same - Google Patents

Apparatus for detecting fault of sensor using EMB system and method using the same Download PDF

Info

Publication number
KR102617044B1
KR102617044B1 KR1020170022285A KR20170022285A KR102617044B1 KR 102617044 B1 KR102617044 B1 KR 102617044B1 KR 1020170022285 A KR1020170022285 A KR 1020170022285A KR 20170022285 A KR20170022285 A KR 20170022285A KR 102617044 B1 KR102617044 B1 KR 102617044B1
Authority
KR
South Korea
Prior art keywords
sensor
residual
output
emb
value
Prior art date
Application number
KR1020170022285A
Other languages
Korean (ko)
Other versions
KR20180096075A (en
Inventor
권수현
금대현
이성훈
홍재승
Original Assignee
재단법인대구경북과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 재단법인대구경북과학기술원 filed Critical 재단법인대구경북과학기술원
Priority to KR1020170022285A priority Critical patent/KR102617044B1/en
Publication of KR20180096075A publication Critical patent/KR20180096075A/en
Application granted granted Critical
Publication of KR102617044B1 publication Critical patent/KR102617044B1/en

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
    • B60T17/00—Component parts, details, or accessories of power brake systems not covered by groups B60T8/00, B60T13/00 or B60T15/00, or presenting other characteristic features
    • B60T17/18—Safety devices; Monitoring
    • B60T17/22—Devices for monitoring or checking brake systems; Signal devices
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
    • B60T8/00—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force
    • B60T8/17—Using electrical or electronic regulation means to control braking
    • B60T8/171—Detecting parameters used in the regulation; Measuring values used in the regulation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
    • B60T8/00—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force
    • B60T8/32—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force responsive to a speed condition, e.g. acceleration or deceleration
    • B60T8/88—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force responsive to a speed condition, e.g. acceleration or deceleration with failure responsive means, i.e. means for detecting and indicating faulty operation of the speed responsive control means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/282—Testing of electronic circuits specially adapted for particular applications not provided for elsewhere
    • G01R31/2829—Testing of circuits in sensor or actuator systems
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02K—DYNAMO-ELECTRIC MACHINES
    • H02K11/00—Structural association of dynamo-electric machines with electric components or with devices for shielding, monitoring or protection
    • H02K11/20—Structural association of dynamo-electric machines with electric components or with devices for shielding, monitoring or protection for measuring, monitoring, testing, protecting or switching
    • H02K11/21—Devices for sensing speed or position, or actuated thereby
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2306/00—Other features of vehicle sub-units
    • B60Y2306/15—Failure diagnostics
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2400/00—Special features of vehicle units
    • B60Y2400/30—Sensors
    • B60Y2400/305—Force sensors
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2400/00—Special features of vehicle units
    • B60Y2400/30—Sensors
    • B60Y2400/308—Electric sensors
    • B60Y2400/3084—Electric currents sensors
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2400/00—Special features of vehicle units
    • B60Y2400/30—Sensors
    • B60Y2400/308—Electric sensors
    • B60Y2400/3086—Electric voltages sensors

Landscapes

  • Engineering & Computer Science (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

본 발명은 EMB 시스템을 이용한 센서 고장 검출 장치 및 그 방법에 관한 것이다. 본 발명에 따르면, 제어 입력이 인가되는 모터 및 상기 모터에 의해 구동되는 브레이크 구조물을 포함하는 EMB(Electro-Mechanical Brake) 시스템을 이용한 센서 고장 검출 방법에 있어서, 상기 EMB 시스템에 장착된 센서로부터 출력 값을 획득하는 단계와, 상기 제어 입력과 상기 출력 값을 기초로 생성한 수학적 모델로부터 상기 센서의 추정 값을 예측하는 단계와, 정상 상태에서 기 수집한 상기 센서의 출력 값과 정상 잔차를 기초로 기 학습시킨 신경망 모델로부터 보상 잔차를 예측하는 단계와, 상기 센서의 출력 값과 상기 추정 값 간의 잔차를 연산한 후, 상기 연산한 잔차에 상기 예측한 보상 잔차를 반영하여 강건한 잔차를 연산하는 단계, 및 상기 강건한 잔차를 기 설정된 임계값과 비교하여 상기 센서의 고장 여부를 검출하는 단계를 포함하는 EMB 시스템에서의 센서 고장 검출 방법을 제공한다.
본 발명에 의하면, 모델 기반의 예측기와 데이터 기반의 예측기를 결합한 하이브리드 예측 기법을 이용하여 더욱 강건한 잔차를 생성할 수 있으며 고장 검출 로직에서 false alarm의 비율을 낮춰줄 수 있다.The present invention relates to a sensor failure detection device and method using an EMB system. According to the present invention, in a sensor failure detection method using an EMB (Electro-Mechanical Brake) system including a motor to which a control input is applied and a brake structure driven by the motor, an output value from a sensor mounted on the EMB system is provided. Obtaining, predicting an estimated value of the sensor from a mathematical model generated based on the control input and the output value, and estimating an estimated value based on the output value of the sensor previously collected in a steady state and a normal residual. Predicting a compensation residual from a learned neural network model, calculating a residual between the output value of the sensor and the estimated value, and calculating a robust residual by reflecting the predicted compensation residual to the calculated residual, and A sensor failure detection method in an EMB system is provided, including the step of detecting whether the sensor has failed by comparing the robust residual with a preset threshold.
According to the present invention, more robust residuals can be generated using a hybrid prediction technique that combines a model-based predictor and a data-based predictor, and the rate of false alarms in the failure detection logic can be reduced.

Description

EMB 시스템을 이용한 센서 고장 검출 장치 및 그 방법{Apparatus for detecting fault of sensor using EMB system and method using the same}Sensor fault detection device and method using the EMB system {Apparatus for detecting fault of sensor using EMB system and method using the same}

본 발명은 EMB 시스템을 이용한 센서 고장 검출 장치 및 그 방법에 관한 것으로서, 보다 상세하게는 전기기계식 브레이크(EMB; Electro-Mechanical Brake) 시스템에서 센서의 고장을 효과적으로 검출할 수 있는 EMB 시스템을 이용한 센서 고장 검출 장치 및 그 방법에 관한 것이다.The present invention relates to a sensor failure detection device and method using an EMB system, and more specifically, to a sensor failure using an electro-mechanical brake (EMB) system that can effectively detect sensor failure. It relates to a detection device and method.

EMB 시스템은 현재 사용되고 있는 유압 기반의 자동차 브레이크 시스템을 전자장치들로 대신하는 새로운 제동 시스템으로 차량 제동력을 생성하기 위해 유압 시스템 대신 전기모터를 이용한다. The EMB system is a new braking system that replaces the currently used hydraulic-based automobile braking system with electronic devices and uses an electric motor instead of a hydraulic system to generate vehicle braking force.

