KR101703163B1 - 차량의 복합 고장을 예측하기 위한 장치 및 방법 - Google Patents

차량의 복합 고장을 예측하기 위한 장치 및 방법 Download PDF

Info

Publication number
KR101703163B1
KR101703163B1 KR1020110025497A KR20110025497A KR101703163B1 KR 101703163 B1 KR101703163 B1 KR 101703163B1 KR 1020110025497 A KR1020110025497 A KR 1020110025497A KR 20110025497 A KR20110025497 A KR 20110025497A KR 101703163 B1 KR101703163 B1 KR 101703163B1
Authority
KR
South Korea
Prior art keywords
value
failure
neural network
vehicle
data
Prior art date
Application number
KR1020110025497A
Other languages
English (en)
Other versions
KR20120107774A (ko
Inventor
윤은일
이신경
신현일
편광범
이정우
권오천
오현서
양흥모
Original Assignee
한국전자통신연구원
충북대학교 산학협력단
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 한국전자통신연구원, 충북대학교 산학협력단 filed Critical 한국전자통신연구원
Priority to KR1020110025497A priority Critical patent/KR101703163B1/ko
Priority to US13/284,780 priority patent/US20120245791A1/en
Publication of KR20120107774A publication Critical patent/KR20120107774A/ko
Application granted granted Critical
Publication of KR101703163B1 publication Critical patent/KR101703163B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
    • B60W50/0205—Diagnosing or detecting failures; Failure detection models
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
    • B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D41/1405—Neural network control

Abstract

본 발명은 차량의 복합 고장을 예측하기 위한 장치 및 방법을 제공한다. 차량 복합고장 예측장치는 복합 고장을 예측하려는 차량으로부터 전달된 복수의 차량 네트워크 데이터들에 대한 임계값 범위를 고려한 정규화 변환을 수행하여 정규화 변환값을 생성하는 데이터 정규화부, 차량에서 이전에 발생한 복합 고장에 대한 정보인 학습 데이터 집합에 기초하여 차량의 특성에 따라 생성된 다중 인공신경망 모델 및 정규화 변환값을 이용하여 차량의 복합 고장을 예측하여 신경망 고장 예측값을 생성하는 신경망 고장 예측부 및 신경망 고장 예측값과 차량에서 이전에 생성된 이전 신경망 고장 예측값을 분석하여 신경망 고장 예측값의 변화에 따라 발생할 수 있는 복합 고장에 대한 추이변화를 예측하는 추이변화 예측부를 포함한다.

Description

차량의 복합 고장을 예측하기 위한 장치 및 방법{Apparatus and method for predicting vehicle mixed fault}
본 발명은 차량의 복합 고장을 예측하기 위한 장치 및 방법에 관한 것으로, 보다 상세하게는 데이터 마이닝 기법인 다중 인공신경망과 회귀 분석 방법을 이용하여 복합적인 원인에 의한 차량의 고장 상태의 추이변화를 예측하기 위한 장치 및 방법에 관한 것이다.
최근 차량이 기계적인 장치에서 전자적인 장치로 변화됨에 따라 보다 안전하고 효율적인 교통수단으로 발전시키기 위해 전자 제어 시스템을 적용하기 위한 관심이 증가하고 있다.
이러한 전자 제어 시스템이 적용된 차량은 엔진을 중심으로 각 세부 장치의 센서를 통해 데이터를 측정한다. 그리고, 측정된 데이터들을 이용하여 차량을 제어하거나 차량 고장을 진단한다. 또한, 차량에 설치된 원격 단말 장치를 통해 측정된 데이터를 원격지 서버로 전송하여 차량 정보를 관리하거나 또는 원격에서 진단하기도 한다.
이처럼 차량에 대해 개별적인 정보를 관리는 경우, 차량의 유지보수를 효율적으로 수행할 수 있으며, 자동차 보험, 물류, 교통 및 환경 등과 같은 차량 운행과 관련된 세부 분야에서도 응용할 수 있다. 그리고, 차량의 문제 발생 시 원격으로 진단하여 조치를 취함에 따라 신속하게 차량의 고장에 대처하여 차량에 대한 안전성을 높이고 인명 피해를 감소시킬 수 있다.
하지만, 차량의 내부 네트워크 데이터를 분석하여 미래에 발생할 차량 고장을 예측하는 기술은 현재 차량의 특정 장치에 대한 고장을 진단하고 예측하는 것에 국한되어 있다. 즉, 현재 차량 고장을 예측하는 기술은 배터리의 수명이나 차량 수명 등과 같은 특정 장치에 대한 고장이나 수명을 예측할 뿐, 여러 장치에 의해 발생할 수 있는 복합적인 원인에 의한 차량 고장들에 대하여 정확하게 예측하여 제공하기 어려운 문제점이 있다.
본 발명의 목적은 복합적인 원인에 의해 야기되는 차량의 고장 상태를 예측하여 제공하기 위한 장치 및 방법에 관한 것이다.
상기 기술적 과제를 해결하기 위한 본 발명의 실시예에 따른 차량 복합고장 예측장치는 복합 고장을 예측하려는 차량으로부터 전달된 복수의 차량 네트워크 데이터들에 대한 임계값 범위를 고려한 정규화 변환을 수행하여 정규화 변환값을 생성하는 데이터 정규화부; 상기 차량에서 이전에 발생한 복합 고장에 대한 정보인 학습 데이터 집합에 기초하여 상기 차량의 특성에 따라 생성된 다중 인공신경망 모델 및 상기 정규화 변환값을 이용하여 상기 차량의 복합 고장을 예측하여 신경망 고장 예측값을 생성하는 신경망 고장 예측부; 및 상기 신경망 고장 예측값과 상기 차량에서 이전에 생성된 이전 신경망 고장 예측값을 분석하여 상기 신경망 고장 예측값의 변화에 따라 발생할 수 있는 상기 복합 고장에 대한 추이변화를 예측하는 추이변화 예측부를 포함한다.
상기 신경망 고장 예측값과 기준 고장값을 비교한 결과에 따라 상기 복합 고장을 즉시 통지하거나 또는 상기 추이변화를 예측할 지의 여부를 결정하는 예측 결과 분석부를 포함한다.
상기 예측 결과 분석부는 상기 신경망 고장 예측값이 상기 복합 고장을 즉시 통지하기 위한 기준 고장값을 초과하는 경우 상기 복합 고장을 즉시 통지하며, 상기 신경망 고장 예측값이 상기 복합 고장에 대한 추이변화를 예측하기 위한 기준 고장값 범위에 포함되는 경우 상기 신경망 고장 예측값을 상기 추이변화 예측부로 전달한다.
상기 다중 인공신경망 모델은 입력층, 은닉층 및 출력층을 포함하며, 상기 신경망 고장 예측부는 상기 입력층과 상기 은닉층 사이에 인공 신경망 노드의 입력 가중치를 설정하고, 상기 학습 데이터 집합에 기초하여 상기 은닉층을 학습시켜 상기 다중 인공신경망 모델을 생성한다.
상기 은닉층은 상기 학습 데이터 집합에 기초하여 상기 정규화 변환값 사이의 상관관계에 따라 상기 신경망 고장 예측값을 생성한다.
상기 임계값 범위는 최소 임계값과 최대 임계값 사이의 값으로 설정되며, 상기 데이터 정규화부는 상기 차량 네트워크 데이터가 상기 최소 임계값 또는 상기 최대 임계값인 경우 상기 차량 네트워크 데이터를 제1 값으로 정규화 변환하며, 상기 차량 네트워크 데이터가 상기 최소 임계값과 상기 최대 임계값 사이의 중간값인 경우 상기 차량 네트워크 데이터를 상기 제1 값과 다른 제2 값으로 상기 정규화 변환한다.
상기 데이터 정규화부는 상기 차량 네트워크 데이터가 상기 최소 임계값보다 크고 상기 중간값보다 작거나 또는 상기 차량 네트워크 데이터가 상기 중간값보다 크고 상기 최대 임계값보다 작은 경우, 상기 제2 값보다 크고 상기 제1 값보다 작은 제3 값으로 상기 정규화 변환을 수행한다.
상기 기술적 과제를 해결하기 위한 본 발명의 다른 실시예에 따른 복합 고장을 예측하려는 차량에서 이전에 발생한 복합 고장에 대한 학습 데이터 집합에 기초하여 상기 차량의 특성에 따른 다중 인공신경망 모델을 생성하는 단계; 상기 차량으로부터 전달된 복수의 차량 네트워크 데이터들에 대한 임계값 범위를 고려하여 정규화 변환값을 생성하는 단계; 상기 다중 인공신경망 모델과 상기 정규화 변환값을 이용하여 상기 차량의 복합 고장을 예측하여 신경망 고장 예측값을 생성하는 단계; 및 상기 신경망 고장 예측값과 기준 고장값을 비교한 결과에 따라 상기 복합 고장을 즉시 통지하거나 또는 상기 추이변화를 예측할 지의 여부를 결정하는 단계를 포함한다.
상기 다중 인공신경망 모델을 생성하는 단계는 상기 다중 인공신경망을 구성하는 입력층과 은닉층 사이에 인공 신경망 노드의 입력 가중치를 설정하는 단계; 및 상기 학습 데이터 집합에 기초하여 상기 은닉층을 학습시켜 상기 다중 인공신경망 모델을 생성하는 단계를 포함한다.
상기 신경망 고장 예측값을 생성하는 단계는 상기 입력층으로 전달된 상기 정규화 변환값에 상기 인공 신경망 노드의 입력 가중치를 적용하여 상기 은닉층으로 전달하는 단계; 및 상기 은닉층에 학습된 상기 학습 데이터 집합에 기초하여 상기 가중치가 적용된 상기 정규화 변환값 사이의 상관관계에 따른 상기 신경망 고장 예측값을 생성하는 단계를 포함한다.
상기 정규화 변환값을 생성하는 단계는 상기 차량 네트워크 데이터가 상기 임계값 범위의 최소 임계값 또는 최대 임계값인 경우 상기 차량 네트워크 데이터를 제1 값으로 정규화 변환하는 단계; 및 상기 차량 네트워크 데이터가 상기 최소 임계값과 상기 최대 임계값 사이의 중간값인 경우 상기 제1 값과 다른 제2 값으로 정규화 변환을 수행하는 단계를 포함한다.
상기 정규화 변환값을 생성하는 단계는 상기 차량 네트워크 데이터가 상기 최소 임계값보다 크고 상기 중간값보다 작거나 또는 상기 중간값보다 크고 상기 최대 임계값보다 작은 경우, 상기 제2 값보다 크고 상기 제1 값보다 작은 제3 값으로 상기 정규화 변환을 수행하는 단계를 포함한다.
상기 추이변화를 예측할 지의 여부를 결정하는 단계는 상기 신경망 고장 예측값이 상기 복합 고장을 즉시 통지하기 위한 기준 고장값을 초과하는 경우, 상기 복합 고장을 즉시 통지하는 단계; 및 상기 신경망 고장 예측값이 상기 복합 고장에 대한 추이변화를 예측하기 위한 기준 고장값 범위에 포함되는 경우, 해당 신경망 고장 예측값의 변화에 따라 발생할 수 있는 상기 복합 고장에 대한 추이변화를 예측하는 단계를 포함한다.
본 발명의 실시예에 따르면, 차량 모델의 특성에 맞게 다중 인공신경망을 학습시켜 다중 인공신경망을 구축하고, 차량 네트워크 데이터를 임계값 범위에 따라 정규화한 정규화 변화값을 다중 인공신경망 모델에 적용하여 데이터간의 상관관계에 따라 해당 차량의 고장 상태들에 대한 신경망 고장 예측값들 생성하여 즉시 위험을 통지하거나 또는 추이변화를 예측하여 제공함에 따라 차량의 구성요소들 사이에서 발생할 수 있는 위험을 분석하여 복합 고장을 미리 예측하여 대비할 수 있으며, 그에 따라 사고를 예방하여 탑승자의 생명을 보호할 수 있다.
그리고, 본 발명의 실시예에 따르면, 차량 모델의 특성에 맞게 학습된 다중 인공신경망을 이용하여 복합적인 고장뿐만 아니라 차량의 현재 상태를 확인함에 따라 차량 운행 중에 발생할 수 있는 연료 비효율이나 배기가스 과다 분출 등을 탐지하여 환경 보호와 에너지 보존에도 기여할 수 있으며, 보험사나 운송 업체 등의 분야에서도 차량 운행, 이력 관리 및 사고 예방 측면에서 활용될 수 있다.
도 1은 일반적인 차량의 고장을 예측하기 위한 장치를 개략적으로 나타내는 도면이다.
도 2는 통계적으로 이상 상태에 이르게 되는 이상 기준 시점의 한 예를 나타내는 도면이다.
도 3은 본 발명의 실시예에 따른 차량의 고장을 예측하기 위한 장치를 개략적으로 나타내는 도면이다.
도 4는 본 발명의 실시예에 따른 차량 네트워크 데이터의 한 예를 나타내는 도면이다.
도 5는 본 발명의 실시예에 따른 정규화 변환을 개략적으로 나타내는 도면이다.
도 6은 본 발명의 실시예에 따른 다중 인공신경망을 구축하는 한 예를 개략적으로 나타내는 도면이다.
도 7은 도 3에 도시한 차량 복합고장 예측장치를 장착한 차량에서 차량의 복합 고장을 예측하는 한 예를 나타내는 도면이다.
도 8은 도 3에 도시한 차량 복합고장 예측장치에서 차량의 복합 고장을 예측하는 순서를 나타내는 흐름도이다.
본 발명을 첨부된 도면을 참조하여 상세히 설명하면 다음과 같다. 여기서, 반복되는 설명, 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능, 및 구성에 대한 상세한 설명은 생략한다. 본 발명의 실시형태는 당 업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위해서 제공되는 것이다. 따라서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
도 1은 일반적인 차량의 고장을 예측하기 위한 장치를 개략적으로 나타내는 도면이다. 도 2는 통계적으로 이상 상태에 이르게 되는 이상 기준 시점의 한 예를 나타내는 도면이다.
도 1 및 도 2를 참고하면, 일반적인 차량들(10)의 고장을 예측하기 위한 차량 고장 예측 장치(20)는 각 차량의 주행거리, 시간 경과에 따른 유압(oil pressure), 배터리 전압(battery voltage) 데이터 등의 차량 내부 데이터를 주기적으로 측정한다. 그리고, 차량 고장 예측 장치(20)는 차량 내부 데이터를 이용하여 각 차량을 구성하는 장치들이 통계적으로 이상 상태에 이르게 되는 이상 기준 시점(P1)을 예측하여 제공한다.
이러한 예측은 차량의 특정 장치에 대한 고장이나 소모품의 수명을 예측하기 위해 사용되는 단순한 방법이며, 각 차량을 구성하는 장치들 사이의 복합적인 원인과 상관관계에 의해 발생하는 고장과 이상 현상에 대한 예측은 불가능한 문제점이 있다.
이하, 이러한 문제를 해소하기 위한 본 발명의 실시예에 따른 복합적인 원인에 의해 발생되는 차량의 고장을 예측하기 위한 장치에 대하여 도 3 내지 도 8을 참고하여 구체적으로 설명한다.
도 3은 본 발명의 실시예에 따른 차량의 고장을 예측하기 위한 장치를 개략적으로 나타내는 도면이다. 도 4는 본 발명의 실시예에 따른 차량 네트워크 데이터의 한 예를 나타내는 도면이다. 도 5는 본 발명의 실시예에 따른 정규화 변환을 개략적으로 나타내는 도면이다.
도 3에 도시한 바와 같이, 본 발명의 실시예에 따른 차량의 복합 고장을 예측하기 위한 차량 복합고장 예측장치(100)는 데이터 정규화부(110), 신경망 고장 예측부(120), 예측결과 분석부(130), 추이변화 예측부(140), 예측결과 전달부(150) 및 데이터 저장부(160)를 포함한다.
데이터 정규화부(110)는 각 차량의 내부 네트워크에서 송수신되는 차량 네트워크 데이터를 주기적으로 전달받는다. 여기서, 차량 네트워크는 CAN, K-LINE, LIN 및 FlexRay 등과 같이 차량의 전자 제어 장치들간에 정보를 전달하기 위해 사용되는 차량 내부의 네트워크를 의미한다. 데이터 정규화부(110)는 차량 네트워크 데이터를 분석하여 복합적인 원인에 의해 발생되는 차량의 고장(이하, "복합 고장"이라고 함)을 예측할 수 있는 최소의 차량 네트워크 데이터만을 검출한다.
예를 들어, 데이터 정규화부(110)는 차량 네트워크 데이터 중 도 4에 도시한 엔진 센서 데이터를 모두 이용하여 차량의 복합 고장을 판단하는 것은 비효율적이므로 차량의 복합 고장을 판단하기 위한 최소한의 차량 네트워크 데이터만을 검출한다. 여기서, 차량 네트워크 데이터에 따른 차량의 복합 고장의 한 예는 표 1와 같다. 즉, 데이터 정규화부(110)는 배터리는 전압이 감소하면 전류도 같이 감소하고 충전상태도 낮아 배터리 전압의 상태정보 만으로도 충분히 고장을 예측할 수 있으므로 차량 네트워크 데이터로 엔진 센서 데이터 중 2번부터 5번을 선택한다. 한편, 데이터 정규화부(110)는 각도나 파형으로 표시되는 데이터는 임계값이 존재하지 않아 고장을 예측하기에는 부적절하므로 엔진 센서 데이터 중 엔진의 크랭크 축이 점화점으로 오는 위치를 표시하는 38번부터 43번의 점화시기 데이터를 차량 네트워크 데이터로 선택하지 않는다. 그리고, 데이터 정규화부(110)는 차량 엔진을 전자식으로 제어하는 ECU에 의해 조절되는 데이터도 비율에 따라 조절되어 고장을 예측하기에는 부적절하므로 차량 네트워크 데이터로 선택하지 않는다.
Figure 112011021037975-pat00001
그리고, 데이터 정규화부(110)는 차량의 고장을 예측하기 위해 선택된 차량 네트워크 데이터가 서로 다른 수치와 단위를 가지고 있으므로 각각에 대한 임계값 범위와 상관관계가 있는 제약조건을 설정하여 정규화 변환을 수행한다. 데이터 정규화부(110)는 정규화 변환 과정에서 차량 네트워크 데이터가 최소 임계값과 최대 임계값 사이의 값에 포함되는 경우 정상인 것으로 판단하며, 임계범위에 포함되지 않는 경우 이상상태(고장상태)로 판단한다. 즉, 본 발명의 실시예에서는 데이터마이닝의 예측 기법을 사용하여 고장여부를 판단하므로 예측기법을 이용하기 위해 모두 동일하게 단위를 변형하여 데이터간의 상관관계를 고려한다. 여기서, 임계값은 정상과 이상현상(異常現象)을 경계(boundary)하기 위한 값으로 최소 임계값과 최대 임계값 사이의 값으로 정의되며, 차량 네트워크 데이터에 대응하여 설정되어 서로 다른 수치와 단위를 갖는다.
구체적으로, 데이터 정규화부(110)는 도 5에 도시한 바와 같이 고장 상태가 시작되는 최소 임계값(Min)과 최대 임계값(Max)에 대한 정규화 변환값을 "1"로 정의하고, 임계값 범위의 중간값(mid)에 대한 정규화 변환값을 "0"으로 정의한다. 그리고, 데이터 정규화부(110)는 각 차량 네트워크 데이터를 설정된 임계값 범위에 맞게 정규화 변환을 수행한다. 즉, 데이터 정규화부(110)는 배터리 전압 데이터가 최소 임계값(Min) 또는 최대 임계값(Max)에 가까울수록 배터리 전압 데이터에 대한 정규화 변환값을 "1"에 가깝도록 정규화 변환을 수행한다. 그리고, 데이터 정규화부(110)는 임계값 범위의 중간값(mid)에 대한 정규화 변환값을 "0"에 가깝도록 정규화 변환을 수행한다.
이처럼 차량 네트워크 데이터를 정규화하기 위해 데이터 정규화부(110)는 차량 네트워크 데이터의 값이 최소 임계값(min)과 임계값 범위의 중간값(mid) 사이인 경우 수학식 1을 이용하여 정규화 변환을 수행한다. 그리고, 데이터 정규화부(110)는 차량 네트워크 데이터의 값이 임계값 범위의 중간값(mid)과 최대 임계값(max) 사이인 경우 수학식 2를 이용하여 정규화 변환을 수행한다.
Figure 112011021037975-pat00002
Figure 112011021037975-pat00003
예를 들어, 차량 네트워크 데이터 중 배터리 전압 데이터에 대한 최소 임계값이 "0.1V"이고, 최대 임계값이 "0.9V"일 때, 임계값 범위(0.1V-0.9V)에 포함될 때가 정상 상태로 설정되며, 최소 임계값(0.1V)미만이나 최대 임계값(0.9V)을 초과할 때가 고장 상태인 것으로 설정되는 경우, 데이터 정규화부(110)는 배터리 전압 데이터의 최소 임계값(min)으로 "0.1V", 최소 임계값과 최대 임계값을 합하여 나눈 임계값 범위의 중간값(mid)으로 "0.5V", 최대 임계값(max)으로 "0.9V"를 수학식 1 및 수학식 2에 적용하여 배터리 전압 데이터를 정규화 변환한다. 즉, 배터리 전압 데이터가 "0.7V"이면 데이터 정규화부(110)는 수학식2를 이용하여 정규화 변환값을 "0.5"로 변환하고, 배터리 전압 데이터가 "0.8V"이면 수학식 2를 이용하여 정규화 변환값을 "0.75"로 변환하며, 배터리 전압 데이터가 "0.23V"이면 수학식 1을 이용하여 정규화 변환값을 "0.325"로 변환한다.
다시 도 3을 참고하면, 신경망 고장 예측부(120)는 차량의 고장을 예측하기 위해 차량 모델의 특성에 맞게 다중 인공신경망 모델을 학습시켜 모델링한다. 그리고, 신경망 고장 예측부(120)는 데이터 정규화부(110)로부터 정규화 변환값을 전달받으며, 차량 모델의 특성에 맞게 각각 다르게 모델링된 다중 인공신경망 모델에 정규환 변환값을 입력하여 차량의 복합 고장을 예측하여 신경망 고장 예측값이 생성되도록 한다. 그리고, 신경망 고장 예측부(120)는 신경망 고장 예측값을 예측결과 분석부(130)로 전달한다. 신경망 고장 예측부(120)는 정규화 변환값과 대응하여 생성된 신경망 고장 예측값을 시간순으로 데이터 저장부(160)에 저장한다. 본 발명의 실시예에 따른 다중 인공신경망 모델에 대한 구체적인 설명은 후술한다.
예측결과 분석부(130)는 신경망 고장 예측값에 기초하여 차량의 고장을 예측한다. 즉, 예측결과 분석부(130)는 신경망 고장 예측값을 분석한 결과 해당 고장에 대한 신경망 고장 예측값의 확률이 기준 고장값보다 높아 고장 발생이 확실시 되면 예측 결과 전달부(150)를 통해 운전자와 관리자에게 바로 위험을 통지한다. 예측결과 분석부(130)는 신경망 고장 예측값을 분석한 결과 고장 예측값의 확률이 기준 고장값보다 낮은 경우 해당 고장에 대한 추이변화를 예측하기 위해 신경망 고장 예측값을 추이변화 예측부(140)로 전달한다.
추이변화 예측부(140)는 예측결과 분석부(130)로부터 해당 고장에 대한 추이변화를 예측하기 위한 신경망 고장 예측값을 전달받는다. 추이변화 예측부(140)는 해당 신경망 고장 예측값을 회기 분석하기 위해 해당 차량의 이전 신경망 고장 예측값을 데이터 저장부(160)로부터 검출한다. 즉, 추이변화 예측부(140)는 시간 별로 신경망 고장 예측값을 최소 제곱법(method of least squares)으로 계산하는 방정식을 이용하여 회기 분석을 수행한다. 추이변화 예측부(140)는 방정식을 이용하여 회기 분석한 결과 그래프를 통해 해당 고장의 추이변화를 예측한다. 추이변화 예측부(140)는 추이변화를 예측한 결과에 따라 특정 범위 시간, 즉 해당 고장에 발생할 시간에 근접하면 해당 고장이 발생할 확률이 기준 고장값보다 높아지게 되므로 해당 추이변화를 예측한 결과를 예측 결과 전달부(150)를 통해 운전자와 관리자에게 위험을 경고 및 통지한다.
예측 결과 전달부(150)는 예측결과 분석부(130)와 추이변화 예측부(140)로부터 전달되는 해당 고장의 예측 결과를 운전자와 관리자에게 경고 및 통지한다.
데이터 저장부(160)는 차량의 고장여부를 판단하기 위한 전반적인 차량의 상태에 대한 정보를 저장한다. 예를 들어, 데이터 저장부(160)는 회귀 분석에 필요한 해당 차량의 시간별 신경망 고장 예측값을 저장하며, 추이변화 예측부(140)의 요청이 있는 경우, 해당 차량의 이전 시간별 신경망 고장 예측값을 저장한다.
도 6은 본 발명의 실시예에 따른 다중 인공신경망을 구축하는 한 예를 개략적으로 나타내는 도면이다.
도 6에 도시한 바와 같이, 본 발명의 실시예에 따른 신경망 고장 예측부(120)는 입력층(210), 은닉층(220) 및 출력층(230)을 포함하는 다중 인공신경망 모델(200)을 구축한다. 본 발명의 실시예에 따른 학습에 필요한 학습 데이터 집합은 해당 차량과 동일한 모델들에서 발생되는 각 고장 상태에서의 차량 네트워크 데이터들을 사전에 수집하여 정규화한 정규화 변환값의 집합을 의미한다. 신경망 고장 예측부(120)는 학습 데이터 집합을 이용하여 신경망 노드의 입력 가중치(240)를 최적의 값으로 설정한다.
구체적으로, 신경망 고장 예측부(120)는 입력층(210)과 은닉층(220) 사이에 퍼셉트론 구조의 인공 신경망 노드의 입력 가중치(240)를 설정한다. 그리고, 신경망 고장 예측부(120)는 시그모이드 함수를 전달함수로 이용하여 입력층(210)으로 전달되는 정규화 변환값을 은닉층(220)으로 전달한다. 신경망 고장 예측부(120)는 학습 데이터 집합에 기초하여 해당 차량이 고장일 때의 정규환 변환값 "1"과 정상일 때의 정규환 변환값 "0"을 다중 인공신경망의 은닉층(220)에 학습시킨다. 이때, 해당 차량에서 이전에 발생한 고장에 대한 정보는 오류 역전파를 이용하여 은닉층(220)에 학습된다.
신경망 고장 예측부(120)는 다중 인공신경망 모델(200)의 구축이 완료되면 입력층(210)을 통해 입력되는 정규화 변환값에 신경망 노드의 가중치(240)를 적용하여 은닉층(220)으로 전달한다. 신경망 고장 예측부(120)는 은닉층(220)에서 정규화 변환값 사이의 상관관계에 따라 생성한 특정한 차량의 고장 상태들에 대한 신경망 고장 예측값들을 출력층(230)을 통하여 전달한다. 이때, 신경망 고장 예측값은 해당 차량이 정상과 이상 상태에 대한 확률이 "0"과 "1"사이 값으로 표현되므로, 신경망 고장 예측부(120)는 신경망 고장 예측값이 "1"에 가까울수록 고장이 발생할 확률이 높은 것으로 판단하며, "1"이상이면 고장 발생이 확실시 되는 상태인 것으로 판단한다.
도 7은 도 3에 도시한 차량 복합고장 예측장치를 장착한 차량에서 차량의 복합 고장을 예측하는 한 예를 나타내는 도면이다.
도 7에 도시한 바와 같이, 본 발명의 실시예에 따른 차량의 복합 고장을 예측하기 위해 먼저 차량 복합고장 예측장치(100)의 데이터 정규화부(110)는 차량의 복합 고장을 예측하기 위해 다중 인공신경망을 학습시키기 이전에 차량 네트워크 데이터의 임계값에 영향을 주는 제약조건들을 차량 모델에 맞게 설정하며, 임계값의 한 예는 표 2와 같다. 그리고, 신경망 고장 예측부(120)는 복합 고장을 예측하려는 해당 차량의 모델에 맞도록 학습 데이터 집합에 기초하여 고장 특성에 맞게 다중 인공신경망 모델을 학습시켜 모델링한다.
Figure 112011021037975-pat00004
이처럼 다중 인공신경망 구조가 구축되면, 데이터 정규화부(110)는 복합 고장을 예측하려는 현재 운행 중인 차량으로부터 특정 시간에 전달되는 차량 네트워크 데이터를 임계값 범위에 따라 정규화 변환을 수행하여 정규화 변화값을 생성한다.
예를 들어, 차량 네트워크 데이터가 공기량 센서 데이터(590kg/h), 대기압 센서 데이터(3.8V) 및 냉각 수온 센서 데이터(90℃)인 경우, 데이터 정규화부(110)는 해당 차량의 엔진 회전수가 (1200rpm)이하인 제약조건에서 공기량 센서 데이터(590kg/h)이면 정상 상태이므로 임계값에 따른 정규화 변환을 수행하여 "0.6"으로 정규화 변환값을 생성한다. 데이터 정규화부(110)는 대기압 센서가 제약 조건이 없다고 가정하면 임계값을 넘지 않은 대기압 센서 데이터(3.8V)는 임계값에 따른 정규화 변환을 수행하여 "0.72"로 정규화 변환값을 생성한다. 데이터 정규화부(110)는 냉각 수온 센서 데이터가 엔진 회전이 감지 될 때가 제약조건인 것으로 가정하면 냉각 수온 센서 데이터(90℃)가 임계값 최대 범위(80?)를 초과하므로 임계값에 따른 정규화 변환을 수행하여 "1.2"로 정규화 변환값을 생성한다.
신경망 고장 예측부(120)는 데이터 정규화부(110)로부터 정규화 변화값을 전달받는다. 신경망 고장 예측부(120)는 차량 모델의 특성에 맞게 모델링된 다중 인공신경망 모델에 정규환 변환값을 입력하고 차량의 복합 고장을 예측하여 신경망 고장 예측값을 생성한다. 예를 들어, 공기량 센서 데이터에 대한 정규화 변환값(0.6)이 입력된 경우, 신경망 고장 예측부(120)의 입력층(210)은 공기량 센서 데이터에 대한 정규화 변환값(0.6)에 신경망 노드의 가중치(240)를 적용하여 은닉층(220)으로 전달한다. 그러면, 은닉층(220)은 해당 차량에서 이전에 발생한 고장에 대한 정보인 학습 데이터 집합의 확률에 기초하여 공기량 센서 데이터로 인해 예측되는 엔진 출력 저하에 대한 신경망 고장 예측값, 즉 엔진 출력 저하값(0.93)을 출력층(230)을 통해 예측결과 분석부(130)로 전달한다.
예측결과 분석부(130)는 신경망 고장 예측값과 기준 고장값을 비교한 결과에 따라 예측 결과 전달부(150)를 통해 운전자와 관리자에게 바로 위험을 통지하거나 또는 해당 고장에 대한 추이변화를 예측하기 위해 신경망 고장 예측값을 추이변화 예측부(140)로 전달한다.
예를 들어, 고장발생을 즉시 알리기 위한 기준 고장값이 "0.9"이상이고, 회귀 분석을 통해 해당 고장에 대한 추이변화를 예측하기 위한 기준 고장값이 "0.8"과 "0.9"사이일 때 엔진 출력 저하에 대한 신경망 고장 예측값이 "0.93"으로 전달되는 경우, 예측결과 분석부(130)는 신경망 고장 예측값(0.93)과 기준 고장값(0.9)을 비교한다. 비교 결과 신경망 고장 예측값(0.93)이 기준 고장값(0.9)이상인 경우, 예측결과 분석부(130)는 엔진 출력 저하에 대한 고장 위험 신호를 예측 결과 전달부(150)를 통해 즉시 통지한다. 이때, 엔진 소음 발생에 대한 신경망 고장 예측값(0.6)과 배기 불량에 대한 신경망 고장 예측값(0.5)의 중요도가 높지 않은 고장임과 동시에 회귀 분석을 통해 해당 고장에 대한 추이변화를 예측하기 위한 기준 고장값이 "0.8"을 초과하지 않으므로 추이변화를 예측하지 않는다.
한편, 그 외 다른 신경망 고장 예측값 중에서 중요도가 높은 위험이나 고장에 관한 신경망 고장 예측값이 "0.8"과 "0.9"사이의 기준 고장값에 포함되는 경우, 예측결과 분석부(130)는 해당 중요 고장이 어느 시점에 기준 고장값(0.9)에 도달할지를 예측하기 위해 추이변화 예측부(140)로 해당 신경망 고장 예측값을 전달한다. 그러면, 추이변화 예측부(140)는 해당 신경망 고장 예측값을 회기 분석하기 위해 해당 차량의 이전 신경망 고장 예측값을 데이터 저장부(160)로부터 검출하여 추이변화를 예측한다.
도 8은 도 3에 도시한 차량 복합고장 예측장치에서 차량의 복합 고장을 예측하는 순서를 나타내는 흐름도이다.
도 8에 도시한 바와 같이, 본 발명의 실시예에 따른 차량의 복합 고장을 예측하기 위한 차량 복합고장 예측장치(100)의 데이터 정규화부(110)는 다중 인공신경망을 학습시키기 이전에 차량 네트워크 데이터의 임계값에 영향을 주는 제약조건들을 차량 모델에 맞게 설정한다(S100). 신경망 고장 예측부(120)는 복합 고장을 예측하려는 해당 차량의 모델에 맞도록 학습 데이터 집합에 기초하여 다중 인공신경망 모델을 학습시킨다(S101).
S100 및 S101 단계를 거쳐 다중 인공신경망 구조가 구축되면, 데이터 정규화부(110)는 복합 고장을 예측하려는 현재 운행 중인 차량으로부터 특정 시간에 전달되는 차량 네트워크 데이터를 임계값 범위에 따라 정규화 변환을 수행하여 정규화 변화값을 생성한다(S102). 데이터 정규화부(110)는 정규화 변화값을 신경망 고장 예측부(120)로 전달한다.
신경망 고장 예측부(120)는 다중 인공신경망 모델에 정규환 변환값을 입력하고 차량의 복합 고장을 예측하여 신경망 고장 예측값을 생성한다(S103). 신경망 고장 예측부(120)는 신경망 고장 예측값을 예측결과 분석부(130)로 전달한다.
예측결과 분석부(130)는 신경망 고장 예측값과 기준 고장값을 비교한다(S104). 예측결과 분석부(130)는 비교한 결과에 따라 예측 결과 전달부(150)를 통해 운전자와 관리자에게 바로 위험을 통지하거나 또는 해당 고장에 대한 추이변화를 예측하기 위해 신경망 고장 예측값을 추이변화 예측부(140)로 전달한다. 즉, 예측결과 분석부(130)는 신경망 고장 예측값이 고장발생을 즉시 알리기 위한 기준 고장값을 초과하는 경우, 예측 결과 전달부(150)를 통해 운전자와 관리자에게 바로 위험을 통지한다(S105).
한편, 예측결과 분석부(130)는 신경망 고장 예측값이 해당 고장에 대한 추이변화를 예측하기 위한 기준 고장값 범위에 포함되는 경우, 해당 신경망 고장 예측값을 추이변화 예측부(140)로 전달한다(S105). 추이변화 예측부(140)는 해당 신경망 고장 예측값을 회기 분석하기 위해 해당 차량의 이전 신경망 고장 예측값을 데이터 저장부(160)로부터 검출하여 추이변화를 예측한다(S106). 즉, 추이변화 예측부(140)는 해당 신경망 고장 예측값이 어느 시점에 고장발생을 즉시 알리기 위한 기준 고장값에 도달할지를 예측한다.
이와 같이, 본 발명의 실시예에서는 차량 모델의 특성에 맞게 다중 인공신경망을 학습시켜 다중 인공신경망을 구축하고, 차량 네트워크 데이터를 임계값 범위에 따라 정규화한 정규화 변화값을 다중 인공신경망 모델에 적용하여 데이터간의 상관관계에 따라 해당 차량의 고장 상태들에 대한 신경망 고장 예측값들 생성하여 즉시 위험을 통지하거나 또는 추이변화를 예측하여 제공함에 따라 차량의 구성요소들 사이에서 발생할 수 있는 위험을 분석하여 복합 고장을 미리 예측하여 대비할 수 있으며, 그에 따라 사고를 예방하여 탑승자의 생명을 보호할 수 있다.
그리고, 본 발명의 실시예에서는 차량 모델의 특성에 맞게 학습된 다중 인공신경망을 이용하여 복합적인 고장뿐만 아니라 차량의 현재 상태를 확인함에 따라 차량 운행 중에 발생할 수 있는 연료 비효율이나 배기가스 과다 분출 등을 탐지하여 환경 보호와 에너지 보존에도 기여할 수 있으며, 보험사나 운송 업체 등의 분야에서도 차량 운행, 이력 관리 및 사고 예방 측면에서 활용될 수 있다.
이상에서와 같이 도면과 명세서에서 최적의 실시예가 개시되었다. 여기서 특정한 용어들이 사용되었으나, 이는 단지 본 발명을 설명하기 위한 목적에서 사용된 것이지 의미 한정이나 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로, 본 기술 분야의 통상의 지식을 가진자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해 정해져야 할 것이다.
100: 차량 복합고장 예측장치
110: 데이터 정규화부
120: 신경망 고장 예측부
130: 예측결과 분석부
140: 추이변화 예측부
150: 예측결과 전달부
160: 데이터 저장부

Claims (13)

  1. 복합 고장을 예측하려는 차량으로부터 전달된 복수의 차량 네트워크 데이터들에 대한 임계값 범위를 고려한 정규화 변환을 수행하여 정규화 변환값을 생성하는 데이터 정규화부;
    상기 차량에서 이전에 발생한 복합 고장에 대한 정보인 학습 데이터 집합에 기초하여 상기 차량의 특성에 따라 생성된 다중 인공신경망 모델 및 상기 정규화 변환값을 이용하여 상기 차량의 복합 고장을 예측하여 신경망 고장 예측값을 생성하는 신경망 고장 예측부; 및
    상기 신경망 고장 예측값과 상기 차량에서 이전에 생성된 이전 신경망 고장 예측값을 분석하여 상기 신경망 고장 예측값의 변화에 따라 발생할 수 있는 상기 복합 고장에 대한 추이변화를 예측하는 추이변화 예측부
    를 포함하며,
    상기 임계값 범위는 최소 임계값과 최대 임계값 사이의 값으로 설정되며,
    상기 데이터 정규화부는,
    상기 차량 네트워크 데이터가 상기 최소 임계값 또는 상기 최대 임계값인 경우 상기 차량 네트워크 데이터를 제1 값으로 정규화 변환하며, 상기 차량 네트워크 데이터가 상기 최소 임계값과 상기 최대 임계값 사이의 중간값인 경우 상기 차량 네트워크 데이터를 상기 제1 값과 다른 제2 값으로 상기 정규화 변환하고, 상기 차량 네트워크 데이터가 상기 최소 임계값보다 크고 상기 중간값보다 작거나 또는 상기 차량 네트워크 데이터가 상기 중간값보다 크고 상기 최대 임계값보다 작은 경우, 상기 제2 값보다 크고 상기 제1 값보다 작은 제3 값으로 상기 정규화 변환을 수행하는 차량 복합고장 예측장치.
  2. 청구항 1에 있어서,
    상기 신경망 고장 예측값과 기준 고장값을 비교한 결과에 따라 상기 복합 고장을 즉시 통지하거나 또는 상기 추이변화를 예측할 지의 여부를 결정하는 예측 결과 분석부를 포함하는 차량 복합고장 예측장치.
  3. 청구항 2에 있어서,
    상기 예측 결과 분석부는,
    상기 신경망 고장 예측값이 상기 복합 고장을 즉시 통지하기 위한 기준 고장값을 초과하는 경우 상기 복합 고장을 즉시 통지하며,
    상기 신경망 고장 예측값이 상기 복합 고장에 대한 추이변화를 예측하기 위한 기준 고장값 범위에 포함되는 경우 상기 신경망 고장 예측값을 상기 추이변화 예측부로 전달하는 차량 복합고장 예측장치.
  4. 청구항 2에 있어서,
    상기 다중 인공신경망 모델은 입력층, 은닉층 및 출력층을 포함하며,
    상기 신경망 고장 예측부는,
    상기 입력층과 상기 은닉층 사이에 인공 신경망 노드의 입력 가중치를 설정하고, 상기 학습 데이터 집합에 기초하여 상기 은닉층을 학습시켜 상기 다중 인공신경망 모델을 생성하는 차량 복합고장 예측장치.
  5. 청구항 4에 있어서,
    상기 은닉층은,
    상기 학습 데이터 집합에 기초하여 상기 정규화 변환값 사이의 상관관계에 따라 상기 신경망 고장 예측값을 생성하는 차량 복합고장 예측장치.
  6. 삭제
  7. 삭제
  8. 복합 고장을 예측하려는 차량에서 이전에 발생한 복합 고장에 대한 학습 데이터 집합에 기초하여 상기 차량의 특성에 따른 다중 인공신경망 모델을 생성하는 단계;
    상기 차량으로부터 전달된 복수의 차량 네트워크 데이터들에 대한 임계값 범위를 고려하여 정규화 변환값을 생성하는 단계;
    상기 다중 인공신경망 모델과 상기 정규화 변환값을 이용하여 상기 차량의 복합 고장을 예측하여 신경망 고장 예측값을 생성하는 단계; 및
    상기 신경망 고장 예측값과 기준 고장값을 비교한 결과에 따라 상기 복합 고장을 즉시 통지하거나 또는 추이변화를 예측할 지의 여부를 결정하는 단계
    를 포함하며,
    상기 정규화 변환값을 생성하는 단계는,
    상기 차량 네트워크 데이터가 상기 임계값 범위의 최소 임계값 또는 최대 임계값인 경우 상기 차량 네트워크 데이터를 제1 값으로 정규화 변환하는 단계;
    상기 차량 네트워크 데이터가 상기 최소 임계값과 상기 최대 임계값 사이의 중간값인 경우 상기 제1 값과 다른 제2 값으로 정규화 변환을 수행하는 단계; 및
    상기 차량 네트워크 데이터가 상기 최소 임계값보다 크고 상기 중간값보다 작거나 또는 상기 중간값보다 크고 상기 최대 임계값보다 작은 경우, 상기 제2 값보다 크고 상기 제1 값보다 작은 제3 값으로 상기 정규화 변환을 수행하는 단계;를 포함하는 차량 복합고장 예측 방법.
  9. 청구항 8에 있어서,
    상기 다중 인공신경망 모델을 생성하는 단계는,
    상기 다중 인공신경망을 구성하는 입력층과 은닉층 사이에 인공 신경망 노드의 입력 가중치를 설정하는 단계; 및
    상기 학습 데이터 집합에 기초하여 상기 은닉층을 학습시켜 상기 다중 인공신경망 모델을 생성하는 단계를 포함하는 차량 복합고장 예측 방법.
  10. 청구항 9에 있어서,
    상기 신경망 고장 예측값을 생성하는 단계는,
    상기 입력층으로 전달된 상기 정규화 변환값에 상기 인공 신경망 노드의 입력 가중치를 적용하여 상기 은닉층으로 전달하는 단계; 및
    상기 은닉층에 학습된 상기 학습 데이터 집합에 기초하여 상기 가중치가 적용된 상기 정규화 변환값 사이의 상관관계에 따른 상기 신경망 고장 예측값을 생성하는 단계를 포함하는 차량 복합고장 예측 방법.
  11. 삭제
  12. 삭제
  13. 청구항 8에 있어서,
    상기 추이변화를 예측할 지의 여부를 결정하는 단계는,
    상기 신경망 고장 예측값이 상기 복합 고장을 즉시 통지하기 위한 기준 고장값을 초과하는 경우, 상기 복합 고장을 즉시 통지하는 단계; 및
    상기 신경망 고장 예측값이 상기 복합 고장에 대한 추이변화를 예측하기 위한 기준 고장값 범위에 포함되는 경우, 해당 신경망 고장 예측값의 변화에 따라 발생할 수 있는 상기 복합 고장에 대한 추이변화를 예측하는 단계
    를 포함하는 차량 복합고장 예측 방법.
KR1020110025497A 2011-03-22 2011-03-22 차량의 복합 고장을 예측하기 위한 장치 및 방법 KR101703163B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020110025497A KR101703163B1 (ko) 2011-03-22 2011-03-22 차량의 복합 고장을 예측하기 위한 장치 및 방법
US13/284,780 US20120245791A1 (en) 2011-03-22 2011-10-28 Apparatus and method for predicting mixed problems with vehicle

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020110025497A KR101703163B1 (ko) 2011-03-22 2011-03-22 차량의 복합 고장을 예측하기 위한 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20120107774A KR20120107774A (ko) 2012-10-04
KR101703163B1 true KR101703163B1 (ko) 2017-02-07

Family

ID=46878030

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020110025497A KR101703163B1 (ko) 2011-03-22 2011-03-22 차량의 복합 고장을 예측하기 위한 장치 및 방법

Country Status (2)

Country Link
US (1) US20120245791A1 (ko)
KR (1) KR101703163B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108170994A (zh) * 2018-01-29 2018-06-15 河海大学 一种基于双向深度网络的油浸式电抗器故障诊断方法
KR20180106701A (ko) 2017-03-21 2018-10-01 (주)심플랫폼 사물인터넷 기반 기기 관리 시스템 및 방법
KR102011689B1 (ko) 2019-03-06 2019-08-19 주식회사 위엠비 시계열 데이터의 모니터링 방법, 모니터링 시스템 및 컴퓨터 프로그램
KR102229638B1 (ko) * 2019-10-31 2021-03-18 한국철도기술연구원 고장 예측 장치 및 방법
USRE49334E1 (en) 2005-10-04 2022-12-13 Hoffberg Family Trust 2 Multifactorial optimization system and method

Families Citing this family (48)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8977423B2 (en) 2012-05-23 2015-03-10 Snap-On Incorporated Methods and systems for providing vehicle repair information
WO2013192214A2 (en) 2012-06-19 2013-12-27 Telogis, Inc. System for processing fleet vehicle operation information
CN102879728B (zh) * 2012-10-16 2015-08-05 南京航空航天大学 Dc-dc变换器健康评估指标与故障预测方法
US9158834B2 (en) 2013-01-21 2015-10-13 Snap-On Incorporated Methods and systems for mapping repair orders within a database
US9336244B2 (en) 2013-08-09 2016-05-10 Snap-On Incorporated Methods and systems for generating baselines regarding vehicle service request data
US9477950B2 (en) 2014-09-04 2016-10-25 Snap-On Incorporated Prognostics-based estimator
US9672497B1 (en) 2013-11-04 2017-06-06 Snap-On Incorporated Methods and systems for using natural language processing and machine-learning to produce vehicle-service content
KR101698385B1 (ko) * 2014-01-14 2017-01-20 주식회사 트라콤 데이터 마이닝을 이용한 타워크레인 고장예측방법
US9201930B1 (en) 2014-05-06 2015-12-01 Snap-On Incorporated Methods and systems for providing an auto-generated repair-hint to a vehicle repair tool
US9639995B2 (en) 2015-02-25 2017-05-02 Snap-On Incorporated Methods and systems for generating and outputting test drive scripts for vehicles
US10216796B2 (en) 2015-07-29 2019-02-26 Snap-On Incorporated Systems and methods for predictive augmentation of vehicle service procedures
US11429936B2 (en) 2015-10-02 2022-08-30 Snap-On Incorporated System and method for dynamically-changeable displayable pages with vehicle service information
US11144888B2 (en) 2015-10-02 2021-10-12 Snap-On Incorporated Method and system for augmenting real-fix tips with additional content
US10643158B2 (en) 2016-04-01 2020-05-05 Snap-On Incorporated Technician timer
KR101899101B1 (ko) * 2016-06-01 2018-09-14 서울대학교 산학협력단 인공 신경망 기반 예측 모델 생성 장치 및 방법
US10692035B2 (en) * 2016-07-26 2020-06-23 Mitchell Repair Information Company, Llc Methods and systems for tracking labor efficiency
KR102599574B1 (ko) * 2016-11-11 2023-11-08 주식회사 에이치엘클레무브 차량의 센서 데이터 모니터링 장치 및 방법
US10733548B2 (en) 2017-06-16 2020-08-04 Snap-On Incorporated Technician assignment interface
US11182987B2 (en) * 2018-02-08 2021-11-23 Geotab Inc. Telematically providing remaining effective life indications for operational vehicle components
KR20200006739A (ko) 2018-07-11 2020-01-21 현대자동차주식회사 대화 시스템, 이를 포함하는 차량 및 대화 처리 방법
US10977874B2 (en) 2018-06-11 2021-04-13 International Business Machines Corporation Cognitive learning for vehicle sensor monitoring and problem detection
US20200023846A1 (en) * 2018-07-23 2020-01-23 SparkCognition, Inc. Artificial intelligence-based systems and methods for vehicle operation
CN109109787A (zh) * 2018-07-24 2019-01-01 辽宁工业大学 一种汽车行驶故障监测方法
KR102160140B1 (ko) * 2018-10-12 2020-09-25 가톨릭관동대학교산학협력단 딥러닝을 기반으로 한 자율차량을 위한 통합진단 시스템
KR102521657B1 (ko) * 2018-10-15 2023-04-14 삼성전자주식회사 차량을 제어하는 방법 및 장치
KR102168218B1 (ko) * 2018-10-31 2020-10-20 한국철도기술연구원 열차 고장 예측 장치 및 방법
JP6741087B1 (ja) * 2019-02-01 2020-08-19 トヨタ自動車株式会社 内燃機関の制御装置、車載電子制御ユニット、機械学習システム、内燃機関の制御方法、電子制御ユニットの製造方法及び出力パラメータ算出装置
JP6593560B1 (ja) * 2019-02-15 2019-10-23 トヨタ自動車株式会社 内燃機関の失火検出装置、内燃機関の失火検出システム、データ解析装置、および内燃機関の制御装置
US11775816B2 (en) * 2019-08-12 2023-10-03 Micron Technology, Inc. Storage and access of neural network outputs in automotive predictive maintenance
US11748626B2 (en) * 2019-08-12 2023-09-05 Micron Technology, Inc. Storage devices with neural network accelerators for automotive predictive maintenance
US11853863B2 (en) 2019-08-12 2023-12-26 Micron Technology, Inc. Predictive maintenance of automotive tires
US11586943B2 (en) * 2019-08-12 2023-02-21 Micron Technology, Inc. Storage and access of neural network inputs in automotive predictive maintenance
US11635893B2 (en) 2019-08-12 2023-04-25 Micron Technology, Inc. Communications between processors and storage devices in automotive predictive maintenance implemented via artificial neural networks
US11586194B2 (en) * 2019-08-12 2023-02-21 Micron Technology, Inc. Storage and access of neural network models of automotive predictive maintenance
US11498388B2 (en) 2019-08-21 2022-11-15 Micron Technology, Inc. Intelligent climate control in vehicles
US11702086B2 (en) 2019-08-21 2023-07-18 Micron Technology, Inc. Intelligent recording of errant vehicle behaviors
CN110553839A (zh) * 2019-08-27 2019-12-10 华中科技大学 一种齿轮箱的单一和复合故障诊断方法、设备及系统
US11693562B2 (en) 2019-09-05 2023-07-04 Micron Technology, Inc. Bandwidth optimization for different types of operations scheduled in a data storage device
US11436076B2 (en) 2019-09-05 2022-09-06 Micron Technology, Inc. Predictive management of failing portions in a data storage device
US11409654B2 (en) 2019-09-05 2022-08-09 Micron Technology, Inc. Intelligent optimization of caching operations in a data storage device
US11650746B2 (en) 2019-09-05 2023-05-16 Micron Technology, Inc. Intelligent write-amplification reduction for data storage devices configured on autonomous vehicles
US11250648B2 (en) 2019-12-18 2022-02-15 Micron Technology, Inc. Predictive maintenance of automotive transmission
US11709625B2 (en) 2020-02-14 2023-07-25 Micron Technology, Inc. Optimization of power usage of data storage devices
US11531339B2 (en) 2020-02-14 2022-12-20 Micron Technology, Inc. Monitoring of drive by wire sensors in vehicles
US20220111836A1 (en) * 2020-10-09 2022-04-14 Nec Laboratories America, Inc. Modular network based knowledge sharing for multiple entities
KR102552699B1 (ko) * 2020-11-30 2023-07-10 주식회사 인포카 차량 고장 여부를 예측하기 위한 인공 신경망 학습 방법, 차량 고장 여부 판단 방법, 및 이를 수행하는 컴퓨팅 시스템
EP4060576A1 (en) 2021-03-15 2022-09-21 Volvo Truck Corporation A method for identifying vehicle performance
US11858356B2 (en) * 2021-05-17 2024-01-02 Electriphi Inc System and method for managing energy consumption across electric vehicle fleets with telematic devices in a computing environment

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004272375A (ja) * 2003-03-05 2004-09-30 Mazda Motor Corp 遠隔故障予測システム
US20070288409A1 (en) * 2005-05-31 2007-12-13 Honeywell International, Inc. Nonlinear neural network fault detection system and method

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7164117B2 (en) * 1992-05-05 2007-01-16 Automotive Technologies International, Inc. Vehicular restraint system control system and method using multiple optical imagers
US6662642B2 (en) * 2000-09-08 2003-12-16 Automotive Technologies International, Inc. Vehicle wireless sensing and communication system
US7650210B2 (en) * 1995-06-07 2010-01-19 Automotive Technologies International, Inc. Remote vehicle diagnostic management
US20050060070A1 (en) * 2000-08-18 2005-03-17 Nnt, Inc. Wireless communication framework
US6359419B1 (en) * 2000-12-27 2002-03-19 General Motors Corporation Quasi-adaptive method for determining a battery's state of charge
GB0216858D0 (en) * 2002-07-19 2002-08-28 Bae Systems Plc Fault diagnosis system
US7260501B2 (en) * 2004-04-21 2007-08-21 University Of Connecticut Intelligent model-based diagnostics for system monitoring, diagnosis and maintenance
US20060136104A1 (en) * 2004-12-22 2006-06-22 Snap-On Incorporated Distributed diagnostic system
US20060271255A1 (en) * 2004-12-30 2006-11-30 Teradyne, Inc. System and method for vehicle diagnostics and prognostics
US20060229777A1 (en) * 2005-04-12 2006-10-12 Hudson Michael D System and methods of performing real-time on-board automotive telemetry analysis and reporting
US8874477B2 (en) * 2005-10-04 2014-10-28 Steven Mark Hoffberg Multifactorial optimization system and method
US7920944B2 (en) * 2005-10-21 2011-04-05 General Motors Llc Vehicle diagnostic test and reporting method
TW200741565A (en) * 2006-04-19 2007-11-01 Chih-Chen Wu Prediction system and method for automobile warning information and parts lifespan
US9026304B2 (en) * 2008-04-07 2015-05-05 United Parcel Service Of America, Inc. Vehicle maintenance systems and methods
US8374745B2 (en) * 2008-09-05 2013-02-12 GM Global Technology Operations LLC Telematics-enabled aggregated vehicle diagnosis and prognosis
US8423239B2 (en) * 2009-11-23 2013-04-16 Hti Ip, L.L.C. Method and system for adjusting a charge related to use of a vehicle during a period based on operational performance data
US8676432B2 (en) * 2010-01-13 2014-03-18 GM Global Technology Operations LLC Fault prediction framework using temporal data mining
US8543280B2 (en) * 2011-04-29 2013-09-24 Toyota Motor Engineering & Manufacturing North America, Inc. Collaborative multi-agent vehicle fault diagnostic system and associated methodology

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004272375A (ja) * 2003-03-05 2004-09-30 Mazda Motor Corp 遠隔故障予測システム
US20070288409A1 (en) * 2005-05-31 2007-12-13 Honeywell International, Inc. Nonlinear neural network fault detection system and method

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
권오천. 차량 센서 값의 데이터마이닝을 통한 고장 예측 기술. 소프트웨어자산뱅크, 2014년.
편광범. 데이타마이닝을 이용한 차량고장 예측 기법. 학위논문(석사), 충북대학교 2012년.

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
USRE49334E1 (en) 2005-10-04 2022-12-13 Hoffberg Family Trust 2 Multifactorial optimization system and method
KR20180106701A (ko) 2017-03-21 2018-10-01 (주)심플랫폼 사물인터넷 기반 기기 관리 시스템 및 방법
CN108170994A (zh) * 2018-01-29 2018-06-15 河海大学 一种基于双向深度网络的油浸式电抗器故障诊断方法
KR102011689B1 (ko) 2019-03-06 2019-08-19 주식회사 위엠비 시계열 데이터의 모니터링 방법, 모니터링 시스템 및 컴퓨터 프로그램
KR102229638B1 (ko) * 2019-10-31 2021-03-18 한국철도기술연구원 고장 예측 장치 및 방법

Also Published As

Publication number Publication date
US20120245791A1 (en) 2012-09-27
KR20120107774A (ko) 2012-10-04

Similar Documents

Publication Publication Date Title
KR101703163B1 (ko) 차량의 복합 고장을 예측하기 위한 장치 및 방법
US8560165B2 (en) Co-operative on-board and off-board component and system diagnosis and prognosis
US11520881B2 (en) Framework for cyber-physical system protection of electric vehicle charging stations and power grid
US8676432B2 (en) Fault prediction framework using temporal data mining
CN106843190B (zh) 分布式车辆健康管理系统
US20200076838A1 (en) Using virtual sensors to accommodate industrial asset control systems during cyber attacks
US11146579B2 (en) Hybrid feature-driven learning system for abnormality detection and localization
CA2827893C (en) Diagnostic baselining
US6609051B2 (en) Method and system for condition monitoring of vehicles
Bérenguer et al. Maintenance policy for a continuously monitored deteriorating system
US8260493B2 (en) Health prognosis for complex system using fault modeling
US11170314B2 (en) Detection and protection against mode switching attacks in cyber-physical systems
KR20190107080A (ko) 클라우드 기반 차량 고장 진단 방법, 장치 및 시스템
EP3108317B1 (en) System and method of fault detection for an aircraft
CN110795309B (zh) 一种用于微小卫星的层次化软件健康管理方法和系统
EP2920658B1 (en) Resilient optimization and control for distributed systems
US20110046842A1 (en) Satellite enabled vehicle prognostic and diagnostic system
US20100042287A1 (en) Proactive vehicle system management and maintenance by using diagnostic and prognostic information
CN113525655B (zh) 基于机器学习的船舶能量-电力控制管理系统
CN108919776B (zh) 一种故障评估方法及终端
CN108764551A (zh) 基于系统级寿命信息的成组维修决策方法
Sankavaram et al. An integrated health management process for automotive cyber-physical systems
CN111016827A (zh) 用于自动驾驶车辆的配电系统的健康自学习系统和方法
CN115979349A (zh) 一种电力站空间环境监测方法及系统
CN116819336A (zh) 一种基于无监督学习的动力电池异常检测系统

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
FPAY Annual fee payment

Payment date: 20191223

Year of fee payment: 4