KR20180029543A - Diagnosis method of automobile using Deep Learning - Google Patents

Diagnosis method of automobile using Deep Learning Download PDF

Info

Publication number
KR20180029543A
KR20180029543A KR1020160117713A KR20160117713A KR20180029543A KR 20180029543 A KR20180029543 A KR 20180029543A KR 1020160117713 A KR1020160117713 A KR 1020160117713A KR 20160117713 A KR20160117713 A KR 20160117713A KR 20180029543 A KR20180029543 A KR 20180029543A
Authority
KR
South Korea
Prior art keywords
vehicle
server computer
data
terminal
automobile
Prior art date
Application number
KR1020160117713A
Other languages
Korean (ko)
Other versions
KR101864860B1 (en
Inventor
강나루
박준홍
Original Assignee
오토시맨틱스 주식회사
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 오토시맨틱스 주식회사 filed Critical 오토시맨틱스 주식회사
Priority to KR1020160117713A priority Critical patent/KR101864860B1/en
Publication of KR20180029543A publication Critical patent/KR20180029543A/en
Application granted granted Critical
Publication of KR101864860B1 publication Critical patent/KR101864860B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/02—Registering or indicating driving, working, idle, or waiting time only
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Vehicle Cleaning, Maintenance, Repair, Refitting, And Outriggers (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

The present invention relates to a diagnosis method for a state of a vehicle using deep learning. More specifically, the present invention relates to the diagnosis method which collects data about the vehicle through a sensor of noise and vibration. Moreover, the diagnosis method of the present invention identifies a feature value of data collected from the sensor through signal treatment to transmit the data to a deep learning computer. Therefore, the state of the vehicle can be diagnosed from the feature value and the data about the vehicle through the pre-trained deep learning of the computer, thereby increasing accuracy of the diagnosis through relearning.

Description

딥러닝을 통한 자동차 상태 진단 방법 {Diagnosis method of automobile using Deep Learning}[0001] The present invention relates to a method for diagnosing a vehicle state using deep running,

본 발명은 자동차 상태 진단 방법에 관한 것으로서, 구체적으로는 센서를 통해서 자동차의 정보를 수집하고 상기 수집된 정보를 서버 컴퓨터의 딥러닝을 통해서 자동차 상태를 진단하는 방법에 관한 것이다.The present invention relates to a method for diagnosing a vehicle condition, and more particularly, to a method for diagnosing a vehicle condition through a sensor operation of collecting information of a vehicle and deeply running the collected information.

본 발명은 자동차의 상태 진단 방법에 관한 것으로서, 특히 자동차의 엔진, 변속기, 서스펜션, 조향장치, 타이어, 벨트, 브레이크, 머플러, 에어컨 등에 대한 음향 및 진동 신호를 계측하고, 계측된 신호와 자동차에 대한 정보를 서버 컴퓨터로 전송하여 미리 자동차에 정보 및 센서의 계측 정보와 자동차의 상태에 대해서 학습이 된 딥러닝 알고리즘을 통해서 현재 자동차의 상태를 진단하는 방법에 관한 것이다.BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a method of diagnosing a condition of an automobile and more particularly to a method of diagnosing a condition of an automobile by measuring sound and vibration signals of an engine, a transmission, a suspension, a steering device, a tire, a belt, a brake, a muffler, The present invention relates to a method of diagnosing a current state of a vehicle through a deep learning algorithm in which information is transmitted to a server computer in advance to learn information about measurement of information and sensors of the vehicle and the state of the vehicle.

최근 센서 및 컴퓨터의 발달로 자동차의 부품별 고장유무 등을 점검하는 방법이 다양하게 개발되어 있다. 이와 관련되어 등록특허공보 제0012078호는 자동차부품의 고장진단방법에 관한 것으로서 진단하고자 하는 차량의 종류가 진단 가능한지를 입력받는 단계와; 상기 진단 가능 여부 판단단계에서 진단 불가능이 입력된 경우에 이상이라고 예상되는 부품에 대하여 소음을 수집하고, 상기 수집된 신호를 패턴 처리하여 학습용 데이터베이스를 구축하고, 상기 패턴 처리된 데이터를 역전파 인공신경망에 대입시켜서 가중치를 산출, 저장하는 단계 및; 상기 진단 가능 여부 판단 단계에서 진단 가능이 입력된 경우에 이상이라고 예상되는 부품에 대하여 소음을 수집하고, 상기 수집된 신호를 패턴 처리하여 진단용 데이터베이스를 구축하고, 상기 패턴 처리된 데이터 및 이미 저장된 가중치를 역전파 인공신경망에 대입시켜서 이상의 종류를 진단하는 단계로 이루어져 있다. 상기 등록특허는 수집된 신호의 패턴처리에 신경회로망을 사용하고 있다.Recently, various methods have been developed to check the failure of each part of automobile due to the development of sensors and computers. In this connection, Patent Document No. 0012078 relates to a method for diagnosing a failure of an automotive part, comprising: inputting whether a type of a vehicle to be diagnosed can be diagnosed; A noise database is constructed by collecting noise for parts expected to be abnormal in the case where the diagnosis impossible is inputted in the diagnosis possibility determination step and patterning the collected signals to construct a learning database and transmitting the pattern processed data to a back propagation artificial neural network And calculating and storing a weight value; And a diagnostic database is constructed by patterning the collected signals, and the pattern processed data and the already stored weight values are stored in the diagnostic database. Back propagation artificial neural network, and diagnosing the above types. The patent uses a neural network for pattern processing of the collected signals.

그러나 1) 실질적으로 신경회로망은 실험실 수준으로 빅데이터 등을 제대로 처리하지 못하는 물리적인 제약이 있었고, 2) 또한 자체적인 재학습을 통해서 측정의 신뢰성을 계속 높일 수 있는 방법이 없었으며, 3) 단순히 온/오프 방식의 고장진단만을 수행함으로써, 사용자에게 제공하는 정보가 충분하지 못한 비연속식이라는 단점이 있었다. 4) 또한 자율주행 자동차와 같이 현장에서 즉각 대응해야 하는 부분과 시간을 두고 대응해야 하는 이원적인 문제에 대해서도 실질적인 해결책을 제시하지 못한다는 문제점이 있다.However, there was a physical constraint that 1) the neural network could not handle big data properly at the laboratory level, 2) there was no way to increase the reliability of measurement through its own re-learning, and 3) There is a disadvantage in that it is a non-continuous type in which the information to be provided to the user is insufficient. 4) There is also a problem in that it can not provide a practical solution to the dual problems that have to be dealt with promptly in the field, such as autonomous vehicles, and the time.

대한민국 등록특허공보 제0012078호(1996.09.12.)Korean Patent Registration No. 0012078 (September 12, 1996)

본 발명은 전술한 문제를 해결하기 위한 것으로서, 자동차에서 수집된 빅데이터를 실제로 처리, 활용하여 자동차의 상태를 연속적(아날로그식)으로 진단하며, 계속적인 재학습을 통해서 진단의 신뢰성을 계속 높일 수 있을 뿐만 아니라, 현재 실용화 단계가 임박한 자율주행 자동차에 적용할 수 있는 2단계 시스템을 제공하자고 한다.The present invention solves the above-mentioned problems, and it is an object of the present invention to provide a method and apparatus for diagnosing an automobile condition continuously (analogous) by actually processing and utilizing big data collected from a vehicle, In addition, we will provide a two-step system that can be applied to autonomous vehicles that are currently in practical use.

전술한 목적을 달성하기 위한 본 발명에 따른 자동차 상태 진단 방법은 진단하고자 하는 자동차에 대한 정보를 사람이 단말기에 입력하는 단계, 상기 자동차에 대해서 센서로부터 상기 단말기가 데이터를 수집하는 단계, 상기 자동차에 대한 정보 및 상기 수집된 데이터를 단말기가 서버 컴퓨터로 전송하는 단계, 상기 전송된 데이터를 상기 서버 컴퓨터에서 딥러닝을 통해서 처리하는 단계, 상기 처리된 결과를 상기 서버 컴퓨터가 상기 단말기로 전송하는 단계;를 포함하는 것에 특징이 있다.According to another aspect of the present invention, there is provided a method for diagnosing a vehicle condition, comprising: inputting information about a car to be diagnosed to a terminal; collecting data from the sensor with respect to the car; And transmitting the collected data to a server computer, processing the transmitted data through deep running on the server computer, and transmitting the processed result to the terminal. And the like.

상기 자동차에 대한 정보는 자동차의 모델, 생산일자, 생산공장을 포함하는 것에 특징이 있다.The information about the automobile is characterized by including a model of the automobile, a production date, and a production factory.

한편, 상기 자동차에 대한 정보 및 상기 수집된 데이터를 서버 컴퓨터로 전송하는 단계 대신에 자동차 또는 단말기의 ID와 상기 수집된 데이터를 서버 컴퓨터로 전송하는 단계가 포함될 수 있으며, 이때 상기 서버 컴퓨터에서는 상기 자동차 또는 단말기의 ID를 통해서 상기 서버 컴퓨터에 미리 입력된 해당 자동차에 대한 정보를 파악하는 것에 특징이 있다.The server computer may include an ID of the automobile or the terminal and a step of transmitting the collected data to the server computer instead of the information on the automobile and the step of transmitting the collected data to the server computer. Or the information of the corresponding vehicle previously input to the server computer through the ID of the terminal.

자동차의 상태를 진단하는 센서는 소음 및/또는 진동 센서, OBD를 포함하는 것에 특징이 있다. 상기 센서는 자동차에 상시로 비치되어 있거나 차량과는 독립적인 별도의 장비로 구축될 수 있는 것에 특징이 있다.The sensor for diagnosing the condition of the vehicle is characterized by including a noise and / or vibration sensor, OBD. The sensor is characterized in that it can be constructed as a separate device that is always present in the vehicle or independent of the vehicle.

또한, 상기 소음 센서는 인간의 가청 주파수뿐만 아니라, 가청주파수 이하 및 이상의 소리도 측정할 수 있는 것에 특징이 있다.In addition, the noise sensor is characterized not only in human audible frequencies, but also in that it can measure sounds below and above audible frequencies.

상기 센서로부터 데이터를 수집하고 이를 상기 서버 컴퓨터로 전송하는 시기는 상시 또는 간헐적인 것이거나, 상기 서버 컴퓨터로부터 요청 및/또는 사용자의 요구에 의해서 진행되는 것에 특징이 있다.The time for collecting data from the sensor and transmitting it to the server computer is characterized by a constant or intermittent time, or by a request from the server computer and / or by a user's request.

단말기는 스마트폰을 포함하는 전화기, 태블릿, 블랙박스, 내비게이션, 차량 내부 컴퓨터를 포함하는 것에 특징이 있다.The terminal is characterized in that it includes a telephone, a tablet, a black box, a navigation device including a smart phone, and an in-vehicle computer.

한편, 상기 차량의 센서로부터 데이터를 수집하는 단계와 상기 수집된 데이터를 서버 컴퓨터로 전송하는 단계 사이에 상기 수집된 데이터를 단말기 내에서 처리하는 단계를 포함하는 것에 특징이 있다.On the other hand, the method includes processing the collected data in the terminal between collecting data from the sensor of the vehicle and transmitting the collected data to the server computer.

상기 단말기 내에서 처리는 주파수 성분 분석, 시간에 따른 변화율 분석 신호 처리를 포함하는 것이며, 구체적인 신호 처리는 노이즈 제거, 푸리에, 라플라스, 옥타브 밴드 레벨(Octave Band Levels), 샤프니스, 러프니스, 엔벨로프, 기저크기, 토날리티, 변동강도(Fluctuation Strength), 댐핑(Damping), 고유진동수(Natural Frequency) 분석을 통해 특성치를 추출하는 것에 특징이 있다.The processing in the terminal includes a frequency component analysis and a time varying rate analysis signal processing. The specific signal processing includes noise removal, Fourier, Laplace, Octave Band Levels, sharpness, roughness, envelope, It is characterized by extracting characteristic values through analysis of size, tonality, Fluctuation Strength, damping, and natural frequency.

상기 자동차에 대한 정보 및 상기 수집된 데이터를 상기 단말기에 저장 후 유/무선 통신이 가능한 상태일 때 상기 서버 컴퓨터로 전송하며, 또한 상기 자동차에 대한 정보 및 상기 수집된 데이터 중 상기 자동차에 대한 정보 및 수집된 데이터의 특성치만을 먼저 전송 후 상기 서버 컴퓨터에서 추가의 요청이 있을 경우 전체 데이터를 전송하는 것에 특징이 있다.And transmits the collected information to the server computer when the collected data is stored in the terminal and the wired / wireless communication is enabled, and further transmits information on the vehicle and information on the vehicle, Only the characteristic value of the collected data is transmitted first, and if the server computer makes an additional request, the entire data is transmitted.

딥러닝 모델은 CNN(Convolutional Neural Network), RNN(Recursive Neural Network), DBN(Deep Belief Network), LSTM(Long Short-term Memory), GRU(Gated Recurrent Neural Network), Softmax regression 중 적어도 하나이며, 상기 딥러닝은 상기 자동차에 대한 정보 및 상기 수집된 데이터와 자동차의 상태에 대해서 이미 학습이 되어 있고, 딥러닝에 의해서 처리된 결과는 차량의 이상 유무, 이상 부위, 소모품 교체 시기를 포함하는 것에 특징이 있다. 또한, 딥러닝 모델은 적어도 10개 이상의 히든 레이어와 적어도 500개 이상의 전체 노드수를 가질 수 있다.The deep learning model is at least one of a Convolutional Neural Network (CNN), a Recursive Neural Network (RNN), a Deep Belief Network (DBN), a Long Short-term Memory (LSTM), a Gated Recurrent Neural Network (GRU) Deep running is already learned about the vehicle, the collected data, and the state of the vehicle, and the result of the deep-run processing includes the abnormality of the vehicle, the abnormal region, and the replacement timing of the consumables have. Also, a deep running model may have at least 10 hidden layers and at least 500 total nodes.

상기 처리된 결과는 상기 단말기로 전송하기 전에 서버 컴퓨터에 저장하여 학습용 데이터베이스를 구축하는 단계가 부가되며, 또한 상기 처리된 결과와 실제 자동차 상태의 진단의 비교 결과를 상기 서버 컴퓨터로 피드백하여 상기 학습용 데이터베이스가 계속 갱신되고 상기 갱신된 데이터베이스는 상기 딥러닝의 재학습 자료로 사용되는 것에 특징이 있다.The processing result is stored in a server computer before transmission to the terminal, and a learning database is added. Further, a result of comparison between the processed result and a diagnosis of an actual vehicle condition is fed back to the server computer, Is continuously updated and the updated database is used as re-learning data of the deep learning.

상기 처리된 결과를 상기 단말기로 전송함과 동시에 운전자의 휴대전화, 자동차 정비소에도 전송하고, 상기 단말기로 전송된 처리 결과는 단말기에서 표시하는 단계를 더 포함하는 것에 특징이 있다.Transmitting the processed result to the mobile terminal, transmitting the processed result to the mobile phone and the car repair shop of the driver, and displaying the processing result transmitted to the mobile terminal in the terminal.

한편, 상기 자동차는 자율주행 자동차일 수 있으며, 이 경우 상기 센서로부터 수집된 데이터를 상기 서버 컴퓨터로 바로 전송하지 않고, 상기 자율주행 자동차 내부에 마련된 로컬 컴퓨터에서 처리하고 거기에 따라서 미리 마련된 실행방안에 의해서 자동차가 작동하는 것에 특징이 있다.Meanwhile, the automobile may be an autonomous vehicle. In this case, data collected from the sensor is not directly transmitted to the server computer but is processed in a local computer provided in the autonomous vehicle, It is characterized by the fact that the car is operated by.

또한, 상기 로컬 컴퓨터에 미리 마련된 실행방안 중 즉각적인 처리가 필요한 것은 상기 로컬 컴퓨터에 의해서 자율주행 자동차가 작동되며, 그렇지 않은 것은 상기 서버 컴퓨터로 전송하여 상기 서버 컴퓨터에서 처리한 결과를 받아서 상기 로컬 컴퓨터에 의해서 자동차가 작동하는 것에 특징이 있다.The autonomous vehicle may be operated by the local computer, and the non-autonomous vehicle may be transmitted to the server computer to receive the processing result from the server computer, It is characterized by the fact that the car is operated by.

또한, 상기 서버 컴퓨터는 자동차 내에 구비될 수 있는 것에 특징이 있다.In addition, the server computer is characterized in that it can be provided in an automobile.

이상에서 설명한 바와 같이 본 발명에 따른 자동차 상태 진단 방법은 다음과 같은 효과가 있다.As described above, the automobile condition diagnosis method according to the present invention has the following effects.

본 발명에 따른 자동차 상태 진단 방법은 CNN, RNN, DBN, LSTM, GRU, Softmax 모델을 사용함으로써 자동차에서 수집된 빅데이터를 실제적으로 처리할 수 있다. 종래의 기술에 사용되었던 신경회로망은 빅데이터를 처리하는 경우 연산 결과가 제대로 수렴하지 않거나 계산 시간이 비상식적으로 오래 걸리는 단점이 있었으나, 본 발명에 따른 자동차 상태 진단 방법은 물리적으로 활용할 수 있는 시간 내에서 결과를 제시하고 있다.The method of diagnosing a vehicle condition according to the present invention can actually process big data collected from an automobile by using CNN, RNN, DBN, LSTM, GRU, and Softmax models. The neural network used in the prior art has a disadvantage in that the calculation result does not converge properly or the calculation time takes a long time unexpectedly when the big data is processed. However, the automobile condition diagnosis method according to the present invention has a problem in that, The results are presented.

또한 본 발명에 따른 자동차 상태 진단 방법은 단순히 온, 오프 방식의 고장뿐만 아니라, 타이어의 마모 정도, 엔진 오일 오염 정도, 브레이크 패드의 마모 정도 등 현재 자동차에 대해서 연속적(아날로그식)인 상태 정보를 제공하여, 현재 자동차의 상태에 대해서 사용자에게 더 풍부한 정보를 제공하는 장점이 있다.Further, the automobile condition diagnosis method according to the present invention provides continuous (analogous) status information for the current automobile, such as the degree of wear of the tire, the degree of contamination of the engine oil, and the degree of wear of the brake pad, Thereby providing more rich information to the user about the current state of the car.

또한, 본 발명에 따른 자동차 상태 진단 방법은 계속적인 재학습을 통해서 진단의 신뢰성을 계속 높일 수 있는 장점이 있다. 그뿐만 아니라 현재 실용화 단계가 임박한 자율주행 자동차에 적용할 수 있도록 자동차 내부의 로컬 컴퓨터를 사용하여 실시간으로 처리해야 하거나, 통신이 불가능한 지역에서는 로컬 컴퓨터에서 즉각적으로 대응하고 중앙관제소 등의 지시가 필요하거나, 시간을 두고 분석해야 하는 자료는 서버 컴퓨터로 전송 후 처리된 결과를 가지고 대응하는 2단계 시스템을 제공한다.In addition, the automotive condition diagnosis method according to the present invention has an advantage that the reliability of diagnosis can be continuously improved through continuous re-learning. In addition, it needs to be processed in real time using a local computer in the automobile so that it can be applied to autonomous vehicles with a commercialization stage imminent, or in a region where communication is not possible, the local computer must immediately respond to the request, , The data that needs to be analyzed over time is sent to the server computer and the corresponding two-step system is provided with the processed results.

또한, 최근 자동차에 내부 컴퓨터에서 진단할 수 없는 정보와 내부 컴퓨터가 없는 오래된 자동차에도 적용할 수 있는 저비용의 범용적인 기술이라는 장점도 있다.In addition, there is an advantage that it is general-purpose technology which can not be diagnosed in the internal computer of a car in recent years, and a low-cost general-purpose technology which can be applied to an old automobile without an internal computer.

도 1은 본 발명에 따른 자동차 상태 진단 방법의 일반적인 구조를 나타낸 것이다.
도 2는 본 발명에 따른 자동차 상태 진단 방법을 자율주행 자동차에 적용할 경우 구조를 나타낸 것이다.1 shows a general structure of a vehicle condition diagnosis method according to the present invention.
FIG. 2 illustrates a structure of a self-driving vehicle according to an embodiment of the present invention.

본 발명에 따른 자동차 상태 진단 방법은 먼저 진단하고자 하는 자동차에 대한 정보를 사람이 단말기에 입력하는 단계, 상기 자동차에 대해서 센서로부터 상기 단말기가 데이터를 수집하는 단계, 상기 자동차에 대한 정보 및 상기 수집된 데이터를 단말기가 서버 컴퓨터로 전송하는 단계, 상기 전송된 데이터를 상기 서버 컴퓨터에서 딥러닝을 통해서 처리하는 단계, 상기 처리된 결과를 상기 서버 컴퓨터가 상기 단말기로 전송하는 단계를 포함한다.A method for diagnosing a vehicle condition according to the present invention comprises the steps of: inputting information about a car to be diagnosed to a terminal; collecting data from the sensor with respect to the car; Transmitting the data to the server computer, processing the transmitted data through a deep run on the server computer, and transmitting the processed result to the terminal.

상기 자동차에 대한 정보는 자동차의 모델, 생산일자, 생산공장을 포함할 수 있다. 상기 자동차에 대한 정보는 그때그때 단말기를 통해서 사람이 직접 입력을 할 수 있지만, 자동차에 대한 정보를 단말기에 사람이 미리 입력을 시켜 놓고, 이후 센서에서 계속 계측되는 값과 단말기에 저장되어 있는 자동차에 대한 정보와 자동으로 같이 서버 컴퓨터로 전달되게 설정할 수도 있다. 또 다른 방법으로 서버 컴퓨터에 자동차에 대한 정보를 사람이 미리 입력을 한 후, 단말기 또는 자동차의 ID와 매칭을 시키고, 이후 상기 ID와 센서에서 계측되는 값을 서버 컴퓨터로 전송하는 방법 등도 사용할 수 있다. 이를 통해서 상기 서버 컴퓨터에서는 상기 ID를 통해서 상기 서버 컴퓨터에 미리 입력된 해당 자동차에 대한 정보를 파악할 수 있다.The information about the automobile may include a model of the automobile, a production date, and a production factory. The information about the automobile can be directly input by the user through the terminal at that time. However, since the information about the automobile is inputted to the terminal in advance by a person, the value continuously measured by the sensor and the value It can also be set to be automatically forwarded to the server computer as well. Alternatively, a method may be used in which a person pre-inputs information about a car to the server computer, matches the ID of the terminal or the car, and then transmits the ID and the value measured by the sensor to the server computer . Through the ID, the server computer can acquire information on the corresponding vehicle previously input to the server computer through the ID.

한편, 자동차에 고정되어 있거나, 고정되지 않은 상기 센서는 소음 및/또는 진동 센서, OBD를 포함할 수 있다. 상기 센서는 자동차에 상시로 비치되어 있거나 차량과는 독립적인 별도의 장비로 구축될 수 있다. 주로 정비소에 자동차의 상태를 진단할 때는 고정되어 있지 않은 좀 더 정밀한 장비를 사용할 수 있다.On the other hand, the sensor fixed or not fixed to the vehicle may include a noise and / or vibration sensor, OBD. The sensor may be constructed as a separate device that is always present in the vehicle or independent of the vehicle. When diagnosing the condition of a car at a workshop, it is possible to use more precise equipment that is not fixed.

특히 소음 센서에서, 통상적인 음성 수신용 마이크가 아닌 자동차의 소음으로부터 정보를 수집하기 위한 것이므로 상기 소음 센서는 인간의 가청 주파수뿐만 아니라, 가청 주파수 이하 및 이상의 소리도 측정할 수 있다.In particular, since the noise sensor is for collecting information from a noise of a car, not a microphone for receiving a voice, the noise sensor can measure not only the human audible frequency but also the audible frequency and above.

또한, 상기 센서로부터 데이터를 수집하는 시기는 상시 또는 간헐적인 것일 수 있는데, 계속해서 데이터를 수집하면서 실시간으로 전송을 할 수 있고, 수집한 데이터를 일정한 간격으로 전송할 수 있거나, 또는 측정 자체를 일정한 간격으로 할 수 있다. 예를 들어, 하루에 한 번 바람직하게는 차량의 시동부터 시작하여 10분간을 측정하는 방법도 있다.In addition, the time of collecting data from the sensor may be always or intermittently, so that data can be transmitted in real time while collecting data, and the collected data can be transmitted at regular intervals, . For example, there is a method of measuring 10 minutes, preferably starting from the start of the vehicle once a day.

또한, 비 정기적인 상기 센서로부터 데이터의 수집 및 상기 서버 컴퓨터로의 전송은 상기 서버 컴퓨터로부터 요청 및/또는 사용자의 요구에 의해서 진행될 수 있다. 정비소에서 자동차의 상태를 진단하기 위해서는 사용자의 요구에 의해서 데이터의 수집 및 전송이 이루어져야 하며, 서버 컴퓨터에서 하기에서 설명하는 특성치를 포함한 전 데이터의 요청이 있을 수 있다.In addition, the collection of data from the sensor at irregular intervals and the transfer to the server computer may be carried out by a request from the server computer and / or at the request of the user. In order to diagnose the condition of the vehicle at the garage, the data must be collected and transmitted according to the user's request, and the server computer may request all the data including the characteristic values described below.

한편 상기 단말기는 스마트폰을 포함하는 전화기, 태블릿, 블랙박스, 내비게이션, 차량 내부 컴퓨터를 포함할 수 있으며, 센서로부터 데이터를 수집, 처리 가능하면서 데이터를 서버 컴퓨터로 전송할 수 있고, 서버 컴퓨터로부터 전송된 데이터를 출력할 수 있는 것이면 어느 것이든 사용 가능하다.Meanwhile, the terminal may include a phone, a tablet, a black box, a navigation device, a vehicle internal computer including a smart phone, can transmit data to a server computer while collecting and processing data from the sensor, Anything that can output data is usable.

단말기와 센서와의 연결은 유/무선 통신, 블루투스, USB를 포함할 수 있다.The connection between the terminal and the sensor may include wired / wireless communication, Bluetooth, and USB.

상기 차량의 센서로부터 데이터를 수집하는 단계와 상기 수집된 데이터를 서버 컴퓨터로 전송하는 단계 사이에 상기 수집된 데이터를 단말기 내에서 처리하는 단계를 포함할 수 있다. 센서로부터 수집된 원 데이터는 노이즈 등이 많기 때문에 이를 자동차의 단말기에서 한번 신호처리 후 서버 컴퓨터로 보내는 방법이다. 단말기는 신호 처리 후 데이터를 바로 보낼 수 있거나, 또는 신호 처리 후 데이터를 더욱 분석하여 특성치에 해당하는 값만을 보낼 수 있다. 만약 서버 컴퓨터에서 특성치만으로 자료 분석이 어렵거나, 재학습을 하기 위해서 데이터를 요청하는 경우, 전체 데이터 또는 신호 처리만 한 전체 데이터를 단말기에서 서버 컴퓨터로 전송할 수 있다.Processing the collected data in the terminal between collecting data from the sensors of the vehicle and transmitting the collected data to a server computer. The original data collected from the sensor is a method of sending a signal to the server computer after processing the signal once from the terminal of the automobile because there are many noise etc. The terminal can send data immediately after signal processing, or can further analyze the data after signal processing and send only the value corresponding to the characteristic value. If data analysis is difficult by the characteristic value of the server computer, or when data is requested for re-learning, all the data including only the entire data or signal processing can be transmitted from the terminal to the server computer.

특성치를 계산하기 위한 대표적인 신호 처리의 방법은 주파수 성분 분석, 시간에 따른 변화율 분석 신호 처리를 포함할 수 있으며, 이와 관련된 구체적인 방법은 노이즈 제거, 푸리에, 라플라스, 옥타브 밴드 레벨(Octave Band Levels), 샤프니스, 러프니스, 엔벨로프, 기저크기, 토날리티, 변동강도(Fluctuation Strength), 댐핑(Damping), 고유진동수(Natural Frequency) 분석 등을 들 수 있다.Typical signal processing methods for calculating characteristic values may include frequency component analysis, time-varying rate analysis signal processing, and specific methods related thereto include noise elimination, Fourier, Laplace, Octave Band Levels, , Roughness, envelope, basis size, tonality, Fluctuation Strength, damping, and natural frequency analysis.

상기 자동차에 대한 정보 및 상기 수집된 데이터를 상기 단말기에 저장 후 유/무선 통신이 가능한 상태일 때 상기 서버 컴퓨터로 전송할 수 있다. 여기서 유무선 통신에는 유무선 전화망, 유무선 인터넷망 등을 포함한다.The information about the automobile and the collected data are stored in the terminal and can be transmitted to the server computer when wired / wireless communication is available. The wired / wireless communication includes a wired / wireless telephone network, a wired / wireless Internet network, and the like.

딥러닝은 CNN, RNN, DBN, LSTM, GRU, Softmax 모델 중에 적어도 하나일 수 있다. 상기 딥러닝 모델은 적어도 10개 이상의 히든 레이어와 적어도 500개 이상의 전체 노드수를 갖는다.Deep running can be at least one of CNN, RNN, DBN, LSTM, GRU, Softmax models. The deep learning model has at least 10 hidden layers and at least 500 total nodes.

딥러닝을 통해서 자동차의 상태를 진단하기 위해서는 해당 자동차와 동일 모델에 대해서 센서 계측치 및 자동차의 상태에 대해서 이미 학습이 되어 있어야 한다. 이후 이와 유사한 데이터가 추가로 수집이 되는 경우 이를 모아서 재학습을 시킬 수 있다. 딥러닝 알고리즘에서 효율을 높이기 위해서는 상시 재학습보다는 추가 수집되는 데이터의 양이 어느 정도 이상이 되었을 경우, 모아서 재학습을 하는 것이 바람직하다.In order to diagnose the condition of the vehicle through deep running, the sensor metering and the condition of the car must be already learned for the same model of the car. If similar data is collected later, it can be collected and re-learned. In order to improve the efficiency in the deep learning algorithm, it is desirable to collect the data again when the amount of data to be collected is more than a certain level, rather than the regular re-learning.

상기 딥러닝의 패턴 분석에 의해서 처리된 결과는 차량의 이상 유무, 이상 부위, 소모품 교체 시기를 포함할 수 있다. 본 발명에 따른 처리 결과는 단순한 고장 유무를 포함하여, 현재의 상태를 진단하는 것을 포함하기 때문에 타이어의 마모 정도, 엔진 오일 오염 정도, 브레이크 패드의 마모 정도 등 현재 자동차의 상태에 대해서 연속적(아날로그식) 정보를 제공할 수 있다.The result processed by the pattern analysis of the deep running may include an abnormality of the vehicle, an abnormal part, and a replacement time of the consumables. Since the process result according to the present invention includes the diagnosis of the current state including the presence or absence of a simple failure, it is possible to continuously (analogue) the current state of the vehicle such as the degree of wear of the tire, the degree of contamination of the engine oil, ) Information.

계속적인 재학습을 위해서 딥러닝을 통해 처리된 결과는 상기 단말기로 전송하기 전에 서버 컴퓨터에 저장하여 학습용 데이터베이스를 구축한다.The results processed through deep learning for continuous re-learning are stored in a server computer before transmission to the terminal to establish a learning database.

딥러닝에 의해서 처리된 결과는 상기 단말기로 전송함과 동시에 운전자의 휴대전화, 자동차 정비소에도 전송할 수 있다. 이를 통해서 운전자는 현재 자동차의 정비 필요 유무를 손쉽게 판단할 수 있다.The results processed by the deep running can be transmitted to the terminal and also transmitted to the mobile phone and the car repair shop of the driver. Through this, the driver can easily judge the necessity of maintenance of the current car.

특히 본 발명에 따른 자동차 진단 방법은 자율주행 자동차에 더욱 유리하다. 도 2는 본 발명에 따른 자동차 진단 방법을 자율주행 자동차에 적용한 경우의 작동 개념도이다.Particularly, the automobile diagnostic method according to the present invention is more advantageous for autonomous vehicles. FIG. 2 is a conceptual diagram of operation when the automobile diagnostic method according to the present invention is applied to an autonomous vehicle.

자율주행 자동차는 운전을 위한 정보처리를 위해서 자동차 내부에 딥러닝을 수행하는 컴퓨터가 배치될 수 있다. 이 경우 외부의 서버 컴퓨터로 정보를 전송하지 않고 자동차 내부에서 정보 처리가 가능하며, 추가의 더 많은 빅데이터만 외부의 고성능 서버 컴퓨터로 전송을 하여 처리할 수 있다.An autonomous driving vehicle may be provided with a computer for performing deep running inside the vehicle for information processing for driving. In this case, information can be processed inside the car without transmitting information to the external server computer, and only the additional big data can be transmitted to the external high-performance server computer for processing.

자율주행 자동차는 센서로부터 수집된 데이터를 외부의 서버 컴퓨터로 바로 전송하지 않고, 상기 자동차 내부에 마련된 로컬 컴퓨터에서 처리하고 거기에 따라서 미리 마련된 실행방안에 의해서 자동차가 작동할 수 있다. 왜냐하면, 통상적으로 사람이 운전하는 경우, 자동차의 이상에 따른 응급상황에 바로 대처할 수 있지만 자율주행 자동차는 운전자가 없기 때문이다. 실시간으로 수행하여야 하는 상황, 통신 자체가 어려운 상황 및 긴급한 안전과 관련된 문제가 발생할 경우, 이를 외부의 서버 컴퓨터에 보내서 처리 결과를 받아서 처리하는 대신에, 차량 내부의 로컬 컴퓨터에서 판단하여 즉시 처리한다. 한편, 관제센터 등의 지시를 받아야 하거나, 내부 컴퓨터로 처리하기 하기에는 데이터와 연산량이 많은 경우는 외부의 서버 컴퓨터로 전송하여 처리하는 2단계의 처리 방법이 적용되어야 한다.The autonomous vehicle can process the data collected from the sensor on the local computer provided in the vehicle without directly transmitting the data to the external server computer, and the automobile can be operated according to the execution plan prepared in advance. This is because, if a person normally drives a car, it is possible to cope with the emergency situation immediately due to the abnormality of the automobile, but the autonomous vehicle has no driver. In case of a situation that needs to be performed in real time, a situation where communication itself is difficult, and a problem related to urgent safety, it is sent to an external server computer and processed and immediately processed by judging from the local computer in the vehicle. On the other hand, in order to receive instructions from a control center or the like, or to process data with an internal computer, a two-step processing method of transferring data to an external server computer and processing it should be applied.

Claims (27)

진단하고자 하는 자동차에 대한 정보를 사람이 단말기에 입력하는 단계;
상기 자동차에 대해서 센서로부터 상기 단말기가 데이터를 수집하는 단계;
상기 자동차에 대한 정보 및 상기 수집된 데이터를 단말기가 서버 컴퓨터로 전송하는 단계;
상기 전송된 데이터를 상기 서버 컴퓨터에서 딥러닝을 통해서 처리하는 단계;
상기 처리된 결과를 상기 서버 컴퓨터가 상기 단말기로 전송하는 단계;를 포함하는 것에 특징이 있는 자동차 상태 진단 방법.Inputting information about a car to be diagnosed to a terminal;
The terminal collecting data from the sensor for the vehicle;
Transmitting information about the automobile and the collected data to a server computer;
Processing the transmitted data through a deep run on the server computer;
And transmitting the processed result to the terminal by the server computer. 제1항에 있어서,
상기 자동차에 대한 정보는 자동차의 모델, 생산일자, 생산공장을 포함하는 것에 특징이 있는 자동차 상태 진단 방법.The method according to claim 1,
Wherein the information about the automobile includes a model of the automobile, a production date, and a production factory. 제1항에 있어서,
상기 자동차에 대한 정보 및 상기 수집된 데이터를 서버 컴퓨터로 전송하는 단계 대신에 자동차 또는 단말기의 ID와 상기 수집된 데이터를 서버 컴퓨터로 전송하는 단계가 포함되는 것에 특징이 있는 자동차 상태 진단 방법.The method according to claim 1,
And transmitting an ID of the vehicle or the terminal and the collected data to the server computer instead of the information on the vehicle and the step of transmitting the collected data to the server computer. 제3항에 있어서,
상기 서버 컴퓨터는 자동차 또는 단말기의 ID를 통해서 상기 서버 컴퓨터에 미리 입력된 해당 자동차에 대한 정보를 파악하는 것에 특징이 있는 자동차 상태 진단 방법.The method of claim 3,
Wherein the server computer grasps information on a corresponding vehicle previously input to the server computer through an ID of the vehicle or the terminal. 제1항에 있어서,
상기 센서는 소음 및/또는 진동 센서, OBD를 포함하는 것에 특징이 있는 자동차 상태 진단 방법.The method according to claim 1,
Characterized in that the sensor comprises a noise and / or vibration sensor, OBD. 제1항에 있어서,
상기 센서는 자동차에 상시로 비치되어 있거나 차량과는 독립적인 별도의 장비로 구축될 수 있는 것에 특징이 있는 자동차 상태 진단 방법.The method according to claim 1,
Characterized in that the sensor can be built into the vehicle at all times or as a separate device independent of the vehicle. 제5항에 있어서,
상기 소음 센서는 인간의 가청 주파수뿐만 아니라 가청주파수 이하 및 이상의 소리도 측정할 수 있는 것에 특징이 있는 자동차 상태 진단 방법.6. The method of claim 5,
Wherein the noise sensor is capable of measuring not only human audible frequencies but also audible frequencies and above. 제1항에 있어서,
상기 센서로부터 데이터를 수집하는 시기는 상시 또는 간헐적인 것에 특징이 있는 자동차 상태 진단 방법.The method according to claim 1,
Wherein the time of collecting data from the sensor is always or intermittently. 제1항에 있어서,
상기 센서로부터 데이터의 수집 및 상기 서버 컴퓨터로 전송은 상기 서버 컴퓨터로부터 요청 및/또는 사용자의 요구에 의해서 진행되는 것에 특징이 있는 자동차 상태 진단 방법.The method according to claim 1,
Wherein the collection of data from the sensor and the transfer to the server computer are carried out by a request from the server computer and / or at the request of the user. 제1항에 있어서,
상기 단말기는 스마트폰을 포함하는 전화기, 태블릿, 블랙박스, 내비게이션, 차량 내부 컴퓨터를 포함하는 것에 특징이 있는 자동차 상태 진단 방법.The method according to claim 1,
Wherein the terminal comprises a telephone, tablet, black box, navigation, vehicle interior computer including a smart phone. 제1항에 있어서,
상기 차량의 센서로부터 데이터를 수집하는 단계와 상기 수집된 데이터를 서버 컴퓨터로 전송하는 단계 사이에 상기 수집된 데이터를 단말기 내에서 처리하는 단계를 포함하는 것에 특징이 있는 자동차 상태 진단 방법.The method according to claim 1,
Processing the collected data in the terminal between collecting data from the sensors of the vehicle and transmitting the collected data to a server computer. 제11항에 있어서,
상기 단말기 내에서 처리는 주파수 성분 분석, 시간에 따른 변화율 분석 신호 처리를 포함하는 것에 특징이 있는 자동차 상태 진단 방법.12. The method of claim 11,
Wherein the processing in the terminal comprises a frequency component analysis and a time varying rate analysis signal processing. 제12항에 있어서,
상기 신호 처리는 노이즈 제거, 푸리에, 라플라스, 옥타브 밴드 레벨(Octave Band Levels), 샤프니스, 러프니스, 엔벨로프, 기저크기, 토날리티, 변동강도(Fluctuation Strength), 댐핑(Damping), 고유진동수(Natural Frequency) 분석인 것에 특징이 있는 자동차 상태 진단 방법.13. The method of claim 12,
The signal processing may be performed in a variety of ways such as noise elimination, Fourier, Laplace, Octave Band Levels, Sharpness, Roughness, Envelope, Base Size, Tonalality, Fluctuation Strength, Damping, A method for diagnosing a vehicle condition characterized by being an analysis. 제1항에 있어서,
상기 자동차에 대한 정보 및 상기 수집된 데이터를 상기 단말기에 저장 후 유/무선 통신이 가능한 상태일 때 상기 서버 컴퓨터로 전송하는 것에 특징이 있는 자동차 상태 진단 방법.The method according to claim 1,
Storing information on the automobile and the collected data in the terminal, and transmitting the collected data to the server computer when a wired / wireless communication is available. 제14항에 있어서,
상기 자동차에 대한 정보 및 상기 수집된 데이터 중 상기 자동차에 대한 정보 및 수집된 데이터의 특성치만을 먼저 전송 후 상기 서버 컴퓨터에서 추가의 요청이 있을 경우 전체 데이터를 전송하는 것에 특징이 있는 자동차 상태 진단 방법.15. The method of claim 14,
Wherein the server computer first transmits only the information about the automobile and information about the automobile and the collected data from among the collected data, and then transmits the entire data when there is an additional request from the server computer. 제1항에 있어서,
상기 딥러닝은 CNN, RNN, DBN, LSTM, GRU, Softmax 모델 중에 적어도 하나인 것에 특징이 있는 자동차 상태 진단 방법.The method according to claim 1,
Wherein the deep running is at least one of CNN, RNN, DBN, LSTM, GRU, and Softmax models. 제1항에 있어서,
상기 딥러닝은 적어도 10개 이상의 히든레이어와 적어도 500개 이상의 전체 노드수를 갖는 것에 특징이 있는 자동차 상태 진단 방법.The method according to claim 1,
Wherein the deep running is characterized by having at least ten hidden layers and at least 500 total nodes. 제16항 또는 제17항에 있어서,
상기 딥러닝은 상기 자동차에 대한 정보 및 상기 수집된 데이터와 자동차의 상태에 대해서 이미 학습이 된 점에 특징이 있는 자동차 상태 진단 방법.18. The method according to claim 16 or 17,
Wherein the deep learning is characterized in that information about the vehicle and the collected data and the state of the vehicle have already been learned. 제1항에 있어서,
상기 처리된 결과는 차량의 이상 유무, 이상 부위, 소모품 교체 시기를 포함하는 것에 특징이 있는 자동차 상태 진단 방법.The method according to claim 1,
Wherein the processed result includes an abnormality of the vehicle, an abnormal part, and a replacement time of the consumable. 제1항에 있어서,
상기 처리된 결과를 상기 단말기로 전송하기 전에 서버 컴퓨터에 저장하여 학습용 데이터베이스를 구축하는 단계가 부가되는 것에 특징이 있는 자동차 상태 진단 방법.The method according to claim 1,
And storing the processed result in a server computer before transmitting the processed result to the terminal, thereby constructing a learning database. 제20항에 있어서,
상기 처리된 결과와 실제 자동차 상태의 진단의 비교 결과를 사람이 상기 서버 컴퓨터로 피드백 하여 상기 학습용 데이터베이스가 계속 갱신되고 상기 갱신된 데이터베이스는 상기 딥러닝의 재학습 자료로 사용되는 것에 특징이 있는 자동차 상태 진단 방법.21. The method of claim 20,
Characterized in that the result of the comparison between the processed result and the diagnosis of the actual vehicle condition is fed back to the server computer by the person so that the learning database is continuously updated and the updated database is used as re-learning data of the deep learning Diagnostic method. 제1항에 있어서,
상기 처리된 결과를 상기 단말기로 전송함과 동시에 운전자의 휴대전화, 자동차 정비소에도 전송하는 것에 특징이 있는 자동차 상태 진단 방법.The method according to claim 1,
And transmitting the processed result to the mobile terminal and also to the mobile phone and the car repair shop of the driver. 제1항에 있어서,
상기 단말기로 전송된 처리 결과를 단말기에서 표시하는 단계를 더 포함하는 것에 특징이 있는 자동차 상태 진단 방법.The method according to claim 1,
And displaying the processing result transmitted to the terminal in the terminal. 제1항에 있어서,
상기 자동차는 자율주행 자동차인 것에 특징이 있는 자동차 상태 진단 방법.The method according to claim 1,
Wherein the vehicle is an autonomous vehicle. 제24항에 있어서,
상기 센서로부터 수집된 데이터를 상기 서버 컴퓨터로 바로 전송하지 않고, 상기 자동차 내부에 마련된 로컬 컴퓨터에서 처리하고 거기에 따라서 미리 마련된 실행방안에 의해서 자동차가 작동하는 것에 특징이 있는 자동차 상태 진단 방법.25. The method of claim 24,
Wherein the data collected from the sensor is not directly transmitted to the server computer but is processed in a local computer provided inside the automobile and the automobile is operated according to the execution plan prepared in advance. 제25항에 있어서,
상기 로컬 컴퓨터에 미리 마련된 실행방안 중 즉각적인 처리가 필요한 것은 상기 로컬 컴퓨터에 의해서 자동차가 작동되며, 그렇지 않은 것은 상기 서버 컴퓨터로 전송하여 상기 서버 컴퓨터에서 처리한 결과를 받아서 상기 로컬 컴퓨터에 의해서 자동차가 작동하는 것에 특징이 있는 자동차 상태 진단 방법.26. The method of claim 25,
The local computer is required to perform immediate processing among the execution plans previously prepared in the local computer, and the vehicle is operated by the local computer. Otherwise, the local computer transmits to the server computer to receive the processing result from the server computer, A method of diagnosing a condition of a car. 제1항에 있어서,
상기 서버 컴퓨터는 자동차 내에 구비될 수 있는 것에 특징이 있는 자동차 상태 진단 방법.The method according to claim 1,
Wherein the server computer is capable of being installed in an automobile.
KR1020160117713A 2016-09-13 2016-09-13 Diagnosis method of automobile using Deep Learning KR101864860B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160117713A KR101864860B1 (en) 2016-09-13 2016-09-13 Diagnosis method of automobile using Deep Learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160117713A KR101864860B1 (en) 2016-09-13 2016-09-13 Diagnosis method of automobile using Deep Learning

Publications (2)

Publication Number Publication Date
KR20180029543A true KR20180029543A (en) 2018-03-21
KR101864860B1 KR101864860B1 (en) 2018-06-05

Family

ID=61900394

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160117713A KR101864860B1 (en) 2016-09-13 2016-09-13 Diagnosis method of automobile using Deep Learning

Country Status (1)

Country Link
KR (1) KR101864860B1 (en)

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102013141B1 (en) * 2019-03-08 2019-08-22 원장식 Apparatus and method for detecting abnormality in network equipment
KR20190114221A (en) * 2018-03-29 2019-10-10 삼성전자주식회사 Equipment diagnosis system and method based on deep learning
KR20190132023A (en) * 2018-05-18 2019-11-27 한국항공대학교산학협력단 Device and method for mechanical status monitoring
KR20190132290A (en) * 2018-05-18 2019-11-27 주식회사 송아리아이티 Method, server and program of learning a patient diagnosis
WO2019235654A1 (en) * 2018-06-04 2019-12-12 데이터 엠 리미티드 Method for calculating energy consumption amount of vehicle by utilizing deep learning to implement carbon emissions reduction
KR20190143516A (en) * 2018-06-05 2019-12-31 한국자동차연구원 Method and apparatus for diagonosis of wheel balance using machine learning
KR20190143506A (en) * 2018-06-01 2019-12-31 한화손해보험주식회사 Ai calculation device, method and computer program
KR20200023672A (en) * 2018-08-14 2020-03-06 오토시맨틱스 주식회사 Diagnosis method of battery using Deep Learning
KR102094883B1 (en) * 2019-04-26 2020-03-30 주식회사 오씨모바일 Acoustic-based vehicle abnormal signal detection system and processing method thereof
KR20200052245A (en) * 2018-11-02 2020-05-14 알리바바 그룹 홀딩 리미티드 Monitoring of multiple system indicators
KR102111879B1 (en) * 2019-01-22 2020-05-15 김대유 Vehicle Information System and Method Thereof
KR20200092503A (en) * 2019-01-11 2020-08-04 오토시맨틱스 주식회사 Diagnosis method of sewage condition using Deep Learning based on acoustic in-out data
KR20200095590A (en) * 2019-01-21 2020-08-11 한양대학교 산학협력단 Method and Apparatus for Controlling of Autonomous Vehicle using Deep Reinforcement Learning and Driver Assistance System
KR20200123422A (en) * 2018-03-20 2020-10-29 엘지전자 주식회사 Refrigerator and cloud server to diagnose the cause of abnormal conditions
KR20210073883A (en) 2019-12-11 2021-06-21 현대자동차주식회사 Information sharing platform for providing bidrectional vehicle state information, System having the vehicle, and Method thereof
CN114115199A (en) * 2021-11-29 2022-03-01 上海电机学院 Monitoring and fault diagnosis system for new energy sanitation vehicle
WO2022139409A1 (en) * 2020-12-23 2022-06-30 주식회사 오씨모바일 Intelligent performance inspection service system for used car, and method therefor
KR20220092137A (en) 2020-12-24 2022-07-01 한국기초과학지원연구원 Apparatus and method for diagnosis of system condition
US11494643B2 (en) 2018-12-13 2022-11-08 Hyundai Motor Company Noise data artificial intelligence apparatus and pre-conditioning method for identifying source of problematic noise
US11620519B2 (en) 2019-12-11 2023-04-04 Hyundai Motor Company Big data-based driving information provision system and method thereof
US11748593B2 (en) 2018-12-05 2023-09-05 Hyundai Motor Company Sensor fusion target prediction device and method for vehicles and vehicle including the device
DE102022119791A1 (en) 2022-08-05 2024-02-08 Cariad Se Method for identifying a faulty component of a motor vehicle, computer program product and error identification device

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102239040B1 (en) * 2018-06-29 2021-04-13 성균관대학교산학협력단 Prognostics and health management systems for component of vehicle and methods thereof
KR20200075133A (en) 2018-12-12 2020-06-26 현대자동차주식회사 A device and method for detecting noise source based big data
KR102027389B1 (en) * 2019-03-20 2019-10-01 (주)브이엠에스 Fault diagnosis system of mechanical devices using autoencoder and deep-learning
KR102367831B1 (en) * 2019-07-23 2022-02-28 엘지전자 주식회사 An artificial intelligence apparatus for the self-diagnosis using log data and artificial intelligence model and method for the same
KR102204199B1 (en) * 2019-08-28 2021-01-18 주식회사 엔제로 Prediction method and diagonoisis method of vehicle for autonomous public bus
DE102020110659A1 (en) 2020-04-20 2021-10-21 Bayerische Motoren Werke Aktiengesellschaft Operating a vehicle as well as vehicle and system
KR102502005B1 (en) 2020-12-01 2023-02-21 오성균 Smartphone Sensor-Based Methods and Systems for Measuring Engine Condition
WO2023249277A1 (en) * 2022-06-20 2023-12-28 (주)부품디비 Electric vehicle diagnosis and prediction system

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060038700A (en) * 2004-11-01 2006-05-04 엘지전자 주식회사 Examining system of car using wireless communication network and method thereof
JP2016080499A (en) * 2014-10-16 2016-05-16 Ntn株式会社 Machine component state automatic determination system
US9424533B1 (en) * 2011-09-24 2016-08-23 Z Advanced Computing, Inc. Method and system for predicting an outcome of an event

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060038700A (en) * 2004-11-01 2006-05-04 엘지전자 주식회사 Examining system of car using wireless communication network and method thereof
US9424533B1 (en) * 2011-09-24 2016-08-23 Z Advanced Computing, Inc. Method and system for predicting an outcome of an event
JP2016080499A (en) * 2014-10-16 2016-05-16 Ntn株式会社 Machine component state automatic determination system

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11668521B2 (en) 2018-03-20 2023-06-06 Lg Electronics Inc. Refrigerator and cloud server of diagnosing cause of abnormal state
KR20200123422A (en) * 2018-03-20 2020-10-29 엘지전자 주식회사 Refrigerator and cloud server to diagnose the cause of abnormal conditions
KR20190114221A (en) * 2018-03-29 2019-10-10 삼성전자주식회사 Equipment diagnosis system and method based on deep learning
KR20190132023A (en) * 2018-05-18 2019-11-27 한국항공대학교산학협력단 Device and method for mechanical status monitoring
KR20190132290A (en) * 2018-05-18 2019-11-27 주식회사 송아리아이티 Method, server and program of learning a patient diagnosis
KR20190143506A (en) * 2018-06-01 2019-12-31 한화손해보험주식회사 Ai calculation device, method and computer program
WO2019235654A1 (en) * 2018-06-04 2019-12-12 데이터 엠 리미티드 Method for calculating energy consumption amount of vehicle by utilizing deep learning to implement carbon emissions reduction
KR20190143516A (en) * 2018-06-05 2019-12-31 한국자동차연구원 Method and apparatus for diagonosis of wheel balance using machine learning
KR20200023672A (en) * 2018-08-14 2020-03-06 오토시맨틱스 주식회사 Diagnosis method of battery using Deep Learning
US11042461B2 (en) 2018-11-02 2021-06-22 Advanced New Technologies Co., Ltd. Monitoring multiple system indicators
KR20200052245A (en) * 2018-11-02 2020-05-14 알리바바 그룹 홀딩 리미티드 Monitoring of multiple system indicators
US11748593B2 (en) 2018-12-05 2023-09-05 Hyundai Motor Company Sensor fusion target prediction device and method for vehicles and vehicle including the device
US11494643B2 (en) 2018-12-13 2022-11-08 Hyundai Motor Company Noise data artificial intelligence apparatus and pre-conditioning method for identifying source of problematic noise
KR20200092503A (en) * 2019-01-11 2020-08-04 오토시맨틱스 주식회사 Diagnosis method of sewage condition using Deep Learning based on acoustic in-out data
KR20200095590A (en) * 2019-01-21 2020-08-11 한양대학교 산학협력단 Method and Apparatus for Controlling of Autonomous Vehicle using Deep Reinforcement Learning and Driver Assistance System
KR102111879B1 (en) * 2019-01-22 2020-05-15 김대유 Vehicle Information System and Method Thereof
KR102013141B1 (en) * 2019-03-08 2019-08-22 원장식 Apparatus and method for detecting abnormality in network equipment
KR102094883B1 (en) * 2019-04-26 2020-03-30 주식회사 오씨모바일 Acoustic-based vehicle abnormal signal detection system and processing method thereof
KR20210073883A (en) 2019-12-11 2021-06-21 현대자동차주식회사 Information sharing platform for providing bidrectional vehicle state information, System having the vehicle, and Method thereof
US11620519B2 (en) 2019-12-11 2023-04-04 Hyundai Motor Company Big data-based driving information provision system and method thereof
US11775820B2 (en) 2019-12-11 2023-10-03 Hyundai Motor Company Information sharing platform and method capable of providing bidirectional vehicle state information and system having information sharing platform
WO2022139409A1 (en) * 2020-12-23 2022-06-30 주식회사 오씨모바일 Intelligent performance inspection service system for used car, and method therefor
KR20220092137A (en) 2020-12-24 2022-07-01 한국기초과학지원연구원 Apparatus and method for diagnosis of system condition
CN114115199A (en) * 2021-11-29 2022-03-01 上海电机学院 Monitoring and fault diagnosis system for new energy sanitation vehicle
DE102022119791A1 (en) 2022-08-05 2024-02-08 Cariad Se Method for identifying a faulty component of a motor vehicle, computer program product and error identification device

Also Published As

Publication number Publication date
KR101864860B1 (en) 2018-06-05

Similar Documents

Publication Publication Date Title
KR101864860B1 (en) Diagnosis method of automobile using Deep Learning
US11847873B2 (en) Systems and methods for in-vehicle predictive failure detection
KR101889049B1 (en) Vehicle diagnosis method and apparatus using artificial intelligence based on deep learning
KR102474355B1 (en) Vehicle control total management system and central artificial intelligence server connected with vehicle control total management system via communcation
CN112977300A (en) Predictive maintenance of automotive transmissions
US20170206718A1 (en) Methods and systems for diagnosing a vehicle using sound
US20190311558A1 (en) Method and apparatus to isolate an on-vehicle fault
CN112396177A (en) Predictive repair of vehicles
CN106525445A (en) Vehicle diagnosis based on vehicle sounds and vibrations
JP2009265104A (en) Diagnostic data mining
CN112204362B (en) Method and apparatus for detecting vibration and/or acoustic transmission in mechanical systems
US8688309B2 (en) Active and stateful hyperspectral vehicle evaluation
GB2528083A (en) System and method for automated device control for vehicles using driver emotion
US20140032039A1 (en) Method and Apparatus for Periodic Onboard Compliance Testing
JPWO2017168465A1 (en) Saddle-type vehicle processing device
JP7020098B2 (en) Parking lot evaluation device, parking lot information provision method and program
CA3156837A1 (en) Method for assessing an external event on an automotive glazing
CN108254199B (en) Vehicle health prediction method, device and equipment
KR102262648B1 (en) Vehicle trouble diagnosis system
JP5540037B2 (en) Vehicle information collecting apparatus and vehicle information collecting method
KR101816441B1 (en) Device and method for evaluating driving sensitivity of vehicle
CN109177661A (en) tire pressure monitoring method and device
EP3472742A1 (en) Machine monitoring
JP2005146905A (en) Vehicle condition monitoring system with vehicle condition monitoring device
CN113362565A (en) Fatigue driving early warning method and system based on decision algorithm

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