KR101794543B1 - 소리분석을 통한 선로전환기의 고장 탐지 식별 시스템 - Google Patents

Abstract

본 발명은 소리분석을 통한 선로전환기의 고장 탐지 식별 시스템에 관한 것으로서, 보다 상세하게는 정상 또는 고장에 따른 선로전환기 전환 시의 소리 신호 형태에 따라 해당 고장의 종류까지 분류함으로써 관리자의 능동적인 대처를 기대할 수 있는 소리분석을 통한 선로전환기의 고장 탐지 식별 시스템에 관한 것이다.
본 발명은 선로전환기의 근거리에 설치된 오디오 센서로 부터 선로전환 시 발생하는 소리를 획득하는 소리 취득 모듈; 상기 소리 취득 모듈에서 획득한 오디오 정보에서 Mel-Frequency Cepstrum Coefficient(MFCC), Time domain features, Frequency domain features로 구성되는 소리 특징들을 추출하는 소리 특징 추출 모듈; 특징 부분 집합 선택 알고리즘 또는 딥 러닝(Deep Learning) 방법 중의 하나인 나선신경망기술(CNN:Convolutional Neural Network)을 이용하여, 고장을 탐지 및 분류에 이용하기 위한 최적의 소리 특징들을 선택하는 소리 특징 최적화 모듈; 및 상기 소리 특징 최적화 모듈에서 최적화된 소리 특징을 전달받아 상기 선로전환기의 고장 탐지 및 분류하는 선로전환기 고장 탐지 및 분류 모듈;을 포함한다.
본 발명은 초기 설치비용이 많이 발생하는 동영상을 이용한 방법, 사람이 직접 감시 하는 방법 등과 달리 대상에 아무런 제약을 받지 않은 상태에서 저비용 및 효과적으로 실제 선로전환기의 상태 정보를 취득할 수 있는 장점이 있다.

Description

소리분석을 통한 선로전환기의 고장 탐지 식별 시스템{Fault Detection and Classification System of Railway Point Machine by Sound Analysis}

본 발명은 소리분석을 통한 선로전환기의 고장 탐지 식별 시스템에 관한 것으로서, 보다 상세하게는 선로전환기의 근거리에 설치된 오디오 센서로 부터 선로전환 시 발생하는 소리를 획득하는 소리 취득 모듈; 상기 소리 취득 모듈에서 획득한 오디오 정보에서 Mel-Frequency Cepstrum Coefficient(MFCC), Time domain features, Frequency domain features로 구성되는 소리 특징들을 추출하는 소리 특징 추출 모듈; 특징 부분 집합 선택 알고리즘 또는 딥 러닝(Deep Learning) 방법 중의 하나인 나선신경망기술(CNN:Convolutional Neural Network)을 이용하여, 고장을 탐지 및 분류에 이용하기 위한 최적의 소리 특징들을 선택하는 소리 특징 최적화 모듈; 및 상기 소리 특징 최적화 모듈에서 최적화된 소리 특징을 전달받아 상기 선로전환기의 고장 탐지 및 분류하는 선로전환기 고장 탐지 및 분류 모듈;을 포함하고, 정상 또는 고장에 따른 선로전환기 전환 시의 소리 신호 형태에 따라 해당 고장의 종류까지 분류함으로써 관리자의 능동적인 대처를 기대할 수 있는 소리분석을 통한 선로전환기의 고장 탐지 식별 시스템에 관한 것이다.

일반적으로 철로의 설비 및 시스템을 구성하는 다양한 시설들은 열차 안전 측면에서 신뢰성을 유지해야 하는 중요한 요소들이다.

특히, 역 구내에서 열차의 진로를 변경시키는 선로전환기의 이상상황은 열차운행 안전 측면에서 열차 탈선 등과 같은 심각한 사고를 유발할 수 있다.

2000년부터 최근 10년간의 사고 현황 분석 내용을 확인해보면, 선로전환기 장애는 전체 신호장치 장애의 27%를 차지하며, 운영 및 유지보수 측면에서 가장 많은 시간을 소모하는 설비로 분류된다.

따라서 선로전환기와 관련된 고장 등의 비정상 상황에 대한 조기 탐지 및 관리는 필수적인 요소이다.

최근, 이와 같은 이상상황을 빠르게 탐지 또는 대처하기 위한 다양한 연구들이 보고되고 있다.

Vileiniskis 등은 선로전환기를 구동시키는 모터에 입력되는 전류(current)값의 변화를 이용하여, 미리 설정해 둔 정상 상황의 전류 값(임계값: threshold)을 초과하게 되면 비정상 상황으로 탐지하였으며, Eker 등은 PCA (Principal Components Analysis)와 SVM (Support Vector Machine)을 이용하여 Drive rod가 잘못 동작되는 불일치(out-of adjustment) 상태를 탐지하였다.

Asada 등은 선로전환기로 유입되는 전류(electrical current)와 전압(electrical current)을 이용하여 선로 전환기의 상태를 모니터링 하는 시스템을 제안하였다.

그러나 앞서 살펴본 기존의 연구들은 대부분 선로전환기의 모터를 동작시키기 위해 입력되는 전기의 전류ㅇ전압 변화를 기반으로 선로전환기의 이상상황을 탐지하는 것과 달리 본 발명에서 이용하고자 하는 소리를 이용한 발명은 현재 보고되지 않고 있다.

또한 이상상황 탐지를 위하여 CCTV를 이용하는 방법도 개발되었으나, 매우 정밀한 CCTV는 상당한 고가이며 유지 관리를 위한 추가 모듈들이 마이크로폰에 비해 상대적으로 많이 필요한 문제점이 있었다.

특히 실세계에서 구현되는 CCTV의 환경 상 잡음이 발생할 수밖에 없기에 잡음제거 과정을 반드시 거쳐야하며, 영상을 이용한 비정상 상황 인식과 달리 비정상 상황의 진행사항을 육안으로 식별할 수 없는 문제점도 있었다.

한국공개특허 제2005-0014866호 한국등록특허 제0211113호 한국등록특허 제0185758호

본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명은 기계학습 및 딥러닝 방법을 이용하여 이미지 처리에 의한 분석에서 놓칠 수 있는 외관상 관측할 수 없는 부분의 고장도 용이하게 파악이 가능한 소리분석을 통한 선로전환기의 고장 탐지 식별 시스템을 제공하는 데 목적이 있다.

또한, 본 발명은 고장을 탐지 및 식별 한 후 관리자에게 통보하여 선로전환기의 고장 상황을 즉시 통보할 수 있어, 안정적으로 고장 상황을 대처할 수 있는 선로전환기의 고장 탐지 식별 시스템을 제공하는 데 목적이 있다.

또한 본 발명은 수집된 비정상 소리를 (a) Normal (b) A piece of ice, (c) Ballast, (d) Slacked nut 등으로 세분화 식별하여 관리자에게 보고함으로써 관리자의 위기 상황 대처 능력을 돕는 선로전환기의 고장 탐지 식별 시스템을 제공하는 데 목적이 있다.

상기 과제를 해결하기 위하여 본 발명은 선로전환기의 근거리에 설치된 오디오 센서로 부터 선로전환 시 발생하는 소리를 획득하는 소리 취득 모듈; 상기 소리 취득 모듈에서 획득한 오디오 정보에서 Mel-Frequency Cepstrum Coefficient(MFCC), Time domain features, Frequency domain features로 구성되는 소리 특징들을 추출하는 소리 특징 추출 모듈; 특징 부분 집합 선택 알고리즘 또는 딥 러닝(Deep Learning) 방법 중의 하나인 나선신경망기술(CNN:Convolutional Neural Network)을 이용하여, 고장을 탐지 및 분류에 이용하기 위한 최적의 소리 특징들을 선택하는 소리 특징 최적화 모듈; 및 상기 소리 특징 최적화 모듈에서 최적화된 소리 특징을 전달받아 상기 선로전환기의 고장 탐지 및 분류하는 선로전환기 고장 탐지 및 분류 모듈;을 포함한다.

상기 소리 특징 추출 모듈은 전국의 선로전환기의 근거리에 설치한 오디오 센서로 구성된 소리 취득 모듈로 부터 입력받은 전국의 선로전환기 소리를 DB에 저장하여 소리 특징을 추출한다.

상기 소리 특징 최적화 모듈은 상기 소리 취득 모듈에서 추출한 소리 특징들을 CFS(Correlation-based Feature Selection)에 적용하여 선로전환기의 고장을 탐지할 수 있는 소리 특징벡터를 선택한다.

상기 선로전환기 고장 탐지 및 분류 모듈에서 소리 특징의 최적화는 고장 탐지 및 분류의 계산 시간을 감소시키기 위해 상기 소리 특징 벡터의 차원을 축소시켜 계산량을 줄일 수 있고, 상기 선로전환기의 고장에 대한 탐지 및 분류에 일정 임계치 이상의 영향을 미치는 특징들을 선택한다.

상기 선로전환기 고장 탐지 및 분류 모듈은 주어진 문제를 항상 전역적 최적해가 보장되는 convex quadratic problem으로 변환하여 해를 구하는 SVM;을 포함하는 것을 특징으로 한다.

상기와 같이 이루어지는 본 발명은 초기 설치비용이 많이 발생하는 동영상을 이용한 방법, 사람이 직접 감시 하는 방법 등과 달리 오디오 센서를 통해 소리를 취득하고, 취득한 다양한 소리 특징들을 추출(MFCC, 이외의 time domain, freqeucy domain 특징들)하며, CFS와 같은 특징 선택 방법을 이용하여 특징을 선택 추출하고, CNN, SVM, SRC, DNN 등과 같은 머신 러닝 기법을 이용하여 고장을 탐지하고 식별하여 저비용 및 효과적으로 실제 선로전환기의 상태 정보를 취득할 수 있는 장점이 있다.

또한 본 발명은 고장을 탐지 및 식별 한 후 관리자에게 통보하여 선로전환기의 고장 상황을 즉시 통보할 수 있고, 관리자를 통해 효과적이며, 안정적으로 고장 상황을 대처할 수 있다.

또한 본 발명은 선로전환기의 상태를 반영한 소리 정보를 이용하여 이미지 정보로 탐지하는 것에서 관측할 수 없었던 부분을 보다 더 정확하게 선로전환기의 고장 상황을 탐지할 수 있다.

또한 본 발명은 전국의 선로전환기에서 추출한 소리를 빅데이터화하여 다양한 기계학습 알고리즘을 통하여 특징을 최적화 시켜 고장 탐지 뿐 아니라 고장의 종류까지 분류할 수 있다.

도 1a는 종래 발명에 따른 선로 전환기를 보여주는 도면이다.
도 1b는 종래 발명에 따른 선로전환기와 관련한 고장을 보여주는 도면이다.
도 1c는 종래 발명에 따른 MFCC 추출과정을 보여주는 도면이다.
도 2는 본 발명에 따라 소리분석을 통한 선로전환기의 고장 탐지 식별 시스템의 전체적인 구성을 보여주는 도면이다.
도 3은 본 발명에 따라 정상 또는 고장에 따른 선로전환기 전환 시의 소리 신호 형태 (a) Normal, (b) A piece of ice, (c) Ballast, (d) Slacked nut를 보여주고, 빨간 사각형은 선로전환 시, 돌이나 얼음 조각이 깨지는 소리 위치를 표시하는 도면이다.

본 발명을 충분히 이해하기 위해서 본 발명의 바람직한 실시예를 첨부 도면을 참조하여 설명한다. 본 발명의 실시예는 여러 가지 형태로 변형될 수 있으며, 본 발명의 범위가 아래에서 상세히 설명하는 실시예로 한정되는 것으로 해석되어서는 안 된다. 본 실시예는 당업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위하여 제공되는 것이다. 따라서 도면에서의 요소의 형상 등은 보다 명확한 설명을 강조하기 위해서 과장되어 표현될 수 있다. 각 도면에서 동일한 부재는 동일한 참조부호로 도시한 경우가 있음을 유의하여야 한다. 또한, 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 공지 기능 및 구성에 대한 상세한 기술은 생략된다.

도 2에 도시된 바와 같이 본 발명은 소리 취득 모듈(Sound Acquisition Module; 11), 소리 특징 추출 모듈(Feature Extraction Module; 12), 소리 특징 최적화 모듈(Feature Optimization Module; 13), 선로전환기 고장 탐지 및 분류 모듈(Fault Detection and Classification Module; 14)로 구성된다.

상기 소리 취득 모듈(11)은 오디오 센서로 부터 선로전환 시 발생하는 소리를 획득한다.

이를 위해 선로전환기의 근거리에 설치한 오디오 센서로 부터 선로전환 시의 소리 정보를 효과적으로 취득한다. 이 때, 사람이 직접 감시 하는 방법과 달리 외부 제약없이 실제 선로전환기의 상태 정보를 정확히 취득할 수 있게 된다.

따라서 오디오 센서 만으로 선로전환기의 고장을 탐지 및 분류 할 수 있기 때문에 초기 비용이 낮으며, 소리 특징 벡터의 차원을 줄임으로써 계산량을 줄일 수 있다.

또한 이하 설명하는 소리 특징 추출에 의해 이미지 처리에 의한 분석 보다 소리 정보에 의한 분석이 외관상 관측할 수 없는 부분의 고장 파악이 가능하다.

또한 정성적 분석과 함께 공개적으로 사용 가능한 벤치마크 소리데이터 셋을 이용할 수도 있는 데 선로 전환기의 열악한 외부환경에서도 비정상 소리 탐지 및 식별 시스템의 성능을 끌어올릴 수 있다.

상기 소리 특징 추출 모듈(12)은 소리 취득 모듈(11)에서 획득한 오디오 정보에서 다양한 소리 특징들(MFCC: Mel-Frequency Cepstrum Coefficient, Time domain features, Frequency domain features 등)을 추출한다.

예를 들어 상기 소리 특징 추출 모듈(12)은 전국의 선로전환기의 근거리에 설치한 오디오 센서로 구성된 소리 취득 모듈(11)로 부터 입력받은 전국의 선로전환기 소리 DB에서 다양한 소리 특징을 추출한다.

여기에서 추출하는 소리 특징은 음성신호처리 분야에서 음성의 특성을 표현하기 위해 주로 사용되는 단구간 신호의 파워 스펙트럼을 표현하는 방법인 Mel-Frequency Cepstral Coefficients(MFCC) 특징을 추출한다(도 1c 참조).

여기에서, MFCC는 도 1c에 나타나 있는 바와 같이, 멜(mel) 스케일을 따르는 청각적 특성을 반영한 켑스트럽(cepstrum) 계수 추출 방법 방법이다.

그리고, FFT를 수행한 후 소리 신호는 스펙트럼(spectrum)으로 표현되며, 식 (2)와 같이 멜 단위의 필터 뱅크와 로그를 계산한다.

멜 필터 뱅크와 로그 계산이 수행된 후, DCT(Discrete Cosine Transform)를 수행하여 다수개개의 주파수 특성과 하나의 프레임 로그 에너지 특성으로 구성된 MFCC 계수(coefficient)를 추출한다

본 발명의 일실시예로서, 소리 정보를 이용하여 비정상 상황을 탐지 및 식별하기 위해, 오디오 센서가 설치된 선로전환기 마다 발생가능한 비정상 소리를 미리 정의하고, 이를 MFCC(Mel Frequency Cepstrum Coefficient)와 같이 주파수를 수치적으로 변환하는 특징 값으로 표현한다. 그리고 각 비정상 소리를 GMM, HMM(Hidden Markov Model), SVM 등과 같은 기계학습 알고리즘을 이용하여 학습한 후 매초마다 입력되는 소리 신호를 학습에 사용하였던 특징 값으로 변환함으로써, 비정상 소리를 용이하게 탐지할 수도 있다.

이하 설명할 탐지 및 분류에 사용할 소리의 특징은 MFCC 뿐만 아니라 Mel-Log Spectrum, Time Domain 특징, Frequency Domain 특징 등을 활용 할 수도 있다. 또한, 탐지 및 분류에 사용할 소리는 잡음 등에 대한 전처리 기능도 포함이 된다.

상기 전국의 선로전환기의 다양한 소리의 특징들 중에서 Time Domain 특징 및 Frequency Domain 특징의 예시는 아래 표 1과 같다.

상기 소리 특징 최적화 모듈(13)은 CFS(Correlation-based Feature Selection) 등과 같은 특징 선택 방법 또는 딥 러닝(Deep Learning) 방법 중의 하나인 나선신경망기술(CNN:Convolutional Neural Network)과 같은 방법들을 이용하여, 고장을 탐지 및 분류에 이용하기 위한 최적의 소리 특징들을 선택한다.

먼저 소리 특징 최적화 모듈(13)에서는 소리 정보 전처리 모듈에서 추출한 소리 특징들을 CFS(Correlation Feature Selection) 등과 같은 특징 부분 집합 선택 알고리즘에 적용하여 선로전환기의 고장을 탐지할 수 있는 중요한 소리 특징벡터를 선택한다.

이와 같은 소리 특징의 최적화는 선로전환기 고장 탐지 및 분류 모듈(14)에서 고장 탐지 및 분류의 계산 시간을 감소시키기 위해 상기 소리 특징 벡터의 차원을 축소시켜 계산량을 줄일 수 있고 동시에, 선로전환기의 고장에 대한 탐지 및 분류에 큰 영향을 미치는 중요한 특징들을 선택함으로써 안정적인 성능을 확보할 수 있도록 한다.

상기 선로전환기 고장 탐지 및 분류 모듈(14)은 선로전환기의 고장 탐지 및 분류를 위하여 기계학습 및 딥러닝 알고리즘 중 하나를 이용한다.

예를 들어, 통계적 학습이론에 기반을 둔 SVM(Support Vector Machine)은 주어진 문제를 항상 전역적 최적해가 보장되는 convex quadratic problem으로 변환하여 해를 구하기 때문에 패턴인식 분야에서 매우 우수한 성능을 보이고 있다.

여기에서 이상상황탐지 문제는 정상과 이상상황(비정상)을 구분하는 이진 클래스 분류 문제로 볼 수 있다. 본 발명에서는 이진 클래스 분류에 효과적인 기계학습 방법인 SVM(Support Vector Machine)을 선로전환기의 선로전환 시의 비정상 상황을 탐지하는 알고리즘으로 사용한다.

또한 예를 들어, 딥러닝 알고리즘 중 하나인 DNN(Deep Neural Network)의 경우에는, 미리 학습된 DNN모델을 통하여 실시간으로 취득되는 소리들을 입력으로 하여 선로전환기의 고장을 탐지 및 분류 할 수 있다.

상기 DNN 학습 시, 소리 특징 최적화 모듈(13)에서 획득한 차원이 축소된 특징 벡터를 입력으로 하며, 얼음 또는 자갈이 선로에 낀 상황, 나사가 풀린 상황 등으로 다양하게 분류할 수 있다. 선로전환기 고장 탐지 및 분류 모듈(14)에서 사용하는 DNN 모델의 경우 기존 인공 신경망과 달리 입력층과 출력층 사이에 하나 이상의 은닉층을 가지는 구조를 가지는 신경망 모델이다.

이렇게 하나 이상의 은닉층을 가지는 깊은 신경망은 많은 수의 가중치를 포함하여 학습 수용력(capacity)이 증가하기 때문에 매우 많은 수의 학습 데이터가 사용 가능한 경우일수록 많은 정보를 학습 할 수 있게 된다.

또한, 선로전환기 고장 탐지 및 분류 모듈(14)에서는 DNN 모델의 과적합(Over-fitting)을 피하고, 신경망 모델의 노드들 간의 상호적응을 피하기 위하여 dropout 기법을 사용하여 학습 과정에서 임의의 노드들을 배제한 후 학습을 진행 한다

이 때, 선로전환기의 상기 고장 탐지 및 분류 모듈을 위한 탐지 방법으로는 Multi-class SVM(Support Vector Machine), SRC(Sparse Representation Classifier), CNN 등의 다양한 기계학습 및 딥러닝 방법을 중복하여 이용할 수 있다.

또한 상기 선로전환기와 관련한 고장 탐지 및 분류 모듈(14)에서는 이외의 다양한 기계학습 알고리즘을 이용하여, 선로전환기의 선로전환 시에 취득한 소리의 특징 정보로부터 고장을 실시간으로 탐지 및 분류한다.

도 1b와 도 3에 도시된 바와 같이 정상 또는 고장에 따른 선로전환기 전환 시의 소리 신호 형태에 따라 웨이브폼(waveform)과 스펙트로그램(spectrogram)으로 나누어 (a) Normal과 비교하여, 일정 모양 이상 차이나는 경우 비정상 신호로서 (b) A piece of ice, (c) Ballast, (d) Slacked nut으로 탐지한다. 이 때 각 신호 형태에서 빨간 사각형은 선로전환 시, 돌이나 얼음 조각이 깨지는 소리 위치를 표시한다.

특히 (d) Slacked nut의 경우 선로전환기의 볼트를 1회 또는 2회 등 풀어서 측정한 소리로서 고장으로 인한 소리 신호가 잡히지 않았다.

또는 오디오 센서로 부터 입력되는 소리 시그널로 소리 획득 프로세스 알고리즘을 이용하여 선로전환기의 고장 부분만을 취득하고, 정상 또는 비정상 소리의 특정 주파수 영역에서, 해당 영역의 진폭에 따른 값을 계산하며, 새로 입력되는 선로전환기 오디오의 주파수의 특정영역이 미리 설정한 진폭 임계값 보다 크면 비정상으로 판단하는 임계값 비교 방법을 사용할 수도 있다.

따라서 다양한 기계학습 알고리즘을 통하여 선로전환기의 고장 탐지에 그치지 않고 해당 고장의 종류까지 분류함으로써 관리자의 능동적인 대처를 기대할 수 있다.

또한 Multi-class SVM(Support Vector Machine), SRC(Sparse Representation Classifier), CNN 등의 다양한 기계학습 및 딥러닝 방법을 소리 정보 분석에 의한 탐지에 사용하여 이미지 처리에 의한 분석 보다 소리 정보에 의한 분석이 외관상 관측할 수 없는 부분의 고장도 용이하게 파악할 수 있다.

또한 본 발명의 다른 실시예로서, 다양한 기계학습 알고리즘을 이용하여, 선로전환기의 선로전환 시에 취득한 소리의 특징 정보로부터 고장을 실시간으로 탐지 및 분류된 고장에 대한 항목별 조치요령에 따라 현장의 상황에 대한 보고서의 점검 항목에 "일치" 또는 "불일치"에 대한 정보를 입력할 수 있어, 소리의 특징 정보로부터 고장을 실시간으로 탐지 및 분류된 고장에 대한 항목과 일치되지 않은 경우 관리자가 선로전환기의 고장 상황을 수기로 기입하거나 재 탐색할 수 있도록 DB에 저장한다.

상술한 구성에 의하여 본 발명은 종래의 영상 정보를 이용한 비정상 상황 인식과 달리 실시간으로 유입되는 소리 정보만으로 보다 쉽게 비정상 상황을 탐지할 수 있으므로 비교적 제약조건이 적고 단순한 시스템의 구현이 가능하다

즉, 초기 설치비용이 많이 발생하는 동영상을 이용한 방법, 사람이 직접 감시 하는 방법 등과 달리 대상에 아무런 제약을 받지 않은 상태에서 소리 취득 모듈(11)을 사용하여 저비용 및 효과적으로 실제 선로전환기의 상태 정보를 취득할 수 있는 장점이 있다.

또한 본 발명은 선로전환기 고장 탐지 및 분류 모듈(14)을 통해 고장을 탐지 및 식별 한 후 관리자에게 통보하여 선로전환기의 고장 상황을 즉시 통보할 수 있고, 관리자를 통해 효과적이며, 안정적으로 고장 상황을 대처할 수 있다.

또한 본 발명은 선로전환기의 상태를 반영한 소리 정보를 이용하여 이미지 정보로 탐지하는 것에서 관측할 수 없었던 부분을 보다 더 정확하게 소리 특징 최적화 모듈(13)로 최적화하여 선로전환기의 고장 상황을 탐지할 수 있다.

또한 본 발명은 전국의 선로전환기에서 추출한 소리를 빅데이터화하여 다양한 기계학습 알고리즘을 통하여 소리 특징 추출 모듈(12) 등으로 특징을 최적화 시켜 고장 탐지 뿐 아니라 고장의 종류까지 분류할 수 있다.

11 : 소리 취득 모듈(Sound Acquisition Module)
12 : 소리 특징 추출 모듈(Feature Extraction Module)
13 : 소리 특징 최적화 모듈(Feature Optimization Module)
14 : 선로전환기 고장 탐지 및 분류 모듈(Fault Detection and Classification Module)

Claims (5)

1. 선로전환기의 근거리에 설치된 오디오 센서로 부터, 정상 또는 고장에 따른 선로전환기 전환 시의 소리 신호 형태에 따라 웨이브폼(waveform)과 스펙트로그램(spectrogram)으로 나누어 (a) Normal과 비교하여, 일정 모양 이상 차이나는 경우 비정상 신호로서 (b) A piece of ice, (c) Ballast, (d) Slacked nut으로 선로전환 시 발생하는 소리를 획득하는 소리 취득 모듈;
   상기 소리 취득 모듈에서 획득한 오디오 정보에서 Mel-Frequency Cepstrum Coefficient(MFCC)로 구성되는 소리 특징들을 추출하는 소리 특징 추출 모듈;
   특징 부분 집합 선택 알고리즘 또는 딥 러닝(Deep Learning) 방법 중의 하나를 이용하여, 최적의 소리 특징들을 선택하는 소리 특징 최적화 모듈; 및
   상기 소리 특징 최적화 모듈에서 최적화된 소리 특징을 전달받아 상기 선로전환기의 고장의 탐지 및 고장을 분류하는 선로전환기 고장 탐지 및 분류 모듈;을 포함하고,
   상기 선로전환기 고장 탐지 및 분류 모듈은 주어진 문제를 전역적 최적해가 보장되는 convex quadratic problem으로 변환하여 해를 구하는 SVM(Support Vector Machine);을 포함하며,
   상기 선로전환기의 선로전환 시에 취득한 소리의 특징 정보로부터 상기 선로전환기 고장 탐지 및 분류 모듈이 고장을 실시간으로 탐지 및 분류하고, 탐지 및 분류된 고장에 대한 항목별 조치요령을 단말기에 디스플레이하고, 상기 단말기에 디스플레이되는 고장에 대한 항목별 조치요령에 따른 현장의 상황에 대한 보고서의 점검 항목에 "일치" 또는 "불일치"에 대한 정보를 수동으로 입력할 수 있어, 소리의 특징 정보로부터 고장을 실시간으로 탐지하였으나, 분류된 고장에 대한 항목과 일치되는 항목이 존재하지 않은 경우 관리자가 선로전환기의 고장 상황을 상기 단말기에 수기로 입력할 수 있고,
   상기 소리 특징 추출 모듈은 전국의 선로전환기의 근거리에 설치한 오디오 센서로 구성된 소리 취득 모듈로 부터 입력받은 전국의 선로전환기 소리를 DB에 저장하여 소리 특징을 추출하며,
   상기 소리 특징 최적화 모듈은 상기 소리 취득 모듈에서 추출한 소리 특징들을 나선신경망기술(CNN:Convolutional Neural Network) 또는 SRC(Sparse Representation Classifier)에 적용하여 선로전환기의 고장을 탐지할 수 있는 소리 특징벡터를 선택하고,
   상기 선로전환기 고장 탐지 및 분류 모듈에서 소리 특징의 최적화는 고장 탐지 및 분류의 계산 시간을 감소시키기 위해 상기 소리 특징 벡터의 차원을 축소시켜 계산량을 줄일 수 있고, 상기 선로전환기의 고장에 대한 탐지 및 분류에 일정 임계치 이상의 영향을 미치는 특징들을 선택하고,
   DNN 모델의 과적합(Over-fitting)을 피하고, 신경망 모델의 노드들 간의 상호적응을 피하기 위하여 dropout 기법을 사용하여 학습 과정에서 임의의 노드들을 배제한 후 학습을 진행하는 것을 특징으로 하는 소리분석을 통한 선로전환기의 고장 탐지 식별 시스템.
2. 제1항에 있어서,
   상기 소리 특징 최적화 모듈에서 획득한 차원이 축소된 소리 특징 벡터를 입력으로 하며, 얼음 또는 자갈이 선로에 낀 상황, 나사가 풀린 상황으로 분류할 수 있는 것을 특징으로 하는 소리분석을 통한 선로전환기의 고장 탐지 식별 시스템.
3. 삭제
4. 삭제
5. 삭제

Images