일반적으로 EMB 시스템은 전기 모터, 모터 구동드라이버, 브레이크 구조물 및 센서로 구성된다. 센서는 모터의 속도 및 전류, 압착력을 측정하여 피드백 신호로 보내주고 EMB 시스템 구동부는 이를 바탕으로 시스템을 안전하고 정확하게 구동한다.Typically, an EMB system consists of an electric motor, motor drive driver, brake structure, and sensors. The sensor measures the speed, current, and compression force of the motor and sends it as a feedback signal, and the EMB system driver operates the system safely and accurately based on this.

EMB 시스템을 수학적 모델링하기 위해서는 시스템이 포함하고 있는 기계적(정적), 전자적(동적), 비선형 특성(외란, 소음, 마찰 등)을 고려해야 한다. 그러나 비선형 특성을 고려하여 수학적 모델을 만드는 것은 매우 어려우며, 실제 EMB 시스템과 수학적 시스템 모델 사이에는 차이점이 발생할 수밖에 없고 모델을 기반으로 한 고장 검출 방법에는 기본적으로 오류와 차이가 존재하게 된다.In order to mathematically model the EMB system, the mechanical (static), electronic (dynamic), and nonlinear characteristics (disturbance, noise, friction, etc.) included in the system must be considered. However, it is very difficult to create a mathematical model considering nonlinear characteristics, and differences are bound to occur between the actual EMB system and the mathematical system model, and errors and differences fundamentally exist in the model-based fault detection method.

또한 고장판별을 위해 널리 쓰이고 있는 모델 기반 고장 검출 방법(model-based fault detection technique)은 시스템의 출력값(센서 측정 값)과 수학적 모델에 기반한 관측기의 예측값을 비교하여 그 둘의 차이값인 잔차(residual)를 생성하고 이 값을 임계치(threshold)와 비교하여 고장을 검출한다. 이론적으로 잔차의 값은, 고장이 없는 경우 0(zero)으로 수렴하고, 고장이 있는 경우 0이 아닌 값을 가지게 된다. In addition, the model-based fault detection technique, which is widely used for fault detection, compares the output value of the system (sensor measurement value) with the predicted value of an observer based on a mathematical model and generates the residual, which is the difference between the two. ) is generated and the failure is detected by comparing this value with the threshold. In theory, the value of the residual converges to 0 (zero) when there is no failure, and has a non-zero value when there is a failure.

모델 기반 고장 검출 방법에는 시스템 전체의 수학적 모델이 필요하며, 수학적 모델의 정확도에 따라 고장검출 성능이 좌우된다. 시스템의 복잡도가 증가할수록 시스템의 수학적 모델링의 복잡도도 함께 증가하기 때문에 시스템의 정확한 수학적 모델을 만드는 것은 매우 힘든 일이다.Model-based fault detection methods require a mathematical model of the entire system, and fault detection performance depends on the accuracy of the mathematical model. As the complexity of the system increases, the complexity of the mathematical modeling of the system also increases, making it very difficult to create an accurate mathematical model of the system.

실제 시스템에는 외란(disturbance), 잡음, 마찰(friction) 등과 같은 정확히 예측하기 힘들고, 비선형적인 특성들이 발생하며, 이로 인해 실제 시스템과 수학적 모델 사이의 차이(modeling uncertainties)가 발생하게 된다.In real systems, non-linear characteristics that are difficult to accurately predict, such as disturbance, noise, friction, etc., occur, which results in modeling uncertainties between the real system and the mathematical model.

도 1은 종래의 수학적 모델을 이용한 센서 고장 판별 예시를 나타낸 도면이다. 도 1과 같이 센서의 고장을 판별하기 위해 생성된 잔차 값은 임계치와 비교된다. 잔차 값이 임계치 이상일 때 센서 고장을 표시하게 되는데, 동그라미 표시 부분의 경우 실제로 센서의 고장은 아니지만 임계치 이상의 잔차로 인하여 고장 알람을 표시하게 된다(false alarm). Figure 1 is a diagram showing an example of sensor failure determination using a conventional mathematical model. As shown in Figure 1, the residual value generated to determine sensor failure is compared with a threshold value. When the residual value is above the threshold, a sensor failure is indicated. In the case of the circled area, it is not actually a sensor failure, but a failure alarm is displayed due to the residual value above the threshold (false alarm).

이와 같이 센서의 고장은 아니나 고장 알람이 표시되는 문제는 시스템에 존재하는 여러 가지 비선형적인 특성들(외란, 소음, 마찰, 모델링 에러)에 따른 것으로, 고장 진단의 신뢰성을 높이기 위해 해결해야 할 부분이다. Like this, the problem of displaying a failure alarm even though it is not a sensor failure is due to various non-linear characteristics (disturbance, noise, friction, modeling error) that exist in the system, and is something that needs to be solved to increase the reliability of fault diagnosis. .

본 발명의 배경이 되는 기술은 한국공개특허 제2011-0033624호(2011.03.31 공개)에 개시되어 있다.The technology behind the present invention is disclosed in Korean Patent Publication No. 2011-0033624 (published on March 31, 2011).

본 발명은, EMB 시스템에서 모델 기반의 방법과 데이터 기반의 방법을 결합하여 센서의 고장을 효과적으로 검출할 수 있는 EMB 시스템을 이용한 센서 고장 검출 장치 및 그 방법을 제공하는데 목적이 있다.The purpose of the present invention is to provide a sensor failure detection device and method using an EMB system that can effectively detect sensor failure by combining a model-based method and a data-based method in the EMB system.

본 발명은, 제어 입력이 인가되는 모터 및 상기 모터에 의해 구동되는 브레이크 구조물을 포함하는 EMB(Electro-Mechanical Brake) 시스템을 이용한 센서 고장 검출 방법에 있어서, 상기 EMB 시스템에 장착된 센서로부터 출력 값을 획득하는 단계와, 상기 제어 입력과 상기 출력 값을 기초로 생성한 수학적 모델로부터 상기 센서의 추정 값을 예측하는 단계와, 정상 상태에서 기 수집한 상기 센서의 출력 값과 정상 잔차를 기초로 기 학습시킨 신경망 모델로부터 보상 잔차를 예측하는 단계와, 상기 센서의 출력 값과 상기 추정 값 간의 잔차를 연산한 후, 상기 연산한 잔차에 상기 예측한 보상 잔차를 반영하여 강건한 잔차를 연산하는 단계, 및 상기 강건한 잔차를 기 설정된 임계값과 비교하여 상기 센서의 고장 여부를 검출하는 단계를 포함하는 EMB 시스템에서의 센서 고장 검출 방법을 제공한다.The present invention relates to a sensor failure detection method using an EMB (Electro-Mechanical Brake) system including a motor to which a control input is applied and a brake structure driven by the motor, in which an output value is obtained from a sensor mounted on the EMB system. obtaining, predicting an estimated value of the sensor from a mathematical model generated based on the control input and the output value, and learning based on the output value and normal residual of the sensor previously collected in a steady state. Predicting a compensation residual from a neural network model, calculating a residual between the output value of the sensor and the estimated value, and calculating a robust residual by reflecting the predicted compensation residual to the calculated residual, and A method for detecting sensor failure in an EMB system is provided, including detecting whether the sensor has failed by comparing a robust residual with a preset threshold.

여기서, 상기 센서는, 상기 모터의 전류 및 각속도를 각각 측정하는 전류 센서 및 속도 센서, 및 상기 브레이크 구조물의 제동력을 측정하는 힘 센서를 포함할 수 있다.Here, the sensor may include a current sensor and a speed sensor that measure the current and angular velocity of the motor, respectively, and a force sensor that measures the braking force of the brake structure.

또한, 상기 센서의 추정 값을 예측하는 단계는, 상기 전류, 각속도 및 제동력을 상태 변수로 가지는 상태 방정식을 이용하여 구성되는 관측기(observer) 또는 칼만 필터(kalman filter)를 사용하여 상기 추정 값을 예측할 수 있다.In addition, the step of predicting the estimated value of the sensor involves predicting the estimated value using an observer or Kalman filter configured using a state equation with the current, angular velocity, and braking force as state variables. You can.

또한, 상기 신경망 모델은, 상기 정상 상태에서 기 수집한 상기 센서의 출력 값과 그에 대응하는 정상 잔차를 입력층에 입력했을 때 설정 오차 이하의 값을 출력층에서 출력하도록 학습시키며, 현재 측정된 상기 센서의 출력 값을 상기 입력층에 입력하면 상기 출력층을 통해 상기 보상 잔차가 출력될 수 있다.In addition, the neural network model is trained to output a value below the set error from the output layer when the output value of the sensor already collected in the normal state and the corresponding normal residual are input to the input layer, and the currently measured sensor When the output value of is input to the input layer, the compensation residual can be output through the output layer.

그리고, 본 발명은, 제어 입력이 인가되는 모터 및 상기 모터에 의해 구동되는 브레이크 구조물을 포함하는 EMB(Electro-Mechanical Brake) 시스템을 이용한 센서 고장 검출 장치에 있어서, 상기 EMB 시스템에 장착된 센서로부터 출력 값을 획득하는 데이터 획득부와, 상기 제어 입력과 상기 출력 값을 기초로 생성한 수학적 모델로부터 상기 센서의 추정 값을 예측하는 모델 기반 시스템 예측기와, 정상 상태에서 기 수집한 상기 센서의 출력 값과 정상 잔차를 기초로 기 학습시킨 신경망 모델로부터 보상 잔차를 예측하는 데이터 기반 시스템 예측기와, 상기 센서의 출력 값과 상기 추정 값 간의 잔차를 연산한 후, 상기 연산한 잔차에 상기 예측한 보상 잔차를 반영하여 강건한 잔차를 연산하는 잔차 생성부, 및 상기 강건한 잔차를 기 설정된 임계값과 비교하여 상기 센서의 고장 여부를 검출하는 고장 검출부를 포함하는 EMB 시스템에서의 센서 고장 검출 장치를 제공한다. In addition, the present invention relates to a sensor failure detection device using an EMB (Electro-Mechanical Brake) system including a motor to which a control input is applied and a brake structure driven by the motor, and an output from a sensor mounted on the EMB system. A data acquisition unit that acquires a value, a model-based system predictor that predicts an estimated value of the sensor from a mathematical model generated based on the control input and the output value, an output value of the sensor previously collected in a normal state, and A data-based system predictor that predicts compensation residuals from a neural network model previously trained based on normal residuals, calculates the residual between the output value of the sensor and the estimated value, and then reflects the predicted compensation residual in the calculated residual. A sensor failure detection device in an EMB system is provided, including a residual generation unit that calculates a robust residual, and a failure detection unit that compares the robust residual with a preset threshold to detect whether the sensor has failed.

본 발명에 따른 EMB 시스템을 이용한 센서 고장 검출 장치 및 그 방법에 따르면, 모델 기반의 예측기와 데이터 기반의 예측기를 결합한 하이브리드 예측 기법을 이용하여 더욱 강건한 잔차를 생성할 수 있으며 고장 검출 로직에서 false alarm의 비율을 낮춰줄 수 있다. 또한, 데이터 기반의 예측기를 추가로 사용하여 고장 이외의 특성을 걸러줄 수 있고 고장에 민감한 잔차를 생성할 수 있으며 고장 검출을 정확도를 높일 수 있다.According to the sensor failure detection device and method using the EMB system according to the present invention, more robust residuals can be generated using a hybrid prediction technique that combines a model-based predictor and a data-based predictor, and false alarms can be generated in the failure detection logic. The ratio can be lowered. In addition, by additionally using a data-based predictor, characteristics other than failures can be filtered out, residuals sensitive to failures can be generated, and fault detection accuracy can be improved.

도 1은 종래의 수학적 모델을 이용한 센서 고장 판별 예시를 나타낸 도면이다.
도 2는 일반적인 EMB 시스템의 구성을 나타낸 도면이다.
도 3은 본 발명의 실시예에 따른 EMB 시스템을 이용한 센서 고장 검출 장치를 나타낸 도면이다.
도 4는 본 발명의 실시예에서 인공 신경망을 사용한 데이터 기반 시스템 예측기를 설명하는 도면이다.
도 5는 도 3에 도시된 장치를 이용한 센서 고장 검출 방법을 나타낸 도면이다.Figure 1 is a diagram showing an example of sensor failure determination using a conventional mathematical model.
Figure 2 is a diagram showing the configuration of a general EMB system.
Figure 3 is a diagram showing a sensor failure detection device using an EMB system according to an embodiment of the present invention.
Figure 4 is a diagram illustrating a data-based system predictor using an artificial neural network in an embodiment of the present invention.
FIG. 5 is a diagram showing a sensor failure detection method using the device shown in FIG. 3.

그러면 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.Then, with reference to the attached drawings, embodiments of the present invention will be described in detail so that those skilled in the art can easily implement the present invention.

본 발명은 EMB(Electro-Mechanical Brake) 시스템을 이용한 센서 고장 검출 장치 및 그 방법으로서, 센서의 고장을 검출하기 위해 일반적으로 사용되는 모델 기반 센서 고장 검출 방법을 보완하기 위해, 모델 기반 시스템 예측기와 데이터 기반 시스템 예측기를 함께 사용하는 하이브리드 센서 고장 검출 방법을 제안한다.The present invention is a sensor failure detection device and method using an EMB (Electro-Mechanical Brake) system. To complement the model-based sensor failure detection method commonly used to detect sensor failure, the model-based system predictor and data We propose a hybrid sensor failure detection method that uses a base system predictor together.

즉, 본 발명은 EMB 시스템을 구동하여 얻은 데이터를 이용하여 비선형적 특성을 학습한 데이터 기반 시스템 예측기를 함께 사용하여 기존의 모델 기반 센서 고장 검출 방법을 보완하고자 한다.In other words, the present invention seeks to complement the existing model-based sensor failure detection method by using a data-based system predictor that learns non-linear characteristics using data obtained by driving an EMB system.

도 2는 일반적인 EMB 시스템의 구성을 나타낸 도면이다. EMB 시스템(10)은 유압 시스템 대신 전기 모터를 이용하여 차량의 제동력을 생성하는 전기기계식 브레이크 시스템으로, 제어기(11), 모터 드라이버(12), 모터(13), 차량 브레이크 구조물(14), 그리고 각종 센서(15,16,17)를 포함한다. Figure 2 is a diagram showing the configuration of a general EMB system. The EMB system 10 is an electromechanical braking system that generates vehicle braking force using an electric motor instead of a hydraulic system, and includes a controller 11, a motor driver 12, a motor 13, a vehicle brake structure 14, and Includes various sensors (15, 16, 17).

EMB 시스템(10)에는 사용자가 브레이크 페달 조작 시 가해진 힘에 대응하는 입력이 인가된다. 제어기(11)는 입력된 신호를 바탕으로 모터(13)의 구동 여부, 구동치 등을 포함한 모터 제어 신호를 생성하고 생성한 제어 신호를 모터 드라이버(12)로 전달한다. 이때 제어기(11)는 각 센서(15,16,17)의 측정값을 피드백 신호로 받아 제대로 제동력을 생성하는 지표로 활용할 수 있다.An input corresponding to the force applied when the user operates the brake pedal is applied to the EMB system 10. The controller 11 generates a motor control signal including whether the motor 13 is driven and a driving value based on the input signal, and transmits the generated control signal to the motor driver 12. At this time, the controller 11 can receive the measured values of each sensor 15, 16, and 17 as a feedback signal and use them as an indicator to properly generate braking force.

모터 드라이버(12)는 제어기(11)로부터 받은 제어 신호를 바탕으로 모터(13)를 제어하고, 모터(13)는 제어 신호를 기초로 회전력을 생성하여 전달한다. 차량 브레이크 구조물(14)은 모터(13)의 회전력을 직선 운동으로 변경하여 제동력을 생성한다.The motor driver 12 controls the motor 13 based on the control signal received from the controller 11, and the motor 13 generates and transmits rotational force based on the control signal. The vehicle brake structure 14 generates braking force by changing the rotational force of the motor 13 into linear motion.

모터 속도 센서(15) 및 모터 전류 센서(16)는 모터(13)에 장착 또는 연결되어 모터의 속도(가속도)와 전류를 각각 측정한다. 힘 센서(17)는 차량 브레이크 구조물(14)에 장착 또는 연결되어 제동력을 측정한다. 이러한 센서(15,16,17)들은 자신의 측정 값을 각각 제어기(11)로 전달할 수 있다.The motor speed sensor 15 and the motor current sensor 16 are mounted or connected to the motor 13 and measure the speed (acceleration) and current of the motor, respectively. The force sensor 17 is mounted or connected to the vehicle brake structure 14 and measures braking force. These sensors 15, 16, and 17 can each transmit their measured values to the controller 11.

이와 같이 EMB 시스템은 제어 입력이 인가되는 모터(13)와, 모터(13)에 의해 구동되는 브레이크 구조물(14)을 포함하며, 각각에 모터의 속도 및 전류 측정을 위한 센서(15,16) 및 제동력 측정을 위한 센서(17)가 장착된 것을 알 수 있다.As such, the EMB system includes a motor 13 to which a control input is applied, a brake structure 14 driven by the motor 13, and sensors 15 and 16 for measuring the speed and current of the motor, respectively. It can be seen that a sensor 17 for measuring braking force is installed.

이하에서는 상술한 EMB 시스템을 이용한 센서 고장 검출 장치에 관하여 설명한다. 도 3은 본 발명의 실시예에 따른 EMB 시스템을 이용한 센서 고장 검출 장치를 나타낸 도면이다. Hereinafter, a sensor failure detection device using the above-described EMB system will be described. Figure 3 is a diagram showing a sensor failure detection device using an EMB system according to an embodiment of the present invention.

도 3을 참조하면, 본 발명의 실시예에 따른 EMB 시스템을 이용한 센서 고장 검출 장치(100)는 데이터 획득부(미도시), 모델 기반 시스템 예측기(110), 데이터 기반 시스템 예측기(120), 잔차 생성부(130) 및 고장 검출부(140)를 포함한다.Referring to FIG. 3, the sensor failure detection device 100 using the EMB system according to an embodiment of the present invention includes a data acquisition unit (not shown), a model-based system predictor 110, a data-based system predictor 120, and a residual. It includes a generation unit 130 and a failure detection unit 140.

우선, EMB 시스템(10)은 앞서 상술한 바와 같이, 제어 입력이 인가되는 모터(13) 및 모터(13)에 의해 구동되는 브레이크 구조물(14)을 포함한다. First, the EMB system 10 includes a motor 13 to which a control input is applied and a brake structure 14 driven by the motor 13, as described above.

데이터 획득부(미도시)는 EMB 시스템(10) 내에 장착된 센서로부터 센서의 출력 값을 획득한다. 이하의 실시예에서 센서란, 모터 속도 센서(15), 모터 전류 센서(16) 및 힘 센서(17)를 포함할 수 있다. 이와 같이 데이터 획득부는 EMB 시스템(10)과 잔차 생성부(130) 사이에서 센서의 출력 값을 획득하여 잔차 생성부(130)의 입력으로 제공한다. 물론 데이터 획득부는 잔차 생성부에 포함될 수도 있다.The data acquisition unit (not shown) acquires the output value of the sensor from the sensor mounted in the EMB system 10. In the following embodiment, the sensor may include a motor speed sensor 15, a motor current sensor 16, and a force sensor 17. In this way, the data acquisition unit acquires the output value of the sensor between the EMB system 10 and the residual generator 130 and provides it as an input to the residual generator 130. Of course, the data acquisition unit may be included in the residual generation unit.

모델 기반 시스템 예측기(110)는 제어 입력과 출력 값을 기초로 생성한 수학적 모델을 이용하여 센서의 추정 값을 예측한다. 이때, 수학적 모델은, 전류, 각속도 및 제동력을 상태 변수로 가지는 상태 방정식을 이용하여 구현될 수 있다. The model-based system predictor 110 predicts the estimated value of the sensor using a mathematical model created based on control input and output values. At this time, the mathematical model can be implemented using a state equation with current, angular velocity, and braking force as state variables.

데이터 기반 시스템 예측기(120)는 고장 없는 정상 상태에서 기 수집한 센서의 출력 값과 정상 잔차를 기초로 기 학습시킨 인공 신경망 모델을 이용하여 보상 잔차를 예측한다.The data-based system predictor 120 predicts the compensation residual using an artificial neural network model that has already been learned based on the output value of the sensor and the normal residual already collected in a normal state without failure.

잔차 생성부(130)는 데이터 획득부에서 획득한 센서의 출력 값과 모델 기반 시스템 예측기(110)에서 얻은 센서의 추정 값 간의 잔차(Residual)를 계산한 다음, 계산한 잔차에 상술한 보상 잔차를 반영함으로써 강건한(robust) 잔차를 연산한다.The residual generator 130 calculates the residual between the output value of the sensor obtained from the data acquisition unit and the estimated value of the sensor obtained from the model-based system predictor 110, and then adds the above-described compensation residual to the calculated residual. By reflecting, robust residuals are calculated.

고장 검출부(140)는 강건한 잔차를 기 설정된 임계값(threshold)과 비교하여 센서의 고장 여부를 검출한다.The failure detection unit 140 compares the robust residual with a preset threshold to detect whether the sensor is broken.

본 발명의 실시예에서, 모델 기반 시스템 예측기(110)를 이용하여 추정 값을 예측하고, 이를 통해 잔차를 연산하는 것은 다음의 방법을 이용한다. In an embodiment of the present invention, the model-based system predictor 110 is used to predict the estimated value and the residual is calculated using the following method.

일반적인 모델 기반의 고장 검출 방법은 시스템의 수학적 모델과 입출력 신호를 바탕으로 관측하고자 하는 값을 예측하고 예측 값을 실제 값과 비교하여 잔차를 생성한다. A general model-based fault detection method predicts the value to be observed based on the system's mathematical model and input/output signals and generates residuals by comparing the predicted value with the actual value.

본 발명의 실시예에서 수학적 모델 기반 시스템 예측기(110)는 관측기(observer) 또는 칼만 필터(kalman filter) 등을 이용하여 구현한 수학적 모델을 사용할 수 있다. 예를 들어, 전류, 각속도 및 제동력을 상태 변수로 가지는 상태 방정식을 이용하여 칼만 필터를 구성하고 이를 통해 추정 값을 예측한다.In an embodiment of the present invention, the mathematical model-based system predictor 110 may use a mathematical model implemented using an observer or Kalman filter. For example, a Kalman filter is constructed using a state equation with current, angular velocity, and braking force as state variables, and the estimated value is predicted through this.

수학적 모델 기반 시스템 예측기(110)는 제어 입력과 출력 값을 기초로 생성한 수학적 모델을 이용하여 센서의 추정 값을 예측한다. 여기서, 수학적 모델은 앞서와 같이 전류, 각속도 및 제동력을 상태 변수로 가진다. The mathematical model-based system predictor 110 predicts the estimated value of the sensor using a mathematical model created based on control input and output values. Here, the mathematical model has current, angular velocity, and braking force as state variables as before.

EMB 시스템(10)의 상태 방정식은 수학식 1과 같다.The state equation of the EMB system 10 is as shown in Equation 1.

이러한 수학식 1은 상태 방정식, 출력 식, 그리고 상태 변수를 각각 표현하고 있다. 상태 방정식에서 x(t)는 시스템의 상태 변수를 나타내고, u(t)는 제어 입력을 나타내는데 여기서는 모터의 입력 전압을 의미할 수 있다.Equation 1 expresses the state equation, output equation, and state variable, respectively. In the state equation, x(t) represents the state variable of the system, and u(t) represents the control input, which in this case can refer to the input voltage of the motor.

출력 식에서 y(t)는 출력 벡터이며 센서의 실제 출력 값을 나타낸다. 상태 변수(상태 벡터)인 x(t)는 모터 전류 ia, 모터 각속도 ωm, 그리고 제동력 Fcl 요소를 포함하여 이루어져 있다. A, B, C는 시스템 행렬을 나타낸다. In the output equation, y(t) is the output vector and represents the actual output value of the sensor. The state variable (state vector) x(t) consists of motor current i a , motor angular velocity ω m , and braking force F cl elements. A, B, C represent the system matrix.

수학식 1을 바탕으로 일반적으로 사용되는 루엔버거 관측기(Luenberger observer)는 수학식 2와 같이 정의된다. 이러한 수학식 2는 일반적인 루엔버거 관측기와 동일한 형태를 가진다.Based on Equation 1, the commonly used Luenberger observer is defined as Equation 2. This equation 2 has the same form as the general Luenberger observer.

수학식 2에서 는 상태 변수의 추정 값, 는 출력 값의 추정 값, L은 관측기의 이득(gain)이다. In equation 2 is the estimated value of the state variable, is the estimated value of the output value, and L is the gain of the observer.

이때, 상태 추정 오차 는 수학식 1과 수학식 2에 의해 아래의 수학식 3과 같이 전개된다.At this time, state estimation error is developed according to Equation 1 and Equation 2 as shown in Equation 3 below.

여기서 수학식 3의 상태 추정 오차가 0이 되도록 하는 관측기 이득 L을 구하고 관측기를 설계하면 된다.Here, you can find the observer gain L that causes the state estimation error in Equation 3 to be 0 and design the observer.

시스템에서 센서 고장이 발생한 경우, 시스템의 상태방정식인 수학식 1은 수학식 4와 같이 재정의된다.When a sensor failure occurs in the system, Equation 1, the state equation of the system, is redefined as Equation 4.

f(t)는 센서의 고장 값을 의미한다. 이때, 잔차 r(t)는 출력 값(y(t))과 출력 값의 추정 값()의 차이로 정의되며 수학식 5와 같다.f(t) means the failure value of the sensor. At this time, the residual r(t) is the output value (y(t)) and the estimated value of the output value ( ) and is defined as the difference in Equation 5.

여기서 상태 추정 오차 e(t)는 0으로 수렴하도록 디자인되었으므로 r(t)는 센서 오차 f(t)로 수렴한다. 기존의 모델 기반 고장 검출 방법의 경우 이 r(t)를 직접 임계 값과 비교하여 고장을 판별한다.Here, the state estimation error e(t) is designed to converge to 0, so r(t) converges to the sensor error f(t). In the case of the existing model-based fault detection method, this r(t) is directly compared with the threshold value to determine the fault.

기존의 경우 이러한 모델 기반 시스템 예측기(110)만을 이용한 것으로, 상술한 바와 같이 출력 값과 추정 값 간의 잔차를 임계 값과 비교하여 센서의 고장 여부를 판별한다. 이에 반해, 본 발명의 실시예는 출력 값과 추정 값 간의 잔차를 다시 데이터 기반의 예측 결과에서 얻은 보상 잔차를 통해 보상하여 더욱 강건하고 신뢰성 있는 잔차를 얻을 수 있다. In the existing case, only the model-based system predictor 110 is used, and as described above, the residual between the output value and the estimated value is compared with a threshold value to determine whether the sensor is broken. On the other hand, in an embodiment of the present invention, a more robust and reliable residual can be obtained by compensating the residual between the output value and the estimated value through a compensation residual obtained from a data-based prediction result.

즉, 본 발명의 실시예는 데이터 기반 예측 방법을 이용하여 동적 특성을 포함하는 보상 값(보상 잔차)를 생성하여 수학적 모델에 의한 정적인 잔차를 보상함에 따라, 더욱 강건한 잔차를 생성하고 고장 검출 로직에서 잘못된 알람의 비율을 낮춰준다.In other words, the embodiment of the present invention uses a data-based prediction method to generate a compensation value (compensation residual) including dynamic characteristics to compensate for the static residual by a mathematical model, thereby generating a more robust residual and supporting the failure detection logic. Reduces the rate of false alarms.

데이터 기반 예측 방법은 실제 시스템에서 얻은 데이터를 바탕으로 고장을 검출하는 방법이다. 대표적인 예로 인공신경망, SVM(support vector machine), 퍼지 로직 등이 있다. Data-based prediction method is a method of detecting failures based on data obtained from actual systems. Representative examples include artificial neural networks, SVM (support vector machines), and fuzzy logic.

인공신경망은 생물학의 뇌신경망의 구조와 특성에서 출발한 통계학적 학습 알고리즘으로 인공 뉴런들이 서로 연결되어 있는 네트워크 구조를 가지며 학습(또는 훈련)에 따라 뉴런 사이의 연결 강도(가중치; weight)가 조정된다. 인공 신경망은 많은 입력들에 의존하면서 일반적으로 비선형 함수를 유추하여 근사치를 생성한다.Artificial neural network is a statistical learning algorithm that originates from the structure and characteristics of biological brain neural networks. It has a network structure in which artificial neurons are connected to each other, and the connection strength (weight) between neurons is adjusted according to learning (or training). . Artificial neural networks rely on many inputs and generally infer non-linear functions to create approximations.

도 4는 본 발명의 실시예에서 인공 신경망을 사용한 데이터 기반 시스템 예측기를 설명하는 도면이다. 이러한 도 5는 시스템의 특성 및 외란을 학습하기 위한 인공 신경망 구조의 예시이다.Figure 4 is a diagram illustrating a data-based system predictor using an artificial neural network in an embodiment of the present invention. Figure 5 is an example of an artificial neural network structure for learning system characteristics and disturbances.

인공신경망은 입력층(input layer), 숨김층(hidden layer), 출력층(output layer)로 구성되며, 각 망의 노드들은 가중치(weight)를 갖는 통로(channel)로 연결되어있다.An artificial neural network consists of an input layer, a hidden layer, and an output layer, and the nodes of each network are connected by channels with weights.

우선, 고장이 없는 정상 상태의 시스템을 다양한 조건의 환경(예를 들면, 잡음, 온도, 마찰, 부하 등)에서 반복 운행시키면서 입출력의 변화와 잔차를 수집하는 정보수집 단계가 선행된다. First, the information collection stage is preceded by repeatedly operating the system in a steady state without failure in environments with various conditions (e.g., noise, temperature, friction, load, etc.) and collecting input/output changes and residuals.

정보수집 단계에서 수집된 정보는 인공신경망의 입력층의 노드로 각각 입력되고 입력 변수 정보는 숨김층으로 전달되어 학습을 통해 출력층으로 출력된다. 여기서, 비교 결과 오차가 원하는 오차 범위 안에 들 때까지 학습을 진행한다. 이렇게 학습된 인공신경망은 시스템의 비선형적 특성을 고려한 보상 값을 시스템의 매 입출력마다 생성해준다.The information collected in the information collection stage is input to each node of the input layer of the artificial neural network, and the input variable information is passed to the hidden layer and output to the output layer through learning. Here, learning is performed until the comparison result error falls within the desired error range. The artificial neural network learned in this way generates a compensation value for each input and output of the system that takes into account the nonlinear characteristics of the system.

이처럼 정상 상태에서 수집한 센서의 센싱 값인 모터 전류, 각속도, 제동력과, 그에 대응하는 정상 잔차를 입력층에 입력하였을 때 설정 오차 이하의 값을 출력층에서 출력하도록 인공신경망을 학습시킨다. 이를 통해 현재 센서의 출력 값을 신경망의 입력층에 입력하면 보상 잔차가 출력층에서 출력될 수 있다.In this way, when the motor current, angular velocity, and braking force, which are the sensing values of the sensor collected in a normal state, and the corresponding normal residual, are input to the input layer, the artificial neural network is trained so that the output layer outputs a value less than the set error. Through this, when the output value of the current sensor is input to the input layer of the neural network, the compensation residual can be output from the output layer.

본 발명의 실시예는 이와 같이 신경망 모델로 얻어진 보상 잔차를 앞서 수학적 모델에 의해 얻은 잔차에 추가로 반영함으로써 강건한 잔차를 얻으며 이를 임계치와 비교하여 고장 알람을 수행할 수 있다. An embodiment of the present invention obtains a robust residual by additionally reflecting the compensation residual obtained from the neural network model to the residual previously obtained from the mathematical model, and compares this with a threshold to perform a failure alarm.

다음은 본 발명의 실시예에 따른 EMB 시스템을 이용한 센서 고장 검출 방법을 설명한다. 도 5는 도 3에 도시된 장치를 이용한 센서 고장 검출 방법을 나타낸 도면이다.The following describes a sensor failure detection method using an EMB system according to an embodiment of the present invention. FIG. 5 is a diagram showing a sensor failure detection method using the device shown in FIG. 3.

먼저, 데이터 획득부는 EMB 시스템(10)에 장착된 센서로부터 출력 값을 획득한다(S510). First, the data acquisition unit acquires an output value from a sensor mounted on the EMB system 10 (S510).

그리고, 모델 기반 시스템 예측기(110)는 제어 입력과 출력 값을 기초로 생성한 수학적 모델을 이용하여 센서의 추정 값을 예측한다(S520). 또한, 데이터 기반 시스템 예측기(120)는 정상 상태에서 기 수집한 센서의 출력 값과 정상 잔차를 기초로 기 학습시킨 신경망 모델을 이용하여 보상 잔차를 예측한다(S530).Then, the model-based system predictor 110 predicts the estimated value of the sensor using a mathematical model created based on the control input and output values (S520). In addition, the data-based system predictor 120 predicts the compensation residual using a neural network model that has already been trained based on the output value of the sensor already collected in a normal state and the normal residual (S530).

