KR102176638B1 - 선로전환기의 고장진단 및 장애예측이 가능한 철도신호시스템 및 이를 이용한 선로전환기 고장진단 및 장애예측방법 - Google Patents

선로전환기의 고장진단 및 장애예측이 가능한 철도신호시스템 및 이를 이용한 선로전환기 고장진단 및 장애예측방법 Download PDF

Info

Publication number
KR102176638B1
KR102176638B1 KR1020190107340A KR20190107340A KR102176638B1 KR 102176638 B1 KR102176638 B1 KR 102176638B1 KR 1020190107340 A KR1020190107340 A KR 1020190107340A KR 20190107340 A KR20190107340 A KR 20190107340A KR 102176638 B1 KR102176638 B1 KR 102176638B1
Authority
KR
South Korea
Prior art keywords
information
line
failure
unit
change
Prior art date
Application number
KR1020190107340A
Other languages
English (en)
Inventor
남완주
계경완
Original Assignee
에이치웨이 주식회사
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 에이치웨이 주식회사 filed Critical 에이치웨이 주식회사
Application granted granted Critical
Publication of KR102176638B1 publication Critical patent/KR102176638B1/ko

Links

Images

Classifications

    • B61L27/0088—
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/50—Trackside diagnosis or maintenance, e.g. software upgrades
    • B61L27/53—Trackside diagnosis or maintenance, e.g. software upgrades for trackside elements or systems, e.g. trackside supervision of trackside control system conditions

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

본 발명의 일 실시예에 따른 고장진단 및 장애예측이 가능한 철도신호시스템은 선로전환기의 전환동작에 따른 음향정보와 상기 선로전환기의 동작상태를 촬영한 영상정보를 수집하여 제공하는 영상 및 음향정보 수집부; 상기 선로전환기와 1:1 통신하며, 상기 영상 및 음향정보 수집부에서 수집된 음향정보 및 영상정보를 중개하는 중계부; 및 상기 음향정보에 따른 전환동작정보를 산출하고, 산출된 전환동작상태와 선로전환신호에 따른 기준 전환동작정보의 동일성 여부를 판단한고, 상기 전환동작정보와 기준 전환동작정보가 불일치 할 경우, 상기 영상정보로부터 첨단간과 연결간의 위치, 텅레일과 기본레일 간의 간격, 점연판과 연결간 간의 결속상태, 쇄정간의 움직임을 분석하고, 분석영상과 상기 선로전환신호에 따른 기준동작영상을 비교하여, 상기 선로전환기의 상태이상 및 장애발생률을 예측하는 고장진단 및 장애예측서버를 포함한다.

Description

선로전환기의 고장진단 및 장애예측이 가능한 철도신호시스템 및 이를 이용한 선로전환기 고장진단 및 장애예측방법{System and Method for Fault Diagnosis and Failure Prediction of a Track Translator}
본 발명은 선로전환기의 고장진단 및 장애예측이 가능한 철도신호시스템 및 이를 이용한 선로전환기 고장진단 및 장애예측방법에 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 전류/전압 변화를 기반으로 선로전환기의 이상상황을 탐지하는 것과 달리 본 발명은 선로전환기의 선로전환 동작 및 선로전환동작에 따른 레일과 레일 간 스위칭 동작이 포함된 영상정보 및 선로전환기의 선로전환동작에 따른 동작소리인 음향정보를 통해 선로전환기의 고장진단 및 장애예측이 가능한 철도신호시스템 및 이를 이용한 선로전환기 고장진단 및 장애예측방법을 개시하고자 한다.
공개특허공보 제10-2017-0119353호
본 발명이 해결하고자 하는 과제는 종래의 문제점을 해결할 수 있는 선로전환기의 고장진단 및 장애예측이 가능한 철도신호시스템 및 이를 이용한 선로전환기 고장진단 및 장애예측방법을 제공하는 데 그 목적이 있다.
상기 과제를 해결하기 위한 본 발명의 일 실시예에 따른 고장진단 및 장애예측이 가능한 철도신호시스템은 선로전환기의 전환동작에 따른 음향정보와 상기 선로전환기의 동작상태를 촬영한 영상정보를 수집하여 제공하는 영상 및 음향정보 수집부; 상기 선로전환기와 1:1 통신하며, 상기 영상 및 음향정보 수집부에서 수집된 음향정보 및 영상정보를 중계하는 중계부; 및 상기 음향정보에 따른 상기 선로전환기의 동작전환상태를 분석하고, 분석된 동작전환상태와 선로전환신호에 따른 기준 동작전환정보의 동일성 여부를 판단하고, 상기 동작전환상태와 기준 전환동작정보가 불일치 할 경우, 상기 영상정보로부터 첨단간과 연결간의 위치, 텅레일과 기본레일 간의 간격, 절연판과 연결간 간의 결속상태, 쇄정간의 움직임을 분석하고, 분석영상과 상기 선로전환신호에 따른 기준동작영상을 비교하여, 상기 선로전환기의 상태이상 및 장애발생률을 예측하는 고장진단 및 장애예측서버를 포함하고, 상기 고장진단 및 장애예측서버는 선로전환동작에 따른 음향정보의 스펙트럼을 분석한 후, 스펙트럼에 따른 선로전환기의 동작전환상태를 분석하는 음향정보 분석부; 및 선로전환신호 제공부로부터 제공된 선로전환신호에 해당하는 선로전환기의 동작전환에 따른 시간/주파수 도메인의 패턴변화를 기록한 주파수 시퀀스 정보를 데이터베이스로부터 제공받고, 상기 음향정보 분석부에서 산출한 시간/주파수 도메인의 패턴변화정보와 상기 주파수 시퀀스 정보를 비교판단하는 제1 판단부를 포함하고, 상기 음향정보 분석부는 선로전환동작에 따른 음향정보의 스펙트럼 내의 시간/주파수 도메인의 패턴변화를 딥러닝 알고리즘 중 하나인 RNN(Recurren Neural Networks) 알고리즘을 이용하여 산출하고, 상기 제1 판단부는 상기 주파수 시퀀스 정보 내에 산출한 시간/주파수 도메인의 패턴변화정보가 포함될 경우, 선로전환기의 전환동작을 정상동작으로 판단하고, 주파수 시퀀스 정보 내에 시간/주파수 도메인의 패턴변화정보가 포함되지 않을 경우, 이상동작으로 1차 판단한다.
삭제
삭제
일 실시예에서, 상기 고장진단 및 장애예측서버는 상기 제1 판단부의 결과(이상동작 판단)에 기초하여 영상 및 음향정보 수집부에서 제공된 영상정보를 기초로 선로전환기의 동작결함 및 외부 결함인자를 판단하는 영상정보 분석부를 포함한다.
일 실시예에서, 상기 영상정보 분석부는 선로전환기의 동작전환에 따른 영상정보 내에서 첨단간, 연결간, 텅레일, 기본레일, 절연판, 쇄정간을 추출한 후, 첨단간과 연결간 간의 위치, 텅레일과 기본레일 간의 간격, 절연판과 연결간 간의 결속상태, 쇄정간의 움직임을 분석하는 것을 특징으로 한다.
일 실시예에서, 상기 고장진단 및 장애예측서버는 선로전환신호 제공부로부터 제공된 선로전환신호에 해당하는 선로전환기의 동작전환에 따른 기준 오브젝트들의 위치/움직임(첨단간과 연결간 간의 위치, 텅레일과 기본레일 간의 간격, 절연판과 연결간 간의 결속상태, 쇄정간의 움직임)의 패턴정보를 데이터베이스로부터 제공받고, 상기 영상정보 분석부에서 분석한 오브젝트들의 위치/움직임 패턴정보를 비교판단하는 제2 판단부를 포함하는 것을 특징으로 한다.
일 실시예에서, 상기 고장진단 및 장애예측서버는 상기 제2 판단부의 결과를 기초로 선로전환기 및 레일의 상태를 고장진단하고, 고장진단 결과를 데이터베이스로 제공하는 고장진단부를 포함하는 것을 특징으로 한다.
일 실시예에서, 상기 고장진단 및 장애예측서버는 딥러닝 알고리즘을 이용하여 AI 데이터베이스에 실시간으로 누적되는 선로전환기의 동작전환에 따른 영상정보 및 음향정보 중 비정상으로 분류된 데이터들 간의 학습을 통해 연속성 및 종속성을 산출한 후, 연속성 및 종속성을 기초로 선로전환기의 동작별 장애발생률을 예측하는 장애발생 예측부를 포함하는 것을 특징으로 한다.
상기 과제를 해결하기 위한 본 발명의 일 실시예에 따른 선로전환기의 고장진단 및 장애예측이 가능한 철도신호시스템을 이용한 선로전환기 고장진단 및 장애예측방법은 선로전환신호에 따라 선로전환기가 동작되면, 영상 및 음향정보 수집부에서 선로전환기의 동작전환에 따른 음향정보와 선로전환기의 동작상태를 촬영한 영상정보를 수집하는 단계; 고장진단 및 장애예측서버의 음향정보 분석부에서 선로전환기의 선로전환동작에 따른 음향정보의 스펙트럼 내의 시간/주파수 도메인의 패턴변화(#Ft)를 딥러닝 알고리즘 중 하나인 RNN(Recurren Neural Networks) 알고리즘을 이용하여 분석하는 단계; 산출된 시간/주파수 도메인의 패턴변화(#Ft)에 상응하는 시간/주파수 도메인의 집합정보인 주파수 시퀀스 정보({#Seq})를 AI 데이터베이스로부터 추출하는 단계; 선로전환신호 제공부로부터 제공된 선로전환신호에 해당하는 선로전환기의 동작전환에 따른 시간/주파수 도메인의 패턴변화를 기록한 주파수 시퀀스 정보({#Seq})를 데이터베이스로부터 제공받고, 상기 음향정보 분석부에서 산출한 시간/주파수 도메인의 패턴변화정보와 상기 주파수 시퀀스 정보({#Seq})를 제1 판단부에서 비교판단하는 단계; 영상정보 분석부에서 선로전환기의 동작전환에 따른 영상정보 내에서 첨단간, 연결간, 텅레일, 기본레일, 점연판, 쇄정간을 추출하는 단계; 상기 영상정보 분석부에서 첨단간과 연결간 간의 위치, 텅레일과 기본레일 간의 간격, 점연판과 연결간 간의 결속상태, 쇄정간의 움직임을 분석하는 단계; 및 제2 판단부에서 선로전환신호 제공부로부터 제공된 선로전환신호에 해당하는 선로전환기의 동작전환에 따른 기준 오브젝트들의 위치/움직임(첨단간과 연결간 간의 위치, 텅레일과 기본레일 간의 간격, 점연판과 연결간 간의 결속상태, 쇄정간의 움직임)의 패턴정보를 데이터베이스로부터 제공받고, 상기 영상정보 분석부에서 분석한 오브젝트들의 위치/움직임 패턴정보의 동일성 여부를 비교판단하는 단계; 및 고장진단부에서 상기 제2 판단부의 결과(동일하지 않을 경우)를 기초로 선로전환기 및 레일의 상태를 고장진단하고, 고장진단 결과(고장동작)를 데이터베이스 및 선로전환신호 제공부로 제공하는 단계; 및 제2 판단부의 비교판단 결과가 동일할 경우, 장애예측부에서 선로전환기의 동작별 장애발생률을 예측하는 단계를 포함한다.
일 실시예에서, 상기 제1 판단부에서 비교판단하는 단계는 상기 주파수 시퀀스 정보({#Seq}) 내에 산출한 시간/주파수 도메인의 패턴변화정보(#Ft)가 포함될 경우, 선로전환기의 전환동작을 정상동작으로 판단하고, 상기 주파수 시퀀스 정보({#Seq}) 내에 시간/주파수 도메인의 패턴변화정보가 포함되지 않을 경우, 이상동작으로 1차 판단하는 단계인 것을 특징으로 한다.
본 발명의 일 실시예에 따른 선로전환기의 고장진단 및 장애예측이 가능한 철도신호시스템 및 이를 이용한 선로전환기 고장진단 및 장애예측방법을 이용하면, 선로전환기의 동작전환에 따라 발생된 영상 및 소리를 이용하여 선로전환기의 고장상태를 진단할 수 있고, 또한, 동작전환시에 발생하는 소리의 누적패턴값을 기초로 장애발생확률을 사전에 예측할 수 있어, 관리자로 하여금 선로전환기의 가장 이상적인 수리보수의 시점을 제공할 수 있다는 이점이 있다.
또한, 선로전환기의 고장진단시에, 내부원인 및 외부원인을 영상을 통해 일차적으로 판단할 수 있고, 내부원인으로 판단될 경우, 소리를 통해 고장상태의 단계를 손쉽게 파악할 수 있다는 이점이 있다.
도 1은 본 발명의 일 실시예에 따른 선로전환기의 고장진단 및 장애예측이 가능한 철도신호시스템을 나타낸 블록도이다.
도 2는 도 1에 도시된 고장진단 및 장애예측 서버의 세부구성을 나타낸 블록도이다.
도 3은 철도레일과 선로전환기 간의 연결구조를 도식화한 도이다.
도 4는 고장진단 및 장애예측 서버에서 제공하는 선로전환기의 동작상태정보의 일 예시도이다.
도 5는 본 발명의 일 실시예에 따른 선로전환기의 고장진단 및 장애예측이 가능한 철도신호시스템을 이용한 선로전환기 장애예측방법을 설명한 흐름도이다.
도 6은 본 명세서에 개진된 하나 이상의 실시예가 구현될 수 있는 예시적인 컴퓨팅 환경을 도시한 도이다.
이하, 본 명세서의 실시예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 명세서에 기재된 기술을 특정한 실시 형태에 대해 한정하는 것이 아니며, 본 명세서의 실시예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 본 명세서에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본 명세서에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상"등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본 명세서에서 사용된 "제 1," "제 2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 예를 들면, 제 1 사용자 기기와 제 2 사용자 기기는, 순서 또는 중요도와 무관하게, 서로 다른 사용자 기기를 나타낼 수 있다. 예를 들면, 본 명세서에 기재된 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 바꾸어 명명될 수 있다.
어떤 구성요소(예: 제 1 구성요소)가 다른 구성요소(예: 제 2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제 3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제 1 구성요소)가 다른 구성요소(예: 제 2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제 3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.
본 명세서에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다.
예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
본 명세서에서 사용된 용어들은 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 다른 실시예의 범위를 한정하려는 의도가 아닐 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 용어들은 본 명세서에 기재된 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다. 본 명세서에 사용된 용어들 중 일반적인 사전에 정의된 용어들은, 관련 기술의 문맥상 가지는 의미와 동일 또는 유사한 의미로 해석될 수 있으며, 본 명세서에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 경우에 따라서, 본 명세서에서 정의된 용어일지라도 본 명세서의 실시예들을 배제하도록 해석될 수 없다.
이하 첨부된 도면들에 기초하여 본 발명의 일 실시 예에 따른 선로전환기의 고장진단 및 장애예측이 가능한 철도신호시스템 및 이를 이용한 선로전환기의 고장진단 및 장애예측방법을 보다 상세하게 설명하도록 한다.
도 1은 본 발명의 일 실시예에 따른 선로전환기의 고장진단 및 장애예측이 가능한 철도신호시스템을 나타낸 블록도이고, 도 2는 도 1에 도시된 고장진단 및 장애예측 서버의 세부구성을 나타낸 블록도이고, 도 3은 철도레일과 선로전환기 간의 연결구조를 도식화한 도이고, 도 4는 고장진단 및 장애예측 서버에서 제공하는 선로전환기의 동작상태정보의 일 예시도이다.
도 1 내지 도 4를 참조, 본 발명의 일 실시에에 따른 선로전환기의 고장진단 및 장애예측이 가능한 철도신호시스템(100)은 영상 및 음향정보 수집부(200), 통신중계부(300), 선로전환기 신호제공부(400) 및 고장진단 및 장애예측서버(500)를 포함한다.
상기 영상 및 음향정보 수집부(200)는 선로전환기(10)의 동작전환소리 및 선로전환영상을 수집한다.
보다 구체적으로, 상기 영상 및 음향정보 수집부는 카메라, 오디오, 필터링부 및 통신부를 포함한다.
상기 카메라는 선로전환기의 선로전환 동작 및 선로전환기의 전환동작에 따른 레일영상을 촬영한 영상정보를 제공한다.
상기 오디오는 선로전환 동작시 발생하는 동작전환소리를 취득한다.
상기 필터링부는 동작전환소리를 데시벨에 따라 분류하는 기능을 한다.
상기통신부는 선로전환정보, 동작전환소리를 후술하는 고장진단 및 장애예측서버(500)로 제공한다.
다음으로, 상기 통신중계부(300)는 영상 및 음향정보 수집부(200)에서 수집된 영상정보 및 동작전환에 따른 음향정보를 고장진단 및 장애예측서버(500)로 중계하며, 이때, 상기 통신중계부(300)는 TCP(Transmission Control Protocol)/IP(Internet Protocol) 통신방식으로 중계한다.
다음으로, 선로전환신호 제공부(400)는 선로전환기의 선로전환신호를 생성하여 제공한다. 상기 선로전환신호 제공부(400)는 미리 설정된 스케쥴 또는 운영자의 조작에 따라 선로전환신호를 제공한다.
상기 선로전환신호 제공부(400)는 열차운행정보, 열차진입 시점, 전환구간 내의 열차정차정보에 기초하여 선로전환신호를 자동을 제공할 수도 있다.
다음으로, 선로전환기 고장진단 및 장애예측서버(500)는 영상 및 음향정보 수집부(200)에서 수집된 선로전환기의 동작전환에 따른 영상정보 및 동작전환에 따른 음향정보(기기들의 마찰음, 소음 등)을 기초로 선로전환기의 고장진단 및 장애발생률을 예측한다.
예컨대, 선로전환기 고장진단 및 장애예측서버(500)는 상기 음향정보에 따른 상기 선로전환기의 동작전환상태를 분석하고, 분석된 동작전환상태와 선로전환신호에 따른 기준 동작전환정보의 동일성 여부를 판단한고, 상기 동작전환상태와 기준 전환동작정보가 불일치 할 경우, 상기 영상정보로부터 첨단간과 연결간의 위치, 텅레일과 기본레일 간의 간격, 절연판과 연결간 간의 결속상태, 쇄정간의 움직임을 분석하고, 분석영상과 상기 선로전환신호에 따른 기준동작영상을 비교하여, 상기 선로전환기의 상태이상 및 장애발생률을 예측한다.
보다 구체적으로, 상기 선로전환기 고장진단 및 장애예측서버(500)는 음향정보 분석부(510), 제1 판단부(520), 영상정보 분석부(530), 제2 판단부(540), 고장진단부(550), AI 데이터베이스(560) 및 장애예측부(570)를 포함한다.
음향정보 분석부(510)는 선로전환동작에 따른 음향정보의 스펙트럼을 분석한 후, 스펙트럼에 따른 선로전환기의 동작전환상태를 분석한다.
상기 음향정보 분석부(510)는 선로전환동작에 따른 음향정보의 스펙트럼 내의 시간/주파수 도메인의 패턴변화를 딥러닝 알고리즘 중 하나인 RNN(Recurren Neural Networks) 알고리즘을 이용하여 산출한다.
참고로, 음향정보는 정상 또는 고장에 따른 선로전환기 전환 시의 소리 신호 형태에 따라 웨이브폼(waveform)과 스펙트로그램(spectrogram)으로 나누어 질 수 있다.
이후, 산출된 시간/주파수 도메인의 패턴변화에 상응하는 시간/주파수 도메인 정보를 데이터베이스로부터 추출한 후, 제1 판단부(420)로 제공한다.
한편, 상기 음향정보 분석부(510)에서 산출된 시간/주파수 도메인의 패턴변화정보는 후술할 데이터베이스 내에 분산저장되며, 상기 데이터베이스는 선로신호신시스템의 선로전환신호가 출력될 때마다의 음향정보 분석부의 결과정보를 누적한 후, 누적정보들 간의 인공지능 신경망 학습을 진행하여 결과정보의 예측정보를 생성한다. 상술한 데이터베이스에 대한 보다 상세한 설명은 후술하도록 한다.
상기 제1 판단부(520)는 선로전환신호 제공부로부터 제공된 선로전환신호에 해당하는 선로전환기의 동작전환에 따른 시간/주파수 도메인의 패턴변화를 기록한 주파수 시퀀스 정보를 데이터베이스로부터 제공받고, 상기 음향정보 분석부(510)에서 산출한 시간/주파수 도메인의 패턴변화정보와 상기 주파수 시퀀스 정보를 비교판단한다.
이때, 주파수 시퀀스 정보 내에 산출한 시간/주파수 도메인의 패턴변화정보가 포함될 경우, 선로전환기의 전환동작을 정상동작으로 판단하고, 만약, 주파수 시퀀스 정보 내에 시간/주파수 도메인의 패턴변화정보가 포함되지 않을 경우, 이상동작으로 1차 판단한 후, 후술하는 영상정보 분석부를 활성화시킨다.
한편, 상기 정상동작에 따른 시간/주파수 도메인의 패턴변화정보 및 이상동작에 따른 시간/주파수 도메인의 패턴변화정보를 후술하는 데이터베이스에 정상동작 및 비정상동작 정보로 분류되어 제공되며, 제공된 정상동작 및 이상동작에 따른 시간/주파수 도메인의 패턴변화정보는 향후, 장애발생예측에 활용된다.
상기 영상정보 분석부(530)는 제1 판단부(520)의 결과(이상동작 판단)에 기초하여 영상 및 음향정보 수집부(200)에서 제공된 영상정보를 기초로 선로전환기의 동작결함 및 외부 결함인자를 판단한다.
상기 영상정보 분석부(430)는 선로전환기의 동작전환에 따른 영상정보 내에서 첨단간, 연결간, 텅레일, 기본레일, 점연판, 쇄정간을 추출한 후, 첨단간과 연결간 간의 위치, 텅레일과 기본레일 간의 간격, 점연판과 연결간 간의 결속상태, 쇄정간의 움직임을 분석한다.
한편, 상기 영상정보 분석부(530)는 초기 영상정보에 대해 이진화, 세션화, 잡음제거 중 하나 이상의 전처리를 수행할 수 있다. 상기 전처리는 가우시안 필터(Gaussian filter), 라플라시안 필터(Laplacian filter), 가우시안 차(Difference of Gaussian: DoG) 및 캐니 에지 검출(Canny edge detection) 등을 이용한다.
일 예로, 가우시안 필터 등을 이용하여 잡음을 제거하고(Noise reduction), 에지 성분 검출을 위한 그라디언트(gradient) 연산을 수행하며(gradient operation), 끊어진 에지 라인을 보간 하는 비 최대치 억제를 수행하고(non-maximum suppression), 에지 맵을 이진화하는 히스테리시스 경계화(Hysteresis thresholding)를 수행할 수 있다.
또한, 영상정보를 기 설정된 이미지 블록단위(patch)로 격자분할한 후, 각 블록의 고유의 윈도우 좌표값을 생성한 후, 이미지 블록단위(Patch)로 격자분할한다.
이후, 이미지 블록단위(patch)를 정규화(normalization) 및 군집화(Clustering)한 후, 상기 CNN 알고리즘을 이용하여 영상정보 내에서 첨단간, 연결간, 텅레일, 기본레일, 점연판, 쇄정간의 오브젝트들을 특정하여 추출하고, 추출된 오브젝트들의 연결상태를 이용하여 첨단간과 연결간 간의 위치, 텅레일과 기본레일 간의 간격, 점연판과 연결간 간의 결속상태, 쇄정간의 움직임을 분석한다.
다음으로, 제2 판단부(540)는 선로전환신호 제공부로부터 제공된 선로전환신호에 해당하는 선로전환기의 동작전환에 따른 기준 오브젝트들의 위치/움직임(첨단간과 연결간 간의 위치, 텅레일과 기본레일 간의 간격, 점연판과 연결간 간의 결속상태, 쇄정간의 움직임)의 패턴정보를 데이터베이스로부터 제공받고, 상기 영상정보 분석부(430)에서 분석한 오브젝트들의 위치/움직임 패턴정보를 비교판단한다.
상기 고장진단부(550)는 상기 제2 판단부(540)의 결과를 기초로 선로전환기 및 레일의 상태를 고장진단하고, 고장진단 결과를 데이터베이스로 제공한다.
다음으로, AI 데이터베이스(560)는 선로전환신호에 따른 선로전환기의 동작전환시에 발생하는 음향정보(시간/주파수 도메인 정보) 및 오브젝트들의 위치/움직임 패턴정보를 저장 및 제공한다.
AI 데이터베이스(560)는 선로전환기의 동작전환시에 발생하는 음향정보(시간/주파수 도메인 정보) 및 오브젝트들의 위치/움직임 패턴정보를 인공지능 신경망 학습 알고리즘을 이용하여 정상 및 비정상으로 분류하여 저장하고, 각 저장된 정보들 간을 학습시켜 파생정보(예측정보)를 생성할 수 있다.
상기 AI 데이터베이스(560)는 딥러닝(Deep Learning) 학습 알고리즘을 이용하여 저장된 정보를 군집화하거나 분류한 후, 자체학습한다.
또한, 상기 AI 데이터베이스(560)는 오라클(Oracle), MYSQL, MSSQL, 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 발명의 목적에 맞게 구현될 수 있도록 필드(field) 또는 엘리먼트들을 포함할 수 있다.
다음으로, 장애예측부(470)는 딥러닝 알고리즘을 이용하여 데이터베이스에 실시간으로 누적되는 선로전환기의 동작전환에 따른 영상정보 및 음향정보 중 비정상으로 분류된 데이터들 간의 학습을 통해 연속성 및 종속성을 산출한 후, 연속성 및 종속성을 기초로 선로전환기의 동작별 장애발생률을 예측한다.
여기서, 연속성은 연속된 제1 데이터와 제2 데이터 간의 상관도를 의미하며, 종속성은 제1 데이터로 인해 발생되는 제2 데이터의 확률을 의미한다.
참고로, 장애예측부(570)는 선로전환기의 동작별 장애발생률이 기 설정값을 초과할 경우, 관리자 단말로 경고메시지를 제공할 수 있다.
도 5는 본 발명의 일 실시예에 따른 선로전환기의 고장진단 및 장애예측방법을 설명한 흐름도이다.
도 5에 도시된 선로전환기의 고장진단 및 장애예측방법은 도 1에 도시된 시스템을 통해 구현될 수 있다.
먼저, 도 5를 참조, 본 발명의 일 실시예에 따른 선로전환기의 고장진단 및 장애예측방법(S700)은 선로전환신호에 따라 선로전호기가 동작되면, 영상 및 음향정보 수집부에서 선로전환기의 동작전환에 따른 음향정보와 선로전환기의 동작상태를 촬영한 영상정보를 수집(S710)하여 중계부(300)로 제공하고, 중계부(300)는 고장진단 및 장애예측서버(500)로 수집된 영상 및 음향정보를 전송한다.
이후, 고장진단 및 장애예측서버(500)의 음향정보 분석부(510)는 선로전환동작에 따른 음향정보의 스펙스트럼을 분석한 후, 스펙트럼에 따른 선로전환기의 동작전환상태를 분석한다.
보다 구체적으로, 음향정보 분석부(510)는 선로전환동작에 따른 음향정보의 스펙트럼 내의 시간/주파수 도메인의 패턴변화(#Ft)를 딥러닝 알고리즘 중 하나인 RNN(Recurren Neural Networks) 알고리즘을 이용하여 산출(S720)한다.
이후, 산출된 시간/주파수 도메인의 패턴변화(#Ft)에 상응하는 시간/주파수 도메인의 집합정보인 주파수 시퀀스 정보({#Seq})를 AI 데이터베이스로(560)부터 추출(S730)한 후, 제1 판단부(520)로 제공한다.
제1 판단부(520)는 선로전환신호 제공부(400)로부터 제공된 선로전환신호에 해당하는 선로전환기의 동작전환에 따른 시간/주파수 도메인의 패턴변화를 기록한 주파수 시퀀스 정보를 데이터베이스로부터 제공받고, 상기 음향정보 분석부(510)에서 산출한 시간/주파수 도메인의 패턴변화정보와 상기 주파수 시퀀스 정보를 비교판단(S740)한다.
이때, 주파수 시퀀스 정보({#Seq}) 내에 산출한 시간/주파수 도메인의 패턴변화정보(#Ft)가 포함될 경우, 선로전환기의 전환동작을 정상동작으로 판단하고, 만약, 주파수 시퀀스 정보 내에 시간/주파수 도메인의 패턴변화정보가 포함되지 않을 경우, 이상동작으로 1차 판단(S740)한 후, 후술하는 영상정보 분석부를 활성화시킨다. 정상동작으로 판별하면, 판별정보를 선로전환신호 제공부로 제공한다.
이후, 영상정보 분석부(530)는 제1 판단부(520)의 결과(이상동작 판단)에 기초하여 영상 및 음향정보 수집부(200)에서 제공된 영상정보를 기초로 선로전환기의 동작결함 및 외부 결함인자를 판단한다.
보다 구체적으로, 상기 영상정보 분석부(530)는 선로전환기의 동작전환에 따른 영상정보 내에서 첨단간, 연결간, 텅레일, 기본레일, 절연판, 쇄정간을 추출(S750)한 후, 첨단간과 연결간 간의 위치, 텅레일과 기본레일 간의 간격, 절연판과 연결간 간의 결속상태, 쇄정간의 움직임을 분석(S760)한다.
이후, 제2 판단부(540)에서 선로전환신호 제공부(400)로부터 제공된 선로전환신호에 해당하는 선로전환기의 동작전환에 따른 기준 오브젝트들의 위치/움직임(첨단간과 연결간 간의 위치, 텅레일과 기본레일 간의 간격, 절연판과 연결간 간의 결속상태, 쇄정간의 움직임)의 패턴정보를 데이터베이스로부터 제공(S770)받고, 상기 영상정보 분석부(530)에서 분석한 오브젝트들의 위치/움직임 패턴정보의 동일성 여부를 비교판단(S780)한다.
이후, 상기 고장진단부(550)는 상기 제2 판단부(450)의 결과(동일하지 않을 경우)를 기초로 선로전환기 및 레일의 상태를 고장진단(S790)하고, 고장진단 결과(고장동작)를 데이터베이스 및 선로전환신호 제공부로 제공한다.
만약, 제2 판단부(540)의 비교판단 결과가 동일(예)할 경우, 장애예측부(470)에서 선로전환기의 동작별 장애발생률을 예측(S800)한다.
여기서, S800은 장애예측부(570)가 딥러닝 알고리즘을 이용하여 AI 데이터베이스(560)에 실시간으로 누적되는 선로전환기의 동작전환에 따른 영상정보 및 음향정보 중 비정상으로 분류된 데이터들 간의 학습을 통해 연속성 및 종속성을 산출한 후, 연속성 및 종속성을 기초로 선로전환기의 동작별 장애발생률을 예측하는 과정일 수 있다.
여기서, 연속성은 연속된 제1 데이터와 제2 데이터 간의 상관도를 의미하며, 종속성은 제1 데이터로 인해 발생되는 제2 데이터의 확률을 의미한다.
참고로, 장애발생예측부(570)는 S800 과정이후, 선로전환기의 동작별 장애발생률이 기 설정값을 초과할 경우, 관리자 단말로 경고메시지를 제공하는 과정을 수행할 수 있다.
따라서, 본 발명의 일 실시예에 따른 선로전환기의 고장진단 및 장애예측이 가능한 철도신호시스템 및 이를 이용한 선로전환기의 고장진단 및 장애예측방법을 이용하면, 선로전환기의 동작전환에 따라 발생된 영상 및 소리를 이용하여 선로전환기의 고장상태를 진단할 수 있고, 또한, 동작전환시에 발생하는 소리의 누적패턴값을 기초로 장애발생확률을 사전에 예측할 수 있어, 관리자로 하여금 선로전환기의 가장 이상적인 수리보수의 시점을 제공할 수 있다는 이점이 있다.
또한, 선로전환기의 고장진단시에, 내부원인 및 외부원인을 영상을 통해 일차적으로 판단할 수 있고, 내부원인으로 판단될 경우, 소리를 통해 고장상태의 단계를 손쉽게 파악할 수 있다는 이점이 있다.
도 6은 본 명세서에 개진된 하나 이상의 실시예가 구현될 수 있는 예시적인 컴퓨팅 환경을 도시하는 도면으로, 상술한 하나 이상의 실시예를 구현하도록 구성된 컴퓨팅 디바이스(1100)를 포함하는 시스템(1000)의 예시를 도시한다. 예를 들어, 컴퓨팅 디바이스(1100)는 개인 컴퓨터, 서버 컴퓨터, 핸드헬드 또는 랩탑 디바이스, 모바일 디바이스(모바일폰, PDA, 미디어 플레이어 등), 멀티프로세서 시스템, 소비자 전자기기, 미니 컴퓨터, 메인프레임 컴퓨터, 임의의 전술된 시스템 또는 디바이스를 포함하는 분산 컴퓨팅 환경 등을 포함하지만, 이것으로 한정되는 것은 아니다.
컴퓨팅 디바이스(1100)는 적어도 하나의 프로세싱 유닛(1110) 및 메모리(1120)를 포함할 수 있다. 여기서, 프로세싱 유닛(1110)은 예를 들어 중앙처리장치(CPU), 그래픽처리장치(GPU), 마이크로프로세서, 주문형 반도체(Application Specific Integrated Circuit, ASIC), Field Programmable Gate Arrays(FPGA) 등을 포함할 수 있으며, 복수의 코어를 가질 수 있다. 메모리(1120)는 휘발성 메모리(예를 들어, RAM 등), 비휘발성 메모리(예를 들어, ROM, 플래시 메모리 등) 또는 이들의 조합일 수 있다. 또한, 컴퓨팅 디바이스(1100)는 추가적인 스토리지(1130)를 포함할 수 있다. 스토리지(1130)는 자기 스토리지, 광학 스토리지 등을 포함하지만 이것으로 한정되지 않는다. 스토리지(1130)에는 본 명세서에 개진된 하나 이상의 실시예를 구현하기 위한 컴퓨터 판독 가능한 명령이 저장될 수 있고, 운영 시스템, 애플리케이션 프로그램 등을 구현하기 위한 다른 컴퓨터 판독 가능한 명령도 저장될 수 있다. 스토리지(1130)에 저장된 컴퓨터 판독 가능한 명령은 프로세싱 유닛(1110)에 의해 실행되기 위해 메모리(1120)에 로딩될 수 있다. 또한, 컴퓨팅 디바이스(1100)는 입력 디바이스(들)(1140) 및 출력 디바이스(들)(1150)을 포함할 수 있다.
여기서, 입력 디바이스(들)(1140)은 예를 들어 키보드, 마우스, 펜, 음성 입력 디바이스, 터치 입력 디바이스, 적외선 카메라, 비디오 입력 디바이스 또는 임의의 다른 입력 디바이스 등을 포함할 수 있다. 또한, 출력 디바이스(들)(1150)은 예를 들어 하나 이상의 디스플레이, 스피커, 프린터 또는 임의의 다른 출력 디바이스 등을 포함할 수 있다. 또한, 컴퓨팅 디바이스(1100)는 다른 컴퓨팅 디바이스에 구비된 입력 디바이스 또는 출력 디바이스를 입력 디바이스(들)(1140) 또는 출력 디바이스(들)(1150)로서 사용할 수도 있다.
또한, 컴퓨팅 디바이스(1100)는 컴퓨팅 디바이스(1100)가 다른 디바이스(예를 들어, 컴퓨팅 디바이스(1300))와 통신할 수 있게 하는 통신접속(들)(1160)을 포함할 수 있다.
여기서, 통신 접속(들)(1160)은 모뎀, 네트워크 인터페이스 카드(NIC), 통합 네트워크 인터페이스, 무선 주파수 송신기/수신기, 적외선 포트, USB 접속 또는 컴퓨팅 디바이스(1100)를 다른 컴퓨팅 디바이스에 접속시키기 위한 다른 인터페이스를 포함할 수 있다. 또한, 통신 접속(들)(1160)은 유선 접속 또는 무선 접속을 포함할 수 있다. 상술한 컴퓨팅 디바이스(1100)의 각 구성요소는 버스 등의 다양한 상호접속(예를 들어, 주변 구성요소 상호접속(PCI), USB, 펌웨어(IEEE 1394), 광학적 버스 구조 등)에 의해 접속될 수도 있고, 네트워크(1200)에 의해 상호접속될 수도 있다. 본 명세서에서 사용되는 "구성요소", "시스템" 등과 같은 용어들은 일반적으로 하드웨어, 하드웨어와 소프트웨어의 조합, 소프트웨어, 또는 실행중인 소프트웨어인 컴퓨터 관련 엔티티를 지칭하는 것이다.
예를 들어, 구성요소는 프로세서 상에서 실행중인 프로세스, 프로세서, 객체, 실행 가능물(executable), 실행 스레드, 프로그램 및/또는 컴퓨터일 수 있지만, 이것으로 한정되는 것은 아니다. 예를 들어, 컨트롤러 상에서 구동중인 애플리케이션 및 컨트롤러 모두가 구성요소일 수 있다. 하나 이상의 구성요소는 프로세스 및/또는 실행의 스레드 내에 존재할 수 있으며, 구성요소는 하나의 컴퓨터 상에서 로컬화될 수 있고, 둘 이상의 컴퓨터 사이에서 분산될 수도 있다.
이상에서 본 발명은 실시예를 참조하여 상세히 설명되었으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 상기에서 설명된 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 부가 및 변형이 가능할 것임은 당연하며, 이와 같은 변형된 실시 형태들 역시 아래에 첨부한 특허청구범위에 의하여 정하여지는 본 발명의 보호 범위에 속하는 것으로 이해되어야 할 것이다.
이상에서 본 발명의 실시 예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 개발자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.
100: 선로전환기의 고장진단 및 장애예측이 가능한 철도신호시스템
200: 영상 및 음향정보 수집부
300: 통신중계부
400: 선로전환신호 제공부
500: 선로전환기 고장진단 및 장애예측서버
510: 음향정보 분석부
520: 제1 판단부
530: 영상정보 분석부
540: 제2 판단부
550: 고장진단부
560: 장애예측부

Claims (10)

  1. 선로전환기의 전환동작에 따른 음향정보와 상기 선로전환기의 동작상태를 촬영한 영상정보를 수집하여 제공하는 영상 및 음향정보 수집부;
    상기 선로전환기와 1:1 통신하며, 상기 영상 및 음향정보 수집부에서 수집된 음향정보 및 영상정보를 중계하는 중계부; 및
    상기 음향정보에 따른 상기 선로전환기의 동작전환상태를 분석하고, 분석된 동작전환상태와 선로전환신호에 따른 기준 동작전환정보의 동일성 여부를 판단하고, 상기 동작전환상태와 기준 전환동작정보가 불일치 할 경우, 상기 영상정보로부터 첨단간과 연결간의 위치, 텅레일과 기본레일 간의 간격, 절연판과 연결간 간의 결속상태, 쇄정간의 움직임을 분석하고, 분석영상과 상기 선로전환신호에 따른 기준동작영상을 비교하여, 상기 선로전환기의 상태이상 및 장애발생률을 예측하는 고장진단 및 장애예측서버를 포함하고,
    상기 고장진단 및 장애예측서버는
    선로전환동작에 따른 음향정보의 스펙트럼을 분석한 후, 스펙트럼에 따른 선로전환기의 동작전환상태를 분석하는 음향정보 분석부; 및
    선로전환신호 제공부로부터 제공된 선로전환신호에 해당하는 선로전환기의 동작전환에 따른 시간/주파수 도메인의 패턴변화를 기록한 주파수 시퀀스 정보를 데이터베이스로부터 제공받고, 상기 음향정보 분석부에서 산출한 시간/주파수 도메인의 패턴변화정보와 상기 주파수 시퀀스 정보를 비교판단하는 제1 판단부를 포함하고,
    상기 음향정보 분석부는 선로전환동작에 따른 음향정보의 스펙트럼 내의 시간/주파수 도메인의 패턴변화를 딥러닝 알고리즘 중 하나인 RNN(Recurren Neural Networks) 알고리즘을 이용하여 산출하고,
    상기 제1 판단부는 상기 주파수 시퀀스 정보 내에 산출한 시간/주파수 도메인의 패턴변화정보가 포함될 경우, 선로전환기의 전환동작을 정상동작으로 판단하고, 주파수 시퀀스 정보 내에 시간/주파수 도메인의 패턴변화정보가 포함되지 않을 경우, 이상동작으로 1차 판단하는 선로전환기의 고장진단 및 장애예측이 가능한 철도신호시스템.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    상기 고장진단 및 장애예측서버는
    상기 제1 판단부의 결과(이상동작 판단)에 기초하여 영상 및 음향정보 수집부에서 제공된 영상정보를 기초로 선로전환기의 동작결함 및 외부 결함인자를 판단하는 영상정보 분석부를 포함하는 선로전환기의 고장진단 및 장애예측이 가능한 철도신호시스템.
  5. 제4항에 있어서,
    상기 영상정보 분석부는
    선로전환기의 동작전환에 따른 영상정보 내에서 첨단간, 연결간, 텅레일, 기본레일, 절연판, 쇄정간을 추출한 후, 첨단간과 연결간 간의 위치, 텅레일과 기본레일 간의 간격, 점연판과 연결간 간의 결속상태, 쇄정간의 움직임을 분석하는 것을 특징으로 하는 선로전환기의 고장진단 및 장애예측이 가능한 철도신호시스템.
  6. 제5항에 있어서,
    상기 고장진단 및 장애예측서버는
    선로전환신호 제공부로부터 제공된 선로전환신호에 해당하는 선로전환기의 동작전환에 따른 기준 오브젝트들의 위치/움직임(첨단간과 연결간 간의 위치, 텅레일과 기본레일 간의 간격, 절연판과 연결간 간의 결속상태, 쇄정간의 움직임)의 패턴정보를 데이터베이스로부터 제공받고, 상기 영상정보 분석부에서 분석한 오브젝트들의 위치/움직임 패턴정보를 비교판단하는 제2 판단부를 포함하는 것을 특징으로 하는 선로전환기의 고장진단 및 장애예측이 가능한 철도신호시스템.
  7. 제6항에 있어서,
    상기 고장진단 및 장애예측서버는
    상기 제2 판단부의 결과를 기초로 선로전환기 및 레일의 상태를 고장진단하고, 고장진단 결과를 데이터베이스로 제공하는 고장진단부를 포함하는 것을 특징으로 하는 선로전환기의 고장진단 및 장애예측이 가능한 철도신호시스템.
  8. 제7항에 있어서,
    상기 고장진단 및 장애예측서버는
    딥러닝 알고리즘을 이용하여 AI 데이터베이스에 실시간으로 누적되는 선로전환기의 동작전환에 따른 영상정보 및 음향정보 중 비정상으로 분류된 데이터들 간의 학습을 통해 연속성 및 종속성을 산출한 후, 연속성 및 종속성을 기초로 선로전환기의 동작별 장애발생률을 예측하는 장애발생예측부를 포함하는 것을 특징으로 하는 선로전환기의 고장진단 및 장애예측이 가능한 철도신호시스템.
  9. 선로전환신호에 따라 선로전환기가 동작되면, 영상 및 음향정보 수집부에서 선로전환기의 동작전환에 따른 음향정보와 선로전환기의 동작상태를 촬영한 영상정보를 수집하는 단계;
    고장진단 및 장애예측서버의 음향정보 분석부에서 선로전환기의 선로전환동작에 따른 음향정보의 스펙트럼 내의 시간/주파수 도메인의 패턴변화(#Ft)를 딥러닝 알고리즘 중 하나인 RNN(Recurren Neural Networks) 알고리즘을 이용하여 분석하는 단계;
    산출된 시간/주파수 도메인의 패턴변화(#Ft)에 상응하는 시간/주파수 도메인의 집합정보인 주파수 시퀀스 정보({#Seq})를 AI 데이터베이스로부터 추출하는 단계;
    선로전환신호 제공부로부터 제공된 선로전환신호에 해당하는 선로전환기의 동작전환에 따른 시간/주파수 도메인의 패턴변화를 기록한 주파수 시퀀스 정보({#Seq})를 데이터베이스로부터 제공받고, 상기 음향정보 분석부에서 산출한 시간/주파수 도메인의 패턴변화정보와 상기 주파수 시퀀스 정보({#Seq})를 제1 판단부에서 비교판단하는 단계;
    영상정보 분석부에서 선로전환기의 동작전환에 따른 영상정보 내에서 첨단간, 연결간, 텅레일, 기본레일, 점연판, 쇄정간을 추출하는 단계;
    상기 영상정보 분석부에서 첨단간과 연결간 간의 위치, 텅레일과 기본레일 간의 간격, 점연판과 연결간 간의 결속상태, 쇄정간의 움직임을 분석하는 단계; 및
    제2 판단부에서 선로전환신호 제공부로부터 제공된 선로전환신호에 해당하는 선로전환기의 동작전환에 따른 기준 오브젝트들의 위치/움직임(첨단간과 연결간 간의 위치, 텅레일과 기본레일 간의 간격, 점연판과 연결간 간의 결속상태, 쇄정간의 움직임)의 패턴정보를 데이터베이스로부터 제공받고, 상기 영상정보 분석부에서 분석한 오브젝트들의 위치/움직임 패턴정보의 동일성 여부를 비교판단하는 단계; 및
    고장진단부에서 상기 제2 판단부의 결과(동일하지 않을 경우)를 기초로 선로전환기 및 레일의 상태를 고장진단하고, 고장진단 결과(고장동작)를 데이터베이스 및 선로전환신호 제공부로 제공하는 단계; 및
    제2 판단부의 비교판단 결과가 동일할 경우, 장애예측부에서 선로전환기의 동작별 장애발생률을 예측하는 단계를 포함하는 선로전환기의 고장진단 및 장애예측이 가능한 철도신호시스템을 이용한 선로전환기 고장진단 및 장애예측방법.
  10. 제9항에 있어서,
    상기 제1 판단부에서 비교판단하는 단계는
    상기 주파수 시퀀스 정보({#Seq}) 내에 산출한 시간/주파수 도메인의 패턴변화정보(#Ft)가 포함될 경우, 선로전환기의 전환동작을 정상동작으로 판단하고, 상기 주파수 시퀀스 정보({#Seq}) 내에 시간/주파수 도메인의 패턴변화정보가 포함되지 않을 경우, 이상동작으로 1차 판단하는 단계인 것을 특징으로 하는 선로전환기의 고장진단 및 장애예측이 가능한 철도신호시스템을 이용한 선로전환기 고장진단 및 장애예측방법.
KR1020190107340A 2019-07-29 2019-08-30 선로전환기의 고장진단 및 장애예측이 가능한 철도신호시스템 및 이를 이용한 선로전환기 고장진단 및 장애예측방법 KR102176638B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20190091780 2019-07-29
KR1020190091780 2019-07-29

Publications (1)

Publication Number Publication Date
KR102176638B1 true KR102176638B1 (ko) 2020-11-09

Family

ID=73429712

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190107340A KR102176638B1 (ko) 2019-07-29 2019-08-30 선로전환기의 고장진단 및 장애예측이 가능한 철도신호시스템 및 이를 이용한 선로전환기 고장진단 및 장애예측방법

Country Status (1)

Country Link
KR (1) KR102176638B1 (ko)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220077964A (ko) 2020-12-02 2022-06-10 한국철도기술연구원 Id를 이용한 선로전환기의 오배선 방지장치
US11539177B2 (en) * 2018-06-15 2022-12-27 Siemens Mobility, Inc. Vital relay assembly for modular solid-state current-limiting
KR20230006696A (ko) * 2021-07-01 2023-01-11 한국철도기술연구원 머신러닝을 이용한 궤도회로 상태 진단 및 예측 장치 및 방법
KR20230068110A (ko) 2021-11-10 2023-05-17 한국철도기술연구원 매립형 궤도용 선로전환기의 운영 시스템 및 그 방법
KR20230141112A (ko) * 2022-03-31 2023-10-10 주식회사 가연테크 이동형 실시간 궤도 동적거동 측정 및 분석시스템
KR20240000900A (ko) * 2022-06-24 2024-01-03 주식회사 한국코아엔지니어링 철도용 선로전환기의 모니터링 장치
KR102630453B1 (ko) * 2023-06-22 2024-01-29 (주)고려티에스아이 조도 자율조절이 가능한 철도 led 신호기 시스템
KR102637629B1 (ko) * 2023-06-22 2024-02-16 (주)고려티에스아이 폐쇄회로티비(cctv)를 이용한 철도신호 시설물 관리시스템
KR102705439B1 (ko) * 2022-06-24 2024-09-11 주식회사 한국코아엔지니어링 철도용 선로전환기의 모니터링 장치

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100694513B1 (ko) * 2005-02-07 2007-03-13 한국철도기술연구원 선로전환기의 쇄정자 감시시스템
KR20170119353A (ko) 2016-04-18 2017-10-27 주식회사 세화 소리분석을 통한 선로전환기의 고장 탐지 식별 시스템
KR20190069421A (ko) * 2016-10-12 2019-06-19 하만인터내셔날인더스트리스인코포레이티드 차량내 예측적 고장 검출을 위한 시스템 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100694513B1 (ko) * 2005-02-07 2007-03-13 한국철도기술연구원 선로전환기의 쇄정자 감시시스템
KR20170119353A (ko) 2016-04-18 2017-10-27 주식회사 세화 소리분석을 통한 선로전환기의 고장 탐지 식별 시스템
KR20190069421A (ko) * 2016-10-12 2019-06-19 하만인터내셔날인더스트리스인코포레이티드 차량내 예측적 고장 검출을 위한 시스템 및 방법

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11539177B2 (en) * 2018-06-15 2022-12-27 Siemens Mobility, Inc. Vital relay assembly for modular solid-state current-limiting
KR20220077964A (ko) 2020-12-02 2022-06-10 한국철도기술연구원 Id를 이용한 선로전환기의 오배선 방지장치
KR20230006696A (ko) * 2021-07-01 2023-01-11 한국철도기술연구원 머신러닝을 이용한 궤도회로 상태 진단 및 예측 장치 및 방법
KR102671193B1 (ko) * 2021-07-01 2024-06-04 한국철도기술연구원 머신러닝을 이용한 궤도회로 상태 진단 및 예측 장치 및 방법
KR20230068110A (ko) 2021-11-10 2023-05-17 한국철도기술연구원 매립형 궤도용 선로전환기의 운영 시스템 및 그 방법
KR20230141112A (ko) * 2022-03-31 2023-10-10 주식회사 가연테크 이동형 실시간 궤도 동적거동 측정 및 분석시스템
KR102623294B1 (ko) * 2022-03-31 2024-01-10 주식회사 가연테크 이동형 실시간 궤도 동적거동 측정 및 분석시스템
KR20240000900A (ko) * 2022-06-24 2024-01-03 주식회사 한국코아엔지니어링 철도용 선로전환기의 모니터링 장치
KR102705439B1 (ko) * 2022-06-24 2024-09-11 주식회사 한국코아엔지니어링 철도용 선로전환기의 모니터링 장치
KR102630453B1 (ko) * 2023-06-22 2024-01-29 (주)고려티에스아이 조도 자율조절이 가능한 철도 led 신호기 시스템
KR102637629B1 (ko) * 2023-06-22 2024-02-16 (주)고려티에스아이 폐쇄회로티비(cctv)를 이용한 철도신호 시설물 관리시스템

Similar Documents

Publication Publication Date Title
KR102176638B1 (ko) 선로전환기의 고장진단 및 장애예측이 가능한 철도신호시스템 및 이를 이용한 선로전환기 고장진단 및 장애예측방법
US20210147182A1 (en) Non-intrusive data analytics system for adaptive intelligent condition monitoring of lifts
WO2016004774A1 (zh) 一种基于时间序列分析的轨道交通故障诊断方法和系统
Chen et al. A newly robust fault detection and diagnosis method for high-speed trains
CN105045256B (zh) 基于数据对比分析的轨道交通实时故障诊断方法和系统
CN111115400B (zh) 检测电梯井道中的电梯维护行为的系统和方法
Bian et al. Degradation state mining and identification for railway point machines
CN103901298A (zh) 变电站设备运行状态的检测方法与系统
KR20140141052A (ko) 센싱 데이터 분석 시스템 및 방법
CN111046583A (zh) 基于DTW算法和ResNet网络的转辙机故障诊断方法
US20160371600A1 (en) Systems and methods for verification and anomaly detection using a mixture of hidden markov models
CN113011211B (zh) 一种吸烟行为的检测方法、装置、电子设备及存储介质
CN109919066B (zh) 一种检测轨道交通车厢内乘客密度异常的方法和装置
Marquez An approach to remote condition monitoring systems management
CN115700388A (zh) 用于低压、中压或高压断路器的监测系统
CN112327288A (zh) 雷达人体动作识别方法、装置、电子设备和存储介质
CN110927497B (zh) 一种转辙机故障检测方法及装置
CN117746338B (zh) 基于人工智能的物业园区安全管理方法及系统
CN112434979A (zh) 道岔系统健康评估方法
Chai et al. A non-intrusive deep learning based diagnosis system for elevators
KR102520724B1 (ko) 차단기 고장 진단 방법 및 이러한 방법을 수행하는 장치
CN117129247A (zh) 一种地铁车门故障诊断方法
Asada et al. Development of an effective condition monitoring system for AC point machines
Guo et al. A hybrid feature extraction method for fault detection of turnouts
CN104504713A (zh) 一种动车组运行状态图像监控故障自动识别方法

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant