KR102129480B1 - 무인 자율주행차량의 예지보전장치 및 이의 예지보전방법 - Google Patents

무인 자율주행차량의 예지보전장치 및 이의 예지보전방법 Download PDF

Info

Publication number
KR102129480B1
KR102129480B1 KR1020200049534A KR20200049534A KR102129480B1 KR 102129480 B1 KR102129480 B1 KR 102129480B1 KR 1020200049534 A KR1020200049534 A KR 1020200049534A KR 20200049534 A KR20200049534 A KR 20200049534A KR 102129480 B1 KR102129480 B1 KR 102129480B1
Authority
KR
South Korea
Prior art keywords
failure
unmanned autonomous
autonomous vehicle
predictive maintenance
functional
Prior art date
Application number
KR1020200049534A
Other languages
English (en)
Inventor
정희운
Original Assignee
호서대학교 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 호서대학교 산학협력단 filed Critical 호서대학교 산학협력단
Priority to KR1020200049534A priority Critical patent/KR102129480B1/ko
Priority to JP2020541531A priority patent/JP6996795B2/ja
Priority to PCT/KR2020/008454 priority patent/WO2021080116A1/ko
Application granted granted Critical
Publication of KR102129480B1 publication Critical patent/KR102129480B1/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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0015—Planning or execution of driving tasks specially adapted for safety
    • 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
    • B60W50/0097—Predicting future conditions
    • 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
    • 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
    • B60W2050/0062—Adapting control system settings
    • B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
    • B60W2050/009—Priority selection
    • B60W2050/0094—Priority selection of control units
    • 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
    • B60W2050/021—Means for detecting failure or malfunction
    • 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
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2400/00—Special features of vehicle units
    • B60Y2400/30—Sensors

Abstract

무인 자율주행차량의 예지보전장치 및 예지보전방법이 개시된다. 이에 의하면, 센서에 의해 측정된 무인 자율주행차량의 동작관련데이터를 수신하고, 상기 동작관련데이터로부터 무인 자율주행차량의 동작을 인식하고 상기 동작을 복수개의 제1 기능 인자로 분할하고, 복수개의 제1 기능 인자 각각의 상태변화에 따른 무인 자율주행차량에의 장애발생내역을 학습하여 상기 복수개의 제1 기능 인자 각각에 대응하는 복수개의 제1 고장 패턴을 생성하고, 소정 기준에 기초하여 복수개의 제1 기능 인자 중에서 무인 자율주행차량에 장애가 발생하는데 영향을 미치는 제2 기능 인자를 추출하며, 복수개의 제1 고장 패턴 중에서 제2 기능 인자에 대응하는 제2 고장 패턴에 기초하여 무인 자율주행차량의 고장발생시점을 예측할 수 있다.