잔차 생성부(130)는 S510 단계에서 획득한 센서의 출력 값과 S520 단계에서 획득한 센서의 추정 값 간의 잔차를 연산한 후, 연산한 잔차에 S530 단계에서 획득한 보상 잔차를 반영하여 강건한 잔차를 연산한다(S540). The residual generator 130 calculates the residual between the output value of the sensor obtained in step S510 and the estimated value of the sensor obtained in step S520, and then reflects the compensation residual obtained in step S530 in the calculated residual to generate a robust residual. Calculate (S540).

그러면, 고장 검출부(140)는 강건한 잔차를 기 설정된 임계값과 비교하여 센서의 고장 여부를 검출한다(S550).Then, the failure detection unit 140 detects whether the sensor is broken by comparing the robust residual with a preset threshold (S550).

이상과 같은 본 발명에 따른 EMB 시스템을 이용한 센서 고장 검출 장치 및 그 방법에 따르면, 모델 기반의 예측기와 데이터 기반의 예측기를 결합한 하이브리드 예측 기법을 이용하여 더욱 강건한 잔차를 생성할 수 있으며 고장 검출 로직에서 false alarm의 비율을 낮춰줄 수 있다. 또한, 데이터 기반의 예측기를 추가로 사용하여 고장 이외의 특성을 걸러줄 수 있고 고장에 민감한 잔차를 생성할 수 있으며 고장 검출을 정확도를 높일 수 있다.According to the sensor failure detection device and method using the EMB system according to the present invention as described above, more robust residuals can be generated using a hybrid prediction technique that combines a model-based predictor and a data-based predictor, and the failure detection logic It can lower the rate of false alarms. In addition, by additionally using a data-based predictor, characteristics other than failures can be filtered out, residuals sensitive to failures can be generated, and fault detection accuracy can be improved.

본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.The present invention has been described with reference to the embodiments shown in the drawings, but these are merely exemplary, and those skilled in the art will understand that various modifications and equivalent other embodiments are possible therefrom. Therefore, the true scope of technical protection of the present invention should be determined by the technical spirit of the attached patent claims.

10: EMB 시스템 100: 센서 고장 검출 장치
110: 모델 기반 시스템 예측기 120: 데이터 기반 시스템 예측기
130: 잔차 생성부 140: 고장 검출부10: EMB system 100: sensor failure detection device
110: model-based system predictor 120: data-based system predictor
130: residual generation unit 140: failure detection unit

Claims (8)

제어 입력이 인가되는 모터 및 상기 모터에 의해 구동되는 브레이크 구조물을 포함하는 EMB(Electro-Mechanical Brake) 시스템을 이용한 센서 고장 검출 방법에 있어서,
상기 EMB 시스템에 장착된 센서로부터 출력 값을 획득하는 단계;
상기 제어 입력과 상기 출력 값을 기초로 생성한 수학적 모델로부터 상기 센서의 추정 값을 예측하는 단계;
정상 상태에서 기 수집한 상기 센서의 출력 값과 정상 잔차를 기초로 기 학습시킨 신경망 모델로부터 보상 잔차를 예측하는 단계;
상기 센서의 출력 값과 상기 추정 값 간의 잔차를 연산한 후, 상기 연산한 잔차에 상기 예측한 보상 잔차를 반영하여 강건한 잔차를 연산하는 단계; 및
상기 강건한 잔차를 기 설정된 임계값과 비교하여 상기 센서의 고장 여부를 검출하는 단계를 포함하며,
상기 센서는,
상기 모터의 전류 및 각속도를 각각 측정하는 전류 센서 및 속도 센서, 그리고 상기 브레이크 구조물의 제동력을 측정하는 힘 센서를 포함하고,
상기 신경망 모델은,
상기 정상 상태에서 기 수집한 상기 센서의 출력 값과 그에 대응하는 정상 잔차를 입력층에 입력했을 때 설정 오차 이하의 값을 출력층에서 출력하도록 기 학습되며,
현재 측정된 상기 센서의 출력 값을 상기 입력층에 입력하면 상기 출력층을 통해 상기 보상 잔차가 출력되는 EMB 시스템에서의 센서 고장 검출 방법.In a sensor failure detection method using an EMB (Electro-Mechanical Brake) system including a motor to which a control input is applied and a brake structure driven by the motor,
Obtaining an output value from a sensor mounted on the EMB system;
predicting an estimated value of the sensor from a mathematical model generated based on the control input and the output value;
Predicting a compensation residual from a neural network model previously trained based on the output value of the sensor previously collected in a normal state and the normal residual;
calculating a residual between the output value of the sensor and the estimated value, and then calculating a robust residual by reflecting the predicted compensation residual to the calculated residual; and
Comparing the robust residual with a preset threshold to detect whether the sensor is broken,
The sensor is,
It includes a current sensor and a speed sensor that respectively measure the current and angular velocity of the motor, and a force sensor that measures the braking force of the brake structure,
The neural network model is,
When the output value of the sensor already collected in the normal state and the corresponding normal residual are input to the input layer, the output layer is trained to output a value less than the set error,
A sensor failure detection method in an EMB system in which the compensation residual is output through the output layer when the currently measured output value of the sensor is input to the input layer. 삭제delete 청구항 1에 있어서,
상기 센서의 추정 값을 예측하는 단계는,
상기 전류, 각속도 및 제동력을 상태 변수로 가지는 상태 방정식을 이용하여 구성되는 관측기(observer) 또는 칼만 필터(kalman filter)를 사용하여 상기 추정 값을 예측하는 EMB 시스템에서의 센서 고장 검출 방법. In claim 1,
The step of predicting the estimated value of the sensor is,
A sensor failure detection method in an EMB system that predicts the estimated value using an observer or Kalman filter constructed using a state equation having the current, angular velocity, and braking force as state variables. 삭제delete 제어 입력이 인가되는 모터 및 상기 모터에 의해 구동되는 브레이크 구조물을 포함하는 EMB(Electro-Mechanical Brake) 시스템을 이용한 센서 고장 검출 장치에 있어서,
상기 EMB 시스템에 장착된 센서로부터 출력 값을 획득하는 데이터 획득부;
상기 제어 입력과 상기 출력 값을 기초로 생성한 수학적 모델로부터 상기 센서의 추정 값을 예측하는 모델 기반 시스템 예측기;
정상 상태에서 기 수집한 상기 센서의 출력 값과 정상 잔차를 기초로 기 학습시킨 신경망 모델로부터 보상 잔차를 예측하는 데이터 기반 시스템 예측기;
상기 센서의 출력 값과 상기 추정 값 간의 잔차를 연산한 후, 상기 연산한 잔차에 상기 예측한 보상 잔차를 반영하여 강건한 잔차를 연산하는 잔차 생성부; 및
상기 강건한 잔차를 기 설정된 임계값과 비교하여 상기 센서의 고장 여부를 검출하는 고장 검출부를 포함하며,
상기 센서는,
상기 모터의 전류 및 각속도를 각각 측정하는 전류 센서 및 속도 센서, 그리고 상기 브레이크 구조물의 제동력을 측정하는 힘 센서를 포함하고,
상기 신경망 모델은,
상기 정상 상태에서 기 수집한 상기 센서의 출력 값과 그에 대응하는 정상 잔차를 입력층에 입력했을 때 설정 오차 이하의 값을 출력층에서 출력하도록 기 학습되며,
현재 측정된 상기 센서의 출력 값을 상기 입력층에 입력하면 상기 출력층을 통해 상기 보상 잔차가 출력되는 EMB 시스템에서의 센서 고장 검출 장치.In the sensor failure detection device using an EMB (Electro-Mechanical Brake) system including a motor to which a control input is applied and a brake structure driven by the motor,
a data acquisition unit that obtains an output value from a sensor mounted on the EMB system;
a model-based system predictor that predicts an estimated value of the sensor from a mathematical model generated based on the control input and the output value;
a data-based system predictor that predicts compensation residuals from a neural network model previously learned based on output values of the sensor and normal residuals previously collected in a steady state;
a residual generator that calculates a residual between the output value of the sensor and the estimated value and then calculates a robust residual by reflecting the predicted compensation residual in the calculated residual; and
It includes a failure detection unit that compares the robust residual with a preset threshold to detect whether the sensor is broken,
The sensor is,
It includes a current sensor and a speed sensor that respectively measure the current and angular velocity of the motor, and a force sensor that measures the braking force of the brake structure,
The neural network model is,
When the output value of the sensor already collected in the normal state and the corresponding normal residual are input to the input layer, the output layer is trained to output a value less than the set error,
A sensor failure detection device in an EMB system in which the compensation residual is output through the output layer when the currently measured output value of the sensor is input to the input layer. 삭제delete 청구항 5에 있어서,
상기 모델 기반 시스템 예측기는,
상기 전류, 각속도 및 제동력을 상태 변수로 가지는 상태 방정식을 이용하여 구성되는 관측기(observer) 또는 칼만 필터(kalman filter)를 사용하여 상기 추정 값을 예측하는 EMB 시스템에서의 센서 고장 검출 장치. In claim 5,
The model-based system predictor is,
A sensor failure detection device in an EMB system that predicts the estimated value using an observer or Kalman filter constructed using a state equation having the current, angular velocity, and braking force as state variables. 삭제delete
KR1020170022285A 2017-02-20 2017-02-20 Apparatus for detecting fault of sensor using EMB system and method using the same KR102617044B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170022285A KR102617044B1 (en) 2017-02-20 2017-02-20 Apparatus for detecting fault of sensor using EMB system and method using the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170022285A KR102617044B1 (en) 2017-02-20 2017-02-20 Apparatus for detecting fault of sensor using EMB system and method using the same

Publications (2)

Publication Number Publication Date
KR20180096075A KR20180096075A (en) 2018-08-29
KR102617044B1 true KR102617044B1 (en) 2023-12-26

Family

ID=63434938

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170022285A KR102617044B1 (en) 2017-02-20 2017-02-20 Apparatus for detecting fault of sensor using EMB system and method using the same

Country Status (1)

Country Link
KR (1) KR102617044B1 (en)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102225370B1 (en) * 2018-11-22 2021-03-08 제주대학교 산학협력단 Prediction system based on parameter improvement through learning and method thereof
CN109910865B (en) * 2019-02-26 2021-05-28 临沂合力电子有限公司 Vehicle early warning braking method based on Internet of things
CN109781399A (en) * 2019-02-27 2019-05-21 天津大学 A kind of air cooling refrigeration unit sensor fault diagnosis method neural network based
CN110017857A (en) * 2019-04-04 2019-07-16 广东工业大学 Nonlinear transducer method for diagnosing faults based on adaptive learning and neural network
CN110243405A (en) * 2019-06-25 2019-09-17 东北大学 A kind of Aero-Engine Sensor Failure diagnostic method based on deep learning
CN110962828B (en) * 2019-12-23 2021-11-02 奇瑞汽车股份有限公司 Method and equipment for predicting brake pressure of electric automobile
CN111505500B (en) * 2020-04-09 2021-01-29 江南大学 Intelligent motor fault detection method based on filtering in industrial field

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100584074B1 (en) * 2004-07-28 2006-05-29 학교법인 울산공업학원 non-linear data classification method using partial least square and residual compensator

Also Published As

Publication number Publication date
KR20180096075A (en) 2018-08-29

Similar Documents

Publication Publication Date Title
KR102617044B1 (en) Apparatus for detecting fault of sensor using EMB system and method using the same
CN106409120B (en) Machine learning method, machine learning device, and failure prediction device and system
Zhang et al. Fault diagnosis of a class of nonlinear uncertain systems with Lipschitz nonlinearities using adaptive estimation
US20200338735A1 (en) Sensorless Collision Detection Method Of Robotic Arm Based On Motor Current
Thumati et al. A model-based fault-detection and prediction scheme for nonlinear multivariable discrete-time systems with asymptotic stability guarantees
US6885922B2 (en) System and method of robust fault detection for a vehicle steer-by-wire system
US20020066054A1 (en) Fault detection in a physical system
US11932414B2 (en) Method and system for enabling component monitoring redundancy in a digital network of intelligent sensing devices
CN108427400B (en) Aircraft airspeed head fault diagnosis method based on neural network analytic redundancy
CN111897221B (en) Spacecraft fault diagnosis method based on combined observer
Sun et al. BLDC motor speed control system fault diagnosis based on LRGF neural network and adaptive lifting scheme
JP6645934B2 (en) Cell control system
EP3332211A2 (en) Rotorcraft structural fault-detection and isolation using virtual monitoring of loads
JP2012533470A (en) Method, computer program product, and warning device for providing a pilot warning signal to an aircraft pilot
Namvar et al. Failure detection and isolation in robotic manipulators using joint torque sensors
Gadda et al. Incorporating a model of vehicle dynamics in a diagnostic system for steer-by-wire vehicles
KR102358486B1 (en) Failure diagnostic and prediction device for platform screen door
JP2019096247A (en) Failure mode specifying system, failure mode specifying method, and program
KR20180096235A (en) System and Method for estimating a state of road for a vehicle
JP2019505064A (en) Predictive monitoring system and method
JP2020165672A (en) Abnormality discrimination method and abnormality discrimination system of structure
Jeppesen et al. Analytical redundancy techniques for fault detection in an active heavy vehicle suspension
CN104875735A (en) Intermittent fault detection method and system of ATO (automatic train operation) controlled high-speed train brake system
CN103617350A (en) Rotary mechanical equipment fault diagnosing method based on diagnosing evidence smooth updating
CN109101702B (en) Fault detection method based on time constraint sparse representation and feature dimension reduction

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant