KR102235728B1 - 전동차의 전기식 출입문 고장예측 장치 - Google Patents
전동차의 전기식 출입문 고장예측 장치 Download PDFInfo
- Publication number
- KR102235728B1 KR102235728B1 KR1020190062709A KR20190062709A KR102235728B1 KR 102235728 B1 KR102235728 B1 KR 102235728B1 KR 1020190062709 A KR1020190062709 A KR 1020190062709A KR 20190062709 A KR20190062709 A KR 20190062709A KR 102235728 B1 KR102235728 B1 KR 102235728B1
- Authority
- KR
- South Korea
- Prior art keywords
- failure
- line data
- unit
- data
- door
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 31
- 238000013480 data collection Methods 0.000 claims abstract description 30
- 238000012423 maintenance Methods 0.000 claims description 36
- 238000003745 diagnosis Methods 0.000 claims description 25
- 230000007547 defect Effects 0.000 claims description 21
- 238000013473 artificial intelligence Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G06Q50/30—
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61D—BODY DETAILS OR KINDS OF RAILWAY VEHICLES
- B61D19/00—Door arrangements specially adapted for rail vehicles
- B61D19/02—Door arrangements specially adapted for rail vehicles for carriages
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Mechanical Engineering (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
전동차의 전기식 출입문 고장예측 장치가 개시된다. 전동차의 전기식 출입문 고장예측 장치는 출입문의 현재 상태에 대한 온-라인 데이터 및 상기 출입문의 과거 상태에 대한 오프-라인 데이터를 수집하는 데이터 수집 모듈; 상기 온-라인 데이터와 상기 오프-라인 데이터 각각을 전처리하는 전처리 모듈; 및 상기 출입문의 고장결함이나 원인 또는 잔존 수명을 진단 및 예측하기 위한 오프-라인 학습모델에 상기 전처리된 오프-라인 데이터를 적용하여 학습을 수행하고, 상기 학습된 오프-라인 학습모델에 상기 전처리된 온-라인 데이터를 적용하여 학습을 수행함으로써 상기 출입문의 고장 또는 수명에 대한 예측 결과를 생성하는 분석예측 모듈을 포함하는 것을 특징으로 한다.
Description
본 발명은 전동차의 전기식 출입문 고장예측 장치에 관한 것으로써, 더욱 상세하게는 전동차의 전기식 출입문(Side entrance door) 고장을 진단하고, 차후 고장을 사전에 예측하여 유지보수자에게 안내하는 전동차의 전기식 출입문 고장예측 장치에 관한 것이다.
전동차의 포켓 슬라이딩 방식 전기식 출입문은 차량 당 8셋트이며, 출입문 판넬부, 출입문 구동부(Operator), 출입문 제어장치(Door Control Unit;DCU), 비상핸들 등으로 구성된다.
출입문은 열차종합제어장치(Train Control and Monitoring System;TCMS)에 의해 발생된 신호를 출입문 제어장치(DCU)가 받아 작동하며, 출입문의 닫힘과 잠김 상태 신호는 출입문 제어장치가 전달받아 열차종합제어장치로 전달한다.
출입문 제어장치에 대한 상태 진단은 자기진단 소프트웨어(DCU Monitoring Software)가 정비단계에서만 진단할 수 있다.
자기진단 소프트웨어를 사용하여 알 수 있는 정보에는 일반정보(DCU에 입력된 정보, 출입문 정보, 작동시간, 고장정보), 고장정보(구성요소, 기능상 고장정보), 고장 저장 정보(고장코드, 발생횟수), 파라메타 수정 및 저장 정보가 포함되며, 이들은 전동차의 운행시가 아닌 전동차의 사후 정비 시에 체크되고 있다.
전동차의 출입문에 대한 종래의 유지보수 방법으로는 출입문 제어장치가 열차종합제어장치에 송부하여 열차종합제어장치의 모니터링 장치에 현시된 고장코드를 기관사 또는 유지보수자가 주기적으로 점검 및 확인하여 조치하는 방법, 출입문 제어장치에 저장된 데이터를 별도의 장치로 주기적으로 다운받아 이를 분석하여 조치하는 방법, 및 노후/마모상태/고장여부를 확인하기 위해 주기적으로 사전 점검하는 방법이 있다.
본 발명의 배경기술은 대한민국 공개특허공보 10-2017-0128672호(2017.11.23)의 '철도 차량의 도어 모니터링 장치 및 도어 모니터링 방법'에 개시되어 있다.
종래의 출입문 유지보수는 유지보수자가 정기점검 및 유지보수 주기에 따라 현장에서 출입문 상태를 검사하거나, 고장이 발생한 후 열차종합제어장치의 모니터 또는 출입문 제어장치에 현시된 고장이력을 보고 정비하는 사후 정비의 형태를 취하고 있다.
그러나, 이러한 방법은 고장이 발생한 후에 유지보수하는 것으로, 유지보수비의 증가와 운행도중 고장의 주요 원인이 된다.
또한, 출입문의 상태를 점검하기 위해서는 유지보수자가 열차종합제어장치 또는 출입문 제어장치에 저장된 기록을 직접 확인하여야 하며, 이 경우에도 현재 정상상태에 있는 출입문이 현재 어떤 상태에 있으며, 차후 언제 고장이 발생할 것인지를 전혀 예측할 수가 없다.
게다가 기술 발전에 따라 출입문 구성품의 수명이 많이 연장되고 있으나, 종래의 유지보수에서는 교환주기가 도래하면, 잔여수명과 관련 없이 출입문 구성품을 교환함으로써, 출입문에 대한 유지보수비가 증가하는 문제점이 있었다.
게다가, 유지보수자가 정기적으로 점검하더라도, 사전에 운행 중에 예기치 않게 발생하는 고장을 신호기반의 과거 축적된 데이터로 인지하기가 매우 어려우며, 고장발생 후에야 유지보수자가 해당 구성품을 교환 또는 수리하므로 전동차 운행이 지연되고 검수비가 증가하며, 지연에 따른 사회적 비용이 크게 발생하고 있는 실정이다.
본 발명은 전술한 문제점을 개선하기 위해 창안된 것으로서, 본 발명의 일 측면에 따른 목적은 전동차의 출입문(Side entrance door) 고장을 진단하고, 차후 고장을 사전에 예측하여 유지보수자에게 안내함으로써, 현재 진단되지 않은 차후 고장을 방지하고, 전동차의 안전성 및 운용 가용도를 향상시키며, 유지보수 비용을 절감할 수 있도록 한, 전동차의 전기식 출입문 고장예측 장치를 제공하는 데 있다.
본 발명의 일 측면에 따른 전동차의 전기식 출입문 고장예측 장치는 전기식 출입문의 현재 상태에 대한 온-라인 데이터 및 상기 전기식 출입문의 과거 상태에 대한 오프-라인 데이터를 수집하는 데이터 수집 모듈; 상기 온-라인 데이터와 상기 오프-라인 데이터 각각을 전처리하는 전처리 모듈; 및 상기 전기식 출입문의 고장결함이나 원인 또는 잔존 수명을 진단 및 예측하기 위한 오프-라인 학습모델에 상기 전처리된 오프-라인 데이터를 적용하여 학습을 수행하고, 상기 학습된 오프-라인 학습모델에 상기 전처리된 온-라인 데이터를 적용하여 학습을 수행함으로써 상기 전기식 출입문의 고장 또는 수명에 대한 예측 결과를 생성하는 분석예측 모듈을 포함하는 것을 특징으로 한다.
본 발명의 유지보수자의 상기 전기식 출입문의 유지보수 및 운영 관리를 위한 의사결정을 지원하기 위해 상기 분석예측 모듈에 의해 생성된 상기 예측 결과를 출력하는 의사결정지원 모듈을 더 포함하는 것을 특징으로 한다.
본 발명의 상기 데이터 수집 모듈은 상기 오프-라인 데이터로서, 출입문 제어장치(Door Control Unit;DCU)의 모터로부터 출력되는 모터 전류값에 대한 출입문 시험데이터, 상기 전기식 출입문의 유지보수와 고장 결함 이력에 대한 이력 데이터, 및 상기 전기식 출입문의 고장 종류와 고장 원인을 정의한 유지보수 지침서 데이터 중 적어도 하나를 수집하는 오프-라인 데이터 수집부; 및 상기 온-라인 데이터로서, 출입문 제어장치의 모터로부터 출력되는 모터 전류값, 이벤트 기록 및 상기 모터의 위치를 측정하는 엔코더의 엔코더 데이터 중 적어도 하나를 수집하는 온-라인 데이터 수집부를 포함하는 것을 특징으로 한다.
본 발명의 상기 전처리 모듈은 상기 오프-라인 데이터 수집부에 의해 수집된 상기 유지보수 지침서의 고장 종류와 고장 원인을 기준정보로 활용하고, 상기 이력 데이터를 텍스트 마이닝 처리하여 철도운행 신호 체계에 따른 출입문 유지보수 이력 추출 규칙을 생성하며, 상기 모터 전류값을 정규화하 및 맵핑하여 노이즈 또는 이상치를 제거하는 오프-라인 데이터 전처리부; 및 상기 온-라인 데이터 수집부를 통해 수집된 상기 모터 전류값을 정규화 및 맵핑하여 노이즈 또는 이상치를 제거하는 온-라인 데이터 전처리부를 포함하는 것을 특징으로 한다.
본 발명의 상기 분석예측 모듈은 상기 오프-라인 학습모델에 상기 전처리된 오프-라인 데이터를 적용하여 상기 전처리된 오프-라인 데이터에 대한 학습을 수행하여 상기 전기식 출입문의 고장결함 및 원인을 분석하고 상기 전기식 출입문에 대한 상태 예측을 통한 고장결함 원인 및 잔존 수명을 예측하는 데이터 학습부; 및 상기 데이터 학습부의 상기 오프-라인 학습모델에 상기 전처리된 온-라인 데이터 적용하여 상기 전기식 출입문에 대한 고장 진단과 차후 고장 유형 및 수명 중 적어도 하나를 예측하는 진단 예측부를 포함하는 것을 특징으로 한다.
본 발명의 상기 데이터 학습부는 상기 전처리된 오프-라인 데이터를 딥러닝 기반의 인공지능 알고리즘으로 상기 전기식 출입문의 결함 고장 데이터 속성들에 따라 분류 및 군집화하고, 상기 결함 고장 데이터 속성들과 고장 결함 사이의 상관관계를 파악하여 고장 결함 원인을 분석하는 진단 모델부; 및 상기 진단모델부의 분석 결과를 딥러닝 기반의 인공지능 알고리즘을 통해 분석하여 상기 전기식 출입문의 고장 결함 원인 및 잔존 수명을 예측하는 예측 모델부를 포함하는 것을 특징으로 한다.
본 발명의 상기 진단 예측부는 상기 오프-라인 학습모델에 상기 전처리된 온-라인 데이터를 적용하여 데이터 특성 추론, 고장 결함 진단 및 원인을 분석하는 진단부; 및 상기 진단부의 분석 결과를 기 설정된 기준정보와 비교하여 고장 결함 발생 시점, 잔존수명 예측 및 고장 결함 원인을 추정하는 예측부를 포함하는 것을 특징으로 한다.
본 발명의 일 측면에 따른 전동차의 전기식 출입문 고장예측 장치는 전동차의 전기식 출입문(Side entrance door) 고장을 진단하고, 차후 고장을 사전에 예측하여 유지보수자에게 안내함으로써, 현재 진단되지 않은 차후 고장을 방지하고, 전동차의 안전성 및 운용 가용도를 향상시키며, 유지보수 비용을 절감할 수 있도록 한다.
본 발명의 다른 측면에 따른 전동차의 전기식 출입문 고장예측 장치는 전기식 출입문의 잔존수명을 예측할 수 있어 운행중 갑자기 발생하는 도중 고장을 예방할 수 있고, 전동차의 운행 지연을 방지하며, 운행 지연에 따른 사회적 비용을 절감할 수 있다.
본 발명의 또 다른 측면에 따른 전동차의 전기식 출입문 고장예측 장치는 운행중에 발생되는 고장에 의한 승객의 여행 시간 증가 및 수리비용을 감소시킨다.
본 발명의 또 다른 측면에 따른 전동차의 전기식 출입문 고장예측 장치는 운행 중에 발생되는 고장을 최소화하여 전동차 가용도를 증가시키고, 전기식 출입문 성능을 개선하며, 부품수요 예측이 가능하도록 한다.
도 1 은 본 발명의 제 1실시예에 따른 전동차의 전기식 출입문 고장예측 장치의 블럭 구성도이다.
도 2 는 본 발명의 제 1실시예에 따른 전동차의 전기식 출입문 고장예측 장치의 동작을 개념적으로 나타낸 도면이다.
도 3 은 본 발명의 제 1실시예에 따른 오프-라인 데이터의 데이터 흐름도를 나타낸 도면이다.
도 4 는 본 발명의 제 1실시예에 따른 온-라인 데이터 수집 예를 나타낸 도면이다.
도 5 는 본 발명의 제 2실시예에 따른 전동차의 전기식 출입문 고장예측 장치의 블럭 구성도이다.
도 6 은 본 발명의 제 3실시예에 따른 전동차의 전기식 출입문 고장예측 장치의 블럭 구성도이다.
도 2 는 본 발명의 제 1실시예에 따른 전동차의 전기식 출입문 고장예측 장치의 동작을 개념적으로 나타낸 도면이다.
도 3 은 본 발명의 제 1실시예에 따른 오프-라인 데이터의 데이터 흐름도를 나타낸 도면이다.
도 4 는 본 발명의 제 1실시예에 따른 온-라인 데이터 수집 예를 나타낸 도면이다.
도 5 는 본 발명의 제 2실시예에 따른 전동차의 전기식 출입문 고장예측 장치의 블럭 구성도이다.
도 6 은 본 발명의 제 3실시예에 따른 전동차의 전기식 출입문 고장예측 장치의 블럭 구성도이다.
이하에서는 본 발명의 실시예에 따른 전동차의 전기식 출입문 고장예측 장치를 첨부된 도면들을 참조하여 상세하게 설명한다. 이러한 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서, 이는 이용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야할 것이다.
본 명세서에서 설명된 구현은, 예컨대, 방법 또는 프로세스, 장치, 소프트웨어 프로그램, 데이터 스트림 또는 신호로 구현될 수 있다. 단일 형태의 구현의 맥락에서만 논의(예컨대, 방법으로서만 논의)되었더라도, 논의된 특징의 구현은 또한 다른 형태(예컨대, 장치 또는 프로그램)로도 구현될 수 있다. 장치는 적절한 하드웨어, 소프트웨어 및 펌웨어 등으로 구현될 수 있다. 방법은, 예컨대, 컴퓨터, 마이크로프로세서, 집적 회로 또는 프로그래밍가능한 로직 디바이스 등을 포함하는 프로세싱 디바이스를 일반적으로 지칭하는 프로세서 등과 같은 장치에서 구현될 수 있다. 프로세서는 또한 최종-사용자 사이에 정보의 통신을 용이하게 하는 컴퓨터, 셀 폰, 휴대용/개인용 정보 단말기(personal digital assistant: "PDA") 및 다른 디바이스 등과 같은 통신 디바이스를 포함한다.
도 1 은 본 발명의 제 1실시예에 따른 전동차의 전기식 출입문 고장예측 장치의 블럭 구성도이고, 도 2 는 본 발명의 제 1실시예에 따른 전동차의 전기식 출입문 고장예측 장치의 동작을 개념적으로 나타낸 도면이며, 도 3 은 본 발명의 제 1실시예에 따른 오프-라인 데이터의 데이터 흐름도를 나타낸 도면이며, 도 4 는 본 발명의 제 1실시예에 따른 온-라인 데이터 수집 예를 나타낸 도면이다.
도 1 내지 도 4 를 참조하면, 본 발명의 제 1실시예에 따른 전동차의 전기식 출입문 고장예측 장치는 데이터 수집 모듈(10), 전처리 모듈(20), 분석예측 모듈(30), 및 의사결정지원 모듈(40)을 포함한다.
데이터 수집 모듈(10)은 전기식 출입문의 현재 상태에 대한 온-라인 데이터(현재 데이터) 및 전기식 출입문의 과거 상태에 대한 오프-라인 데이터(과거 데이터)를 수집한다.
데이터 수집 모듈(10)은 온-라인 데이터 수집부(11) 및 오프-라인 데이터 수집부(12)를 포함한다.
온-라인 데이터 수집부(11)는 출입문 제어장치(Door Control Unit;DCU)(미도시)와 열차종합제어장치(Train Control and Monitoring System;TCMS)(미도시) 등을 포함한 각종 전동차 기기로부터 온-라인 데이터를 실시간으로 수집하고 수집된 온-라인 데이터를 전처리 모듈(20)에 전달한다.
온-라인 데이터에는 출입문 제어장치의 모터로부터 출력되는 모터 전류값, 이벤트 기록 및 모터의 위치를 측정하는 엔코더의 엔코더 데이터 중 적어도 하나 이상이 포함될 수 있다. 온-라인 데이터는 상기한 실시예에 한정되는 것은 아니다.
오프-라인 데이터 수집부(12)는 출입문 제어장치 또는 열차종합제어장치 등을 포함한 각종 전동차 기기로부터 오프-라인 데이터를 수집하고 수집된 오프-라인 데이터를 전처리 모듈(20)에 전달한다.
오프-라인 데이터에는 출입문 제어장치의 모터로부터 출력되는 모터 전류값에 대한 출입문 시험데이터, 전기식 출입문의 유지보수와 고장 결함 이력에 대한 이력 데이터, 및 전기식 출입문의 고장 종류와 고장 원인을 정의한 유지보수 지침서 데이터 중 적어도 하나가 포함된다. 오프-라인 데이터는 상기한 실시예에 한정되는 것은 아니다.
전처리 모듈(20)은 데이터 수집 모듈(10)로부터 온-라인 데이터와 오프-라인 데이터를 전달받고, 이들 온-라인 데이터와 오프-라인 데이터를 각각 전처리하여 온-라인 데이터와 오프-라인 데이터 각각의 특성인자를 추출 및 저장한다.
전처리 모듈(20)은 오프-라인 데이터 전처리부(21), 데이터베이스부(22) 및 온-라인 데이터 전처리부(23)를 포함한다.
오프-라인 데이터 전처리부(21)는 오프-라인 데이터를 전처리한다. 즉, 오프-라인 데이터 전처리부(21)는 오프-라인 데이터 수집부(12)에 의해 수집된 유지보수 지침서의 고장 종류와 고장 원인을 기준정보로 설정하고, 이력 데이터를 텍스트 마이닝 처리하여 철도운행 신호 체계에 따른 출입문 유지보수 이력 추출 규칙을 생성하며, 모터 전류값을 정규화 및 맵핑하여 노이즈 또는 이상치를 제거한다. 오프-라인 데이터 전처리부(21)는 상기한 바와 같이 전처리된 오프-라인 데이터를 데이터베이스부(22)에 저장한다.
온-라인 데이터 전처리부(23)는 온-라인 데이터를 전처리한다. 즉, 온-라인 데이터 전처리부(23)는 온-라인 데이터 수집부(11)를 통해 수집된 모터 전류값을 정규화 및 맵핑하여 노이즈 또는 이상치를 제거한다. 온-라인 데이터 전처리부(23)는 상기한 바와 같이 전처리된 온-라인 데이터를 데이터베이스부(22)에 저장한다.
데이터베이스부(22)는 오프-라인 데이터 전처리부(21)와 온-라인 데이터 처리부 각각의 전처리 결과를 저장하는 것으로써, 오프-라인 데이터 전처리부(21)에 의해 전처리된 오프-라인 데이터 및 온-라인 데이터 전처리부(23)에 의해 전처리된 온-라인 데이터를 저장한다. 또한, 데이터베이스부(22)는 후술하는 데이터 학습부(31)의 학습 결과 및 진단 예측부(32)의 진단 결과를 각각 저장한다.
분석예측 모듈(30)은 전기식 출입문의 고장결함이나 원인 또는 잔존 수명을 진단 및 예측하기 위한 오프-라인 학습모델에 전처리된 오프-라인 데이터를 적용하여 학습을 수행하고, 학습된 오프-라인 학습모델에 전처리된 온-라인 데이터를 적용하여 학습을 수행함으로써 전기식 출입문의 고장 또는 수명에 대한 예측 결과를 생성한다.
분석예측 모듈(30)은 데이터 학습부(31) 및 진단 예측부(32)를 포함한다.
데이터 학습부(31)는 진단 및 예측을 위한 오프-라인 학습모듈을 탑재하며, 오프-라인 학습모델에 전처리된 오프-라인 데이터를 적용하여 전처리된 오프-라인 데이터에 대한 학습을 수행함으로써, 전기식 출입문의 고장결함 및 원인을 분석하고 전기식 출입문에 대한 상태 예측을 통한 고장결함 원인 및 잔존 수명을 예측하며, 이러한 분석 결과를 데이터베이스부(22)에 저장한다.
데이터 학습부(31)는 진단 모델부(311) 및 예측 모델부(312)를 포함한다.
진단 모델부(311)는 전처리된 오프-라인 데이터를 진단용 학습모델, 예를 들어 딥러닝 기반의 인공지능 알고리즘으로 전기식 출입문의 결함 고장 데이터 속성들에 따라 분류 및 군집화함으로써 특성을 추론하고, 추출된 결함 고장 데이터 속성들과 고장 결함 사이의 상관관계를 파악하여 고장 결함 원인을 분석하며, 이러한 분석 결과를 예측 모델부(312)에 전달한다.
예측 모델부(312)는 진단 모델부(311)의 분석 결과를 예측용 학습모델, 예를 들어 딥러닝 기반의 인공지능 알고리즘을 통해 분석하여 전기식 출입문의 고장 결함 원인 및 잔존 수명을 예측한다. 이 경우, 예측 모델부(312)는 진단 모델부(311)로부터 입력받은 분석 결과를 활용하되, Deep Neural Network(DNN), Recurrent Neural Network(RNN), Convolution Neural Network(CNN), Logistic regression, Bayesian Neural Network, Support vector machine(SVM) 및 Support Vector Regression(SVR)을 조합 또는 변용하여 전기식 출입문의 고장 결함 원인 및 잔존수명 등을 예측한다.
본 실시예에서, 데이터 학습부(31)는 학습 데이터 및 검증을 위한 데이터, 새로 측정된 실시간 데이터 등을 각 혼동행렬(confusion matrix) 계산 및 각 오차를 분석하는 방법으로 성능을 검증할 수도 있다.
진단 예측부(32)는 데이터 학습부(31)의 오프-라인 학습모델에 전처리된 온-라인 데이터 적용하여 전기식 출입문에 대한 고장 진단과 차후 고장 유형 및 수명 중 적어도 하나를 예측하고, 예측 결과를 의사결정지원 모듈(40)에 전달한다. 또한 진단 예측부(32)는 상기한 예측 결과를 데이터베이스부(22)에 저장한다.
진단 예측부(32)는 진단부(321) 및 예측부(322)를 포함한다.
진단부(321)는 오프-라인 학습모델에 전처리된 온-라인 데이터를 적용하여 데이터 특성 추론, 고장 결함 진단 및 원인을 분석한다. 이 경우, 진단부(321)는 전기식 출입문의 상태를 정상과 고장 및 결함 등으로 세분화하여 진단하고, 결함 원인과 부품 단위로 전기식 출입문의 상태를 분석하여 상태 분석 결과를 생성한다. 진단부(321)는 상기한 분석 결과를 데이터베이스부(22)에 저장한다.
예측부(322)는 진단부(321)의 분석 결과를 기준정보와 비교하여 고장 결함 발생 시점, 잔존수명 예측 및 고장 결함 원인 중 적어도 하나를 예측한다.
의사결정지원 모듈(40)은 상기한 분석예측 모듈(30)의 예측부(322)로부터 입력된 예측 결과를 전달받아 출력함으로써, 유지보수자의 출입문 유지보수 및 운영 관리를 위한 유지보수자의 의사결정을 지원할 수 있다.
의사결정지원 모듈(40)은 유지보수 지원부(41) 및 운영관리 지원부(42)를 포함한다.
유지보수 지원부(41)는 분석예측 모듈(30)로부터 입력된 고장 결함, 잔존 수명 및 고장 결함 원인을 출력한다.
운영관리 지원부(42)는 차량과 부품의 상태정보를 출력함으로써, 유지보수자가 건전성 및 부품수요 관리를 수행할 수 있도록 한다. 또한 운영관리 지원부(42)는 상기한 차량과 부품의 상태정보를 데이터베이스부(22)에 저장한다.
한편, 상기한 제 1실시예에서는 전동차의 전기식 출입문에 적용될 수 있으나, 지상에서 운행하는 열차에도 적용될 수 있다.
도 5 는 본 발명의 제 2실시예에 따른 전동차의 전기식 출입문 고장예측 장치의 블럭 구성도이다.
도 5 를 참조하면, 데이터 수집 모듈(10)이 열차 운영 환경데이터를 수집하고 이 열차 운영 환경데이터를 상기한 온-라인 데이터와 오프-라인 데이터에 병합하여 전처리 모듈(20)에 전달함으로써, 전기식 출입문의 고장 분석에 활용할 수 있다.
열차 운영 환경데이터에는 기온과 강우, 강설량 및 풍량 중 적어도 하나가 포함될 수 있다. 열차 운영 환경데이터는 상기한 실시예에 한정되는 것은 아니다.
또한, 데이터 수집 모듈(10)은 출입문 제어장치와 열차종합제어장치 이외의 장치로부터도 온-라인 데이터 및 오프-라인 데이터를 수집할 수 있다.
도 6 은 본 발명의 제 3실시예에 따른 전동차의 전기식 출입문 고장예측 장치의 블럭 구성도이다.
즉, 데이터 수집 모듈(10)은 도 6 에 도시된 바와 같이 출입문 제어장치와 열차종합제어장치 이외에 전동차의 보조원장치로부터 온-라인 데이터 및 오프-라인 데이터를 각각 수집될 수 있다. 이 외에도 데이터 수집 모듈(10)은 온-라인 데이터와 오프-라인 데이터를 수집할 수 있는 것이라면 특별히 한정되는 것은 아니다.
이와 같이, 본 발명의 일 실시예에 따른 전동차의 전기식 출입문 고장예측 장치는 전동차의 출입문(Side entrance door) 고장을 진단하고, 차후 고장을 사전에 예측하여 유지보수자에게 안내함으로써, 현재 진단되지 않은 차후 고장을 방지하고, 전동차의 안전성 및 운용 가용도를 향상시키며, 유지보수 비용을 절감할 수 있도록 한다.
또한, 본 발명의 일 실시예에 따른 전동차의 전기식 출입문 고장예측 장치는 전기식 출입문의 잔존수명을 예측할 수 있어 운행중 갑자기 발생하는 도중 고장을 예방할 수 있고, 전동차의 운행 지연을 방지하며, 운행 지연에 따른 사회적 비용을 절감할 수 있다.
게다가, 본 발명의 일 실시예에 따른 전동차의 전기식 출입문 고장예측 장치는 운행중에 발생되는 고장에 의한 승객의 여행 시간 증가 및 수리비용을 감소시키고, 운행 중에 발생되는 고장을 최소화하여 전동차 가용도를 증가시키며, 전기식 출입문 성능을 개선하며, 부품수요 예측이 가능하도록 한다.
본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며 당해 기술이 속하는 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호범위는 아래의 특허청구범위에 의하여 정해져야할 것이다.
10: 데이터 수집 모듈 11: 온-라인 데이터 수집부
12: 오프-라인 데이터 수집부 20: 전처리 모듈
21: 오프-라인 데이터 전처리부 22: 데이터베이스부
23: 온-라인 데이터 전처리부 30: 분석예측 모듈
31: 데이터 학습부 311: 진단 모델부
312: 예측 모델부 32: 진단 예측부
321: 진단부 322: 예측부
40: 의사결정지원 모듈 41: 유지보수 지원부
42: 운영관리 지원부
12: 오프-라인 데이터 수집부 20: 전처리 모듈
21: 오프-라인 데이터 전처리부 22: 데이터베이스부
23: 온-라인 데이터 전처리부 30: 분석예측 모듈
31: 데이터 학습부 311: 진단 모델부
312: 예측 모델부 32: 진단 예측부
321: 진단부 322: 예측부
40: 의사결정지원 모듈 41: 유지보수 지원부
42: 운영관리 지원부
Claims (7)
- 전기식 출입문의 현재 상태에 대한 온-라인 데이터 및 상기 전기식 출입문의 과거 상태에 대한 오프-라인 데이터를 수집하는 데이터 수집 모듈;
상기 온-라인 데이터와 상기 오프-라인 데이터 각각을 전처리하는 전처리 모듈; 및
상기 전기식 출입문의 고장결함이나 원인 또는 잔존 수명을 진단 및 예측하기 위한 오프-라인 학습모델에 상기 전처리된 오프-라인 데이터를 적용하여 학습을 수행하고, 상기 학습된 오프-라인 학습모델에 상기 전처리된 온-라인 데이터를 적용하여 학습을 수행함으로써 상기 전기식 출입문의 고장 또는 수명에 대한 예측 결과를 생성하는 분석예측 모듈을 포함하고,
상기 데이터 수집 모듈은 상기 오프-라인 데이터로서, 출입문 제어장치(Door Control Unit;DCU)의 모터로부터 출력되는 모터 전류값에 대한 출입문 시험데이터, 상기 전기식 출입문의 유지보수와 고장 결함 이력에 대한 이력 데이터, 및 상기 전기식 출입문의 고장 종류와 고장 원인을 정의한 유지보수 지침서 데이터 중 적어도 하나를 수집하는 오프-라인 데이터 수집부; 및 상기 온-라인 데이터로서, 출입문 제어장치의 모터로부터 출력되는 모터 전류값, 이벤트 기록 및 상기 모터의 위치를 측정하는 엔코더의 엔코더 데이터 중 적어도 하나를 수집하는 온-라인 데이터 수집부를 포함하는 것을 특징으로 하는 전동차의 전기식 출입문 고장예측 장치.
- 제 1 항에 있어서, 유지보수자의 상기 전기식 출입문의 유지보수 및 운영 관리를 위한 의사결정을 지원하기 위해 상기 분석예측 모듈에 의해 생성된 상기 예측 결과를 출력하는 의사결정지원 모듈을 더 포함하는 것을 특징으로 하는 전동차의 전기식 출입문 고장예측 장치.
- 삭제
- 제 1 항에 있어서, 상기 전처리 모듈은
상기 오프-라인 데이터 수집부에 의해 수집된 상기 유지보수 지침서의 고장 종류와 고장 원인을 기준정보로 활용하고, 상기 이력 데이터를 텍스트 마이닝 처리하여 철도운행 신호 체계에 따른 출입문 유지보수 이력 추출 규칙을 생성하며, 상기 모터 전류값을 정규화하 및 맵핑하여 노이즈 또는 이상치를 제거하는 오프-라인 데이터 전처리부; 및
상기 온-라인 데이터 수집부를 통해 수집된 상기 모터 전류값을 정규화 및 맵핑하여 노이즈 또는 이상치를 제거하는 온-라인 데이터 전처리부를 포함하는 것을 특징으로 하는 전동차의 전기식 출입문 고장예측 장치.
- 제 1 항에 있어서, 상기 분석예측 모듈은
상기 오프-라인 학습모델에 상기 전처리된 오프-라인 데이터를 적용하여 상기 전처리된 오프-라인 데이터에 대한 학습을 수행하여 상기 전기식 출입문의 고장결함 및 원인을 분석하고 상기 전기식 출입문에 대한 상태 예측을 통한 고장결함 원인 및 잔존 수명을 예측하는 데이터 학습부; 및
상기 데이터 학습부의 상기 오프-라인 학습모델에 상기 전처리된 온-라인 데이터 적용하여 상기 전기식 출입문에 대한 고장 진단과 차후 고장 유형 및 수명 중 적어도 하나를 예측하는 진단 예측부를 포함하는 것을 특징으로 하는 전동차의 전기식 출입문 고장예측 장치.
- 제 5 항에 있어서, 상기 데이터 학습부는
상기 전처리된 오프-라인 데이터를 딥러닝 기반의 인공지능 알고리즘으로 상기 전기식 출입문의 결함 고장 데이터 속성들에 따라 분류 및 군집화하고, 상기 결함 고장 데이터 속성들과 고장 결함 사이의 상관관계를 파악하여 고장 결함 원인을 분석하는 진단 모델부; 및
상기 진단모델부의 분석 결과를 딥러닝 기반의 인공지능 알고리즘을 통해 분석하여 상기 전기식 출입문의 고장 결함 원인 및 잔존 수명을 예측하는 예측 모델부를 포함하는 것을 특징으로 하는 전동차의 전기식 출입문 고장예측 장치.
- 제 5 항에 있어서, 상기 진단 예측부는
상기 오프-라인 학습모델에 상기 전처리된 온-라인 데이터를 적용하여 데이터 특성 추론, 고장 결함 진단 및 원인을 분석하는 진단부; 및
상기 진단부의 분석 결과를 기 설정된 기준정보와 비교하여 고장 결함 발생 시점, 잔존수명 예측 및 고장 결함 원인을 추정하는 예측부를 포함하는 것을 특징으로 하는 전동차의 전기식 출입문 고장예측 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190062709A KR102235728B1 (ko) | 2019-05-28 | 2019-05-28 | 전동차의 전기식 출입문 고장예측 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190062709A KR102235728B1 (ko) | 2019-05-28 | 2019-05-28 | 전동차의 전기식 출입문 고장예측 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200137085A KR20200137085A (ko) | 2020-12-09 |
| KR102235728B1 true KR102235728B1 (ko) | 2021-04-05 |
Family
ID=73787059
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190062709A KR102235728B1 (ko) | 2019-05-28 | 2019-05-28 | 전동차의 전기식 출입문 고장예측 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102235728B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102575051B1 (ko) * | 2022-08-17 | 2023-09-06 | 주식회사 지에스솔루션스 | 열차 내 냉난방장치의 고장 진단 장치 및 방법 |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102514398B1 (ko) * | 2021-03-25 | 2023-03-29 | 아이엔지전자 주식회사 | 철도차량의 출입문 고장 예측 장치 및 그 방법 |
| KR102515216B1 (ko) * | 2021-03-25 | 2023-03-29 | 금오공과대학교 산학협력단 | 열차의 잔여유효수명 예측 장치 및 방법 |
| KR102535467B1 (ko) * | 2021-07-12 | 2023-05-26 | 케이티엠엔지니어링(주) | 인공지능 알고리즘 적용 방식의 철도 차량 작동 상태 진단 시스템 |
| CN113820624B (zh) * | 2021-09-30 | 2024-04-16 | 南方电网科学研究院有限责任公司 | 一种配电网高阻接地故障识别装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016118546A (ja) * | 2014-12-23 | 2016-06-30 | パロ アルト リサーチ センター インコーポレイテッド | 車両構成要素の状態を判定するためのシステム及び方法 |
| KR101934777B1 (ko) | 2017-09-14 | 2019-01-03 | 김형근 | 빅데이터 및 인공지능 학습 기반의 스크린도어 관리시스템 |
| KR101982753B1 (ko) * | 2017-12-12 | 2019-05-27 | (주)위세아이텍 | 열차사고 위험도 예측 장치 및 방법 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140036375A (ko) * | 2012-09-12 | 2014-03-26 | 현대로템 주식회사 | 철도시스템의 지능형 고장자산관리시스템 |
| JP6359228B2 (ja) * | 2016-04-08 | 2018-07-18 | 三菱電機株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
-
2019
- 2019-05-28 KR KR1020190062709A patent/KR102235728B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016118546A (ja) * | 2014-12-23 | 2016-06-30 | パロ アルト リサーチ センター インコーポレイテッド | 車両構成要素の状態を判定するためのシステム及び方法 |
| KR101934777B1 (ko) | 2017-09-14 | 2019-01-03 | 김형근 | 빅데이터 및 인공지능 학습 기반의 스크린도어 관리시스템 |
| KR101982753B1 (ko) * | 2017-12-12 | 2019-05-27 | (주)위세아이텍 | 열차사고 위험도 예측 장치 및 방법 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102575051B1 (ko) * | 2022-08-17 | 2023-09-06 | 주식회사 지에스솔루션스 | 열차 내 냉난방장치의 고장 진단 장치 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200137085A (ko) | 2020-12-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102235728B1 (ko) | 전동차의 전기식 출입문 고장예측 장치 | |
| CN110764493B (zh) | 一种适用于高速铁路的phm应用系统、方法及存储介质 | |
| US8478479B2 (en) | Predicting time to maintenance by fusion between modeling and simulation for electronic equipment on board an aircraft | |
| CA2426627C (en) | Method and system for analyzing fault and quantized operational data for automated diagnostics of locomotives | |
| RU2540830C2 (ru) | Адаптивное дистанционное обслуживание подвижных составов | |
| CN111351664A (zh) | 一种基于lstm模型的轴承温度预测和报警诊断方法 | |
| JP2018116693A (ja) | 動作に関する予測推論のモデルを求めるシステム及び方法、およびこれらのための非一時的コンピューター可読記憶媒体 | |
| EP3913453B1 (en) | Fault detection system and method for a vehicle | |
| Galar et al. | Hybrid prognosis for railway health assessment: an information fusion approach for PHM deployment | |
| JP7308717B2 (ja) | ホームドア診断装置、ホームドアシステム、及びホームドア診断プログラム | |
| CN115659812A (zh) | 基于城轨iscs的电扶梯寿命预测方法、系统、设备及介质 | |
| CN114323671A (zh) | 借助人工智能方法基于对电驱动系统的组件的预测诊断来确定剩余使用寿命的方法和设备 | |
| US20040073843A1 (en) | Diagnostics using information specific to a subsystem | |
| MXPA02004270A (es) | Aparato y metodo para analisis de datos de funcionamiento y de fallas. | |
| CN117435883A (zh) | 一种基于数字孪生的设备故障预测的方法和系统 | |
| CN116907772A (zh) | 桥梁结构监测传感器的自诊断与故障源鉴别方法及系统 | |
| BR102020007655A2 (pt) | Aprendizado de máquina orientado a dados para modelagem de sensores de aeronaves | |
| Davari et al. | A fault detection framework based on lstm autoencoder: A case study for volvo bus data set | |
| JP2023151268A (ja) | 車両用ドア装置診断システム、及び、車両用ドア装置診断方法 | |
| CN116432397A (zh) | 一种基于数据模型的轨道交通故障预警方法 | |
| CN112966785B (zh) | 一种智能化星座状态识别方法和系统 | |
| EP3718942A1 (en) | Power meter based monitoring of elevator usage | |
| Xin et al. | Run-time probabilistic model checking for failure prediction: A smart lift case study | |
| CN112685827B (zh) | 数据记录装置以及数据记录方法 | |
| CN115905886A (zh) | 站台屏蔽门的故障诊断方法、装置以及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |