KR101889049B1 - 딥러닝 기반의 인공지능을 이용한 자동차 진단 방법 및 장치 - Google Patents

딥러닝 기반의 인공지능을 이용한 자동차 진단 방법 및 장치 Download PDF

Info

Publication number
KR101889049B1
KR101889049B1 KR1020170102293A KR20170102293A KR101889049B1 KR 101889049 B1 KR101889049 B1 KR 101889049B1 KR 1020170102293 A KR1020170102293 A KR 1020170102293A KR 20170102293 A KR20170102293 A KR 20170102293A KR 101889049 B1 KR101889049 B1 KR 101889049B1
Authority
KR
South Korea
Prior art keywords
data
deep learning
sensor data
time
vehicle
Prior art date
Application number
KR1020170102293A
Other languages
English (en)
Inventor
최창우
김민정
김융규
Original Assignee
(주)다이매틱스
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 (주)다이매틱스 filed Critical (주)다이매틱스
Priority to KR1020170102293A priority Critical patent/KR101889049B1/ko
Priority to PCT/KR2018/008929 priority patent/WO2019031799A1/ko
Application granted granted Critical
Publication of KR101889049B1 publication Critical patent/KR101889049B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/008—Reliability or availability analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0736—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in functional embedded systems, i.e. in a data processing system designed as a combination of hardware and software dedicated to performing a certain function
    • G06F11/0739—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in functional embedded systems, i.e. in a data processing system designed as a combination of hardware and software dedicated to performing a certain function in a data processing system embedded in automotive or aircraft systems
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

인공지능을 이용한 자동차 진단 방법은 컴퓨터 장치가 일정한 시간 동안 자동차에 대한 센서 데이터를 수집하는 단계, 상기 컴퓨터 장치가 상기 센서 데이터를 시계열적으로 전처리하는 단계, 상기 컴퓨터 장치가 상기 전처리한 센서 데이터를 사전에 학습한 딥러닝 모델에 입력하는 단계 및 상기 컴퓨터 장치가 상기 딥러닝 모델의 출력결과에 따라 상기 자동차의 부품에 대한 수명 정보를 생성하는 단계를 포함한다.

Description

딥러닝 기반의 인공지능을 이용한 자동차 진단 방법 및 장치{VEHICLE DIAGNOSIS METHOD AND APPARATUS USING ARTIFICIAL INTELLIGENCE BASED ON DEEP LEARNING}
이하 설명하는 기술은 자동차 정비를 위한 진단 기법에 관한 것이다.
자동차 산업은 신흥 시장의 등장과 함께 지속적으로 성장하고 있다. 나아가 자동차 관리 및 정비도 자동자 제조와 함께 큰 사업 분야로 성장하고 있다. 현대의 자동차는 기계 장치인 동시에 전자 장비라고 할 수 있다. 자동차는 ECU를 이용하여 엔진, 변속기, 조향 장치, 현가 장치, 새시 시스템 등을 제어한다. 자동차 정비소에서는 자동차에 연결된 진단 장치가 출력하는 DTC(Diagnostic Trouble Code)를 보고 고장 부위를 파악한다. 진단 장치는 자동차의 다양한 부위에서 센서가 전달하는 정보를 기반으로 고장의 종류 내지 고장 부위에 대한 정보를 출력한다.
미국등록특허 US 8,024,084
종래 자동차 진단 장치는 자동차의 특정 부위에 고장이 발생해야만 고장 정보를 알려준다. 즉, 종래 진단 장치는 향후 발생한 고장이나, 자동차 관리를 위해 필요한 부품에 대한 정보를 미리 알려주지 못한다.
이하 설명하는 기술은 인공 지능을 이용하여 자동차의 고장 여부, 일정한 시간 경과 후에 발생 가능한 고장 부위, 고장이 발생한 부품에 대한 정보 등을 제공하고자 한다.
딥러닝 기반의 인공지능을 이용한 자동차 진단 방법은 컴퓨터 장치가 일정한 시간 동안 자동차에 대한 센서 데이터를 수집하는 단계, 상기 컴퓨터 장치가 상기 센서 데이터를 시계열적으로 전처리하는 단계, 상기 컴퓨터 장치가 상기 전처리한 센서 데이터를 사전에 학습한 딥러닝 모델에 입력하는 단계 및 상기 컴퓨터 장치가 상기 딥러닝 모델의 출력결과에 따라 상기 자동차의 부품에 대한 수명 정보를 생성하는 단계를 포함한다.
딥러닝 기반의 인공지능을 이용한 자동차 진단 장치는 일정한 시간 동안 수집한 자동차의 센서 데이터를 입력받은 입력 장치, 시계열적인 센서 데이터 및 고장 진단 정보로 사전에 훈련한 딥러닝 모델을 저장하는 저장 장치 및 상기 입력받은 센서 데이터를 시계열적으로 전처리하고, 전처리한 센서 데이터를 상기 딥러닝 모델에 입력하여 상기 자동차의 부품에 대한 수명 정보를 출력하는 연산 장치를 포함한다.
이하 설명하는 기술은 사전에 학습한 딥러닝 모델을 이용하여 현재의 진단 장치가 예측할 수 없는 고장 가능성 및 고장 부위를 정확하게 예측한다.
도 1은 자동차 진단을 위한 장치에 대한 예이다.
도 2는 자동차의 센싱 데이터를 전처리하는 과정에 대한 예이다.
도 3은 신경망을 학습하는 과정에 대한 예이다.
도 4는 자동차 진단을 수행하는 과정에 대한 예이다.
도 5는 자동차 진단을 수행하는 방법에 대한 순서도의 예이다.
이하 설명하는 기술은 다양한 변경을 가할 수 있고 여러 가지 실시례를 가질 수 있는 바, 특정 실시례들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 이하 설명하는 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 이하 설명하는 기술의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 해당 구성요소들은 상기 용어들에 의해 한정되지는 않으며, 단지 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 이하 설명하는 기술의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
본 명세서에서 사용되는 용어에서 단수의 표현은 문맥상 명백하게 다르게 해석되지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함한다" 등의 용어는 설시된 특징, 개수, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 의미하는 것이지, 하나 또는 그 이상의 다른 특징들이나 개수, 단계 동작 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 배제하지 않는 것으로 이해되어야 한다.
도면에 대한 상세한 설명을 하기에 앞서, 본 명세서에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주기능 별로 구분한 것에 불과함을 명확히 하고자 한다. 즉, 이하에서 설명할 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다. 그리고 이하에서 설명할 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있음은 물론이다.
또, 방법 또는 동작 방법을 수행함에 있어서, 상기 방법을 이루는 각 과정들은 문맥상 명백하게 특정 순서를 기재하지 않은 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 과정들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
이하 설명하는 기술은 자동차에 대한 관리 및 정비를 제공하기 위한 것이다. 먼저 이하 설명에 사용하는 용어에 대해 몇 가지 정의를 한다.
자동차 진단은 자동차의 이상 상태를 확인하는 프로세스이다. 사용자는 자동차에 대한 진단을 통하여 특정한 부품의 이상(고장) 여부, 특정한 부품의 교체 시기 등을 파악할 수 있다. 일반적으로 정비공은 차량에 별도의 진단 장비를 연결하여 차동차에서 보내는 고장 정보를 확인한다. 고장 정보는 DTC(Diagnostic Trouble Code)라고 한다.
사전적 의미로 자동차는 원동기를 장치하여 그 동력으로 바퀴를 굴려서 철길이나 가설된 선에 의하지 아니하고 땅 위를 움직이도록 만든 장치이다. 자동차는 연료를 사용하여 엔진을 구동하는 방식 및 전기로 모터를 구동하는 방식을 포함한다.
센서 데이터는 자동차의 각종 부품의 상태 내지 각종 부품의 동작 상태를 측정한 정보를 의미한다. 여기서 부품은 자동차를 구성하는 기계적인 부품, 오일이나 냉각수와 같은 유체 등을 포함한다. 센서 데이터는 별도의 장비를 이용하여 추출한다. 일반적으로 진단 장비를 자동차에 연결하여 센서 데이터를 획득한다. 진단 장비는 유선 또는 무선으로 자동차로부터 센서 데이터를 확인할 수 있다. 센서 데이터는 자동차에 있는 각종 센서 장치가 생성한다. 자동차는 특정 부품이나, 특정 부위에 다수의 센서를 갖고 필요한 데이터를 생성한다. 진단 장비는 센서가 센싱한 데이터를 보여주는 것이다. 통상적으로 OBD(On Board Diagnostics) 데이터가 센서 데이터에 해당한다. 센서 데이터가 특정한 명칭에 국한 되는 것은 아니다. 자동차에서 OBD 데이터를 읽는 장치는 OBD 리더(reader)라고 명명한다.
센서 데이터는 다양한 항목을 갖는다. 예컨대, 센서 데이터는 배터리 전압, 점화 코일의 전압, 엔진회전수, 목표공회전수, 흡기 온도, 흡기압, 흡기양 및 냉각수 온도 등에 대한 값 중 적어도 하나로 구성될 수 있다. 물론 센서 데이터는 자동차가 측정 가능한 모든 데이터를 포함한다. 향후 측정 가능한 항목이 늘어날 수도 있다.
이하 설명하는 기술은 인공 지능을 사용하여 자동차를 진단한다. 이하 설명하는 기술은 딥 러닝(deep learning) 기법을 사용한다. 딥 러닝은 기계 학습을 위한 알고리즘 모델인 인공 신경망을 이용한다. 인공 신경망은 다양한 방식이 연구되었다. 예컨대, 인공 신경망은 DNN (Deep Neural Network), CNN (Convolutional Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network) 등이 있다.
이하에서는 도면을 참조하면서 자동차 진단 기법에 관하여 구체적으로 설명하겠다.
도 1은 자동차 진단을 위한 장치에 대한 예이다. 도 1은 3가지 진단 장치를 도시한다. 공통적으로 진단 장치는 자동차로부터 OBD 데이터를 수신한다. 전술한 바와 같이 OBD 리더(10)가 자동차의 센서가 생성한 센서 데이터를 획득한다. OBD 리더(10)는 센서 데이터를 획득하는 과정은 일반적인 절차이므로 자세한 설명을 생략한다. 도 1에서 자동차(Vehicle)의 검은색 점(point)은 센서 위치를 예로 도시한 것이다. 컴퓨터 장치(100, 200, 300)가 센서 데이터를 기반으로 자동차를 진단한다. 컴퓨터 장치(100, 200, 300)는 유선 또는 무선 통신을 통해 OBD 데이터를 획득할 수 있다. 이하 설명에서 사용하는 통신은 다양한 방식이 가능하다. 예컨대, 무선 통신은 이동통신(3G, 4G 등), 근거리 통신(Zigbee 등), Wi-Fi, NFC 등과 같은 다양한 방식 중 어느 하나일 수 있다. 또는 컴퓨터 장치(100, 200, 300)는 OBD 데이터를 저장한 저장 장치(USB, SD 카드 등)를 통해 OBD 데이터에 접근할 수도 있다.
도 1(a)는 휴대용 컴퓨터 장치(100)를 사용하여 자동차를 진단하는 예이다. 컴퓨터 장치(100)는 스마트폰, 태블릿 PC 또는 진단을 위한 전용 단말일 수 있다. 컴퓨터 장치(100)는 입력장치(110), 저장장치(120), 연산장치(130) 및 출력장치(140)를 포함한다. 입력장치(100)는 OBD 데이터를 입력받는 구성이다. 입력장치(100)는 텍스트 형태의 OBD 데이터를 입력하는 입력장치일 수 있다. 나아가 입력장치(100)는 일정한 통신 프로토콜을 통해 OBD 데이터를 수신하는 통신 인터페이스 장치일 수도 있다. 저장장치(120)는 필요한 데이터를 저장하는 구성이다. 저장장치(120)는 수신한 OBD 데이터를 임시로 저장할 수 있다. 저장장치(120)는 자동차 진단을 위한 프로그램을 저장할 수 있다. 저장장치(120)는 자동차 진단에 사용하는 딥러닝 모델을 저장할 수 있다. 연산장치(130)는 입력된 OBD 데이터를 딥러닝 모델에 입력하여 진단 결과를 도출할 수 있다. 연산장치(130)는 OBD 데이터를 딥러닝 모델에 입력하기 전에 일정한 전처리를 할 수 있다. 출력장치(140)는 진단 결과를 출력한다. 출력장치(140)는 디스플레이 장치, 프린터 장치 등과 같은 장치일 수 있다. 나아가 출력장치(140)는 통신을 통해 진단 결과를 외부로 전달하는 장치일 수도 있다. 자동차를 진단하는 자세한 과정은 후술한다.
도 1(b)는 PC와 같은 컴퓨터 장치(200)를 사용하여 자동차를 진단하는 예이다. 컴퓨터 장치(200)는 OBD 리더(10)가 측정한 OBD 데이터를 수신한다. 컴퓨터 장치(200)는 OBD 데이터를 딥러닝 모델에 입력하여 자동차 진단 결과를 도출한다. 컴퓨터 장치(200)는 OBD 데이터를 딥러닝 모델에 입력하기 전에 일정한 전처리를 할 수 있다. 컴퓨터 장치(200)는 자동차 진단 결과를 사용자 단말(50)로 전달할 수 있다. 사용자 단말(50)은 스마트폰 등과 같은 장치를 의미한다. 컴퓨터 장치(200)는 전술한 컴퓨터 장치(100)와 동일하거나 유사한 구성을 포함한다.
도 1(c)는 자동차 진단을 수행하는 온라인 시스템에 대한 예이다. 컴퓨터 장치(300)는 네트워크 상에 존재하는 서버와 같은 장치이다. 컴퓨터 장치(300)는 인터넷과 같은 네트워크를 통해 OBD 리더(10)가 측정한 OBD 데이터를 수신한다. OBD 리더(10)가 측정한 OBD 데이터는 이동통신망이나 전용망을 경유하여 인터넷으로 전달될 수도 있다. 컴퓨터 장치(300)는 OBD 데이터를 딥러닝 모델에 입력하여 자동차 진단 결과를 도출한다. 도시하지 않았지만 컴퓨터 장치(300)는 딥러닝 모델을 보유한 별도의 데이터베이스를 이용할 수도 있다. 컴퓨터 장치(300)는 OBD 데이터를 딥러닝 모델에 입력하기 전에 일정한 전처리를 할 수 있다. 컴퓨터 장치(300)는 자동차 진단 결과를 인터넷을 경유하여 사용자 단말(50)로 전달할 수 있다.
먼저 OBD 데이터를 전처리하는 과정을 설명한다. 신경망 훈련에도 전처리된 OBD 데이터를 이용한다. 또 자동차 진단을 위해서도 컴퓨터 장치가 OBD 데이터를 일정하게 전처리하고, 전처리한 OBD 데이터를 신경망에 입력한다. OBD 데이터의 전처리는 별도의 장치가 수행할 수도 있지만, 설명의 편의를 위해 컴퓨터 장치가 수행한다고 가정한다.
도 2는 자동차의 센싱 데이터를 전처리하는 과정에 대한 예이다. OBD 리더(10)가 OBD 데이터를 수집한다. OBD 데이터는 전술한 바와 같이 다양한 정보를 포함한다. 예컨대, OBD 데이터는 배터리 전압, 엔진회전수, 흡기압, 냉각수 온도 등과 같은 항목을 포함한다.
OBD 데이터는 자동차의 다양한 부품에서 센싱되는 데이터를 포함한다. 예컨대, OBD 데이터는 엔진에 대한 데이터, 변속기에 대한 데이터, 동력전달장치에 대한 데이터, 제동 장치에 대한 데이터, 조향 장치에 대한 데이터, 현가 장치에 대한 데이터, 냉각 장치에 대한 데이터 및 전장 장치에 대한 데이터 중 적어도 하나를 포함할 수 있다. 엔진에 대한 데이터는 엔진 회전수, 목표 공회전수, 흡기양, 흡기압, 흡기온도, 배기압, 배기양, 점화플러그 전압, 엔진 오일 온도 등에 대한 데이터 중 적어도 하나를 포함한다. 동력 전달 장치는 엔진에서 발생한 동력을 구동바퀴에 전달하는 장치를 의미한다. 동력 전달 장치는 일반적으로 변속기를 포함하는 장치로 이해된다. 동력 전달 장치에 대한 데이터는 기어의 회전수, 구동 축 회전 수, 변속기 등에 대한 데이터 중 적어도 하나를 포함한다. 변속기에 대한 데이터는 변속기 오일 온도, 기어비 등에 대한 데이터 중 적어도 하나를 포함한다. 제동 장치에 대한 데이터는 드럼이나 디스크의 온도, 브레이크에 가해지는 압력, 브레이크 오일의 온도, ABS 장치에 가해지는 압력, ABS 모터의 전압 등에 대한 데이터 중 적어도 하나를 포함한다. 조향 장치에 대한 데이터는 조향력을 생성하는 구동(ESP) 모터의 전압, 기어의 회전수 등에 대한 데이터 중 적어도 하나를 포함한다. 현가 장치는 노면의 진동이나 충격을 흡수하는 장치를 의미한다. 현가 장치에 대한 데이터는 각 바퀴에 연결된 서스펜션(suspension)이 받는 압력 내지 하중 등을 포함한다. 냉각 장치에 대한 데이터는 냉각수 온도, 냉각팬 회전수, 워터펌프 전압 등에 대한 데이터 중 적어도 하나를 포함한다. 전장 장치는 자동차에서 사용되는 각종 전자 장치를 의미한다. 사실 전장 장치는 전술한 다양한 장치(엔진 등)에 사용되기도 한다. 전자 장치에 대한 데이터는 ECU(Electronic Control Unit)의 데이터, 텔레메틱스 관련한 데이터, 차량 디스플레이(계기판, 센터 디스플레이, HUD 등)에 대한 데이터, 배터리에 대한 데이터(온도, 전압, 배터리 잔량 등), ABS 모터의 전압, 각종 차량의 조명에 대한 데이터, 전압 조절 장치(PCU)에 대한 데이터, ASV(Advanced Safety Vehicle) 관련한 데이터(레이더 데이터, 카메라 데이터, 초음파 데이터 등) 중 적어도 하나를 포함할 수 있다.
OBD 리더(10)가 수집한 OBD 데이터는 일단 저장 장치(120)에 저장된다. 컴퓨터 장치는 저장된 OBD 데이터를 일정하게 전처리한다.
도 2의 우측에 전처리 과정에 대한 예를 도시하였다. OBD 데이터에 포함된 복수의 항목 중 엔진 회전수를 예로들어 설명한다. 일정한 시간 동안 연속하여 수집한 엔진 회전수는 시간에 따라 그 값에 차이를 가질 수 있다. OBD 데이터는 특정한 값을 갖는 디지털 정보이다. 시간에 따라 수집한 데이터를 막대 그래프로 표현하면 일정한 값을 갖는 연속된 변량으로 표현할 수 있다((a)). 연속된 변량은 시간축에서 파형과 같은 형태로 정의될 수 있다((b)). 이와 같이 시간축에 따라 파형과 같은 형태로 정의되는 OBD 데이터를 시계열 OBD 데이터라고 명명한다. 컴퓨터 장치는 시계열 OBD 데이터를 일정한 시간 단위(예컨대, 수 초 내지 수 십초)로 구분한다((c)). 도 2는 시간 단위로 구분(분할)한 데이터를 S1 내지 S7로 표시하였다. S는 세그먼트를 의미한다.
도 3은 신경망을 학습하는 과정에 대한 예이다. 컴퓨터 장치가 신경망 학습을 수행한다고 가정한다.
신경망은 자동차의 종류에 따라 서로 다른 모델로 사전에 구축할 수 있다. 즉, 제조사, 자동차 연식, 엔진의 종류 등을 고려하여 서로 다른 모델을 마련할 수도 있다. 경우에 따라서는 다양한 훈련 데이터를 사용하여 하나의 신경망을 구축할 수도 있다. 센싱 데이터는 자동차 제조사 내지 자동차의 종류에 따라 서로 다를 수 있다. 다양한 모델을 하나의 신경망으로 처리하기 위해서는 센싱 데이터를 통일된 포맷을 사전에 처리해야 한다. 즉, 컴퓨터 장치가 범용적으로 자동차 진단을 수행하기 위하여 일정한 포맷으로 OBD 데이터를 전처리할 수 있다.
신경망은 훈련 데이터를 사용하여 구축된다. 훈련 데이터는 특정한 자동차로부터 획득한다. 훈련 데이터를 생성하는 자동차를 훈련용 자동차라고 명명한다. 훈련용 자동차에서 OBD 데이터와 DTC를 획득한다. 훈련용 자동차는 특정한 DTC를 출력한다고 전제한다. 다양한 종류의 고장을 진단하기 위하여, 서로 다른 DTC를 출력하는 복수의 훈련용 자동차로부터 훈련 데이터를 획득할 수 있다. 또 복수의 DTC를 출력하는 훈련용 자동차로부터 훈련 데이터를 획득할 수도 있다.
컴퓨터 장치는 시계열 OBD 데이터와 DTC를 이용하여 신경망을 훈련한다. 컴퓨터 장치는 신경망 훈련을 위하여 훈련용 자동차로부터 자동차 식별 정보, OBD 데이터, OBD 데이터 생성 시간, DTC 및 DTC 생성 시간을 획득한다. 자동차 식별 정보는 자동차(또는 엔진과 같은 자동차 핵심 부품)의 종류를 구분하는 정보이다. OBD 데이터는 전술한 바와 같이 엔진에 대한 데이터, 변속기에 대한 데이터, 동력전달장치에 대한 데이터, 제동 장치에 대한 데이터, 조향 장치에 대한 데이터, 현가 장치에 대한 데이터, 냉각 장치에 대한 데이터, 배기 장치에 대한 데이터 및 전장 장치에 대한 데이터 중 적어도 하나를 포함할 수 있다.
자동차 식별 정보, OBD 데이터 생성 시간, DTC 및 DTC 생성 시간을 훈련 데이터라고 명명한다. 일정한 시간 동안 계속하여 훈련 데이터를 획득한다. 컴퓨터 장치는 OBD 데이터 생성 시간을 기준으로 시계열 OBD 데이터를 일정한 시간 단위로 구분한다. 최종적인 훈련 데이터는 전처리된 시계열 OBD 데이터 및 DTC라고 할 수 있다. 도 3은 훈련 데이터로 시계열 OBD 데이터를 일정한 시간 단위로 구분한 데이터(전처리 OBD 데이터) 및 DTC를 도시한다.
컴퓨터 장치는 최종적인 훈련 데이터를 이용하여 신경망을 훈련한다. 도 3은 CNN은 신경망의 예로 도시하였다. 컴퓨터 장치는 전처리된 시계열 OBD 데이터(입력 데이터) 및 DTC(출력 데이터)를 이용하여 신경망을 학습시킨다.
도 4는 자동차 진단을 수행하는 과정에 대한 예이다. 도 4의 상단에는 자동차 진단을 위한 개략적인 과정을 도시한다. 컴퓨터 장치는 센싱 데이터인 OBD 데이터를 입력받는다. 컴퓨터 장치는 전술한 바와 같이 OBD 데이터를 일정하게 전처리한다. 즉, 컴퓨터 장치는 전처리된 시계열 OBD 데이터를 생성한다.
컴퓨터 장치는 전처리한 데이터를 딥 러닝 모델에 입력한다. 딥러닝 모델은 입력 데이터에 대하여 일정한 결과를 출력한다. 예컨대, 딥러닝 모델은 특정한 부품이나 부위에 대한 고장 여부를 출력할 수 있다. 또 딥러닝 모델은 특정한 부품이나 부위에 대한 잔여 수명을 출력할 수도 있다. 딥러닝 모델은 한 번에 복수의 부품에 대한 고장 여부 내지 잔여 수명을 출력할 수도 있다. 딥러닝 모델은 사전에 학습되어야 한다. 학습에 이용한 훈련 데이터에 따라 딥러닝 모델의 기능 및 딥러닝 모델이 출력하는 값이 달라진다.
도 4는 신경망으로 CNN의 예를 도시하였다. 컨볼루션 레이어와 풀링 레이어의 개수는 모델에 따라 달라질 수 있다. 예컨대, N은 3일 수 있다. 컨볼루션 레이어는 입력 데이터에서 특성을 추출한다. 예컨대, 활성화 함수로 ReLU 함수를 적용할 수 있다. 풀링 레이어는 정의된 범위의 데이터 중 가장 큰 값을 선택한다. 컨볼루션 레이어와 풀링 레이어를 3회 반복하여 입력 데이터로부터 특성(feature)을 추출한다. 컨볼루션 레이어와 풀링 레이어 다음에 전결합 레이어(fully connected layer)를 위치시킨다. 전결합 레이어에 활성함수는 softmax 함수를 적용할 수 있다. 출력 레이블에서 고장여부를 0과 1사이 값으로 출력할 수 있다. 예컨대, 출력값이 0.5 이상인 경우 자동차 또는 특정 부품에 대한 고장으로 판단할 수 있다.
도 5는 자동차 진단을 수행하는 방법(400)에 대한 순서도의 예이다. 컴퓨터 장치는 먼저 자동차 진단을 위한 신경망을 구축한다. 도 5는 CNN을 예로 설명한다. 컴퓨터는 CNN을 훈련한다(410).
컴퓨터 장치는 일정 기간동안 자동차에서 OBD 데이터를 수집한다(420). 컴퓨터 장치는 OBD 리더와 같은 진단 장비로부터 진단 데이터를 수집한다. 컴퓨터 장치는 전술한 바와 같이 수집한 OBD 데이터를 전처리한다(430).
컴퓨터 장치는 전처리한 데이터를 CNN에 입력하고, 일정한 결과를 도출한다(440). 컴퓨터 장치는 출력된 결과(진단 결과)에 따른 서비스를 수행한다(450). 컴퓨터 장치는 진단 결과를 화면에 표시할 수 있다. 또는 컴퓨터 장치는 진단 결과를 다른 장치에 전달할 수 있다. 예컨대, 컴퓨터 장치는 진단 결과를 스마트폰과 같은 사용자 단말에 전달할 수 있다. 컴퓨터 장치는 진단 결과를 서비스 서버에 전달할 수 있다. 사용자는 스마트폰에서 애플리케이션을 통해 서비스 서버에 접속하여 진단 결과를 확인할 수 있다.
자동차에 대한 진단이 종료되지 않았다면(460의 No) 컴퓨터 장치는 다시 OBD 데이터를 수집하여 전술한 과정을 반복한다. 한편 컴퓨터 장치는 딥러닝 모델을 업데이트(고도화)할 수 있다. 예컨대, 딥러닝 모델로 고장 여부를 진단한 자동차(또는 특정 부품)에서 DTC 코드가 검출되면, 컴퓨터 장치는 현재 수집한 ODB 데이터 및 DTC 코드를 현재의 딥러닝 모델에 반영할 수 있다. 즉, 진단 장비를 이용하여 DTC 코드를 확인한 경우, 컴퓨터 장치는 수집한 ODB 데이터 및 DTC 코드를 이용하여 현재의 딥러닝 모델을 더 학습시킬 수 있다.
나아가, 컴퓨터 장치가 자동차 또는 별도의 서버로부터 해당 자동차에 대한 수리 기록을 확인할 수 있다. 수리 기록은 특정 부품에 대한 고장 여부에 대한 정보를 포함한다. 이 경우 컴퓨터 장치는 수집한 OBD 데이터와 자동차에 대한 수리 기록을 이용하여 딥러닝 모델을 더 학습시킬 수도 있다.
본 실시례 및 본 명세서에 첨부된 도면은 전술한 기술에 포함되는 기술적 사상의 일부를 명확하게 나타내고 있는 것에 불과하며, 전술한 기술의 명세서 및 도면에 포함된 기술적 사상의 범위 내에서 당업자가 용이하게 유추할 수 있는 변형 예와 구체적인 실시례는 모두 전술한 기술의 권리범위에 포함되는 것이 자명하다고 할 것이다.
10 : OBD 리더
50 : 사용자 단말
100 : 컴퓨터 장치
110 : 입력장치
120 : 저장장치
130 : 연산장치
140 : 출력장치
200 : 컴퓨터 장치
300 : 컴퓨터 장치

Claims (12)

  1. 컴퓨터 장치가 일정한 시간 동안 자동차의 복수의 센서가 각각 수집한 복수의 센서 데이터를 수신하는 단계;
    상기 컴퓨터 장치가 상기 복수의 센서 데이터를 각각 시계열적으로 전처리하는 단계;
    상기 컴퓨터 장치가 상기 전처리한 복수의 센서 데이터를 사전에 학습한 딥러닝 모델에 입력하는 단계; 및
    상기 컴퓨터 장치가 상기 딥러닝 모델의 출력결과에 따라 상기 자동차의 부품에 대한 고장 진단 정보 또는 수명 정보를 생성하는 단계를 포함하되,
    상기 복수의 센서 데이터는 특정한 진단 부위 내지 부품과의 연관성에 관계 없이 상기 자동차에서 획득가능한 서로 다른 센서 데이터의 집합이고,
    상기 딥러닝 모델은 모델을 마련하기 위한 적어도 하나의 자동차에 내장된 복수의 센서가 생성한 OBD(On Board Diagnostics) 데이터를 입력 데이터로 삼고, 상기 입력 데이터가 생성된 시점에서 측정한 DTC(Diagnostic Trouble Code)를 결과값으로 하여 학습되고, 상기 입력 데이터는 시간의 흐름에 따라 변화량을 갖는 데이터를 기준 시간 단위로 분할한 데이터인 딥러닝 기반의 인공지능을 이용한 자동차 진단 방법.
  2. 제1항에 있어서,
    상기 컴퓨터 장치는 상기 자동차에 연결된 별도의 진단 장치 또는 상기 자동차로부터 상기 센서 데이터를 수신하는 딥러닝 기반의 인공지능을 이용한 자동차 진단 방법.
  3. 제1항에 있어서,
    상기 센서 데이터는 상기 복수의 센서가 각각 수집한 서로 다른 항목을 포함하는 딥러닝 기반의 인공지능을 이용한 자동차 진단 방법.
  4. 제1항에 있어서,
    상기 센서 데이터는
    엔진에 대한 데이터, 변속기에 대한 데이터, 동력전달장치에 대한 데이터, 제동 장치에 대한 데이터, 조향 장치에 대한 데이터, 현가 장치에 대한 데이터, 냉각 장치에 대한 데이터 및 전장 장치에 대한 데이터 중 적어도 하나를 포함하는 딥러닝 기반의 인공지능을 이용한 자동차 진단 방법.
  5. 제1항에 있어서,
    상기 전처리하는 단계는
    상기 컴퓨터 장치가 상기 복수의 센서가 각각 생성한 복수의 센서 데이터 각각에 대하여 시간축에서 시계열적으로 일정한 흐름을 갖는 연속된 데이터로 보고, 상기 연속된 데이터를 일정한 시간 단위로 분할하는 딥러닝 기반의 인공지능을 이용한 자동차 진단 방법.
  6. 삭제
  7. 제1항에 있어서,
    상기 딥러닝 모델은
    상기 시계열적으로 전처리된 센서 데이터가 갖는 연속된 변량을 나타내는 파형을 기준으로 학습되는 CNN(Convolutional Neural Network)인 딥러닝 기반의 인공지능을 이용한 자동차 진단 방법.
  8. 일정한 시간 동안 수집한 자동차의 복수의 센서가 각각 수집한 복수의 센서 데이터를 입력받은 입력 장치;
    시계열적인 센서 데이터 및 고장 진단 정보로 사전에 훈련한 딥러닝 모델을 저장하는 저장 장치; 및
    상기 입력받은 복수의 센서 데이터를 시계열적으로 전처리하고, 전처리한 센서 데이터를 상기 딥러닝 모델에 입력하여 상기 자동차의 부품에 대한 고장 진단 정보 또는 수명 정보를 출력하는 연산 장치를 포함하되,
    상기 복수의 센서 데이터는 특정한 진단 부위 내지 부품과의 연관성에 관계 없이 상기 자동차에서 획득가능한 서로 다른 센서 데이터의 집합이고,
    상기 딥러닝 모델은 모델을 마련하기 위한 적어도 하나의 자동차에 내장된 복수의 센서가 생성한 OBD(On Board Diagnostics) 데이터를 입력 데이터로 삼고, 상기 입력 데이터가 생성된 시점에서 측정한 DTC(Diagnostic Trouble Code)를 결과값으로 하여 학습되고, 상기 입력 데이터는 시간의 흐름에 따라 변화량을 갖는 데이터를 기준 시간 단위로 분할한 데이터인 딥러닝 기반의 인공지능을 이용한 자동차 진단 장치.
  9. 제8항에 있어서,
    상기 센서 데이터는 엔진에 대한 데이터, 변속기에 대한 데이터, 동력전달장치에 대한 데이터, 제동 장치에 대한 데이터, 조향 장치에 대한 데이터, 현가 장치에 대한 데이터, 냉각 장치에 대한 데이터 및 전장 장치에 대한 데이터 중 적어도 하나인 딥러닝 기반의 인공지능을 이용한 자동차 진단 장치.
  10. 제8항에 있어서,
    상기 연산 장치는 상기 복수의 센서 데이터 각각에 대하여 시간축에서 시계열적으로 일정한 흐름을 갖는 연속된 데이터로 보고, 상기 연속된 데이터를 일정한 시간 단위로 분할하여 상기 전처리를 수행하는 딥러닝 기반의 인공지능을 이용한 자동차 진단 장치.
  11. 삭제
  12. 제8항에 있어서,
    상기 딥러닝 모델은
    상기 시계열적으로 전처리된 센서 데이터가 갖는 연속된 변량을 나타내는 파형을 기준으로 학습되는 CNN(Convolutional Neural Network)인 딥러닝 기반의 인공지능을 이용한 자동차 진단 장치.
KR1020170102293A 2017-08-11 2017-08-11 딥러닝 기반의 인공지능을 이용한 자동차 진단 방법 및 장치 KR101889049B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020170102293A KR101889049B1 (ko) 2017-08-11 2017-08-11 딥러닝 기반의 인공지능을 이용한 자동차 진단 방법 및 장치
PCT/KR2018/008929 WO2019031799A1 (ko) 2017-08-11 2018-08-07 딥러닝 기반의 인공지능을 이용한 자동차 진단 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170102293A KR101889049B1 (ko) 2017-08-11 2017-08-11 딥러닝 기반의 인공지능을 이용한 자동차 진단 방법 및 장치

Publications (1)

Publication Number Publication Date
KR101889049B1 true KR101889049B1 (ko) 2018-08-21

Family

ID=63453832

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170102293A KR101889049B1 (ko) 2017-08-11 2017-08-11 딥러닝 기반의 인공지능을 이용한 자동차 진단 방법 및 장치

Country Status (2)

Country Link
KR (1) KR101889049B1 (ko)
WO (1) WO2019031799A1 (ko)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200041098A (ko) 2018-10-11 2020-04-21 현대자동차주식회사 파워 트레인 부품 고장 진단 방법
KR20200044225A (ko) * 2018-10-12 2020-04-29 가톨릭관동대학교산학협력단 딥러닝을 기반으로 한 자율차량을 위한 통합진단 시스템
KR20200057608A (ko) * 2019-08-29 2020-05-26 아이덴티파이 주식회사 인공지능 기술을 이용한 배기가스 배출량 예측방법
WO2020138908A1 (ko) * 2018-12-27 2020-07-02 삼성전자주식회사 전자 장치 및 그 제어 방법
KR20200086497A (ko) * 2019-01-09 2020-07-17 동명대학교산학협력단 멀티플랫폼 지능형 자동차 진단 시스템 및 방법
KR20200094954A (ko) * 2019-01-31 2020-08-10 순천향대학교 산학협력단 주행 데이터 기반 차량 상태 예측 시스템 및 방법
KR20200142993A (ko) 2019-06-14 2020-12-23 현대자동차주식회사 엔진 상태 진단 방법 및 엔진 상태 진단 모델링 방법
KR102229638B1 (ko) * 2019-10-31 2021-03-18 한국철도기술연구원 고장 예측 장치 및 방법
KR102258531B1 (ko) * 2020-11-23 2021-06-01 (주)펜타유니버스 복합 입력 인지 시스템용 통합 인지 분석부
KR20210086546A (ko) 2019-12-30 2021-07-08 주식회사 현대케피코 Can 네트워크 에러 검출 장치 및 방법
KR20210100867A (ko) * 2020-02-07 2021-08-18 동명대학교산학협력단 인공지능을 이용한 스마트 팩토리의 고장 진단 시스템
KR20210146654A (ko) 2020-05-27 2021-12-06 픽스업 주식회사 인공지능 기반 미래차의 소프트웨어 관리 방법
KR20220012535A (ko) * 2020-07-23 2022-02-04 주식회사 휴네이트 예측장치의 인공지능 모델 업그레이드 시스템 및 방법
WO2022114453A1 (ko) * 2020-11-30 2022-06-02 주식회사 인포카 차량 고장 여부를 예측하기 위한 인공 신경망 학습 방법, 차량 고장 여부 판단 방법, 및 이를 수행하는 컴퓨팅 시스템
KR20220088040A (ko) 2020-12-18 2022-06-27 숭실대학교산학협력단 합성곱 신경망 모델을 이용한 기계 결함 감지 방법, 이를 수행하기 위한 기록 매체 및 장치
KR20230170219A (ko) 2022-06-10 2023-12-19 딥센싱 주식회사 심층 신경망을 이용한 장비 고장 탐지 방법 및 시스템

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6791347B1 (ja) * 2019-12-19 2020-11-25 トヨタ自動車株式会社 モデル診断装置及びモデル診断システム
CN111340238B (zh) * 2020-03-12 2023-12-15 中南大学 一种工业系统的故障诊断方法、装置、设备及存储介质
GB2613135A (en) * 2021-07-27 2023-05-31 Microlise Ltd Brake performance monitoring system

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006053016A (ja) * 2004-08-11 2006-02-23 Hitachi Ltd 車両故障診断装置および車載端末
US8024084B2 (en) 1995-06-07 2011-09-20 Automotive Technologies International, Inc. Vehicle diagnostic techniques
KR20170078387A (ko) * 2015-12-29 2017-07-07 삼성전자주식회사 센서 관리 장치 및 방법

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160169771A1 (en) * 2013-06-24 2016-06-16 Hitachi, Ltd. Condition Monitoring Apparatus
KR101565030B1 (ko) * 2013-12-31 2015-11-02 현대자동차주식회사 데이터 분석을 이용한 자동차의 오류 판단 시스템 및 그 방법
JP2016173782A (ja) * 2015-03-18 2016-09-29 エヌ・ティ・ティ・コミュニケーションズ株式会社 故障予測システム、故障予測方法、故障予測装置、学習装置、故障予測プログラム及び学習プログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8024084B2 (en) 1995-06-07 2011-09-20 Automotive Technologies International, Inc. Vehicle diagnostic techniques
JP2006053016A (ja) * 2004-08-11 2006-02-23 Hitachi Ltd 車両故障診断装置および車載端末
KR20170078387A (ko) * 2015-12-29 2017-07-07 삼성전자주식회사 센서 관리 장치 및 방법

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200041098A (ko) 2018-10-11 2020-04-21 현대자동차주식회사 파워 트레인 부품 고장 진단 방법
KR102160140B1 (ko) * 2018-10-12 2020-09-25 가톨릭관동대학교산학협력단 딥러닝을 기반으로 한 자율차량을 위한 통합진단 시스템
KR20200044225A (ko) * 2018-10-12 2020-04-29 가톨릭관동대학교산학협력단 딥러닝을 기반으로 한 자율차량을 위한 통합진단 시스템
US11932274B2 (en) 2018-12-27 2024-03-19 Samsung Electronics Co., Ltd. Electronic device and control method therefor
WO2020138908A1 (ko) * 2018-12-27 2020-07-02 삼성전자주식회사 전자 장치 및 그 제어 방법
KR20200086497A (ko) * 2019-01-09 2020-07-17 동명대학교산학협력단 멀티플랫폼 지능형 자동차 진단 시스템 및 방법
KR102186297B1 (ko) * 2019-01-09 2020-12-03 동명대학교산학협력단 멀티플랫폼 지능형 자동차 진단 시스템
KR20200094954A (ko) * 2019-01-31 2020-08-10 순천향대학교 산학협력단 주행 데이터 기반 차량 상태 예측 시스템 및 방법
KR102215107B1 (ko) * 2019-01-31 2021-02-10 순천향대학교 산학협력단 주행 데이터 기반 차량 상태 예측 시스템 및 방법
US11137322B2 (en) 2019-06-14 2021-10-05 Hyundai Motor Company Diagnosing method of engine condition and diagnostic modeling method thereof
KR20200142993A (ko) 2019-06-14 2020-12-23 현대자동차주식회사 엔진 상태 진단 방법 및 엔진 상태 진단 모델링 방법
KR102118088B1 (ko) 2019-08-29 2020-06-02 아이덴티파이 주식회사 인공지능 기술을 이용한 배기가스 배출량 예측방법
KR20200057608A (ko) * 2019-08-29 2020-05-26 아이덴티파이 주식회사 인공지능 기술을 이용한 배기가스 배출량 예측방법
KR102229638B1 (ko) * 2019-10-31 2021-03-18 한국철도기술연구원 고장 예측 장치 및 방법
KR20210086546A (ko) 2019-12-30 2021-07-08 주식회사 현대케피코 Can 네트워크 에러 검출 장치 및 방법
KR20210100867A (ko) * 2020-02-07 2021-08-18 동명대학교산학협력단 인공지능을 이용한 스마트 팩토리의 고장 진단 시스템
KR102357754B1 (ko) * 2020-02-07 2022-01-28 동명대학교산학협력단 인공지능을 이용한 스마트 팩토리의 고장 진단 시스템
KR20210146654A (ko) 2020-05-27 2021-12-06 픽스업 주식회사 인공지능 기반 미래차의 소프트웨어 관리 방법
KR20220012535A (ko) * 2020-07-23 2022-02-04 주식회사 휴네이트 예측장치의 인공지능 모델 업그레이드 시스템 및 방법
KR102472735B1 (ko) 2020-07-23 2022-12-01 주식회사 휴네이트 예측장치의 인공지능 모델 업그레이드 시스템 및 방법
KR102258531B1 (ko) * 2020-11-23 2021-06-01 (주)펜타유니버스 복합 입력 인지 시스템용 통합 인지 분석부
WO2022114453A1 (ko) * 2020-11-30 2022-06-02 주식회사 인포카 차량 고장 여부를 예측하기 위한 인공 신경망 학습 방법, 차량 고장 여부 판단 방법, 및 이를 수행하는 컴퓨팅 시스템
KR20220075922A (ko) * 2020-11-30 2022-06-08 주식회사 인포카 차량 고장 여부를 예측하기 위한 인공 신경망 학습 방법, 차량 고장 여부 판단 방법, 및 이를 수행하는 컴퓨팅 시스템
EP4033413A4 (en) * 2020-11-30 2023-06-28 Infocar Co., Ltd. Artificial neural network training method for predicting whether vehicle is in trouble, method for determining whether vehicle is in trouble, and computing system performing same
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
KR20220088040A (ko) 2020-12-18 2022-06-27 숭실대학교산학협력단 합성곱 신경망 모델을 이용한 기계 결함 감지 방법, 이를 수행하기 위한 기록 매체 및 장치
KR20230170219A (ko) 2022-06-10 2023-12-19 딥센싱 주식회사 심층 신경망을 이용한 장비 고장 탐지 방법 및 시스템

Also Published As

Publication number Publication date
WO2019031799A1 (ko) 2019-02-14

Similar Documents

Publication Publication Date Title
KR101889049B1 (ko) 딥러닝 기반의 인공지능을 이용한 자동차 진단 방법 및 장치
KR101864860B1 (ko) 딥러닝을 통한 자동차 상태 진단 방법
KR101974347B1 (ko) 차량 고장 진단 시스템 및 그 진단방법
US9881430B1 (en) Digital twin system for a cooling system
KR20190107080A (ko) 클라우드 기반 차량 고장 진단 방법, 장치 및 시스템
US9721399B2 (en) Vehicle diagnosing apparatus, vehicle diagnosing system, and diagnosing method
US8346429B2 (en) Vehicle health monitoring system architecture for diagnostics and prognostics disclosure
US8346700B2 (en) Vehicle health monitoring reasoner architecture for diagnostics and prognostics
CN105008875B (zh) 基于所感测的振动确定用于机动车辆的矫正动作
JP2009265104A (ja) 診断データマイニング
CN110379437A (zh) 隔离车内故障的方法和装置
KR102037459B1 (ko) 시뮬레이터를 이용한 차량 검사 시스템
US20200262415A1 (en) Method for wear prediction and motor vehicle
CN108275094A (zh) 用于隔离dc电源的低充电状态的根本原因的方法和设备
Chen et al. The implementation of real-time on-line vehicle diagnostics and early fault estimation system
CN116880454A (zh) 车辆故障智能诊断系统与方法
US20140121894A1 (en) Emissions monitor stoplight interface
Siegel et al. Surveying off-board and extra-vehicular monitoring and progress towards pervasive diagnostics
CN114379570A (zh) 车辆数据操纵和机械故障的自动检测
EP4191489A1 (en) Maintenance control system and method
KR102552759B1 (ko) 차량 상태 히스토리 기반 중고차 상태 모니터링을 통한 정비 스케줄링 서비스 제공 방법, 장치 및 시스템
US20220284740A1 (en) Method for determining the operating state of vehicle components
AU2010101243A4 (en) Driver behaviour assessment
KR102552699B1 (ko) 차량 고장 여부를 예측하기 위한 인공 신경망 학습 방법, 차량 고장 여부 판단 방법, 및 이를 수행하는 컴퓨팅 시스템
EP2166514B1 (de) Kraftfahrzeugdiagnosesystem

Legal Events

Date Code Title Description
AMND Amendment
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant