KR102168218B1 - 열차 고장 예측 장치 및 방법 - Google Patents

열차 고장 예측 장치 및 방법 Download PDF

Info

Publication number
KR102168218B1
KR102168218B1 KR1020180132061A KR20180132061A KR102168218B1 KR 102168218 B1 KR102168218 B1 KR 102168218B1 KR 1020180132061 A KR1020180132061 A KR 1020180132061A KR 20180132061 A KR20180132061 A KR 20180132061A KR 102168218 B1 KR102168218 B1 KR 102168218B1
Authority
KR
South Korea
Prior art keywords
data
failure
vehicle
module
learning
Prior art date
Application number
KR1020180132061A
Other languages
English (en)
Other versions
KR20200052461A (ko
Inventor
한석윤
박기준
Original Assignee
한국철도기술연구원
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 한국철도기술연구원 filed Critical 한국철도기술연구원
Priority to KR1020180132061A priority Critical patent/KR102168218B1/ko
Publication of KR20200052461A publication Critical patent/KR20200052461A/ko
Application granted granted Critical
Publication of KR102168218B1 publication Critical patent/KR102168218B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L15/00—Indicators provided on the vehicle or train for signalling purposes
    • B61L15/0081—On-board diagnosis or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Mechanical Engineering (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

본 발명이 해결하고자 하는 과제를 해결하기 위한 일 실시예에 따른 열차 고장 예측 장치는 이력 데이터, 지침 데이터, 과거 상태 데이터, 및 차량의 현재 상태 데이터를 수집하는 데이터 수집 모듈, 수집된 상기 이력 데이터, 상기 지침 데이터, 상기 과거 상태 데이터, 및 상기 현재 상태 데이터를 전처리 및 저장하는 데이터 전처리 및 저장 모듈, 전처리 및 저장된 상기 이력 데이터, 상기 지침 데이터, 및 상기 과거 상태 데이터를 학습하여 차량 고장 여부를 진단하는 고장 진단 학습 모델을 생성하고, 상기 고장 진단 학습 모델의 출력 데이터를 학습하여 차량 고장 시기 및 차량 고장 원인 중 적어도 하나를 예측하는 고장 예측 학습 모델을 생성하는 데이터 학습 모듈, 전처리 및 저장된 상기 현재 상태 데이터를 상기 고장 진단 학습 모델에 적용하여 상기 차량의 고장 여부에 대한 진단 결과 데이터를 생성하고, 상기 진단 결과 데이터를 상기 고장 예측 학습 모델에 적용하여 상기 차량의 예상 차량 고장 시기 및 예상 차량 고장 원인 중 적어도 하나를 나타내는 예측 결과 데이터를 생성하는 데이터 진단 및 예측 모듈, 및 상기 진단 결과 데이터 및 상기 예측 결과 데이터 중 적어도 하나를 출력하는 데이터 제공 모듈을 포함한다.

Description

열차 고장 예측 장치 및 방법{Apparatus and method for predicting train fault}
본 발명은 인공 지능이 적용된 열차 고장 예측 장치 및 방법에 관한 것이다.
열차 종합 제어 장치(TCMS, Train Control and Monitoring System)는 열차의 운전 및 검사를 위한 장치로서, 기관사에게 열차의 운행을 위해 필요한 정보를 제공할 수 있다.
상세하게는, 열차 종합 제어 장치는 열차를 구성하는 복수의 차량들 각각의 상태 정보를 수집하고, 이에 기초한 복수의 차량들 각각의 고장 정보 등을 기관사에게 제공함으로써, 기관사가 운행에 필요한 조치를 취할 수 있는 기회를 제공할 수 있다.
한편, 기관사는 운행 점검 시에, 유지보수 담당자는 정기 점검 시에, 열차 종합 제어 장치에 의해 제공되는 정보를 확인함으로써 열차의 상태를 확인한 후 필요에 따라 유지보수를 수행할 수 있다. 이때, 기관사와 유지보수 담당자는 열차 종합 제어 장치에 의해 제공되는 정보에 따라 열차의 현재 상태를 확인할 수 있을 뿐, 향후 발생 가능한 열차의 고장에 대하여 예측할 수는 없다.
이처럼, 열차의 고장을 사전에 예측할 수 없는 경우, 불시에 열차의 고장이 감지되어 열차의 운행이 지연되고, 고장 후 열차의 유지보수에 따른 비용이 증가하는 등의 문제점이 있다.
본 발명이 해결하고자 하는 과제는 열차 종합 제어 장치에 기록된 데이터에 인공 지능 기술을 적용함으로써 기관사에게 제공하는 정보의 정확도를 향상시키는 고장 예측 장치 및 방법을 제공하는데 있다.
또한, 열차의 고장에 의한 사고를 미연에 방지하고 고장으로 인한 비용을 절감하는 고장 예측 장치 및 방법을 제공하는데 있다.
본 발명이 해결하고자 하는 과제를 해결하기 위한 일 실시예에 따른 열차 고장 예측 장치는 이력 데이터, 지침 데이터, 과거 상태 데이터, 및 차량의 현재 상태 데이터를 수집하는 데이터 수집 모듈, 수집된 상기 이력 데이터, 상기 지침 데이터, 상기 과거 상태 데이터, 및 상기 현재 상태 데이터를 전처리 및 저장하는 데이터 전처리 및 저장 모듈, 전처리 및 저장된 상기 이력 데이터, 상기 지침 데이터, 및 상기 과거 상태 데이터를 학습하여 차량 고장 여부를 진단하는 고장 진단 학습 모델을 생성하고, 상기 고장 진단 학습 모델의 출력 데이터를 학습하여 차량 고장 시기 및 차량 고장 원인 중 적어도 하나를 예측하는 고장 예측 학습 모델을 생성하는 데이터 학습 모듈, 전처리 및 저장된 상기 현재 상태 데이터를 상기 고장 진단 학습 모델에 적용하여 상기 차량의 고장 여부에 대한 진단 결과 데이터를 생성하고, 상기 진단 결과 데이터를 상기 고장 예측 학습 모델에 적용하여 상기 차량의 예상 차량 고장 시기 및 예상 차량 고장 원인 중 적어도 하나를 나타내는 예측 결과 데이터를 생성하는 데이터 진단 및 예측 모듈, 및 상기 진단 결과 데이터 및 상기 예측 결과 데이터 중 적어도 하나를 출력하는 데이터 제공 모듈을 포함한다.
본 실시예에서, 상기 이력 데이터는 차량 유지보수 데이터를 포함할 수 있다.
본 실시예에서, 상기 과거 상태 데이터 및 상기 현재 상태 데이터는 각각, 차량의 주행 기록 데이터, 고장 검지 기록 데이터, 승객 하중 기록 데이터, 및 주행 동작 데이터 중 적어도 하나를 포함할 수 있다.
본 실시예에서, 상기 데이터 학습 모듈은 SVM(Support Vector Machine), 인공 신경망, 베이지언 학습, 딥러닝, k-means 군집, HAC(Hierarchical Agglomerative Clustering) 군집 중 적어도 하나를 포함하는 기계 학습 알고리즘을 이용하여 상기 고장 진단 학습 모델 및 상기 고장 예측 학습 모델을 생성할 수 있다.
본 실시예에서, 상기 데이터 학습 모듈은 상기 전처리 및 저장된 상기 이력 데이터, 상기 지침 데이터, 및 상기 과거 상태 데이터의 속성들을 분류 및 군집화하여 특성을 추론하고, 상기 특성과 차량 고장 사이의 상관 관계를 파악하여 상기 차량 고장 원인을 분석할 수 있다.
본 실시예에서, 상기 데이터 수집 모듈이 다중화되어, 다중화된 데이터 수집 모듈이 상기 이력 데이터, 상기 지침 데이터, 상기 과거 상태 데이터, 및 상기 현재 상태 데이터를 동시에 수집하고, 상기 데이터 전처리 및 저장 모듈이 다중화되고, 다중화된 데이터 전처리 및 저장 모듈이 활성(active)과 대기(standby)로 동작하고, 활성으로 동작하는 데이터 전처리 및 저장 모듈이 수집된 상기 이력 데이터, 상기 지침 데이터, 상기 과거 상태 데이터, 및 상기 현재 상태 데이터를 전처리 및 저장할 수 있다.
본 실시예에서, 상기 데이터 전처리 및 저장 모듈이 상기 이력 데이터, 상기 지침 데이터, 상기 과거 상태 데이터, 및 상기 현재 상태 데이터를 헥사 데이터, 이미지 데이터, 및 텍스트 데이터로 분리하고, 상기 헥사 데이터를 필드 별 파싱하고, 상기 이미지 데이터를 그래프 이미지와 비그래프 이미지로 분리하여 처리하고, 상기 텍스트 데이터를 텍스트 마이닝 기법으로 분석할 수 있다.
본 실시예에서, 상기 데이터 전처리 및 저장 모듈이 전처리된 상기 이력 데이터, 상기 지침 데이터, 및 상기 과거 상태 데이터를 맵리듀스 형태로 하둡 인덱스 파일에 저장하고, 저장된 상기 이력 데이터, 상기 지침 데이터, 및 상기 과거 상태 데이터는 Hbase 및 레디스 중 적어도 하나의 형태로 유지될 수 있다.
본 발명이 해결하고자 하는 과제를 해결하기 위한 일 실시예에 따른 열차 고장 예측 방법은 데이터 수집 모듈에 의해, 이력 데이터, 지침 데이터, 및 과거 상태 데이터를 수집하는 단계, 데이터 전처리 및 저장 모듈에 의해, 수집된 상기 이력 데이터, 상기 지침 데이터, 및 상기 과거 상태 데이터를 전처리 및 저장하는 단계, 데이터 학습 모듈에 의해, 전처리 및 저장된 상기 이력 데이터, 상기 지침 데이터, 및 상기 과거 상태 데이터를 학습하여 차량 고장 여부를 진단하는 고장 진단 학습 모델을 생성하는 단계, 상기 데이터 학습 모듈에 의해, 상기 고장 진단 학습 모델의 출력 데이터를 학습하여 차량 고장 시기 및 차량 고장 원인 중 적어도 하나를 예측하는 고장 예측 학습 모델을 생성하는 단계, 상기 데이터 수집 모듈에 의해, 차량의 현재 상태 데이터를 수집하는 단계, 상기 데이터 전처리 및 저장 모듈에 의해, 수집된 상기 현재 상태 데이터를 전처리 및 저장하는 단계, 데이터 진단 및 예측 모듈에 의해, 전처리 및 저장된 상기 현재 상태 데이터를 상기 고장 진단 학습 모델에 적용하여 상기 차량의 고장 여부에 대한 진단 결과 데이터를 생성하고, 상기 진단 결과 데이터를 상기 고장 예측 학습 모델에 적용하여 상기 차량의 예상 차량 고장 시기 및 예상 차량 고장 원인 중 적어도 하나를 나타내는 예측 결과 데이터를 생성하는 단계, 및 데이터 제공 모듈에 의해, 상기 진단 결과 데이터 및 상기 예측 결과 데이터 중 적어도 하나를 출력하는 단계를 포함한다.
본 실시예에서, 상기 고장 진단 학습 모델을 생성하는 단계는, 상기 전처리 및 저장된 상기 이력 데이터, 상기 지침 데이터, 및 상기 과거 상태 데이터의 속성들을 분류 및 군집화하여 특성을 추론하는 단계 및 상기 특성과 차량 고장 사이의 상관 관계를 파악하여 상기 차량 고장 원인을 분석하는 단계를 포함할 수 있다.
본 발명의 실시예들에 따르면, 인공 지능 기술을 열차 종합 제어 장치에 기록되는 각종 데이터에 적용하여 분석함으로써, 기관사에게 열차의 운행을 위해 필요한 보다 정확한 정보를 제공할 수 있다.
또한, 동일 연도에 제작된 열차의 고장 정보를 활용하여 다른 열차의 고장 시기 및/또는 고장 원인을 예측함으로써, 열차에 고장이 발생하기 전에 미리 조치를 취할 수 있는 기회를 제공할 수 있으므로, 사고 위험을 방지하고 고장으로 인한 비용을 절감할 수 있다.
또한, 열차의 고장 시기를 예측할 수 있으므로, 고장 시기에 따른 부품 수요를 예측할 수 있다.
또한, 데이터 수집, 전처리, 및 저장에 있어서 모듈을 다중화함으로써, 수집, 전처리, 및 저장의 신뢰도를 향상시킬 수 있다.
도 1은 일 실시예에 따른 열차 고장 예측 장치의 구성을 나타내는 블록도이다.
도 2는 일 실시예에 따른 열차 고장 예측 방법을 설명하기 위한 흐름도이다.
도 3은 일 실시예에 따른 열차 고장 예측을 위한 데이터의 흐름을 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 데이터의 수집, 전처리, 및 저장을 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 데이터의 수집 방식을 구체적으로 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 데이터의 전처리 방식을 구체적으로 설명하기 위한 도면이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
이하의 실시예에서, 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
이하의 실시예에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 다수의 표현을 포함한다. 이하의 실시예에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 발명의 실시예들은 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들은 특정 기능들을 실행하는 다양한 개수의 하드웨어 또는/및 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 본 발명의 실시예들은 하나 이상의 마이크로프로세서들의 제어 또는 다른 제어 장치들에 의해서 다양한 기능들을 실행할 수 있는, 메모리, 프로세싱, 로직(logic), 룩업 테이블(look-up table) 등과 같은 직접 회로 구성들을 채용할 수 있다. 본 발명의 실시예의 구성 요소들이 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있는 것과 유사하게, 본 발명의 실시예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 발명의 실시예들은 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. 매커니즘, 요소, 수단, 구성과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다. 상기 용어는 프로세서 등과 연계하여 소프트웨어의 일련의 처리들(routines)의 의미를 포함할 수 있다.
이하 첨부된 도면들을 참조하여 본 발명의 여러 가지 실시 예를 상세히 설명한다.
도 1은 일 실시예에 따른 열차 고장 예측 장치(100)의 구성을 나타내는 블록도이다.
도 1을 참조하면, 일 실시예에 따른 열차 고장 예측 장치(100)는 이력 데이터, 지침 데이터, 과거 상태 데이터, 및 차량의 현재 상태 데이터를 수집하는 데이터 수집 모듈(110), 수집된 이력 데이터, 지침 데이터, 과거 상태 데이터, 및 현재 상태 데이터를 전처리 및 저장하는 데이터 전처리 및 저장 모듈(120), 전처리 및 저장된 이력 데이터, 지침 데이터, 및 과거 상태 데이터를 학습하여 차량 고장 여부를 진단하는 고장 진단 학습 모델을 생성하고, 고장 진단 학습 모델의 출력 데이터를 학습하여 차량 고장 시기 및 차량 고장 원인 중 적어도 하나를 예측하는 고장 예측 학습 모델을 생성하는 데이터 학습 모듈(130), 전처리 및 저장된 현재 상태 데이터를 고장 진단 학습 모델에 적용하여 차량의 고장 여부에 대한 진단 결과 데이터를 생성하고, 진단 결과 데이터를 고장 예측 학습 모델에 적용하여 차량의 예상 차량 고장 시기 및 예상 차량 고장 원인 중 적어도 하나를 포함하는 예측 결과 데이터를 생성하는 데이터 진단 및 예측 모듈(140), 및 진단 결과 데이터 및 예측 결과 데이터 중 적어도 하나를 출력하는 데이터 제공 모듈(150)을 포함한다.
한편, 본 발명의 실시예들에 따른 열차 고장 예측 장치(100)는 하나의 물리적 장치로 구현될 수 있다. 예를 들면, 열차 고장 예측 장치(100)는 하나의 열차 종합 제어 장치 또는 하나의 열차 종합 정보 장치(TGIS, Train General Information System)로 구현될 수 있다.
본 발명의 실시예들에 따른 열차 고장 예측 장치(100)는 복수의 물리적 장치가 유기적으로 결합되어 구현될 수도 있다. 이를 위해, 열차 고장 예측 장치(100)에 포함된 구성 중 일부는 어느 하나의 물리적 장치로 구현되고, 나머지 일부는 다른 물리적 장치로 구현될 수 있다. 예를 들면, 어느 하나의 물리적 장치는 열차 종합 제어 장치의 일부로 구현되고, 다른 물리적 장치는 열차 종합 제어 장치와 별개로 구비된 서버의 일부로 구현될 수 있다.
도 2는 일 실시예에 따른 열차 고장 예측 방법을 설명하기 위한 흐름도이다.
도 2를 참조하면, 먼저 데이터 수집 모듈(110)이 이력 데이터, 지침 데이터, 및 과거 상태 데이터를 수집하면(S110), 데이터 전처리 및 저장 모듈(120)이 수집된 이력 데이터, 지침 데이터, 및 과거 상태 데이터를 전처리 및 저장한다(S120).
이어서, 데이터 학습 모듈(130)은 전처리 및 저장된 이력 데이터, 지침 데이터, 및 과거 상태 데이터를 학습하여 차량 고장 여부를 진단하는 고장 진단 학습 모델을 생성한다(S130).
이어서, 데이터 학습 모듈(130)은 고장 진단 학습 모델의 출력 데이터를 학습하여 차량 고장 시기 및 차량 고장 원인 중 적어도 하나를 예측하는 고장 예측 학습 모델을 생성한다(S140).
한편, 데이터 수집 모듈(110)이 차량의 현재 상태 데이터를 수집하면(S150), 데이터 전처리 및 저장 모듈(120)이 수집된 현재 상태 데이터를 전처리 및 저장한다(S160).
이어서, 데이터 진단 및 예측 모듈(140)은 전처리 및 저장된 현재 상태 데이터를 S130에서 생성된 고장 진단 학습 모델에 적용하여 차량의 고장 여부에 대한 진단 결과 데이터를 생성하고(S170), 진단 결과 데이터를 S140에서 생성된 고장 예측 학습 모델에 적용하여 차량의 예상 차량 고장 시기 및 예상 차량 고장 원인 중 적어도 하나를 나타내는 예측 결과 데이터를 생성한다(S180).
데이터 제공 모듈(150)은 진단 결과 데이터 및 예측 결과 데이터 중 적어도 하나를 출력한다(S190).
이하에서는, 도 3을 참조하여 도 2의 각 과정을 보다 상세하게 설명한다.
도 3은 일 실시예에 따른 열차 고장 예측을 위한 데이터의 흐름을 설명하기 위한 도면이다.
도 3을 참조하면, 열차 고장 예측 장치(100)는 제1 스테이지(Stg1)의 동작을 최초로 수행한 후, 제2 스테이지(Stg2)의 동작을 수행하는 동시에 제1 스테이지(Stg1)의 동작을 수행할 수 있다.
제1 스테이지(Stg1)의 동작은 고장 진단 학습 모델 및 고장 예측 학습 모델 생성 동작에 관한 것이며, 제2 스테이지(Stg2)의 동작은 고장 진단 학습 모델 및 고장 예측 학습 모델 적용 동작에 관한 것이다.
먼저 제1 스테이지(Stg1)의 동작을 설명하면, 데이터 수집 모듈(110)은 통신 인터페이스로서, 복수의 열차들 및/또는 열차를 구성하는 복수의 차량들 각각에 대한 각종 과거 데이터를 수집할 수 있다.
데이터 수집 모듈(110)은 이력 데이터, 지침 데이터, 환경 데이터, 및 과거 상태 데이터를 수집할 수 있다.
이력 데이터는 차량 유지보수 데이터를 포함할 수 있다. 차량 유지보수 데이터는 열차에 발생한 고장이 수리된 사실을 나타내는 데이터일 수 있다. 차량 유지보수 데이터는 예를 들어, 열차 식별 데이터, 차량 식별 데이터, 부품 식별 데이터, 고장 식별 데이터, 고장 원인 식별 데이터, 유지보수 담당자 식별 데이터, 유지보수 일시 데이터, 유지보수 내용 데이터 등을 포함할 수 있다.
지침 데이터는 차량에 발생한 고장에 대한 유지보수 지침을 나타내는 데이터일 수 있다. 지침 데이터는 예를 들어, 부품 식별 데이터, 고장 식별 데이터, 고장 원인 식별 데이터, 유지보수 내용 데이터 등을 포함할 수 있다.
환경 데이터는 기온, 강우량, 강설량, 풍속 등 외부 환경을 나타내는 데이터일 수 있다. 환경 데이터는 특히, 열차가 지상에서 운행되는 경우에 필요한 데이터일 수 있다.
과거 상태 데이터는 차량의 주행 기록 데이터, 고장 검지 기록 데이터, 승객 하중 기록 데이터, 및 주행 동작 데이터 중 적어도 하나를 포함할 수 있다.
주행 기록 데이터는 예를 들어, 주행 일시 데이터, 열차 식별 데이터, 주행 거리 데이터, 소비 전력 데이터, 회생 전력 데이터 등을 포함할 수 있다.
고장 검지 기록 데이터는 고장 검지와 관련된, 시간 데이터, 속도 데이터, 거리 데이터, 주간제어기 위치 데이터, 가선 전압 데이터, 역 데이터, 자동 열차 제어 명령 데이터, 동작 모드 스위치 데이터, 승객 정보 표시 데이터, 비상 제동 계전기 데이터, 자동 열차 동작 준비 데이터 등을 포함할 수 있다.
승객 하중 기록 데이터는 일시 데이터, 차량 식별 데이터, 중량 데이터 등을 포함할 수 있다.
주행 동작 데이터는 도어 관련 데이터, 스위치 관련 데이터, 전진 및/또는 후진 관련 데이터, 제동 명령 데이터, 역행 명령 데이터 등을 포함할 수 있다.
데이터 전처리 및 저장 모듈(120)은 수집된 이력 데이터, 지침 데이터, 환경 데이터, 및 과거 상태 데이터를 전처리하고, 전처리된 이력 데이터, 지침 데이터, 환경 데이터, 및 과거 상태 데이터를 데이터베이스에 저장할 수 있다.
데이터 전처리 및 저장 모듈(120)은 텍스트 마이닝, 특징 추출, 양자화 등의 전처리 동작을 수행할 수 있으며, 이에 한정하지 않는다.
데이터 학습 모듈(130)은 학습 모델을 생성할 수 있다. 데이터 학습 모듈(130)은 데이터 전처리 및 저장 모듈(120)에 의해 전처리 및 저장된 데이터를 기계 학습 알고리즘을 이용하여 학습함으로써 학습 모델을 생성할 수 있다. 데이터 학습 모듈(130)은 예를 들어, SVM(Support Vector Machine), 인공 신경망, 베이지언 학습, 딥러닝, k-means 군집, HAC(Hierarchical Agglomerative Clustering) 군집 등의 기계 학습 알고리즘을 이용하여 고장 진단 학습 모델 및 고장 예측 학습 모델을 각각 생성할 수 있다.
상세하게는, 데이터 학습 모듈(130)은 전처리 및 저장된 이력 데이터, 지침 데이터, 환경 데이터, 및 과거 상태 데이터의 속성들을 분류 및 군집화하여 특성을 추론하고, 차량 고장을 진단하고, 특성과 차량 고장 사이의 상관 관계를 파악하여 차량 고장 원인을 분석함으로써 고장 진단 학습 모델을 생성할 수 있다.
한편, 고장 진단 학습 모델의 출력 데이터는 이력 데이터, 지침 데이터, 환경 데이터, 및 과거 상태 데이터의 속성들을 분류 및 군집화하여 특성을 추론한 결과, 차량 고장을 진단한 결과, 특성과 차량 고장 사이의 상관 관계를 파악하여 차량 고장 원인을 분석한 결과 등을 나타내는 데이터일 수 있다.
데이터 학습 모듈(130)은 앞서 설명한 바와 같이, 고장 진단 학습 모델의 출력 데이터를 학습하여 차량 고장 시기 및 차량 고장 원인 중 적어도 하나를 예측하는 고장 예측 학습 모델을 생성할 수 있다.
한편, 데이터 학습 모듈(130)에 의해 생성된 데이터 예를 들어, 고장 진단 학습 모델의 출력 데이터, 고장 예측 학습 모델의 출력 데이터는 데이터 전처리 및 저장 모듈(120)의 데이터베이스에 저장될 수 있다.
다음으로 제2 스테이지(Stg2)의 동작을 설명하면, 데이터 수집 모듈(110)은 복수의 열차들 및/또는 열차를 구성하는 복수의 차량들 각각에 대한 각종 현재 데이터를 수집할 수 있다.
일 실시예에 따른 데이터 수집 모듈(110)은 환경 데이터 및 현재 상태 데이터를 수집할 수 있다.
환경 데이터는 기온, 강우량, 강설량, 풍속 등 외부 환경을 나타내는 데이터일 수 있다.
현재 상태 데이터는 차량의 주행 기록 데이터, 고장 검지 기록 데이터, 승객 하중 기록 데이터, 및 주행 동작 데이터 중 적어도 하나를 포함할 수 있다.
데이터 전처리 및 저장 모듈(120)은 수집된 환경 데이터 및 현재 상태 데이터를 전처리하고, 전처리된 환경 데이터 및 현재 상태 데이터를 데이터베이스에 저장할 수 있다.
데이터 전처리 및 저장 모듈(120)은 정규화, 차원 축소, 특징 추출, 양자화, 결측치 처리 등의 전처리 동작을 수행할 수 있으며, 이에 한정하지 않는다.
데이터 진단 및 예측 모듈(140)은 제1 스테이지(Stg1)에서 생성된 학습 모델을 적용할 수 있다. 데이터 진단 및 예측 모듈(140)은 데이터 전처리 및 저장 모듈(120)에 의해 전처리 및 저장된 데이터를 제1 스테이지(Stg1)에서 생성된 학습 모델에 적용하여 차량의 고장 여부에 대한 진단 결과 데이터 및 예측 결과 데이터 중 적어도 하나를 생성할 수 있다.
상세하게는 데이터 진단 및 예측 모듈(140)은 전처리 및 저장된 환경 데이터 및 현재 상태 데이터를 고장 진단 학습 모델에 적용하여 차량의 고장 여부에 대한 진단 결과 데이터를 생성하고, 진단 결과 데이터를 고장 예측 학습 모델에 적용하여 차량의 예상 차량 고장 시기 및 예상 차량 고장 원인 중 적어도 하나를 나타내는 예측 결과 데이터를 생성할 수 있다.
한편, 데이터 진단 및 예측 모듈(140)에 의해 생성된 데이터 예를 들어, 차량의 고장 여부에 대한 진단 결과 데이터 및 예측 결과 데이터 중 적어도 하나는 데이터 전처리 및 저장 모듈(120)의 데이터베이스에 저장될 수 있다.
데이터 제공 모듈(150)은 데이터 진단 및 예측 모듈(140)이 생성한 데이터를 기관사 또는 유지보수 담당자에게 제공할 수 있다. 데이터 제공 모듈(150)은 차량의 고장 여부에 대한 진단 결과 데이터 및 예측 결과 데이터 중 적어도 하나를 예를 들어, 화면을 통해 표시할 수 있다.
한편, 데이터 제공 모듈(150)에 의해 제공된 데이터 예를 들어, 차량의 고장 여부에 대한 진단 결과 데이터 및 예측 결과 데이터 중 적어도 하나는 데이터 전처리 및 저장 모듈(120)의 데이터베이스에 저장될 수 있다.
데이터 학습 모듈(130)은 데이터 전처리 및 저장 모듈(120)의 데이터베이스에 저장된 전처리된 이력 데이터, 지침 데이터, 환경 데이터, 과거 상태 데이터뿐만 아니라, 고장 진단 학습 모델의 출력 데이터, 고장 예측 학습 모델의 출력 데이터, 전처리된 환경 데이터 및 현재 상태 데이터, 차량의 고장 여부에 대한 진단 결과 데이터, 차량의 고장 여부에 대한 예측 결과 데이터까지도, S130의 고장 진단 학습 모델 생성 및 S140의 고장 예측 학습 모델 생성에 사용함으로써, 점진적이고 증강적인 학습을 수행할 수 있으며 그 결과, 보다 정확한 고장 진단 학습 모델 및 고장 예측 학습 모델을 생성할 수 있다.
도 4는 일 실시예에 따른 데이터의 수집, 전처리, 및 저장을 설명하기 위한 도면이다.
도 4를 참조하면, 데이터 수집 모듈(110)은 플럼(Flume)을 이용하여 데이터를 수집할 수 있다.
데이터 전처리 및 저장 모듈(120)은 카프카(Kafka)를 이용하여 데이터를 전처리할 수 있다.
데이터 전처리 및 저장 모듈(120)은 하둡(Hadoop) 기반으로 데이터베이스에 데이터를 저장할 수 있다.
상세하게는, 데이터 전처리 및 저장 모듈(120)은 전처리된 이력 데이터, 지침 데이터, 환경 데이터, 및 과거 상태 데이터를 맵리듀스 형태로 하둡 인덱스 파일에 저장하고, 저장된 이력 데이터, 지침 데이터, 환경 데이터, 및 과거 상태 데이터는 Hbase 및 레디스(Radis) 중 적어도 하나의 형태로 유지될 수 있다.
한편, 데이터 전처리 및 저장 모듈(120)은 데이터베이스에 저장된 차량의 고장 여부에 대한 진단 결과 데이터 및 예측 결과 데이터에 임팔라(Impala), 제플린(Zeppelin), 및 머하웃(Mahout) 중 적어도 하나를 적용할 수 있다.
한편, 데이터 전처리 및 저장 모듈(120)은 스쿱(Sqoop) 방식으로 데이터베이스에 데이터를 저장할 수 있다. 스쿱 방식으로 데이터가 저장된 데이터베이스는 업무용 데이터베이스로 활용될 수 있다.
도 5는 일 실시예에 따른 데이터의 수집 방식을 구체적으로 설명하기 위한 도면이다.
도 5를 참조하면, 데이터 수집 모듈(110) 및 데이터 전처리 및 저장 모듈(120)은 다중화될 수 있다.
다중화된 데이터 수집 모듈(110)은 이력 데이터, 지침 데이터, 환경 데이터, 과거 상태 데이터, 및 현재 상태 데이터를 동시에 수집할 수 있다. 예를 들어, 데이터 수집 모듈 A(110A) 및 데이터 수집 모듈 B(110B)는 이력 데이터, 지침 데이터, 환경 데이터, 과거 상태 데이터, 및 현재 상태 데이터를 동시에 수집할 수 있다.
데이터 수집 모듈 A(110A)는 소스 1에서 수집한 이력 데이터, 지침 데이터, 환경 데이터, 과거 상태 데이터, 및 현재 상태 데이터를 채널 1을 통해 싱크 1로 전달하고, 데이터 수집 모듈 B(110B)는 소스 2에서 수집한 이력 데이터, 지침 데이터, 환경 데이터, 과거 상태 데이터, 및 현재 상태 데이터를 채널 2를 통해 싱크 2로 전달할 수 있다.
데이터 수집 모듈 A(110A)의 싱크 1 및 데이터 수집 모듈 B(110B)의 싱크 2가 각각 전달받은 이력 데이터, 지침 데이터, 환경 데이터, 과거 상태 데이터, 및 현재 상태 데이터는 데이터 수집 모듈 C(110C)에 전달될 수 있다.
데이터 수집 모듈 C(110C)는 소스 3에서 수집한 이력 데이터, 지침 데이터, 환경 데이터, 과거 상태 데이터, 및 현재 상태 데이터를 인터셉터를 통해 채널 3A 및 채널 3B에 각각 전달하고, 채널 3A 및 채널 3B는 각각 싱크 3A 및 싱크 3B에 이력 데이터, 지침 데이터, 환경 데이터, 과거 상태 데이터, 및 현재 상태 데이터를 전달할 수 있다.
데이터 수집 모듈 C(110C)의 싱크 3A 및 싱크 3B은 각각 다중화된 데이터 전처리 및 저장 모듈(120)에 이력 데이터, 지침 데이터, 환경 데이터, 과거 상태 데이터, 및 현재 상태 데이터를 전달할 수 있다.
이처럼, 데이터 수집 모듈(110)이 다중화됨으로써, 수집 신뢰도가 향상될 수 있다.
다중화된 데이터 전처리 및 저장 모듈(120)은 활성(active)과 대기(standby)로 동작할 수 있다. 예를 들어, 데이터 전처리 및 저장 모듈 A(120A)는 활성으로 동작하고, 데이터 전처리 및 저장 모듈 B(120B)는 대기로 동작할 수 있다.
활성으로 동작하는 데이터 전처리 및 저장 모듈(120)은 수집된 이력 데이터, 지침 데이터, 과거 상태 데이터, 및 현재 상태 데이터를 전처리 및 저장할 수 있다.
예를 들어, 활성으로 동작하는 데이터 전처리 및 저장 모듈 A(120A)의 버퍼 및 분배기 1은 전달된 이력 데이터, 지침 데이터, 환경 데이터, 과거 상태 데이터, 및 현재 상태 데이터를 헥사 데이터, 이미지 데이터, 및 텍스트 데이터로 분리하고, 헥사 데이터는 헥사 데이터 전처리기 1이, 이미지 데이터는 이미지 데이터 전처리기 1이, 텍스트 데이터는 텍스트 데이터 전처리기 1이 처리할 수 있다.
헥사 데이터는 예를 들어 운영 데이터(operation data), 알람 데이터(alarm data)일 수 있다.
이때, 헥사 데이터 전처리기 1은 헥사 데이터를 필드 별 파싱함으로써 헥사 데이터를 전처리할 수 있다. 이미지 데이터 전처리기 1은 이미지 데이터를 그래프 이미지와 비그래프 이미지로 분리하여 처리함으로써 이미지 데이터를 전처리할 수 있다. 텍스트 데이터 전처리기 1은 텍스트 데이터를 텍스트 마이닝 기법으로 분석함으로써 텍스트 데이터를 전처리할 수 있다.
이후, 전처리된 헥사 데이터는 열차 종합 제어 장치에 의해 정의된 비트 단위 필드로 분류되어 저장될 수 있고, 전처리된 그래프 이미지 데이터는 샘플링과 양자화된 그래프 정보가 저장될 수 있고, 전처리된 비그래프 이미지 데이터는 차원 축소 및 특징 추출을 통해 요약된 정보가 저장될 수 있고, 전처리된 텍스트 데이터는 기본적으로 분류된 단위 문장으로 저장되며, 필요시 패턴화되어 저장될 수도 있다.
활성으로 동작하는 데이터 전처리 및 저장 모듈 A(120A)이 위와 같은 동작을 수행하는 동안, 대기로 동작하는 데이터 전처리 및 저장 모듈 B(120B)는 데이터 전처리 및 저장 모듈 A(120A)이 수행하는 동작을 수행하지 않을 수 있다.
이처럼, 데이터 전처리 및 저장 모듈(120)이 다중화됨으로써, 수집 신뢰도가 향상될 수 있다.
도 6은 일 실시예에 따른 데이터의 전처리 방식을 구체적으로 설명하기 위한 도면이다.
도 6을 참조하면, 데이터 전처리 및 저장 모듈(120)은 버퍼(121), 분배기(122), 전처리 매니저(123), 데이터 전처리기(124A, 124B, 124C), 및 로그기록기(125)를 포함한다.
버퍼(121)는 데이터 수집 모듈(110)로부터 전달받은 데이터를 임시 저장할 수 있다.
분배기(122)는 버퍼(121)에 임시 저장된 데이터를 헥사 데이터, 이미지 데이터, 및 텍스트 데이터로 분류할 수 있다.
분배기(122)는 버퍼 로더(1221), 파일 룰 로더(1222), 헤더 파서(1223), 분류 및 이상 검증기(1224), 및 파일 이상 검증기(1225)를 포함할 수 있다.
버퍼 로더(1221)는 버퍼(121)에 임시 저장된 데이터를 헤더 파서(1223)로 전달할 수 있다. 헤더 파서(1223)로 전달된 데이터는 분류 및 이상 검증기(1224), 및 파일 이상 검증기(1225)를 통해 전처리 매니저(123) 및 로그기록기(125)에 전달될 수 있다.
파일 룰 로더(1222)는 외부로부터 파일 유형 및 구조가 정의된 XML 파일을 수신하여 분류 및 이상 검증기(1224)에 전달할 수 있다. XML 파일은 <Header>, <Body>, <Parser>로 구성될 수 있다.
한편, 전처리 매니저(123)는 분배기(122)로부터 수신한 헥사 데이터를 헥사 데이터 전처리기(124A)로, 분배기(122)로부터 수신한 이미지 데이터를 이미지 데이터 전처리기(124B)로, 분배기(122)로부터 수신한 텍스트 데이터를 텍스트 데이터 전처리기(124C)로 전달할 수 있다.
앞서 설명한 바와 같이, 헥사 데이터 전처리기(124A)는 헥사 데이터를 필드 별 파싱할 수 있고, 이미지 데이터 전처리기(124B)는 이미지 데이터를 그래프 이미지와 비그래프 이미지로 분리하여 처리할 수 있고, 다. 텍스트 데이터 전처리기(124C)는 텍스트 데이터를 텍스트 마이닝 기법으로 분석할 수 있다.
본 발명의 실시예들에 따르면, 인공 지능 기술을 열차 종합 제어 장치에 기록되는 각종 데이터에 적용하여 분석함으로써, 기관사에게 열차의 운행을 위해 필요한 보다 정확한 정보를 제공할 수 있다.
또한, 동일 연도에 제작된 열차의 고장 정보를 활용하여 다른 열차의 고장 시기 및/또는 고장 원인을 예측함으로써, 열차에 고장이 발생하기 전에 미리 조치를 취할 수 있는 기회를 제공할 수 있으므로, 사고 위험을 방지하고 고장으로 인한 비용을 절감할 수 있다.
또한, 열차의 고장 시기를 예측할 수 있으므로, 고장 시기에 따른 부품 수요를 예측할 수 있다.
또한, 데이터 수집, 전처리, 및 저장에 있어서 모듈을 다중화함으로써, 수집, 전처리, 및 저장의 신뢰도를 향상시킬 수 있다.
이제까지 본 발명에 대하여 바람직한 실시예를 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 본 발명을 구현할 수 있음을 이해할 것이다.
그러므로 상기 개시된 실시예는 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 특허청구범위에 의해 청구된 발명 및 청구된 발명과 균등한 발명들은 본 발명에 포함된 것으로 해석되어야 한다.
100: 열차 고장 예측 장치
110: 데이터 수집 모듈
120: 데이터 전처리 및 저장 모듈
130: 데이터 학습 모듈
140: 데이터 진단 및 예측 모듈
150: 데이터 제공 모듈

Claims (10)

  1. 이력 데이터, 지침 데이터, 과거 상태 데이터, 및 차량의 현재 상태 데이터를 수집하는 데이터 수집 모듈;
    수집된 상기 이력 데이터, 상기 지침 데이터, 상기 과거 상태 데이터, 및 상기 현재 상태 데이터를 전처리 및 저장하는 데이터 전처리 및 저장 모듈;
    전처리 및 저장된 상기 이력 데이터, 상기 지침 데이터, 및 상기 과거 상태 데이터를 학습하여 차량 고장 여부를 진단하는 고장 진단 학습 모델을 생성하고, 상기 고장 진단 학습 모델의 출력 데이터를 학습하여 차량 고장 시기 및 차량 고장 원인 중 적어도 하나를 예측하는 고장 예측 학습 모델을 생성하는 데이터 학습 모듈;
    전처리 및 저장된 상기 현재 상태 데이터를 상기 고장 진단 학습 모델에 적용하여 상기 차량의 고장 여부에 대한 진단 결과 데이터를 생성하고, 상기 진단 결과 데이터를 상기 고장 예측 학습 모델에 적용하여 상기 차량의 예상 차량 고장 시기 및 예상 차량 고장 원인 중 적어도 하나를 나타내는 예측 결과 데이터를 생성하는 데이터 진단 및 예측 모듈; 및
    상기 진단 결과 데이터 및 상기 예측 결과 데이터 중 적어도 하나를 출력하는 데이터 제공 모듈;을 포함하는, 열차 고장 예측 장치.
  2. 청구항 1에 있어서,
    상기 이력 데이터는 차량 유지보수 데이터를 포함하는, 열차 고장 예측 장치.
  3. 청구항 1에 있어서,
    상기 과거 상태 데이터 및 상기 현재 상태 데이터는 각각,
    차량의 주행 기록 데이터, 고장 검지 기록 데이터, 승객 하중 기록 데이터, 및 주행 동작 데이터 중 적어도 하나를 포함하는, 열차 고장 예측 장치.
  4. 청구항 1에 있어서,
    상기 데이터 학습 모듈은 SVM(Support Vector Machine), 인공 신경망, 베이지언 학습, 딥러닝, k-means 군집, HAC(Hierarchical Agglomerative Clustering) 군집 중 적어도 하나를 포함하는 기계 학습 알고리즘을 이용하여 상기 고장 진단 학습 모델 및 상기 고장 예측 학습 모델을 생성하는, 열차 고장 예측 장치.
  5. 청구항 1에 있어서,
    상기 데이터 학습 모듈은 상기 전처리 및 저장된 상기 이력 데이터, 상기 지침 데이터, 및 상기 과거 상태 데이터의 속성들을 분류 및 군집화하여 특성을 추론하고, 상기 특성과 차량 고장 사이의 상관 관계를 파악하여 상기 차량 고장 원인을 분석하는, 열차 고장 예측 장치.
  6. 청구항 1에 있어서,
    상기 데이터 수집 모듈이 다중화되어, 다중화된 데이터 수집 모듈이 상기 이력 데이터, 상기 지침 데이터, 상기 과거 상태 데이터, 및 상기 현재 상태 데이터를 동시에 수집하고,
    상기 데이터 전처리 및 저장 모듈이 다중화되고, 다중화된 데이터 전처리 및 저장 모듈이 활성(active)과 대기(standby)로 동작하고, 활성으로 동작하는 데이터 전처리 및 저장 모듈이 수집된 상기 이력 데이터, 상기 지침 데이터, 상기 과거 상태 데이터, 및 상기 현재 상태 데이터를 전처리 및 저장하는, 열차 고장 예측 장치.
  7. 청구항 1에 있어서,
    상기 데이터 전처리 및 저장 모듈이 상기 이력 데이터, 상기 지침 데이터, 상기 과거 상태 데이터, 및 상기 현재 상태 데이터를 헥사 데이터, 이미지 데이터, 및 텍스트 데이터로 분리하고, 상기 헥사 데이터를 필드 별 파싱하고, 상기 이미지 데이터를 그래프 이미지와 비그래프 이미지로 분리하여 처리하고, 상기 텍스트 데이터를 텍스트 마이닝 기법으로 분석하는, 열차 고장 예측 장치.
  8. 청구항 1에 있어서,
    상기 데이터 전처리 및 저장 모듈이 전처리된 상기 이력 데이터, 상기 지침 데이터, 및 상기 과거 상태 데이터를 맵리듀스 형태로 하둡 인덱스 파일에 저장하고, 저장된 상기 이력 데이터, 상기 지침 데이터, 및 상기 과거 상태 데이터는 Hbase 및 레디스 중 적어도 하나의 형태로 유지되는, 열차 고장 예측 장치.
  9. 데이터 수집 모듈에 의해, 이력 데이터, 지침 데이터, 및 과거 상태 데이터를 수집하는 단계;
    데이터 전처리 및 저장 모듈에 의해, 수집된 상기 이력 데이터, 상기 지침 데이터, 및 상기 과거 상태 데이터를 전처리 및 저장하는 단계;
    데이터 학습 모듈에 의해, 전처리 및 저장된 상기 이력 데이터, 상기 지침 데이터, 및 상기 과거 상태 데이터를 학습하여 차량 고장 여부를 진단하는 고장 진단 학습 모델을 생성하는 단계;
    상기 데이터 학습 모듈에 의해, 상기 고장 진단 학습 모델의 출력 데이터를 학습하여 차량 고장 시기 및 차량 고장 원인 중 적어도 하나를 예측하는 고장 예측 학습 모델을 생성하는 단계;
    상기 데이터 수집 모듈에 의해, 차량의 현재 상태 데이터를 수집하는 단계;
    상기 데이터 전처리 및 저장 모듈에 의해, 수집된 상기 현재 상태 데이터를 전처리 및 저장하는 단계;
    데이터 진단 및 예측 모듈에 의해, 전처리 및 저장된 상기 현재 상태 데이터를 상기 고장 진단 학습 모델에 적용하여 상기 차량의 고장 여부에 대한 진단 결과 데이터를 생성하고, 상기 진단 결과 데이터를 상기 고장 예측 학습 모델에 적용하여 상기 차량의 예상 차량 고장 시기 및 예상 차량 고장 원인 중 적어도 하나를 나타내는 예측 결과 데이터를 생성하는 단계; 및
    데이터 제공 모듈에 의해, 상기 진단 결과 데이터 및 상기 예측 결과 데이터 중 적어도 하나를 출력하는 단계;를 포함하는, 열차 고장 예측 방법.
  10. 청구항 9에 있어서,
    상기 고장 진단 학습 모델을 생성하는 단계는,
    상기 전처리 및 저장된 상기 이력 데이터, 상기 지침 데이터, 및 상기 과거 상태 데이터의 속성들을 분류 및 군집화하여 특성을 추론하는 단계; 및
    상기 특성과 차량 고장 사이의 상관 관계를 파악하여 상기 차량 고장 원인을 분석하는 단계;를 포함하는, 열차 고장 예측 방법.
KR1020180132061A 2018-10-31 2018-10-31 열차 고장 예측 장치 및 방법 KR102168218B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180132061A KR102168218B1 (ko) 2018-10-31 2018-10-31 열차 고장 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180132061A KR102168218B1 (ko) 2018-10-31 2018-10-31 열차 고장 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20200052461A KR20200052461A (ko) 2020-05-15
KR102168218B1 true KR102168218B1 (ko) 2020-10-20

Family

ID=70679087

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180132061A KR102168218B1 (ko) 2018-10-31 2018-10-31 열차 고장 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102168218B1 (ko)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102502394B1 (ko) * 2020-11-26 2023-02-23 (주)볼트마이크로 차량의 불량 예측 시스템 및 그 방법
KR102347601B1 (ko) * 2020-12-02 2022-01-07 한국교통대학교산학협력단 출입문 고장 진단 및 예지 서버, 출입문 고장 진단 및 예지 시스템 및 출입문 고장 진단 및 예지 방법
CN114740815A (zh) * 2021-01-07 2022-07-12 长沙中车智驭新能源科技有限公司 基于神经网络的客车故障诊断方法、装置和电子设备
KR102525703B1 (ko) * 2021-01-26 2023-04-26 서울교통공사 전동차량의 고장 예측 장치 및 그 방법
KR102379957B1 (ko) * 2021-11-15 2022-03-29 주식회사 지에스솔루션스 전동차 공기식 출입문 고장진단 서비스 제공 방법
CN114996258A (zh) * 2022-06-23 2022-09-02 中铁第四勘察设计院集团有限公司 一种基于数据仓库的接触网故障诊断方法
KR102575051B1 (ko) * 2022-08-17 2023-09-06 주식회사 지에스솔루션스 열차 내 냉난방장치의 고장 진단 장치 및 방법
CN116304663B (zh) * 2022-12-05 2023-10-24 北京交通大学 基于非平衡样本增强的列控车载设备健康状态管理装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101703163B1 (ko) * 2011-03-22 2017-02-07 한국전자통신연구원 차량의 복합 고장을 예측하기 위한 장치 및 방법
KR101718228B1 (ko) * 2015-05-22 2017-03-20 한국과학기술원 이력 데이터 군집화 기반 철도부품의 상태를 예측하는 방법 및 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
열차종합제어장치 데이터를 활용한 예지정비 적용 방향(논문)

Also Published As

Publication number Publication date
KR20200052461A (ko) 2020-05-15

Similar Documents

Publication Publication Date Title
KR102168218B1 (ko) 열차 고장 예측 장치 및 방법
Zhang et al. A review on deep learning applications in prognostics and health management
CN110059631B (zh) 接触网非接触式监测缺陷识别方法
US8095261B2 (en) Aggregated information fusion for enhanced diagnostics, prognostics and maintenance practices of vehicles
US8543280B2 (en) Collaborative multi-agent vehicle fault diagnostic system and associated methodology
CN111858526B (zh) 基于信息系统日志的故障时间空间预测方法及系统
KR20190107080A (ko) 클라우드 기반 차량 고장 진단 방법, 장치 및 시스템
US11509499B2 (en) Detecting abnormal events in vehicle operation based on machine learning analysis of messages transmitted over communication channels
KR102235728B1 (ko) 전동차의 전기식 출입문 고장예측 장치
CN105676842B (zh) 一种高铁列控车载设备故障诊断方法
CN113419519B (zh) 基于宽度学习的机电产品系统或设备实时故障诊断方法
CN112046550B (zh) 一种基于物联网的磁浮列车智能故障诊断系统及方法
Marquez An approach to remote condition monitoring systems management
MXPA03009292A (es) Diagnostico que utiliza informacion especifica para un subsistema.
CN115481673A (zh) 使用分阶段机器学习来增强车辆网络安全
US10787278B2 (en) Aircraft maintenance message prediction
CN111027859B (zh) 基于机动车状态监控数据挖掘的驾驶风险防范方法及系统
CN106483472A (zh) 一种基于机载电源管理控制装置的电源系统故障诊断方法
CN112434979A (zh) 道岔系统健康评估方法
CN116453040A (zh) 一种针对列车车辆防松铁丝断裂类故障智能图像分析方法
WO2021111728A1 (ja) 故障予兆検知装置、故障予兆検知システム、故障予兆検知方法および故障予兆検知プログラム
JP2004306880A (ja) 移動体異常検知システム，移動体、及び地上システム
CN114691633A (zh) 轨道交通信号系统的日志管理方法、设备及存储介质
CN118220937A (zh) 开放式电梯故障识别系统
CN216118812U (zh) 一种监管场所云卡口统一运维系统

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