Description

무인 자율주행차량의 예지보전장치 및 이의 예지보전방법{THE PREDICTIVE MAINTENANCE APPARATUS OF AUTOMATIC GUIDED VEHICLE AND PREDICTIVE MAINTENANCE METHOD OF THEREOF}
본 발명은 무인 자율주행차량의 예지보전장치 및 이의 예지보전방법에 관한 것으로서, 보다 구체적으로 무인 자율주행차량에 발생할 고장이나 장애의 발생 가능 시점을 미리 예측할 수 있는 무인 자율주행차량의 예지보전장치 및 이의 예지보전방법에 관한 것이다.
최근 스마트 공장의 도입 추세에 따라, 대형 공장에서는 제조 설비 또는 창고 주변의 자재 이동을 위해 무인 자율주행차량(Automated Guided Vehicle: AGV)이 사용되고 있다. 일반적으로 무인 자율주행차량은 지면 하단이나 공중에 설치된 와이어, 지면이나 벽면에 설치된 광학 또는 마그네틱 테이프 등으로 구현되는 다양한 방식의 가이드라인을 따라 자율 주행할 수 있다.
무인 자율주행차량은 스마트 공장 내에서 수행되는 여러 작업 공정들 중에서, 소정 작업 단계의 업무를 분담할 수 있다. 만일, 무인 자율주행차량에 장애나 고장이 발생하게 되면, 순차적으로 진행되야 하는 작업 공정들이 지연되게 되어 공장 운영에 차질이 생긴다. 따라서, 스마트 공장내에서 동작하는 무인 자율주행차량의 예지보전은 중요한 문제이다.
그러나, 현재 무인 자율주행차량에 고장이나 장애가 발생하는 시점을 미리 예측하고 이를 대비하기 위한 무인 자율주행차량의 예지보전에 대한 연구나 발명은 존재하지 않는다.
생존분석을 이용한 디스플레이 FAB의 반송시간 예측모형(대한산업공학회지 제40권 제3호, 2014.06, 283-290(8 pages))
본 발명이 해결하고자 하는 과제는, 무인 자율주행차량에 발생할 고장이나 장애 및 발생 시점을 미리 예측하여 이에 대비할 수 있는 무인 자율주행차량의 예지보전장치 및 이의 예지보전방법을 제공하는 것이다.
또한, 본 발명이 해결하고자 하는 과제는, 무인 자율주행차량의 고장이나 장애의 발생시점을 정밀하게 예측할 수 있는 무인 자율주행차량의 예지보전장치 및 이의 예지보전방법을 제공하는 것이다.
나아가, 본 발명이 해결하고자 하는 과제는, 무인 자율주행차량의 상태를 실시간으로 진단하거나 고장 및 장애의 발생시점을 신속하게 예측할 수 있는 무인 자율주행차량의 예지보전장치 및 이의 예지보전방법을 제공하는 것이다.
본 발명의 일 실시 예에 의한 무인 자율주행차량의 예지보전장치에 의하면, 센서에 의해 측정된 무인 자율주행차량의 동작관련데이터를 수신하는 수집부; 와, 상기 동작관련데이터로부터 상기 무인 자율주행차량의 동작을 인식하고, 상기 동작을 복수개의 제1 기능 인자로 분할하는 분석부; 와, 상기 복수개의 제1 기능 인자 각각의 상태변화에 따른 상기 무인 자율주행차량에의 장애발생내역을 학습하여, 상기 복수개의 제1 기능 인자 각각에 대응하는 복수개의 제1 고장 패턴을 생성하는 학습부; 및 소정 기준에 기초하여 상기 복수개의 제1 기능 인자 중에서 상기 무인 자율주행차량에 장애가 발생하는데 영향을 미치는 제2 기능 인자를 추출하고, 상기 복수개의 제1 고장 패턴 중에서 상기 제2 기능 인자에 대응하는 제2 고장 패턴에 기초하여 상기 무인 자율주행차량의 고장발생시점을 예측하는 제어부를 포함할 수 있다.
상기 무인 자율주행차량의 예지보전장치에 있어서, 상기 제어부는, 상기 복수개의 제1 기능 인자 중에서 두 개 이상의 제1 기능 인자를 선택하여 상기 제2 기능 인자로 추출하는 것을 특징으로 한다.
상기 무인 자율주행차량의 예지보전장치에 있어서, 상기 제어부는, 상기 제2 기능 인자에 대응하는 제2고장 패턴에 의해 장애 발생이 예측되는 복수 개의 시점들을 추출하고, 현 시점으로부터 가장 빠르게 도래하는 시점을 상기 고장발생시점으로 예측하는 것을 특징으로 한다.
상기 무인 자율주행차량의 예지보전장치에 있어서, 상기 제어부는, 상기 제2 기능 인자 상호간의 상관 관계를 반영하여, 상기 제2고장 패턴을 조합하여 제3 고장 패턴을 생성하고, 상기 제3 고장 패턴에 기초하여 상기 고장발생시점을 예측하는 것을 특징으로 한다.
상기 무인 자율주행차량의 예지보전장치에 있어서, 상기 동작관련데이터는, 반송로드, 반송시간 및 통신 상태 중 적어도 하나를 포함하는 것을 특징으로 한다.
상기 무인 자율주행차량의 예지보전장치에 있어서, 상기 센서는, 각각 서로 다른 종류의 데이터를 측정하는 복수개의 센서를 포함하고, 상기 복수개의 센서 중 일부는 상기 무인 자율주행차량에 부착되는 것을 특징으로 한다.
상기 무인 자율주행차량의 예지보전장치에 있어서, 상기 제어부는, 상기 복수개의 센서 각각에 우선 순위를 설정하고, 상기 우선 순위에 기초하여 상기 동작관련데이터를 수신하도록 상기 수집부를 제어하는 것을 특징으로 한다.
상기 무인 자율주행차량의 예지보전장치에 있어서, 상기 제어부는, 실시간 스트리밍을 통해 상기 동작관련데이터를 수신하도록 상기 수집부를 제어하고, 상기 동작관련데이터를 연속적인 복수개의 서브 그룹들로 분할하여 소정 주기 마다 상기 복수개의 서브 그룹들 각각을 순차적으로 처리하는 것을 특징으로 한다.
본 발명의 다른 실시 예에 의한 무인 자율주행차량의 예지보전 방법에 의하면, 센서에 의해 측정된 무인 자율주행차량의 동작관련데이터를 수신하는 단계; 와, 상기 동작관련데이터로부터 상기 무인 자율주행차량의 동작을 인식하고, 상기 동작을 복수개의 제1 기능 인자로 분할하는 단계; 와, 상기 복수개의 제1 기능 인자 각각의 상태변화에 따른 상기 무인 자율주행차량에의 장애발생내역을 학습하여, 상기 복수개의 제1 기능 인자 각각에 대응하는 복수개의 제1 고장 패턴을 생성하는 단계; 와, 소정 기준에 기초하여 상기 복수개의 제1 기능 인자 중에서 상기 무인 자율주행차량에 장애가 발생하는데 영향을 미치는 제2 기능 인자를 추출하는 단계; 및 상기 복수개의 제1 고장 패턴 중에서 상기 제2 기능 인자에 대응하는 제2 고장 패턴에 기초하여 상기 무인 자율주행차량의 고장발생시점을 예측하는 단계를 포함할 수 있다.
본 발명의 실시예에 따르면, 무인 자율주행차량에 발생할 고장이나 장애 및 발생 시점을 미리 예측함으로써 이에 대비할 수 있고, 무인 자율주행차량의 고장으로 인한 공정 지연을 방지할 수 있다.
또한, 본 발명의 실시예에 따르면, 무인 자율주행차량의 고장이나 장애의 발생시점을 정밀하게 예측할 수 있다.
나아가, 본 발명의 실시예에 따르면, 무인 자율주행차량의 상태를 실시간으로 진단하거나 고장 및 장애의 발생시점을 신속하게 예측할 수 있다.
도 1은 본 발명에 따른 무인 자율주행차량의 예지보전장치를 포함하는 스마트 공장 내부를 도시한 도면이다.
도 2는 본 발명에 따른 무인 자율주행차량의 예지보전장치의 구성을 도시한 블록도이다.
도 3a와 도 3b는 본 발명에 따른 무인 자율주행차량의 예지보전장치가 수행하는 데이터 분석 방법을 설명하기 위한 도면이다.
도 4a와 도 4b는 본 발명에 따른 무인 자율주행차량의 예지보전장치가 수행하는 학습 방법을 설명하기 위한 도면이다.
도 5는 본 발명에 따른 무인 자율주행차량의 예지보전장치가 센서에 대응하여 고장 패턴을 생성하는 일 예를 설명하기 위한 도면이다.
도 6은 본 발명에 따른 무인 자율주행차량의 예지보전장치가 고장 패턴을 생성하는 다른 예를 설명하기 위한 도면이다.
도 7은 본 발명에 따른 무인 자율주행차량의 예지보전장치가 실시간 스트리밍을 통해 데이터를 처리하는 방법을 설명하기 위한 도면이다.
도 8은 본 발명에 따른 무인 자율주행차량의 예지보전과정을 도시한 도면이다.
도 9는 본 발명의 실시예에 따른 무인 자율주행차량의 예지보전을 수행하는 컴퓨팅 장치를 나타내는 도면이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 명세서에서, 동일한 구성요소에 대해서 중복된 설명은 생략한다.
또한 본 명세서에서, 어떤 구성요소가 다른 구성요소에 '연결되어' 있다거나 '접속되어' 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에 본 명세서에서, 어떤 구성요소가 다른 구성요소에 '직접 연결되어' 있다거나 '직접 접속되어' 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
또한, 본 명세서에서 사용되는 용어는 단지 특정한 실시예를 설명하기 위해 사용되는 것으로써, 본 발명을 한정하려는 의도로 사용되는 것이 아니다.
또한 본 명세서에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.
또한 본 명세서에서, '포함하다' 또는 '가지다' 등의 용어는 명세서에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품, 또는 이들을 조합한 것이 존재함을 지정하려는 것일 뿐, 하나 또는 그 이상의 다른 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 할 것이다.
또한 본 명세서에서, '및/또는' 이라는 용어는 복수의 기재된 항목들의 조합 또는 복수의 기재된 항목들 중의 어느 항목을 포함한다. 본 명세서에서, 'A 또는 B'는, 'A', 'B', 또는 'A와 B 모두'를 포함할 수 있다.
또한 본 명세서에서, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략될 것이다.
도 1은 본 발명에 따른 무인 자율주행차량의 예지보전장치를 포함하는 스마트 공장 내부를 도시한 도면이다.
스마트 공장 내부에는 복수개의 무인 자율주행차량(111, 112, 113)이 주행하며 작업을 수행할 수 있다. 여기서, 무인 자율주행차량(Automatic Guided Vehicle: AGV)은 운전자없이 자동으로 움직이는 산업용 차량을 지칭한다. AGV는 제조 시설이나 유통 센터 등에서 자재를 자동으로 이동시키는 대표적인 솔루션으로서, 반복적인 재료 이동을 효율적으로 대체할 수 있다.
복수개의 센서(121, 122, 123, 124, 125, 126)는 무인 자율주행차량(111, 112, 113)의 동작관련데이터 및 스마트 공장 내부의 환경 정보를 측정할 수 있다. 이를 위해, 복수개의 센서(121, 122, 123, 124, 125, 126)는 카메라, 이미지 센서, 라이다 센서, 레이더 센서, 속도 센서, 가속도 센서, 각속도 센서, 자이로 센서, 거리 센서, 깊이 센서, 온도 센서, 습도 센서 등을 포함하는 다양한 센서로 구현될 수 있다.
복수개의 센서(121, 122, 123, 124, 125, 126)는 각각 서로 다른 종류의 데이터를 측정할 수 있다.
복수개의 센서(121, 122, 123, 124, 125, 126) 중 일부(121, 122, 123)는 복수개의 무인 자율주행차량(111, 112, 113)에 대응하여 부착되고, 다른 일부(124, 125, 126)는 스마트 공장 내부의 소정 위치에 배치될 수 있다.
본 발명에 따른 무인 자율주행차량의 예지보전장치(200)는 AGV에 대한 예지보전을 수행할 수 있다. 예지보전은 각각의 설비 상태를 정량적으로 파악하여 설비의 이상 상태나 앞으로 발생할 수 있는 사태를 미리 예상하고 적절하게 유지하고 보수하는 작업이다.
이를 위해, 무인 자율주행차량의 예지보전장치(200)는 복수개의 센서(121, 122, 123, 124, 125, 126)에 의해 측정된 무인 자율주행차량(111, 112, 113)의 동작관련데이터를 실시간으로 수집하여 분석 및 학습하고, 이에 기초하여 예지보전을 수행할 수 있다.
원격 서버(130)는 복수개의 무인 자율주행차량(111, 112, 113) 및 복수개의 센서(121, 122, 123, 124, 125, 126)의 동작을 원격에서 제어할 수 있다. 이를 위해, 원격 서버(130)는 데이터의 송수신을 위해 유무선 통신을 수행하는 통신 모뎀, 원격에서 제어 명령을 송신하거나 데이터를 분석하는 제어 소프트웨어, 데이터의 입력 또는 출력을 담당하는 입출력 인터페이스 등을 포함하여 구성될 수 있다.
관리자 단말(140)은 외부에서 무인 자율주행차량(111, 112, 113)의 동작 상태나 스마트 공장 내부의 운영상태를 모니터링 하고 관련된 제어명령을 전송할 수 있다. 이 경우, 관리자 단말(140)은 이동 단말이나 랩탑 등을 포함하는 다양한 형태의 사용자 단말로 구현될 수 있다.
도 2는 본 발명에 따른 무인 자율주행차량의 예지보전장치의 구성을 도시한 블록도이다.
본 발명에 따른 무인 자율주행차량의 예지보전장치(200)는 수집부(210), 분석부(220), 학습부(230) 및 제어부(240)를 포함하여 구성될 수 있다.
수집부(210)는 센서에 의해 측정된 무인 자율주행차량의 동작관련데이터를 수신할 수 있다.
여기서, 동작관련데이터는 스마트 공장 내에서 무인 자율주행차량이 수행하는 다양한 동작과 관련된 모든 종류의 데이터를 포함할 수 있다. 예를 들어, 동작관련데이터는 대상물품의 반송로드, 반송시간, 부하율, 장비와의 스케줄링 등을 위한 통신상태, AGV 주행 속도, AGV 구동회로의 온도, 그 외 AGV의 현재 상태를 확인할 수 있는 모든 종류의 데이터를 포함할 수 있다.
수집부(210)는 센서가 측정한 동작관련데이터를 센서로부터 직접 수신하거나 원격 서버로부터 수신할 수 있다. 이를 위해, 수집부(210)는 센서 또는 원격 서버와 다양한 종류의 유무선 통신을 수행할 수 있다.
분석부(220)는 동작관련데이터로부터 무인 자율주행차량의 동작을 인식하고, 상기 동작을 복수개의 제1 기능 인자로 분할할 수 있다.
분석부(220)에 의해 인식되는 무인 자율주행차량의 동작은 적어도 하나 이상일 수 있다.
제1 기능 인자는 동작을 구성하는 동작요소로 정의될 수 있다. 이 경우, 동작요소는 동작을 시계열적으로 분할하여 구성하거나, 동작을 공간적으로 분할하여 구성할 수 있다.
학습부(230)는 복수개의 제1 기능 인자 각각의 상태변화에 따른 무인 자율주행차량에의 장애발생내역을 학습하여, 복수개의 제1 기능 인자 각각에 대응하는 복수개의 제1 고장 패턴을 생성할 수 있다. 여기서, 장애발생내역은 장애나 고장의 발생 여부, 종류, 고장발생시점, 고장 정도, 장애발생 부분 등을 포함할 수 있다.
구체적으로, 복수개의 제1 기능 인자 각각의 상태변화에 따른 무인 자율주행차량에의 장애발생내역은 달라질 수 있다. 즉, 기능 인자의 종류나 동작 상태에 따라 장애발생 여부나 장애발생 시점 등이 달라질 수 있다. 따라서, 학습부(230)는 이에 대한 다양한 데이터를 학습함으로써, 각 기능 인자에 따른 고장 패턴을 생성하게 된다. 고장 패턴은 시간 경과에 따른 고장 발생률을 표시하는 곡선 그래프이다.
학습부(230)는 무인 자율주행차량이 정상상태인 경우 및 장애발생상태인 경우 각각에 대한 빅데이터를 수집하고, 빅데이터를 학습하여 정상상태 및 장애발생상태에 대한 기준값을 설정할 수 있다.
한편, 학습부(230)는 머신 러닝, 딥 러닝 등을 포함하는 다양한 형태의 인공 지능에 의한 학습을 수행할 수 있다. 여기서, 머신 러닝은 지도 학습, 비지도 학습 및 강화 학습으로 분류될 수 있다. 지도 학습은 입력과 정답의 관계를 제시한 데이터를 학습 데이터로 입력하여 그 관계를 재현하도록 특징을 추출하여 모델을 생성한다. 비지도 학습은 아무 설명도 없는 학습 데이터를 입력하여 추출한 특징의 패턴으로부터 유사한 그룹을 찾아내고 각각의 모델을 생성한다. 강화 학습은 추론 결과에 대해 평가(보상)를 함으로써 어떤 결과를 원하는지를 제시하여 그 결과를 가장 잘 재현할 수 있는 모델을 생성한다.
제어부(240)는 소정 기준에 기초하여 복수개의 제1 기능 인자 중에서 무인 자율주행차량에 장애가 발생하는데 영향을 미치는 제2 기능 인자를 추출할 수 있다. 여기서, 제2 기능 인자는 복수개의 제1 기능 인자 중에서 선택된 소정의 제1 기능 인자로서, 동작을 구성하는 동작요소에 해당한다. 예를 들어, 제1 기능 인자가 [적재], [지지], [경로탐색] 및 [주행]인 경우, 제2 기능 인자는 이중에서 추출된 [지지]일 수 있다.
이 경우, 제어부(240)는 실시 예에 따라 소정 기준을 다르게 설정할 수 있다. 앞서 설명한 바와 같이, 소정 기준에 기초하여 제2 기능 인자가 추출된다. 따라서, 제어부(240)는 소정 기준을 변경함으로써, 원하는 기능 인자에 기초하여 장애나 고장에 대한 예지보전을 수행할 수 있다.
제어부(240)는 복수개의 제1 고장 패턴 중에서 제2 기능 인자에 대응하는 제2 고장 패턴에 기초하여 무인 자율주행차량의 고장발생시점을 예측할 수 있다.
여기서, 제2 고장 패턴은 복수개의 제1 고장 패턴 중에서 선택된 소정의 제1 고장 패턴으로서, 시간 경과에 따른 고장 발생률을 표시하는 곡선 그래프일 수 있다.
일 실시 예에 의하면, 제어부(240)는 복수개의 제1 기능 인자 중에서 두 개 이상의 제1 기능 인자를 선택하여 제2 기능 인자로 추출할 수 있다. 이 경우, 제어부(240)는 제2 기능 인자에 대응하는 제2고장 패턴에 의해 장애 발생이 예측되는 복수 개의 시점들을 추출하고, 현 시점으로부터 가장 빠르게 도래하는 시점을 고장발생시점으로 예측할 수 있다.
다른 실시 예에 의하면, 제어부(240)는 제2 기능 인자 상호간의 상관 관계를 반영하여, 제2고장 패턴을 조합하여 제3 고장 패턴을 생성하고, 제3 고장 패턴에 기초하여 고장발생시점을 예측할 수 있다.
또 다른 실시 예에 의하면, 제어부(240)는 복수개의 센서 각각에 우선 순위를 설정하고, 상기 우선 순위에 기초하여 동작관련데이터를 수신하도록 수집부(210)를 제어할 수 있다.
한편, 제어부(240)는 실시간 스트리밍 방식에 의해 데이터를 처리할 수 있다. 일 실시 예에 의하면, 실시간 스트리밍 방식은 스파크 스트리밍일 수 있다. 구체적으로, 제어부(240)는 실시간 스트리밍을 통해 동작관련데이터를 수신하도록 수집부(210)를 제어하고, 상기 동작관련데이터를 연속적인 복수개의 서브 그룹들로 분할하여 소정 주기 마다 상기 복수개의 서브 그룹들 각각을 순차적으로 처리할 수 있다.
스파크 스트리밍에 대해서는 도 7에 대한 설명에서 후술한다.
도 3a와 도 3b는 본 발명에 따른 무인 자율주행차량의 예지보전장치가 수행하는 데이터 분석 방법을 설명하기 위한 도면이다.
구체적으로, 도 3a에는 무인 자율주행차량의 예지보전장치(200)의 분석부(220)의 상세 구성이 도시되어 있다. 분석부(220)는 센서에 의해 측정된 무인 자율주행차량의 동작관련데이터를 분석할 수 있다. 이를 위해, 분석부(220)는 동작 인식 모듈(310)과 기능 인자 분할 모듈(320)을 포함하여 구성될 수 있다.
동작 인식 모듈(310)은 동작관련데이터로부터 무인 자율주행차량의 동작을 인식할 수 있다. 구체적으로, 동작 인식 모듈(310)은 복수개의 동작관련데이터로 구성되는 데이터 집합으로부터 공통 목적을 추출하고, 추출된 공통 목적에 기초하여 무인 자율주행차량의 동작을 인식할 수 있다. 예를 들어, 반송로드, 반송시간, 장비와의 스케줄링 등으로 구성되는 데이터 집합으로부터 반송이라는 공통 목적을 추출하고, 이에 기초하여 반송이라는 동작을 인식할 수 있다.
기능 인자 분할 모듈(320)은 동작을 복수개의 제1 기능 인자로 분할할 수 있다.
일 실시 예에 의하면, 기능 인자 분할 모듈(320)은 동작을 시계열적으로 분할함으로써, 동작을 복수개의 제1 기능 인자로 분할할 수 있다. 예를 들어, 반송은 시계열적으로 [적재], [지지], [경로탐색], [주행]이 순차적으로 진행된다. 따라서, 기능 인자 분할 모듈(320)은 반송 동작을, [적재], [지지], [경로탐색] 및 [주행] 등의 4개의 제1 기능 인자들로 분할할 수 있다.
다른 실시 예에 의하면, 기능 인자 분할 모듈(320)은 동작을 공간적으로 분할함으로써, 동작을 복수개의 제1 기능 인자로 분할할 수 있다. 예를 들어, 반송 동작을 상세하게 분석하면, 송신단에서는 물품의 [적재]가 수행되고, 송신단과 수신단 사이에서는 [지지]가 수행된다. 따라서, 기능 인자 분할 모듈(320)은 반송 동작을, [적재], [지지] 등의 2개의 제1 기능 인자들로 분할할 수 있다.
도 3b는 동작 및 복수개의 제1 기능 인자를 순차적으로 추출하는 일 예이다. 복수개의 동작관련데이터(330)는 반송 로드, 반송 시간, 통신 상태 및 이동 경로에 대한 데이터를 포함한다. 이 경우, 복수개의 동작관련데이터(330)로부터 무인 자율주행차량의 동작을 [반송](340)으로 인식한다.
[반송](340) 동작을 시계열적으로 분할하여, 복수개의 제1 기능 인자(350)로 분할한다. 이에 의해, [반송](340) 동작을 [적재], [지지], [경로탐색] 및 [주행] 등의 4개의 제1 기능 인자들로 분할할 수 있다.
도 4a와 도 4b는 본 발명에 따른 무인 자율주행차량의 예지보전장치가 수행하는 학습 방법을 설명하기 위한 도면이다.
도 4a에는 무인 자율주행차량의 예지보전장치(200)의 학습부(230)의 상세 구성이 도시되어 있다. 학습부(230)는 학습을 수행하여 고장 패턴을 생성할 수 있다. 이를 위해, 학습부(230)는 장애 발생내역 학습 모듈(410)과 고장 패턴 생성 모듈(420)을 포함하여 구성될 수 있다.
장애 발생내역 학습 모듈(410)은 복수개의 제1 기능 인자 각각의 상태변화에 따른 무인 자율주행차량에의 장애발생내역을 학습할 수 있다. 이 경우, 장애 발생내역 학습 모듈(410)은 복수개의 제1 기능 인자 각각의 상태변화에 따라 달라지는 장애발생여부와 장애발생시점 및 장애발생정도 등의 데이터를 학습할 수 있다. 예를 들어, 제1 기능 인자가 적재라고 가정할 때, 물품의 적재량에 따라 달라지는 장애발생여부 및 장애발생시점을 학습할 수 있다.
고장 패턴 생성 모듈(420)은 복수개의 제1 기능 인자 각각에 대응하는 복수개의 제1 고장 패턴을 생성할 수 있다.
구체적으로, 고장 패턴 생성 모듈(420)은 장애 발생내역 학습 모듈(410)의 학습 결과에 기초하여, 시간 경과에 따른 고장 발생률을 계산할 수 있다.
고장 패턴 생성 모듈(420)은 시간 경과에 따른 고장 발생률을 곡선 그래프로 표시함으로써 제1 고장 패턴을 생성할 수 있다. 이 경우, 고장 패턴 생성 모듈(420)은 복수개의 제1 기능 인자 각각에 대응하여, 복수개의 제1 고장 패턴을 생성할 수 있다.
도 4b는 복수개의 제1 고장 패턴의 일 예를 도시한다.
복수개의 제1 고장 패턴은 복수개의 제1 기능 인자 각각에 대응하며, 곡선 그래프 형태로 표시된다. 도 4b를 참조하면, [적재]에 대응하는 고장 패턴(430), [지지]에 대응하는 고장 패턴(440), [경로탐색]에 대응하는 고장 패턴(450) 및 [주행]에 대응하는 고장 패턴(460)이 각각 도시되어 있다.
이를 참조하면, 기능 인자에 따라 고장 발생률, 고장 발생 시점, 고장 발생 정도 등이 모두 상이하다는 것을 알 수 있다.
도 5는 본 발명에 따른 무인 자율주행차량의 예지보전장치가 센서에 대응하여 고장 패턴을 생성하는 일 예를 설명하기 위한 도면이다.
무인 자율주행차량의 동작관련데이터를 측정하는 센서는 복수 개일 수 있다. 이 경우, 복수개의 센서 각각은 서로 다른 종류의 데이터를 측정할 수 있다.
무인 자율주행차량의 예지보전장치(200)는 복수개의 센서 각각에 대응하여 고장 패턴을 생성할 수 있다. 이 경우, 각각의 센서에서 수집된 동작관련데이터에 기초하여 고장 패턴을 생성할 수 있다.
도 5를 참조하면, 제1센서에 대응하는 고장 패턴(510), 제2센서에 대응하는 고장 패턴(520), 제3센서에 대응하는 고장 패턴(530)이 생성되어 있다. 각각의 고장 패턴(510, 520, 530)에서, 곡선의 기울기, 고장 정도, 고장발생시점 등은 모두 상이하다. 이 경우, 무인 자율주행차량의 예지보전장치(200)는 복수개의 고장 패턴(510, 520, 530)을 종합적으로 고려하여, 고장발생시점을 예측할 수 있다. 도 5의 경우, 고장발생시점은 시간 t1 및 시간 t2 로 예측된다.
도 6은 본 발명에 따른 무인 자율주행차량의 예지보전장치가 고장 패턴을 생성하는 다른 예를 설명하기 위한 도면이다.
무인 자율주행차량의 예지보전장치(200)는 제2 기능 인자 상호간의 상관 관계를 반영하여, 제2고장 패턴을 조합하여 제3 고장 패턴을 생성하고, 제3 고장 패턴에 기초하여 고장발생시점을 예측할 수 있다.
제1 기능 인자들은 상호간에 서로 영향을 미칠 수 있으며, 이에 의해 고장이나 장애의 발생시점 또는 발생정도가 달라지기도 한다. 예를 들어, 적재량이 늘어날수록 주행을 수행하는 바퀴의 노후화가 빨라져 무인 자율주행차량의 고장발생시점을 빨라진다. 즉, [적재]와 [주행]은 고장발생시점을 가속화시키는 상관 관계를 가진다.
따라서, 기능 인자들의 상관관계를 반영한 고장 패턴을 생성하고 이에 기초하여 고장발생시점을 예측하는 경우, 두 개 이상의 기능 인자들이 서로 영향을 미치는 경우에도 고장발생시점을 정확하게 예측할 수 있다.
도 6에 도시된 바와 같이, 두 개의 제1 고장 패턴(610, 620)을 조합하여 제3 고장 패턴(630)을 생성할 수 있다. 두 개의 제1 고장 패턴(610, 620)에서 고장발생시점은 각각 시간 t1 및 시간 t2 로 예측되지만, 조합된 제3 고장 패턴(630)에 의하면 고장발생시점이 시간 t3 로 예측된다. 이와 같이, 두 개의 기능 인자가 상호 영향을 미치게 되어, 고장발생시점은 달라지게 된다.
도 7은 본 발명에 따른 무인 자율주행차량의 예지보전장치가 실시간 스트리밍을 통해 데이터를 처리하는 방법을 설명하기 위한 도면이다.
무인 자율주행차량의 예지보전장치(200)는 실시간 스트리밍을 통해 데이터 수집, 딥러닝 활용 분석 및 예지보전 등을 수행할 수 있다. 일 실시 예에 의하면, 무인 자율주행차량의 예지보전장치(200)는 스파크 스트리밍을 사용하여 실시간으로 데이터를 수신하여 처리하고 분석할 수 있다.
스파크 스트리밍은 이산 스트림(Discretized stream: DStream)이라 불리는 논리적 개념에 기초한다. 이산 스트림(DStream)은 시간별로 도착한 데이터들의 연속적인 모음으로 정의된다.
스트리밍 처리는 데이터의 작은 배치 단위들 위에서 각 배치 처리의 연속적인 흐름으로 간주되고, 스파크 스트리밍은 다양한 입력 소스로부터 데이터를 수신하여 이것들을 작은 그룹들로 묶는다. 새로운 배치들은 정해진 시간 간격마다 생성된다.
도 7에 도시된 바와 같이, 복수개의 무인 자율주행차량으로부터 실시간으로 데이터 스트림을 입력 받는다. 데이터 스트림은 AGV 데이터 1. AGV 데이터 2, AGV 데이터 3 등을 포함할 수 있다.
제어부(240)는 스파크 스트리밍을 사용하여 입력된 데이터 스트림을 배치 단위들로 분할한다. 이 경우, 배치 단위 각각을 실시간으로 처리하고, 처리 결과에 기초하여 AGV 예지보전을 수행할 수 있다.
도 8은 본 발명에 따른 무인 자율주행차량의 예지보전과정을 도시한 도면이다.
센서로부터 무인 자율주행차량의 동작관련데이터를 수신한다(S801).
무인 자율주행차량의 예지보전장치(200)는 센서에 의해 측정된 무인 자율주행차량의 동작관련데이터를 수신할 수 있다. 여기서, 동작관련데이터는, 반송 시간, 부하율, 장비와의 통신 상태, AGV 주행 속도, AGV 구동회로의 온도 등 그 외 AGV의 현재 상태를 확인할 수 있는 모든 종류의 데이터를 포함할 수 있다.
동작관련데이터로부터 무인 자율주행차량의 동작을 인식한다(S802).
무인 자율주행차량의 예지보전장치(200)는 복수개의 동작관련데이터로 구성되는 데이터 집합으로부터 공통 목적을 추출하고, 추출된 공통 목적에 기초하여 무인 자율주행차량의 동작을 인식할 수 있다.
인식된 동작을 복수개의 제1 기능 인자로 분할한다(S803).
제1 기능 인자는 동작을 구성하는 동작요소로 정의될 수 있다. 이 경우, 동작요소는 동작을 시계열적으로 분할하여 구성하거나, 동작을 공간적으로 분할하여 구성할 수 있다.
복수개의 제1 기능 인자 각각의 상태변화에 따른 무인 자율주행차량에의 장애발생내역을 학습한다(S804).
여기서, 장애발생내역은 장애나 고장의 발생 여부, 종류, 고장발생시점, 고장 정도, 장애발생 부분 등을 포함할 수 있다.
복수개의 제1 기능 인자 각각의 상태변화에 따른 무인 자율주행차량에의 장애발생내역은 달라질 수 있다. 즉, 기능 인자의 종류나 동작 상태에 따라 장애발생 여부나 장애발생 시점 등이 달라질 수 있다. 따라서, 장애발생내역에 대한 다양한 데이터를 학습함으로써, 각 기능 인자에 따른 고장 패턴을 생성하게 된다. 고장 패턴은 시간 경과에 따른 고장 발생률을 표시하는 곡선 그래프이다.
복수개의 제1 기능 인자 각각에 대응하는 복수개의 제1 고장 패턴을 생성한다(S805).
복수개의 제1 기능 인자 중에서 무인 자율주행차량에 장애가 발생하는데 영향을 미치는 제2 기능 인자를 추출한다(S806).
무인 자율주행차량의 예지보전장치(200)는 소정 기준에 기초하여 복수개의 제1 기능 인자 중에서 무인 자율주행차량에 장애가 발생하는데 영향을 미치는 제2 기능 인자를 추출할 수 있다.
이 경우, 무인 자율주행차량의 예지보전장치(200)는 실시 예에 따라 소정 기준을 다르게 설정할 수 있다. 소정 기준을 변경함으로써, 원하는 기능 인자를 기준으로 장애나 고장에 대한 예지보전을 수행할 수 있다.
복수개의 제1 고장 패턴 중에서 제2 기능 인자에 대응하는 제2 고장 패턴에 기초하여 무인 자율주행차량의 고장발생시점을 예측한다(S807).
이 경우, 무인 자율주행차량의 예지보전장치(200)는 현재상태를 진단하고 유지보수 등의 예지보전을 수행할 수 있다.
도 9는 본 발명의 실시예에 따른 무인 자율주행차량의 예지보전을 수행하는 컴퓨팅 장치를 나타내는 도면이다.
도 9의 컴퓨팅 장치(TN100)는 본 명세서에서 기술된 장치일 수 있다.
도 9의 실시예에서, 컴퓨팅 장치(TN100)는 적어도 하나의 프로세서(TN110), 송수신 장치(TN120), 및 메모리(TN130)를 포함할 수 있다. 또한, 컴퓨팅 장치(TN100)는 저장 장치(TN140), 입력 인터페이스 장치(TN150), 출력 인터페이스 장치(TN160) 등을 더 포함할 수 있다. 컴퓨팅 장치(TN100)에 포함된 구성 요소들은 버스(bus)(TN170)에 의해 연결되어 서로 통신을 수행할 수 있다.
프로세서(TN110)는 메모리(TN130) 및 저장 장치(TN140) 중에서 적어도 하나에 저장된 프로그램 명령(program command)을 실행할 수 있다. 프로세서(TN110)는 중앙 처리 장치(CPU: central processing unit), 그래픽 처리 장치(GPU: graphics processing unit), 또는 본 발명의 실시예에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 프로세서(TN110)는 본 발명의 실시예와 관련하여 기술된 절차, 기능, 및 방법 등을 구현하도록 구성될 수 있다. 프로세서(TN110)는 컴퓨팅 장치(TN100)의 각 구성 요소를 제어할 수 있다.
메모리(TN130) 및 저장 장치(TN140) 각각은 프로세서(TN110)의 동작과 관련된 다양한 정보를 저장할 수 있다. 메모리(TN130) 및 저장 장치(TN140) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(TN130)는 읽기 전용 메모리(ROM: read only memory) 및 랜덤 액세스 메모리(RAM: random access memory) 중에서 적어도 하나로 구성될 수 있다.
송수신 장치(TN120)는 유선 신호 또는 무선 신호를 송신 또는 수신할 수 있다. 송수신 장치(TN120)는 네트워크에 연결되어 통신을 수행할 수 있다.
한편, 본 발명의 실시예는 지금까지 설명한 장치 및/또는 방법을 통해서만 구현되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있으며, 이러한 구현은 상술한 실시예의 기재로부터 본 발명이 속하는 기술 분야의 통상의 기술자라면 쉽게 구현할 수 있는 것이다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 통상의 기술자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.
111, 112, 113: 무인 자율주행차량
121, 122, 123, 124, 125, 126: 센서
130: 원격 서버 140: 관리자 단말
200: 무인 자율주행차량의 예지보전장치
210: 수집부 220: 분석부
230: 학습부 240: 제어부
310: 동작 인식 모듈 320: 기능 인자 분할 모듈
410: 장애 발생내역 학습 모듈 420: 고장 패턴 생성 모듈

Claims (10)

  1. 무인 자율주행차량의 예지보전장치에 있어서,
    센서에 의해 측정된 무인 자율주행차량의 동작관련데이터를 수신하는 수집부;
    상기 동작관련데이터로부터 상기 무인 자율주행차량의 동작을 인식하고, 상기 동작을 복수개의 제1 기능 인자로 분할하는 분석부;
    상기 복수개의 제1 기능 인자 각각의 상태변화에 따른 상기 무인 자율주행차량에의 장애발생내역을 학습하여, 상기 복수개의 제1 기능 인자 각각에 대응하는 복수개의 제1 고장 패턴을 생성하는 학습부; 및
    소정 기준에 기초하여 상기 복수개의 제1 기능 인자 중에서 상기 무인 자율주행차량에 장애가 발생하는데 영향을 미치는 제2 기능 인자를 추출하고, 상기 복수개의 제1 고장 패턴 중에서 상기 제2 기능 인자에 대응하는 제2 고장 패턴에 기초하여 상기 무인 자율주행차량의 고장발생시점을 예측하는 제어부를 포함하는, 무인 자율주행차량의 예지보전장치.
  2. 제1항에 있어서,
    상기 제어부는,
    상기 복수개의 제1 기능 인자 중에서 두 개 이상의 제1 기능 인자를 선택하여 상기 제2 기능 인자로 추출하는 것을 특징으로 하는, 무인 자율주행차량의 예지보전장치.
  3. 제2항에 있어서,
    상기 제어부는,
    상기 제2 기능 인자에 대응하는 상기 제2 고장 패턴에 의해 장애 발생이 예측되는 복수개의 시점들을 추출하고, 현 시점으로부터 가장 빠르게 도래하는 시점을 상기 고장발생시점으로 예측하는 것을 특징으로 하는, 무인 자율주행차량의 예지보전장치.
  4. 제2항에 있어서,
    상기 제어부는,
    상기 제2 기능 인자 상호간의 상관 관계를 반영하여, 상기 제2 고장 패턴을 조합하여 제3 고장 패턴을 생성하고, 상기 제3 고장 패턴에 기초하여 상기 고장발생시점을 예측하는 것을 특징으로 하는, 무인 자율주행차량의 예지보전장치.
  5. 제1항에 있어서,
    상기 동작관련데이터는,
    반송로드, 반송시간 및 통신 상태 중 적어도 하나를 포함하는 것을 특징으로 하는, 무인 자율주행차량의 예지보전장치.
  6. 제1항에 있어서,
    상기 센서는,
    각각 서로 다른 종류의 데이터를 측정하는 복수개의 센서를 포함하고,
    상기 복수개의 센서 중 일부는 상기 무인 자율주행차량에 부착되는 것을 특징으로 하는, 무인 자율주행차량의 예지보전장치.
  7. 제6항에 있어서,
    상기 제어부는,
    상기 복수개의 센서 각각에 우선 순위를 설정하고, 상기 우선 순위에 기초하여 상기 동작관련데이터를 수신하도록 상기 수집부를 제어하는 것을 특징으로 하는, 무인 자율주행차량의 예지보전장치.
  8. 제1항에 있어서,
    상기 제어부는,
    실시간 스트리밍을 통해 상기 동작관련데이터를 수신하도록 상기 수집부를 제어하고, 상기 동작관련데이터를 연속적인 복수개의 서브 그룹들로 분할하여 소정 주기 마다 상기 복수개의 서브 그룹들 각각을 순차적으로 처리하는 것을 특징으로 하는, 무인 자율주행차량의 예지보전장치.
  9. 무인 자율주행차량의 예지보전방법에 있어서,
    센서에 의해 측정된 무인 자율주행차량의 동작관련데이터를 수신하는 단계;
    상기 동작관련데이터로부터 상기 무인 자율주행차량의 동작을 인식하고, 상기 동작을 복수개의 제1 기능 인자로 분할하는 단계;
    상기 복수개의 제1 기능 인자 각각의 상태변화에 따른 상기 무인 자율주행차량에의 장애발생내역을 학습하여, 상기 복수개의 제1 기능 인자 각각에 대응하는 복수개의 제1 고장 패턴을 생성하는 단계;
    소정 기준에 기초하여 상기 복수개의 제1 기능 인자 중에서 상기 무인 자율주행차량에 장애가 발생하는데 영향을 미치는 제2 기능 인자를 추출하는 단계; 및
    상기 복수개의 제1 고장 패턴 중에서 상기 제2 기능 인자에 대응하는 제2 고장 패턴에 기초하여 상기 무인 자율주행차량의 고장발생시점을 예측하는 단계를 포함하는, 무인 자율주행차량의 예지보전방법.
  10. 제9항에 의한 무인 자율주행차량의 예지보전방법을 수행하는 프로그램이 기록된 컴퓨터로 판독 가능한 기록매체.
KR1020200049534A 2020-04-23 2020-04-23 무인 자율주행차량의 예지보전장치 및 이의 예지보전방법 KR102129480B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020200049534A KR102129480B1 (ko) 2020-04-23 2020-04-23 무인 자율주행차량의 예지보전장치 및 이의 예지보전방법
JP2020541531A JP6996795B2 (ja) 2020-04-23 2020-06-29 無人搬送車の予知保全装置及びその予知保全方法
PCT/KR2020/008454 WO2021080116A1 (ko) 2020-04-23 2020-06-29 무인 자율주행차량의 예지보전장치 및 이의 예지보전방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200049534A KR102129480B1 (ko) 2020-04-23 2020-04-23 무인 자율주행차량의 예지보전장치 및 이의 예지보전방법

Publications (1)

Publication Number Publication Date
KR102129480B1 true KR102129480B1 (ko) 2020-07-02

Family

ID=71599725

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200049534A KR102129480B1 (ko) 2020-04-23 2020-04-23 무인 자율주행차량의 예지보전장치 및 이의 예지보전방법

Country Status (3)

Country Link
JP (1) JP6996795B2 (ko)
KR (1) KR102129480B1 (ko)
WO (1) WO2021080116A1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015088078A (ja) * 2013-11-01 2015-05-07 株式会社日立パワーソリューションズ 異常予兆検知システム及び異常予兆検知方法
JP2016033778A (ja) * 2014-07-31 2016-03-10 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法
JP2017033526A (ja) * 2015-07-31 2017-02-09 ファナック株式会社 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
KR20190001414A (ko) * 2017-06-27 2019-01-04 주식회사 큐엔티 실시간 로봇 모니터링 서비스 제공 방법, 서버 및 프로그램

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4583594B2 (ja) * 2000-12-28 2010-11-17 富士重工業株式会社 車両管理システム
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
US10599982B2 (en) * 2015-02-23 2020-03-24 Machinesense, Llc Internet of things based determination of machine reliability and automated maintainenace, repair and operation (MRO) logs
JP6356920B2 (ja) * 2015-09-24 2018-07-11 富士フイルム株式会社 故障診断装置、故障診断方法、及び故障診断プログラム
JP2020042708A (ja) * 2018-09-13 2020-03-19 いすゞ自動車株式会社 モデル作成装置、モデル作成方法及びプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015088078A (ja) * 2013-11-01 2015-05-07 株式会社日立パワーソリューションズ 異常予兆検知システム及び異常予兆検知方法
JP2016033778A (ja) * 2014-07-31 2016-03-10 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法
JP2017033526A (ja) * 2015-07-31 2017-02-09 ファナック株式会社 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
KR20190001414A (ko) * 2017-06-27 2019-01-04 주식회사 큐엔티 실시간 로봇 모니터링 서비스 제공 방법, 서버 및 프로그램

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
생존분석을 이용한 디스플레이 FAB의 반송시간 예측모형(대한산업공학회지 제40권 제3호, 2014.06, 283-290(8 pages))

Also Published As

Publication number Publication date
JP2022501241A (ja) 2022-01-06
WO2021080116A1 (ko) 2021-04-29
JP6996795B2 (ja) 2022-01-17

Similar Documents

Publication Publication Date Title
KR102043143B1 (ko) 인공신경망을 이용한 agv 주행제어 방법 및 장치
KR102043142B1 (ko) Agv 주행제어를 위한 인공신경망 학습 방법 및 장치
US10203666B2 (en) Cell controller for finding cause of abnormality in manufacturing machine
CN108628284A (zh) 用于识别用于控制受控对象的电子系统中的故障的容错方法
KR102303126B1 (ko) 사용자 선호에 따른 강화학습 기반 자율주행 최적화 방법 및 시스템
US20200249637A1 (en) Ensemble control system, ensemble control method, and ensemble control program
US20190219972A1 (en) System and method for context-driven predictive simulation selection and use
KR20200140628A (ko) 외부 영상에 기반한 로봇의 주행 방법과, 이를 구현하는 로봇 및 서버
WO2022090512A2 (en) Tools for performance testing and/or training autonomous vehicle planners
US20220289537A1 (en) Continual proactive learning for autonomous robot agents
Xie et al. Towards safe navigation through crowded dynamic environments
KR102129480B1 (ko) 무인 자율주행차량의 예지보전장치 및 이의 예지보전방법
CN114386599A (zh) 训练轨迹预测模型和轨迹规划的方法和装置
CN107225571B (zh) 机器人运动控制方法和装置、机器人
KR102183830B1 (ko) 무인 자율주행차량의 경로제어장치 및 경로제어방법
WO2017199652A1 (ja) 診断システム及び電子制御装置
Correia et al. A Survey of high-level teleoperation, monitoring and task assignment to Autonomous Mobile Robots
Blackett et al. Effects of signal latency on human performance in Teleoperations
Lewis et al. Virtual testing and policy deployment framework for autonomous navigation of an unmanned ground vehicle using reinforcement learning
Ramírez-Bedoya et al. Implementation of reinforcement-learning algorithms in autonomous robot navigation
CN113971117A (zh) 用于机器自动化中的组件的预测性维护
JP6463567B1 (ja) 制御プランニング装置、ロボット群システムおよび制御プランニング方法
Karamchandani et al. Using N-BEATS ensembles to predict automated guided vehicle deviation
Rajendran et al. Human-in-the-loop Learning for Safe Exploration through Anomaly Prediction and Intervention.
KR102572309B1 (ko) 로봇 제어 장치 및 이의 동작 방법

Legal Events

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