KR102239040B1

KR102239040B1 - 운송 수단의 부품에 대한 고장예지 및 건전성 관리 시스템 및 방법

Info

Publication number: KR102239040B1
Application number: KR1020190077358A
Authority: KR
Inventors: 이석한; 박태준; 이남희
Original assignee: 성균관대학교산학협력단
Priority date: 2018-06-29
Filing date: 2019-06-27
Publication date: 2021-04-13
Also published as: KR20200002665A; KR102239040B9

Abstract

본 발명은 운송 수단의 부품에 대한 고장예지 및 건전성 관리 시스템 및 방법에 관한 것으로, 운송 수단의 고장예지 및 건전성 관리 방법은, 운송 수단의 부품에 설치된 모듈로부터 시계열 센서 데이터를 수신하는 단계, 상기 수신된 시계열 센서 데이터를 이용하여 상기 부품의 상태 추정 또는 이상징후 검출을 위한 회귀 신경망(Recurrent Neural Network)의 파라미터를 갱신하는 단계, 및 상기 갱신된 회귀 신경망의 파라미터가 적용된 회귀 신경망을 이용하여 상기 운송 수단의 부품의 상태를 추정하거나 이상징후를 검출하는 단계를 포함한다.

Description

운송 수단의 부품에 대한 고장예지 및 건전성 관리 시스템 및 방법{PROGNOSTICS AND HEALTH MANAGEMENT SYSTEMS FOR COMPONENT OF VEHICLE AND METHODS THEREOF}

본 발명은 운송 수단의 부품에 대한 고장예지 및 건전성 관리 시스템에 관한 것이다.

환경문제와 에너지 자원 문제가 대두되면서, 가운데 전기 자동차 (Electric Vehicle)가 미래의 운송 수단으로 각광받고 있다. 전기 자동차는 충방전이 가능한 다수의 2차 전지(cell)가 하나의 팩(pack)으로 형성된 배터리를 주동력원으로 이용하기 때문에 배기가스가 전혀 없고 소음이 작다는 장점이 있다.

전기 자동차에서 배터리는 가솔린 자동차의 엔진 및 연료 탱크와 같은 역할을 하므로, 전기 자동차 사용자의 안전을 위하여, 배터리의 상태를 확인하는 것이 중요할 수 있다.

최근에는, 보다 정확하게 배터리의 상태를 확인하면서, 사용자의 편의성을 증대시키기 위한 연구가 계속되고 있다.

배터리 SOC(State of Charge) 측정의 경우 크게 2가지의 방법이 존재한다.

첫째로 개방 회로 전압 방법(Open Circuit Voltage method)이 있다.

배터리 셀의 개방 전압을 측정하여, OCV-SOC 테이블을 작성하고 이를 배터리 SOC 추정에 사용하는 방법이다. 개방 회로 전압(Open Circuit Voltage) 측정을 위해서는 운행 중인 차량을 정차한 후, 배터리가 안정화 상태에 도달하기까지 기다려야 하기에, 실시간 추정이 불가능하다.

둘째로 전류 적산법이 있다.

전류 적산법은 배터리의 전류량을 계속하여 적분하여 초기 SOC값으로부터의 SOC 변화를 추정하는 방법이다. 전류 적산법은 초기 SOC 값에 오류를 가지면 추정 오류가 누적되는 단점을 지닌다.

또한, 위 두 방법은 모두 시간에 따른 배터리의 노화에 의한 변화에 대응하지 못한다는 단점이 존재한다.

본 발명의 실시 예들은 시계열 센서 데이터의 단기, 중기 및 장기 데이터 중에서 적어도 하나의 데이터를 혼합한 데이터 시퀀스를 이용한 회귀 신경망을 이용하여, 운송 수단의 부품에 대한 고장예지 및 건전성을 관리할 수 있는, 운송 수단의 부품에 대한 고장예지 및 건전성 관리 시스템 및 방법을 제공하고자 한다.

본 발명의 실시 예들은 보다 정확한 배터리 정보를 추정하고 배터리의 노후화에 의한 변화에도 대응할 수 있는, 운송 수단의 부품에 대한 고장예지 및 건전성 관리 시스템 및 방법을 제공하고자 한다.

본 발명의 일 실시예에 따르면, 운송 수단의 고장예지 및 건전성 관리 방법에 있어서, 운송 수단의 부품에 설치된 모듈로부터 시계열 센서 데이터를 수신하는 단계; 상기 수신된 시계열 센서 데이터를 이용하여 상기 부품의 상태 추정 또는 이상징후 검출을 위한 회귀 신경망(Recurrent Neural Network)의 파라미터를 갱신하는 단계; 및 상기 갱신된 회귀 신경망의 파라미터가 적용된 회귀 신경망을 이용하여 상기 운송 수단의 부품의 상태를 추정하거나 이상징후를 검출하는 단계를 포함하는, 운송 수단의 고장예지 및 건전성 관리 방법이 제공될 수 있다.

상기 파라미터를 갱신하는 단계는, 상기 시계열 센서 데이터의 단기, 중기 및 장기 데이터 중에서 적어도 하나의 데이터를 혼합한 데이터 시퀀스를 이용하여 회귀 신경망의 파라미터를 갱신할 수 있다.

상기 회귀 신경망은, 상기 부품의 충전 상태값(SOC, state of charge), 건강 상태값(SOH, state of health), 전력 측정값, 전압 측정값, 전류 측정값, 및 온도 측정값 중에서 적어도 하나가 포함된 입력 벡터를 입력층을 통해 입력받을 수 있다.

상기 회귀 신경망은, 장단기 메모리(Long Short-Term Memory, LSTM) 신경망일 수 있다.

상기 LSTM 신경망은, LSTM 신경망을 이루는 셀(Cell)의 모임인 적어도 하나의 신경망 층(Layer)과, 상기 신경망 층의 각 셀의 출력을 입력으로 갖는 완전 연결(Fully Connected) 신경망을 포함할 수 있다.

상기 LSTM 신경망은 복수의 셀을 포함하는 하나의 신경망 층과, 상기 하나의 신경망 층의 각 셀의 출력을 입력으로 갖는 완전 연결 신경망을 포함하고, 상기 복수의 셀 각각은 상기 수신된 시계열 센서 데이터가 시계열 순으로 구분된 복수의 단기 데이터 중에서 대응되는 단기 데이터를 입력받을 수 있다.

상기 LSTM 신경망은 복수의 셀을 포함하고 순차적으로 연결된 복수의 신경망 층과, 상기 복수의 신경망 층에서 마지막에 연결된 신경망 층의 출력을 입력으로 갖는 완전 연결 신경망을 포함하고, 상기 복수의 셀 각각은 상기 수신된 시계열 센서 데이터가 시계열 순으로 구분된 복수의 단기 데이터 중에서 대응되는 단기 데이터를 입력받고, 상기 복수의 신경망 층은 상기 복수의 신경망 층 중에서 이전 차수의 신경망 층에 포함된 복수의 이전 셀 중에서 2개 이상의 이전 셀의 출력을 합쳐서 입력받는 복수의 다음 셀을 포함하는 다음 차수의 신경망 층을 포함할 수 있다.

상기 완전 연결 신경망은, 상기 복수의 신경망 층에서 마지막에 연결된 신경망 층의 출력과 상기 복수의 신경망 층에서 적어도 하나의 셀의 출력을 추가로 입력받을 수 있다.

본 발명의 다른 실시예에 따르면, 운송 수단의 부품에 설치된 모듈과 통신하는 통신부; 적어도 하나의 프로그램을 저장하는 메모리; 및 상기 통신부 및 상기 메모리와 연결된 프로세서를 포함하고, 상기 프로세서는, 상기 적어도 하나의 프로그램을 실행함으로써, 운송 수단의 부품에 설치된 모듈로부터 시계열 센서 데이터를 수신하고, 상기 수신된 시계열 센서 데이터를 이용하여 상기 부품의 상태 추정 또는 이상징후 검출을 위한 회귀 신경망(Recurrent Neural Network)의 파라미터를 갱신하고, 상기 갱신된 회귀 신경망의 파라미터가 적용된 회귀 신경망을 이용하여 상기 운송 수단의 부품의 상태를 추정하거나 이상징후를 검출하는, 운송 수단의 고장예지 및 건전성 관리 장치가 제공될 수 있다.

상기 프로세서는, 상기 시계열 센서 데이터의 단기, 중기 및 장기 데이터 중에서 적어도 하나의 데이터를 혼합한 데이터 시퀀스를 이용하여 회귀 신경망의 파라미터를 갱신할 수 있다.

본 발명의 다른 실시예에 따르면, 운송 수단의 부품으로부터 획득되는 시계열 센서 데이터를 수집하고 전송하는 모듈; 및 상기 모듈로부터 수신된 시계열 센서 데이터를 이용하여 상기 부품의 상태 추정 또는 이상징후 검출을 위한 회귀 신경망(Recurrent Neural Network)의 파라미터를 갱신하고 상기 갱신된 회귀신경망의 파라미터를 상기 모듈에 전송하되, 상기 시계열 센서 데이터의 단기, 중기 및 장기 데이터 중에서 적어도 하나의 데이터를 혼합한 데이터 시퀀스를 이용하여 회귀신경망의 파라미터를 갱신하는 클라우드 서버를 포함하고, 상기 모듈은 상기 갱신된 회귀신경망의 파라미터가 적용된 회귀 신경망을 이용하여 상기 운송 수단의 부품의 상태를 추정하거나 이상징후를 검출하는, 운송 수단의 부품에 대한 고장예지 및 건전성 관리 시스템이 제공될 수 있다.

본 발명의 다른 실시예에 따르면, 프로세서에 의해 실행 가능한 적어도 하나의 프로그램을 포함하는 비일시적 컴퓨터 판독가능 저장 매체로서, 상기 적어도 하나의 프로그램은 상기 프로세서에 의해 실행될 때, 상기 프로세서로 하여금: 운송 수단의 부품에 설치된 모듈로부터 시계열 센서 데이터를 수신하고, 상기 수신된 시계열 센서 데이터를 이용하여 상기 부품의 상태 추정 또는 이상징후 검출을 위한 회귀 신경망(Recurrent Neural Network)의 파라미터를 갱신하고, 상기 갱신된 회귀 신경망의 파라미터가 적용된 회귀 신경망을 이용하여 상기 운송 수단의 부품의 상태를 추정하거나 이상징후를 검출하게 하는 명령어들을 포함하는, 비 일시적 컴퓨터 판독 가능한 저장 매체가 제공될 수 있다.

본 발명의 실시 예들은 시계열 센서 데이터의 단기, 중기 및 장기 데이터 중에서 적어도 하나의 데이터를 혼합한 데이터 시퀀스를 이용한 회귀 신경망을 이용하여, 운송 수단의 부품에 대한 고장예지 및 건전성을 관리할 수 있다.

환경오염으로 인한 전기 자동차의 시장이 커지고 있는 상황에서, 리튬이온배터리의 정확한 상태 추정은 안전한 차량 운행의 우선 조건이다. 본 발명의 실시 예들에 따라 추정된 배터리 정보를 차량 시스템은 모터 출력 및 차량 운용에 활용할 수 있으며, 운전자에게는 신뢰성 있는 정보 제공이 가능하다.

도 1은 본 발명의 실시 예들에 따른 운송 수단의 고장예지 및 건전성 관리 시스템의 구성을 설명하기 위한 구성도이다.
도 2는 본 발명의 일 실시 예에 따른 운송 수단에 장착된 배터리의 고장예지 및 건전성 관리 시스템의 구성을 설명하기 위한 구성도이다.
도 3은 본 발명의 일 실시 예에 따른 고장예지 및 건전성 관리 시스템에서 배터리 정보 추정을 위한 LSTM 신경망의 구성을 설명하기 위한 구성도이다.
도 4는 본 발명의 일 실시 예에 사용되는 LSTM 구조를 설명하기 위한 도면이다.
도 5는 본 발명의 실시 예에 사용되는 단일 레이어 LSTM 구조를 설명하기 위한 도면이다.
도 6은 본 발명의 실시 예에 사용되는 단층 레이어 LSTM에서 전체 온도에서 반복 학습 과정 중 충전 상태 예측 결과 그래프를 설명하기 위한 도면이다.
도 7 내지 도 9는 본 발명의 실시 예들에 사용되는 다층 LSTM 구조를 설명하기 위한 도면이다.
도 10은 본 발명의 일 실시예에 따른 운송 수단의 고장예지 및 건전성 관리 장치의 구성을 설명하기 위한 구성도이다.
도 11 및 도 12는 본 발명의 일 실시 예에 따른 고장예지 및 건전성 관리 시스템에서 수행되는 데이터 학습 및 데이터 테스트에 대한 순서도이다.
도 13 내지 도 16은 본 발명의 실시 예들에 대해 각 온도에서 반복 학습 과정 중 우수한 충전 상태 예측 결과 그래프를 설명하기 위한 도면이다.
도 17은 본 발명의 실시 예들에 따른 IoT 기반의 PHM 시스템의 전체 구성도를 설명하기 위한 도면이다.
도 18은 EV의 PHM 시스템에서의 IoT 모듈의 개념도를 보여주고 있다.
도 19는 본 발명의 실시 예에 따른 고장 예지를 위한 DB-LSTM-VAE의 확장을 설명하기 위한 도면이다.
도 20은 계층 구조를 갖는 딥 앙상블 퓨전 구성도를 설명하기 위한 도면이다.
도 21은 자가생성 데이터와 외부에서 수집된 데이터 기반 DB-LSTM-VAE의 미세 조정 방법을 설명하기 위한 도면이다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세하게 설명하고자 한다.

그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.

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, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "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.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 본 발명을 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.

도 1은 본 발명의 실시 예들에 따른 운송 수단의 고장예지 및 건전성 관리 시스템의 구성을 설명하기 위한 구성도이다.

도 1에 도시된 바와 같이, 본 발명의 실시 예들에 따른 고장예지 및 건전성 관리 시스템(10)은 IoT 모듈(12) 및 클라우드 서버(13)를 포함한다. 그러나 도시된 구성요소 모두가 필수 구성요소인 것은 아니다. 도시된 구성요소보다 많은 구성요소에 의해 고장예지 및 건전성 관리 시스템이 구현될 수도 있고, 그보다 적은 구성요소에 의해서도 고장예지 및 건전성 관리 시스템이 구현될 수 있다.

이하, 도 1의 고장예지 및 건전성 관리 시스템의 각 구성요소들의 구체적인 구성 및 동작을 설명한다.

우선 운송 수단(11)은 각 부품들로 이루어진다. 예를 들어, 운송 수단(11)은 차량, 비행기, 기차 등 사용자를 운송하기 위한 수단일 수 있으며, 특정 운송 수단으로 한정되지 않는다.

운송 수단(11)의 각 부품들은 운송 수단의 신뢰성 확보를 위해, 유지/보수 및 교체될 대상이며, 실시간으로 자신들의 상태에 대한 정보를 IoT 모듈(12)에 전송한다. 이 정보들이 축적되어 운송 수단 상태에 대한 빅데이터를 형성할 수 있다.

IoT 모듈(12)은 운송 수단(11)에 장착된다. IoT 모듈(12)은 각 부품들과 연결된 센서를 포함할 수 있다. 또는 IoT 모듈(12)은 각 부품들과 연결된 센서와 연결될 수 있다. IoT 모듈(12)은 운송 수단(11)의 각 부품들로부터 전송되는 빅데이터를 클라우드 서버(13)에 전송하고, 실시간 데이더를 기반으로 부품들의 이상 징후 검출 및 경고 메시지를 차량의 디지털 클러스터와 사용자의 단말(예컨대, 스마트폰 등)에 전송할 수 있다.

클라우드 서버(13)는 IoT 모듈(12)에서 인터넷을 통해 전송되는 각 부품들의 빅데이터 정보를 저장하고, 장기간을 고려한 고장 예측 정보를 사용자의 사용자 단말(예컨대, 스마트폰 등)에 전송할 수 있다. 클라우드 서버(13)에 저장된 빅데이터 정보를 기반으로 고장예지 및 건전성 관리 시스템(10) 내의 딥 러닝 네트워크(Deep Learning Network)를 주기적으로 학습시킬 수 있다. IoT 모듈(12)은 학습된 네트워크(Network)의 가중치(Weight)를 이용하여 IoT 모듈(12)의 이상 징후 검출 및 경고 시스템 내에 위치한 딥 러닝 네트워크(Deep Learning Network)의 가중치(Weight)를 업데이트할 수 있다.

일례로, IoT 모듈(12)은 운송 수단(11)의 부품에 설치되는 모듈로 구현될 수 있고, 운송 수단(11)의 부품으로부터 획득되는 시계열 센서 데이터를 수집하고 클라우드 서버(13)로 전송할 수 있다.

클라우드 서버(13)는 IoT 모듈(12)로부터 수신된 시계열 센서 데이터를 이용하여 부품의 상태 추정 또는 이상징후 검출을 위한 회귀 신경망(Recurrent Neural Network)의 파라미터를 갱신하고 그 갱신된 회귀신경망의 파라미터를 IoT 모듈(12)에 전송하되, 시계열 센서 데이터의 단기, 중기 및 장기 데이터 중에서 적어도 하나의 데이터를 혼합한 데이터 시퀀스를 이용하여 회귀신경망의 파라미터를 갱신할 수 있다.

IoT 모듈(12)은 클라우드 서버(13)에서 갱신된 회귀신경망의 파라미터가 적용된 회귀 신경망을 이용하여 운송 수단(11)의 부품의 상태를 추정하거나 이상징후를 검출할 수 있다.

이하, 도 2를 참조하여 운송 수단(11)의 부품들 중에서 차량에 장착된 배터리의 고장예지 및 건전성을 관리하는 구성을 일 실시예로 살펴보기로 한다. 그러나 본 발명의 실시 예들은 특정 운송 수단 또는 운송 수단의 특정 부품으로 한정되지 않는다.

도 2는 본 발명의 일 실시 예에 따른 운송 수단에 장착된 배터리의 고장예지 및 건전성 관리 시스템의 구성을 설명하기 위한 구성도이다.

도 2에 도시된 바와 같이, 배터리의 고장예지 및 건전성 관리 시스템은 전압, 전류, 온도, 전류적산법에 의한 SOC 출력, 또는 시간당 전압 변화량 등을 포함하는 배터리 정보로부터 정확한 SOC, SOH 및 이상 징후(anomaly)를 포함하는 배터리 상태 등을 추정할 수 있다.

배터리의 고장예지 및 건전성 관리 시스템은 단기, 중기, 장기 또는 이들을 혼합한 배터리 측정값 시퀀스(sequence)로부터 배터리 수명 전 구간에 걸쳐 배터리 상태를 추정할 수 있다.

IoT 모듈(110)은 학습된 파라미터 값을 이용해 배터리 정보를 실시간으로 추정하고, 배터리 모델링용 DB 구축을 위한 배터리 측정값을 수집/전송할 수 있다.

클라우드 서버(120)는 배터리 측정값을 네트워크를 통해 수신하여 파라미터를 학습하고 학습 결과를 기반으로 파라미터를 업데이트할 수 있다. 그리고 클라우드 서버(120)는 업데이트된 파라미터를 IoT 모듈로 전송할 수 있다.

본 발명의 일 실시 예에 따른 고장예지 및 건전성 관리 시스템은 전기 자동차 리튬이온 배터리의 전압, 전류, 온도 혹은 그 이상의 측정값을 활용하여 배터리의 정보, 즉, 충전 상태(State of Charge), 잔존 수명(Remaining Useful Life), 이상 징후(anomaly) 등을 추정하는 시스템에 관한 것이다.

본 발명의 일 실시 예에 따른 고장예지 및 건전성 관리 시스템은 배터리 정보 추정 모델로 시계열 데이터 모델링에 적합한 장단기 메모리(Long Short-Term Memory, LSTM) 신경망을 사용함으로써 정확한 배터리 정보의 예측이 가능하다. 그리고 LSTM 신경망을 단기, 중기, 장기 또는 이를 혼합한 배터리 측정값 시퀀스(sequence)를 입력(input)으로 활용함으로써, 더욱 정확한 추정이 가능하다. 이뿐만 아니라, 본 발명의 일 실시 예에 따른 고장예지 및 건전성 관리 시스템은 클라우드 서버에서 학습된 파라미터 값을 이용해 배터리 정보의 실시간 추정 및 배터리 모델링용 DB 구축을 위한 배터리 측정값을 수집/전송하는 IoT 모듈(110)과, 배터리 측정값을 네트워크를 통해 수신하여 파라미터를 학습/업데이트 및 IoT 모듈로 전송하는 클라우드 서버(120)로 분리될 수 있다. 또는 본 발명의 일 실시 예에 따른 고장예지 및 건전성 관리 시스템은 차량 내 장착된 시스템을 통해 배터리 측정값을 수집하고 배터리 정보를 추정하는 과정을 수행할 수 있다.

도 2에 도시된 바와 같이, 배터리(101)는 배터리 정보 추정의 대상이 되는 배터리이다. 배터리(101)는 패키지(Package) 혹은 셀(Cell) 단위로 구성될 수 있다.

배터리 관리 시스템(102)은 배터리 관리를 위한 배터리 관리 시스템(Battery Management System)이다. 배터리 관리 시스템(102)은 배터리의 전압, 전류, 온도 측정값을 차량 내 IoT 모듈로 전송할 수 있다.

IoT 모듈(110)은 차량 내 장착된 IoT 모듈이다. IoT 모듈(110)은 배터리 측정값을 배터리 관리 시스템(102)으로부터 수신하고, 클라우드 서버(120)로 송신할 수 있다. IoT 모듈(110)은 배터리 정보의 실시간 추정 역할을 수행할 수 있다.

전처리부(111)는 BMS(102)로부터 수신된 배터리 측정값에 대한 전처리를 수행할 수 있다. 전처리 과정에는 정규화(Normalization), 섭씨온도의 절대온도 변환 등이 포함될 수 있다.

통신부(112)는 BMS(102)로부터 수신된 배터리 측정값을 클라우드 서버(120)로 송신하고, 클라우드 서버(120)로부터 갱신된 파라미터 값을 수신할 수 있다. 클라우드 서버(120)로 송신되는 정보는 배터리 측정값 뿐 아니라, 운전자의 운행 정보 등도 포함될 수 있다. 클라우드 서버(120)에는 셀룰러 네트워크(Cellular Network), 와이파이(Wi-Fi) 등의 다양한 통신 기술이 사용될 수 있다.

추정부(113)는 기학습된 파라미터를 이용한 LSTM 신경망을 이용하여 배터리 정보를 실시간으로 추정할 수 있다.

클라우드 서버(120)는 통신망이나 인터넷 등을 통해 IoT 모듈(110)과 연결된 서버이다. 클라우드 서버(120)는 배터리 측정값을 수신하고, 딥 러닝 네트워크에 대한 새로운 모델 학습을 수행할 수 있다.

통신부(121)는 IoT 모듈(110)로부터 송신된 배터리 측정값을 수신하고, 갱신된 파라미터 값을 IoT 모듈(110)로 송신할 수 있다. 이때, 셀룰러 네트워크(Cellular Network), 와이파이(Wi-Fi) 등의 다양한 통신 기술이 사용될 수 있다.

데이터 저장부(122)는 통신부(121)에 수신된 데이터를 저장할 수 있다.

학습부(123)는 통신부(121)에서 수신된 데이터를 이용하여 LSTM 신경망의 파라미터를 갱신할 수 있다. 갱신된 파라미터는 파라미터 저장부(124)에 저장될 수 있다. 파라미터 저장부(124)는 학습부(123)에서 갱신된 파라미터를 저장하는 역할을 수행할 수 있다.

클라우드 서버(120)는 IoT 모듈(110)에서의 파라미터 갱신 필요 시 통신부(121)를 통해 파라미터를 전송할 수 있다.

도 3은 본 발명의 일 실시 예에 따른 고장예지 및 건전성 관리 시스템에서 배터리 정보 추정을 위한 LSTM 신경망의 구성을 설명하기 위한 구성도이다.

본 발명의 일 실시 예에 따른 고장예지 및 건전성 관리 시스템에서 배터리 정보 추정을 위한 LSTM 신경망은 입력층, 은닉층 및 출력층 등의 LSTM 신경망 층을 포함할 수 있다.

입력 벡터(201)는 LSTM 신경망의 입력 벡터(input vector)로 각 시간에서의 배터리 전압(V), 전류(I), 또는 온도(T) 측정값 등을 포함할 수 있다. 시계열의 길이에 따라 하나의 LSTM 셀에 입력되는 벡터(vector)의 차원(dimension)이 결정될 수 있다. 시계열의 길이는 수집되는 정보의 양에 따라 정해질 수 있다. 또한, 각 셀의 입력 벡터(input vector)의 길이는 서로 같을 수도 있고, 다를 수도 있다.

셀(202)은 LSTM 신경망을 이루는 셀(Cell)을 의미한다. 각 셀(Cell)은 시계열 데이터의 특성을 벡터(vector)형태로 출력할 수 있다. 셀(Cell)을 이루는 게이트(gate)와 상태(state)는 하기와 같이 [수학식 1]로 정의될 수 있다.

각 셀(Cell)은 위의 [수학식 1]처럼 고정된 구조만을 갖지는 않으며, 양방향(Bidirection) LSTM 셀(Cell)과 같은 보다 발전된 형태로 변형이 가능하다.

신경망 층(203)은 LSTM 신경망을 이루는 셀(Cell)의 모임인 층(Layer)이다. 필요에 따라 LSTM 신경망은 적어도 하나의 층으로 이루어질 수 있다. 즉, 복수의 층(203)은 단층 혹은 두 개 이상의 층을 포함할 수 있다. 각 셀(Cell)은 그 전 층의 셀 출력(Cell output)을 입력(input)으로 입력받게 된다. 이때, 입력(input)은 이 전 층에 존재하는 하나 이상의 셀 출력(Cell output)을 입력으로 받을 수 있다. 셀(Cell) 들이 층을 이루는 구조를 통해 입력 시계열 데이터의 길이에 따른 단기, 중기 및 장기 데이터 중에서 적어도 하나의 데이터를 이용하거나 통합하여 배터리 추정에 사용할 수 있다.

완전 연결(Fully Connected) 신경망(204)은 LSTM 신경망 출력을 입력으로 갖는 완전 연결(Fully Connected) 신경망을 의미한다. 이 입력에는 LSTM 신경망의 최종 층(Layer)의 출력뿐 아니라, 각 층(Layer)들의 출력을 포함할 수 있다. 이를 통해 시계열 데이터의 단기, 중기, 및 장기적 예측결과 중에서 적어도 하나의 예측 결과를 최종 출력에 반영할 수 있다. 각 노드는 가중치(weight)를 지니고 있으며, 이 값들은 반복적인 학습을 통해 정해진다. 하나 이상의 층(Layer)을 지니며 각 층에는 하나 이상의 노드가 존재한다.

추정 값(205)은 LSTM 신경망 출력을 입력으로 갖는 완전 연결(Fully Connected) 신경망(204)의 출력인 배터리 정보 추정 값을 의미한다. 배터리 정보에는 충전 상태(State of Charge, SOC), 잔존용량(Remaining Useful Life, RUL), 이상 징후(anomaly) 등이 포함된다.

이와 같이, LSTM 신경망은 LSTM 신경망을 이루는 셀(202)의 모임인 적어도 하나의 신경망 층(203)과, 신경망 층(203)의 각 셀의 출력을 입력으로 갖는 완전 연결 신경망(204)을 포함할 수 있다.

도 4는 본 발명의 일 실시 예에 사용되는 LSTM 구조를 설명하기 위한 도면이다.

본 발명의 일 실시 예에 따른 전기 트럭을 위한 IoT 기반 PHM(Prognostics and Health Management)는 차량의 다양한 부품들로부터 얻어진 시계열 데이터를 기반으로 이상징후 검출을 통한 고장 예측과 건전성 관리를 수행할 수 있다.

이를 위해, 본 발명의 일 실시 예에 고장예지 및 건전성 관리 시스템은 LSTM(Long Short Term Memory) 기반의 딥 양방향 LSTM 변이 자동 인코더(Deep Bidirectional LSTM Variational Auto Encoder, DB-LSTM-VAE)를 이용할 수 있다. 본 발명의 일 실시 예에 고장예지 및 건전성 관리 시스템은 LSTM을 기반으로 단기, 중기 및 장기 중에서 적어도 하나를 고려한 다층적 구조를 이용할 수 있다.

본 발명의 일 실시 예에 고장예지 및 건전성 관리 시스템은 더욱 정확한 배터리의 RUL(Remaining Useful Life) 예측을 위해, 다층 구조 기반의 LSTM 프레임웍을 배터리의 SoC(State of Charge)를 예측하는데 적용할 수 있다.

이하, 본 발명의 일 실시 예에 고장예지 및 건전성 관리 시스템에 사용되는 LSTM의 기본 구조와 동작 원리를 살펴보기로 한다.

LSTM(Long-Short Term Memory module)은 기존 단순한 RNN(Recurrent Neural Networks) 형태에서 발전되어 셀 상태(Cell state)와 게이트(Gates)를 가지며, 게이트와 셀 상태를 이용하여 기존의 기울기 값이 사라지는 문제를 해결하고 장기 의존성을 높일 수 있다.

LSTM의 핵심인 셀 상태는 LSTM 내에 연결된 전체를 관통하고 LSTM의 기억을 관리하며, 셀 상태에 변하는 정보를 관리하기 위해 게이트를 활용하며 게이트들은 셀 상태 정보를 더하거나 제거하는 역할을 수행할 수 있다.

LSTM에는 3개의 게이트가 있으며, 각 게이트는 다음과 같을 수 있다.

첫째, 망각게이트는 LSTM의 첫단계 게이트로서 셀 상태를 얼마나 유지하거나, 반영하는지를 결정하는 역할을 수행할 수 있다. 이전 LSTM 출력과 현재 입력을 시그모이드 레이어에서 연산을 통해 0과 1사이의 값에 망각게이트의 출력이 셀 상태에 고하여 셀 상태의 유지를 결정할 수 있다.

둘째, 입력게이트는 입력된 데이터가 셀 상태에 반영되는 것을 결정하며, 입력게이트는 두 개의 레이어를 가지는데 첫 번째 레이어는 시그모이드(Sigmoid) 레이어로 셀 상태를 반영을 결정할 수 있다. 두 번째 레이어는 Tanh 레이어로 셀 상태에 합해질 값을 조정하는 역할을 할 수 있다. 두 레이어에서 나오는 출력을 곱하여 셀 상태에 반영하며, 셀상태는 과거 상태에서 현재 상태로 완성될 수 있다.

셋째, 출력게이트는 입력값을 시그모이드 레이어에서 필터된 값과 업데이트 된 셀 상태를 Tanh 레이어에서 연산된 값을 곱하여 현재까지 흐름을 고려한 셀 상태의 값이 출력이 될 수 있다.

LSTM은 세가지 게이트와 셀 상태를 통하여 이전의 저장된 값을 이용하여 현재의 출력을 고려하며 시계열 데이터 형태의 음악적, 언어 등을 처리하는데 많이 사용될 수 있다.

도 5는 본 발명의 실시 예에 사용되는 단일 레이어 LSTM 구조를 설명하기 위한 도면이다.

본 발명의 실시 예에 따른 고장예지 및 건전성 관리 시스템은 단기, 중기, 및 장기 중에서 적어도 하나를 고려한 예측을 위해 다양한 LSTM의 조합을 이용할 수 있다. 본 발명의 일 실시 예에 사용되는 LSTM 모델은 기본적으로 시간에 따른 데이터 입력에서 장기 및 단기 기억을 예측에 반영하는데 있어 우수함을 보일 수 있다.

본 발명의 실시 예에 따른 고장예지 및 건전성 관리 시스템은 배터리 SoC를 예측할 수 있다.

도 6은 본 발명의 실시 예에 사용되는 단층 레이어 LSTM에서 전체 온도에서 반복 학습 과정 중 충전 상태 예측 결과 그래프를 설명하기 위한 도면이다.

단일 레이어로 했을 경우 배터리 충전 상태의 예측 값과 실제 값의 차이는 1.46%로 결과가 도 6에 나타나 있다. 본 발명의 일 실시 예는 이를 향상시키기 위하여 단일 레이어 구조를 변경한 다층(Multiple layer)의 LSTM 구조를 이용할 수 있다.

도 7 내지 도 9는 본 발명의 실시 예들에 사용되는 다층 LSTM 구조를 설명하기 위한 도면이다.

본 발명의 실시 예들에 대한 다양한 구조들에 대한 실험 결과 중에서 도 7 내지 도 9과 같은 다층 구조의 LSTM 프레임웍이 가장 좋은 성능을 보이고 있다.

다층 구조의 LSTM 프레임웍의 구성 및 특징을 살펴보기로 한다.

본 발명의 실시 예들은 단순히 하나의 신경망이 아니라 여러 신경망을 단기, 중기 및 장기 데이터 중에서 적어도 하나의 데이터에 대한 예측성을 높이기 위하여, 다층 구조의 LSTM 모델을 이용할 수 있다. 배터리 충전 상태 예측은 예측 시작함에 따라서 단기 시계열 데이터 발생에 따라 예측이 필요하고 시간이 흐름에 따라 중기, 장기 예측이 가능한 모델로 설계가 필요할 수 있다.

도 7에 도시된 바와 같이, 다층(Multiple Layer) LSTM 구조는 한 개의 층과 4개의 LSTM 셀로 구성될 수 있다. 첫 번째 층의 LSTM 셀은 4개의 LSTM 셀에서 총 50개의 시계열 데이터(각각 5개의 시계열 데이터, 10개의 시계열 데이터, 15개의 시계열 데이터, 및 20개의 시계열 데이터)를 입력받아 출력할 수 있다. 즉, 각 LSTM 셀마다 입력 시퀀스의 길이가 상이할 수 있다. 본 발명의 실시 예들에 따른 다층 LSTM 구조는 첫 번째 층에서 출력된 행렬의 마지막 열의 데이터를 완전 연결(Fully Connected) 신경망에 입력하여 최종 SoC(배터리 충전 상태)를 예측할 수 있다. 이와 같이, 다층 LSTM 신경망은 복수의 셀을 포함하는 1층(1st Floor)인 하나의 신경망 층과, 하나의 신경망 층의 각 셀의 출력을 입력으로 갖는 완전 연결 신경망을 포함하고, 복수의 셀 각각은 수신된 시계열 센서 데이터가 시계열 순으로 구분된 복수의 단기 데이터 중에서 대응되는 단기 데이터를 입력받을 수 있다.

도 8에 도시된 바와 같이, 다층(Multiple Layer) LSTM 구조는 세 개의 층과 7개의 LSTM 셀로 구성될 수 있다. 첫 번째 층의 LSTM 셀은 4개의 LSTM 셀에서 각 5개(총 20개)의 시계열 데이터를 입력받아 출력할 수 있다. 두 번째 층의 LSTM 셀은 2개로 구성되며 첫 번째 출력을 두 개씩 합쳐 각각의 입력받아 출력할 수 있다. 세 번째 층은 한 개의 LSTM 셀로 구성되고 두 번째 층의 출력을 합쳐서 입력하여 출력할 수 있다. 즉, 각 LSTM 층마다 시점이 상이할 수 있다. 본 발명의 실시 예들에 따른 다층 LSTM 구조는 세 번째 층에서 출력된 행렬의 마지막 열의 데이터를 완전 연결(Fully Connected) 신경망에 입력하여 최종 SoC(배터리 충전 상태)를 예측할 수 있다. 이와 같이, 다층 LSTM 신경망은 복수의 셀을 포함하고 순차적으로 연결된 복수의 신경망 층(예컨대, 1층, 2층, 3층 등)과, 복수의 신경망 층에서 마지막에 연결된 신경망 층의 출력을 입력으로 갖는 완전 연결 신경망을 포함할 수 있다. 복수의 셀 각각은 수신된 시계열 센서 데이터가 시계열 순으로 구분된 복수의 단기 데이터 중에서 대응되는 단기 데이터를 입력받을 수 있다. 복수의 신경망 층은 복수의 신경망 층 중에서 이전 차수의 신경망 층에 포함된 복수의 이전 셀 중에서 2개 이상의 이전 셀의 출력을 합쳐서 입력받는 복수의 다음 셀을 포함하는 다음 차수의 신경망 층을 포함할 수 있다.

도 9에 도시된 바와 같이, 다층(Multiple Layer) LSTM 구조는 세 개의 층과 7개의 LSTM 셀로 구성될 수 있다. 첫 번째 층의 LSTM 셀은 4개의 LSTM 셀에서 각 5개(총 20개)의 시계열 데이터를 입력받아 출력할 수 있다. 두 번째 층의 LSTM 셀은 2개로 구성되며 첫 번째 출력을 두 개씩 합쳐 각각의 입력받아 출력할 수 있다. 세 번째 층은 한 개의 LSTM 셀로 구성되고 두 번째 층의 출력을 합쳐서 입력하여 출력할 수 있다. 본 발명의 실시 예들에 따른 다층 LSTM 구조는 첫 번째 층에서 출력된 행렬의 마지막 열의 데이터, 두 번째 층에서 출력된 행렬의 마지막 열의 데이터, 세 번째 층에서 출력된 행렬의 마지막 열의 데이터를 합쳐서 완전 연결(Fully Connected) 신경망에 입력하여 최종 SoC(배터리 충전 상태)를 예측할 수 있다. 이와 같이, 완전 연결 신경망은, 복수의 신경망 층에서 마지막에 연결된 신경망 층의 출력과 복수의 신경망 층에서 적어도 하나의 셀의 출력을 추가로 입력받을 수 있다.

단일 계층의 LSTM을 이용하였을 때보다 다층 구조의 LSTM 모델을 이용하였을 때 배터리 충전 상태를 예측하는데 있어 2~3% 정도의 정확성이 높음을 확인할 수 있다.

자세한 실험 결과는 아래 항목을 참조하기로 한다. 실험에 사용된 데이터를 살펴보면 다음과 같다.

실험에서 사용한 배터리 데이터는 Marland 대학의 CALCE(Center for Advanced Life Cycle Engineering, https://calceumdedu/) 에서 제공하는 배터리 충전 및 방전을 4개의 운전 환경에 따른 변화를 실험한 데이터를 기반으로 실험 진행하였다.

배터리 데이터는 4가지의 운전환경 조건에서 실험한 데이터로 제공되며 4가지의 운전환경은 다음과 같다.

- BJDST : Beijing Dynamic Stress Test

- DST : Dynamic Stress Test

- FUDS : Federal Urban Driving Schedule

- US06 : Highway Driving Schedule

학습에 사용된 배터리 데이터 수는 162,081이고 테스트에 사용된 배터리 데이터 수는 25,932이다.

데이터에서 사용한 배터리의 정보는 다음의 [표 1]과 같다.

도 10은 본 발명의 일 실시예에 따른 운송 수단의 고장예지 및 건전성 관리 장치의 구성을 설명하기 위한 구성도이다.

도 10에 도시된 바와 같이, 본 발명의 실시 예들에 따른 고장예지 및 건전성 관리 장치(300)는 통신부(310), 메모리(320) 및 프로세서(330)를 포함한다. 그러나 도시된 구성요소 모두가 필수 구성요소인 것은 아니다. 도시된 구성요소보다 많은 구성요소에 의해 고장예지 및 건전성 관리 시스템이 구현될 수도 있고, 그보다 적은 구성요소에 의해서도 고장예지 및 건전성 관리 시스템이 구현될 수 있다.

이하, 도 10의 고장예지 및 건전성 관리 장치의 각 구성요소들의 구체적인 구성 및 동작을 설명한다.

통신부(310)는 운송 수단의 부품에 설치된 모듈과 통신한다. 여기서, 모듈은 IoT 모듈로 구현될 수 있다.

메모리(320)는 적어도 하나의 프로그램을 저장한다. 메모리(320)는 모듈로부터 수신된 시계열 센서 데이터를 저장할 수 있다. 메모리(320)는 회귀 신경망의 파라미터를 저장할 수 있다.

프로세서(330)는 통신부(310) 및 메모리(320)와 연결된다.

프로세서(330)는 적어도 하나의 프로그램을 실행함으로써, 운송 수단의 부품에 설치된 모듈로부터 시계열 센서 데이터를 수신하고, 그 수신된 시계열 센서 데이터를 이용하여 부품의 상태 추정 또는 이상징후 검출을 위한 회귀 신경망(Recurrent Neural Network)의 파라미터를 갱신하고, 그 갱신된 회귀 신경망의 파라미터가 적용된 회귀 신경망을 이용하여 운송 수단의 부품의 상태를 추정하거나 이상징후를 검출한다.

실시예들에 따르면, 프로세서(330)는 시계열 센서 데이터의 단기, 중기 및 장기 데이터 중에서 적어도 하나의 데이터를 혼합한 데이터 시퀀스를 이용하여 회귀 신경망의 파라미터를 갱신할 수 있다.

실시예들에 따르면, 회귀 신경망은 부품의 충전 상태값(SOC, state of charge), 건강 상태값(SOH, state of health), 전력 측정값, 전압 측정값, 전류 측정값, 및 온도 측정값 중에서 적어도 하나가 포함된 입력 벡터를 입력층을 통해 입력받을 수 있다.

실시예들에 따르면, 회귀 신경망은 장단기 메모리(Long Short-Term Memory, LSTM) 신경망일 수 있다.

실시예들에 따르면, LSTM 신경망은 LSTM 신경망을 이루는 셀(Cell)의 모임인 적어도 하나의 신경망 층(Layer)과, 상기 신경망 층의 각 셀의 출력을 입력으로 갖는 완전 연결(Fully Connected) 신경망을 포함할 수 있다.

실시예들에 따르면, LSTM 신경망은 복수의 셀을 포함하는 하나의 신경망 층과, 하나의 신경망 층의 각 셀의 출력을 입력으로 갖는 완전 연결 신경망을 포함할 수 있다. 복수의 셀 각각은 상기 수신된 시계열 센서 데이터가 시계열 순으로 구분된 복수의 단기 데이터 중에서 대응되는 단기 데이터를 입력받을 수 있다.

실시예들에 따르면, LSTM 신경망은 복수의 셀을 포함하고 순차적으로 연결된 복수의 신경망 층과, 상기 복수의 신경망 층에서 마지막에 연결된 신경망 층의 출력을 입력으로 갖는 완전 연결 신경망을 포함할 수 있다. 복수의 셀 각각은 상기 수신된 시계열 센서 데이터가 시계열 순으로 구분된 복수의 단기 데이터 중에서 대응되는 단기 데이터를 입력받을 수 있다. 복수의 신경망 층은 복수의 신경망 층 중에서 이전 차수의 신경망 층에 포함된 복수의 이전 셀 중에서 2개 이상의 이전 셀의 출력을 합쳐서 입력받는 복수의 다음 셀을 포함하는 다음 차수의 신경망 층을 포함할 수 있다.

실시예들에 따르면, 완전 연결 신경망은 복수의 신경망 층에서 마지막에 연결된 신경망 층의 출력과 복수의 신경망 층에서 적어도 하나의 셀의 출력을 추가로 입력받을 수 있다.

도 11 및 도 12는 본 발명의 일 실시 예에 따른 고장예지 및 건전성 관리 시스템에서 수행되는 데이터 학습 및 데이터 테스트에 대한 순서도이다.

성능 평가를 위한 실험을 살펴보기로 한다.

성능 평가를 위한 프레임웍의 학습과 테스트는 도 10 및 도 11과 같은 방식으로 진행할 수 있다.

배터리 충전 상태를 예측하는 모델은 다층 LSTM을 이용하였으며, 배터리 충전 상태를 예측함에 있어 데이터를 학습시키는 과정과 이를 검증하는 데이터 테스트 과정으로 분류될 수 있다.

도 11에 도시된 학습 과정을 살펴보기로 한다.

단계 S101에서, 고장예지 및 건전성 관리 시스템은 배터리 데이터가 담긴 파일을 읽은 다음 전류, 전압 및 온도 중에서 적어도 하나를 하나의 데이터화한다.

단계 S102에서, 고장예지 및 건전성 관리 시스템은 사용하는 변수들을 선언 및 초기화한다.

단계 S103에서, 고장예지 및 건전성 관리 시스템은 에포크(epoch)를 1로 지정한다.

단계 S104에서, 고장예지 및 건전성 관리 시스템은 기설정된 횟수(예컨대, 10,000번) 동안 학습 실행한다.

단계 S105에서, 고장예지 및 건전성 관리 시스템은 학습 과정 중 예측 값과 실제 값의 차이를 나타내는 손실 함수 값을 비교한다.

단계 S106에서, 고장예지 및 건전성 관리 시스템은 손실 함수 값이 낮은 값의 학습 상태를 저장한다.

단계 S107에서, 고장예지 및 건전성 관리 시스템은 가장 낮은 유효성 검증 오류가 있는지를 확인한다.

단계 S108에서, 고장예지 및 건전성 관리 시스템은 가장 낮은 유효성 검증 오류 상태를 저장한다.

단계 S109에서, 고장예지 및 건전성 관리 시스템은 학습 과정 중 학습 시행 횟수가 기설정된 횟수(예컨대, 500)의 배수인지를 확인한다.

단계 S110에서, 고장예지 및 건전성 관리 시스템은 학습 시행 횟수가 기설정된 횟수(예컨대, 500)의 배수일 경우 학습 상태를 저장한다.

단계 S111에서, 고장예지 및 건전성 관리 시스템은 학습 과정 중 학습 시행 횟수가 기설정된 횟수(예컨대, 10,000)의 배수인지를 확인한다.

단계 S112에서, 고장예지 및 건전성 관리 시스템은 학습 시행 횟수가 기설정된 횟수(예컨대, 10,000)의 배수가 아니면, 에포크에 1을 더하고 단계 S104를 수행한다.

이후, 고장예지 및 건전성 관리 시스템은 기설정된 횟수(예컨대, 10,000번) 학습이 완료되면 종료한다.

도 12에 도시된 테스트 과정을 살펴보기로 한다.

단계 S201에서, 고장예지 및 건전성 관리 시스템은 배터리 데이터 중 테스트 데이터를 읽은 다음 전류, 전압, 온도를 하나의 데이터화한다.

단계 S202에서, 고장예지 및 건전성 관리 시스템은 손실 함수 값이 낮은 값의 저장된 상태를 읽는다.

단계 S203에서, 고장예지 및 건전성 관리 시스템은 읽은 손실 함수 값이 낮은 값의 저장된 상태에서 테스트 진행 후 결과 값을 저장한다.

단계 S204에서, 고장예지 및 건전성 관리 시스템은 500 배수의 학습상태를 읽는다.

단계 S205에서, 고장예지 및 건전성 관리 시스템은 테스트 진행 후 결과 값을 저장한다.

단계 S206에서, 고장예지 및 건전성 관리 시스템은 마지막 테스트 상태인지를 확인한다.

고장예지 및 건전성 관리 시스템은 모든 500 배수의 학습상태에서의 테스트가 완료되면 종료한다.

위와 같이 실험을 진행한 것은 손실 함수 값이 우수하지만 테스트에서는 예측 결과가 우수하지 않을 것을 가정하고 진행하였으며, 본 발명의 실시 예들에 대해 실험하였을 때 학습상태가 우수한 손실 함수 값이 가장 낮을 때의 테스트는 500 배수의 학습상태 중 가장 낮은 오류를 예측 결과와 비교하였을 때 보다 우수하지 않았다.

도 13 내지 도 16는 본 발명의 실시 예들에 대해 각 온도에서 반복 학습 과정 중 우수한 충전 상태 예측 결과 그래프를 설명하기 위한 도면이다.

도 13 내지 도 16에 도시된 그래프는 0℃, 25℃, 45℃ 그리고 모든 온도에 대해서 배터리 잔여 충전 값과 배터리 충전상태 예측한 값의 차이를 표현하고 있으며, 각 값의 차이를 평균 제곱근 오차(RMSE : Root Mean Square Error)를 사용하여 측정한 결과를 나타내고 있다.

도 13은 0℃에서 반복 학습 과정 중 우수한 충전 상태 예측 결과 그래프를 나타내고 있다.

도 13은 테스트 중 0℃에서 예측이 우수한 상태에서의 예측된 결과와 실제 값의 비교 한 그래프로, 학습이 10,000일 때 실제 값과 예측된 값의 비교한 결과 1.49%의 차이를 보이며 가장 큰 오류 차이는 0.29%를 나타낸다.

도 14는 25℃에서 반복 학습 과정 중 우수한 충전 상태 예측 결과 그래프를 나타낸다.

도 14는 테스트 중 25℃에서 예측이 우수한 상태에서의 예측된 결과와 실제 값의 비교 한 그래프로, 학습이 6,500일 때 실제 값과 예측된 값의 비교한 결과 0.75%의 차이를 보이며 가장 큰 오류 차이는 0.08%를 나타낸다.

도 15는 45℃에서 반복 학습 과정 중 우수한 충전 상태 예측 결과 그래프를 나타낸다.

도 15는 테스트 중 45℃에서 예측이 우수한 상태에서의 예측된 결과와 실제 값의 비교 한 그래프로, 학습이 8,000일 때 실제 값과 예측된 값의 비교한 결과 0.5%의 차이를 보이며 가장 큰 오류 차이는 0.05%를 나타낸다.

도 16은 전체 온도에서 반복 학습 과정 중 우수한 충전 상태 예측 결과 그래프를 나타낸다.

도 16은 0℃, 25℃, 45℃ 모든 온도에서 예측이 우수한 상태에서의 예측된 결과와 실제 값의 비교 한 그래프로, 학습이 6,500일 때 실제 값과 예측된 값의 비교한 결과 1.26%의 차이를 보이며 가장 큰 오류 차이는 0.47%를 나타낸다.

0℃에서 배터리 충전상태 값과 예측 값은 최저 차이는 10,000번 학습된 데이터에서 테스트한 결과 RMSE 1.49%의 차이를 나타내며, 25℃에서 배터리 충전상태 값과 예측값의 가장 낮은 차이는 6,500번 학습된 데이터에서 테스트한 차이가 RMSE 0.77%, 25℃에서 배터리 충전상태 값과 예측 값의 가장 낮은 차이는 8,000번 학습된 데이터에서 테스트하여 RMSE 0.5% 차이를 보인다.

0℃, 25℃, 45℃ 모든 온도에서 배터리 충전상태 값과 예측 값은 최저 차이는 6,500번 학습된 모델에서 테스트한 결과가 가장 적은 차이를 보였으며, RMSE 126%의 차이를 나타낸다.

[표 2]는 6개 연구에서 SoC 추정 오차 비교를 나타낸다.

[표 2]의 실험 결과는 “Long Short-Term Memory-Networks for Accurate State of Charge Estimation of Li-ion Batteries(Ephrem Chemali, Student Member, IEEE, Phillip J Kollmeyer, Member, IEEE, Matthias Preindl, Member,IEEE, Ryan Ahmed, Member, IEEE, and Ali Emadi, Fellow, IEEE)“에서 언급한 6개의 연구 비교한 수치와 견주어 보면 오차 측정은 각각 상이하여 단순 비교하기는 어려우나, 본 발명의 실시 예에 따른 실험 결과에서 25℃ 0.7%의 RMSE 오차는 본 발명의 실시 예의 25℃의 0.75% RMSE 수치보다 낮지만 위 연구는 배터리 충전 상태를 반영하지 아니하였다. 따라서 충전 및 방전을 실험에서 반영한 본 발명의 실시 예의 결과가 실제 배터리 운영 환경과 근접하며, 우수한 결과를 보였으며, 또한 0~45℃의 온도차에서 실험을 진행하여 다양한 온도상황에서의 예측이 가능한 장점을 지닐 수 있다.

IoT 모듈 구현을 살펴보면, 본 발명의 실시 예에 따른 전기 트럭을 위한 IoT 기반 PHM을 위해서는 차량에 장착하여 차량 내의 센서 데이터를 통해 차량 부품의 상태 추정 등을 수행할 수 있는 IoT 모듈이 필요하다. 이 모듈은 차량 내의 VCU와 통신하여 센서의 측정치를 받기 위해서는 CAN Bus가 지원 가능해야 하며, 차량의 데이터를 클라우드 서버(Cloud Server)에 전송하기 위해서는 로컬 게이트웨이(local gateway)를 통해 Local Area Network(LAN)과 광대역 연결(broadband connection) 기능을 지원해야 한다.

이를 위해, 본 발명의 실시 예에서는 PHM을 위한 충분한 계산 성능, VCU와의 통신이 가능한 CAN 통신, 클라우드 서버(Cloud Server)와도 무선 통신 등 다양한 필요 성능을 만족할 수 있다.

도 17은 본 발명의 실시 예들에 따른 IoT 기반의 PHM 시스템의 전체 구성도를 설명하기 위한 도면이다.

본 발명의 실시 예들에 따른 IoT 기반 고장예지 및 건전성 관리 시스템은 운송 수단(예컨대, 전기 트럭)에 장착된 각 부품들의 상태에 대한 IoT 기반의 실시간 이상 징후 검출과 장기 고장 예측를 통해 각 부품들을 효율적으로 유지/보수 및 교체함으로써, 개발할 전기 트럭의 신뢰성을 확보할 수 있다. 여기서, 본 발명의 실시 예들에서는 신뢰성을 확보하기 위해, 모델 기반과 데이터 기반(Data-Driven) 접근방법을 결합하는 딥 러닝(Deep Learning) 기반의 이상 징후 검출 및 장기 고장 예측 시스템에 관한 것이다. 이는 차량의 각 부품들이 실시간으로 생성하는 자신의 상태에 대한 정보는 그 데이터의 양이 방대한 빅데이터로서 최근 부상하고 있는 딥 러닝을 활용하여 보다 효과적이고 효율적으로 처리할 수 있다.

본 발명의 실시 예들을 통해 제안하는 IoT 기반 고장 예지 기술을 구현한 PHM 시스템은 도 17과 같이 차량의 각 부품들, 차량에 장착된 IoT 모듈 그리고 클라우드 서버로 구성되며, 각 구성 요소의 역할은 다음과 같다.

차량의 각 부품들은 차량의 신뢰성 확보를 위해, 유지/보수 및 교체될 대상이며, 실시간으로 자신들의 상태에 대한 정보를 IoT 모듈에 전송함. 이 정보들이 축적되어 차량 상태에 대한 빅데이터를 형성한다.

차량에 장착된 IoT 모듈은 차량의 각 부품들로부터 전송되는 빅데이터를 클라우드 서버에 전송하고, 실시간 데이더를 기반으로 부품들의 이상 징후 검출 및 경고 메시지를 차량의 디지털 클러스터와 사용자의 스마트폰에 전송한다.

클라우드 서버는 IoT 모듈에서 인터넷을 통해 전송되는 각 부품들의 빅데이터 정보를 저장하고, 장기간을 고려한 고장 예측 정보를 사용자의 스마트폰에 전송할 수 있다. 클라우드 서버에 저장된 빅데이터 정보를 기반으로 고장 예지 시스템 내의 딥 러닝 네트워크(Deep Learing Network)를 주기적으로 학습시킬 수 있다. 학습된 네트워크(Network)의 가중치(Weight)를 이용하여 IoT 모듈의 이상 징후 검출 및 경고 시스템 내에 위치한 딥 러닝 네트워크(Deep Learning Network)의 가중치(Weight)를 업데이트할 수 있다.

위에서 언급한 구성 요소들의 개발을 위한 세부적인 내용은 다음과 같다.

본 발명의 실시 예에서는 차량의 운행패턴 및 동력부하를 패턴을 분석하여 차량 점검시기를 파악할 수 있는 IoT 기반의 지능형 고장 예지 기술이 포함될 수 있다.

본 발명의 실시 예에서는 전기 트럭의 각종 부품 상태 및 동작/환경 조건을 측정하는 센서 데이터를 수집하는 IoT 모듈이 포함될 수 있다.

본 발명의 실시 예에서는 수집된 데이터를 기반으로 컴포넌트 방식(Component-wise), 서브시스템 방식(Subsystem-wise) 및 시스템 방식(System-wise) 이상 징후(Anomalies: Point Anomalies, Collective Anomalies 및 Contextual Anomalies 포함) 실시간 검출 및 경고 시스템이 포함될 수 있다.

본 발명의 실시 예에서는 이상 징후 검출 결과와 고장 트리 분석(Fault Tree Analysis, FTA)을 연결하여 고장 모드/메커니즘을 분석하는 시스템이 포함될 수 있다.

상기 결과를 기반으로 컴포넌트 방식(Component-wise), 서브시스템 방식(Subsystem-wise) 및 시스템 방식(System-wise) 고장 예지 및 잔여 수명(Remaining Useful Lifetime, RUL) 예측을 가능하게 하는 통합 PHM 시스템이 포함될 수 있다.

본 발명의 실시 예에서는 PHM을 적용하는 부품 및 하위 시스템의 선정은 Critical to Quality (CTQ)와 Critical to Customer (CTC)에 기반할 수 있다.

본 발명의 실시 예에서는 포인트 이상(Point Anomalies), 집합 이상(Collective Anomalies) 및 문맥 이상(Contextual Anomalies)을 포함하는 이상 징후와 고장 예지를 통한 PHM 기능을 구현하는 핵심 엔진으로서 새로운 구조의 딥 러닝 네트워크(Deep Learning Network)인 딥 양방향 장단기 메모리 변이 자동 인코더 네트워크(Deep Bidirectional Long-Short Term Memory Variational Auto Encoder Network, DB-LSTM-VAE)를 구현할 수 있다.

본 발명의 실시 예에서는 인터넷으로 연결된 IoT 모듈과 클라우드 서버를 통하여 차량 운행 기록 및 시뮬레이션 기반 데이터 수집하고, Deep Learning Network 기반 PHM 시스템의 온라인 미세 조정 및 성능 향상이 포함될 수 있다.

본 발명의 실시 예에서는 컴포넌트 방식(Component-wise), 서브시스템 방식(Subsystem-wise) 및 시스템 방식(System-wise) 통합 PHM 시스템의 이상 징후 검출, 고장 모드/메커니즘 분석, 고장 예지 및 RUL 예측에 대한 시뮬레이션 및 실 데이터 기반 성능 평가 수행이 포함될 수 있다.

Bidirectional Long-Short Term memory (BLSTM)은 입력 시퀀스(input sequence)의 시간 동적(temporal dynamics) 변화를 성공적으로 모델링한 연구결과가 있으며, 가변적인 주기의 조건에서 관련 특징(relevant feature)을 성공적으로 추출할 수 있다. 이 추출된 특징(feature)들은 정확한 시간 모델링(temporal modeling)과 예측하는데 사용될 수 있다. 양방향 LSTM 구조는 전방향과 역방향의 연속적인 의존(sequential dependencies) 모두를 학습하기 때문에, 예측 정확도에서 Bidirectional LSTM 구조는 LSTM 구조보다 뛰어난 성능을 보일 수 있다.

다양한 레벨의 지역/추상/일시적 기간(locality/abstractions/temporal-period)을 가진 특징을 추출하기 위해, 본 발명의 실시 예에서는 프레임웍에서는 향후 데이터의 복원 및 예측을 위한 DB-LSTM Decoder를 내포한 Deep Bidirectional Long Short Term Memory (DB-LSTM) Variational Auto Encoder를 구현할 수 있다. Variational Auto Encoders (VAE)는 Raw 영상에서 high-abstract features를 추출하기 위한 비감독 학습에 매우 적합하며, 본 발명의 실시 예에서는 이 VAE를 아래와 같이 DB-LSTM과 결합하여 확장할 수 있다.

한 주기에 누적된 데이터를 입력 영상으로 작성한다.

콘볼루션 레이어(Convolutional Layer)를 가진 DB-LSTM을 이용하여 추출된 특징의 Cross-section Time-series에 대한 동적 특성을 모델링한다.

이상 징후는 크게 Point, Collective 그리고 Contextual 이상 징후로 나눌 수 있다. 그리고 이 이상 징후들은 다양한 길이의 시간 윈도우를 적용한 LSTM-VAE와 Latent Space Association VAE (LSA-VAE) 프레임웍의 학습에서 추출된 Feature를 통해 얻은 통계적 특성을 기반으로 이상 징후를 검출한다.

LSA-VAE과 DB-LSTM-VAE를 결합하여 Contextual 이상 징후를 검출한다.

DB-LSTM-VAE을 사용하여 장시간의 사이클에 대한 예측을 수행한다.

본 발명의 실시 예에서는 배터리 PHM을 위한 이상 징후 검출이 포함될 수 있다.

이상 징후는 부품이 정상적인 특성과 맞지 않는 이상 작동으로서 정의되며, 이상 징후가 있다고 반드시 고장이 발생하는 것은 아니지만, 모든 고장은 이상 징후에 의해 발생한다.

이상 징후는 크게 3가지 타입으로 나눌 수 있음 : 포인트(Point), 집합(Collective) 그리고 문맥(Contextual) 이상 징후로 나누어 진다.

포인트(Point) 이상 징후는 현재의 순간적인 시점에서 정상적인 동작 범위를 벗어나는 변수가 존재함을 의미한다.

집합(Collective) 이상 징후는 일정 주기에 대한 변수의 패턴이 이상 징후 패턴과 유사한 것을 의미한다.

문맥(Contextual) 이상 징후는 주어진 문맥(Context) 조건에서의 변수의 패턴이 이상 징후 패턴과 유사한 것을 의미한다.

이상 징후는 예기치 않은 상황이고 자주 발생하는 상황도 아니기 때문에, 모든 이상 징후에 대한 사전 데이터가 소수인 상태이며, 이런 조건에서 수행되는 이상 징후 검출은 도전적인 과제임. 모든 학습을 통해 추출된 Feature의 통계적 특성을 저장하고, 이 저장된 통계적 특성을 이상 징후를 나타내는 시간 인터벌(Time Interval)로부터 추출된 이상 징후의 특징(Feautre)을 검출하는데 사용한다.

이상 징후 특징(Feature)의 깊이에 따라 다른 형태의 이상징후를 정의할 수 있음. 예를 들어, 얕은 레이어(Shallow Layer)에서 검출된 이상 징후는 Point 이상 징후에 상응하고, 반면에 딥 레이어(Deeper Layer)에서 검출된 이상 징후는 Collective 이상 징후에 상응함. LSA-VAE을 이용하여 환경과 동작 상태를 조건으로 한 고차원의 Feature 공간을 생성하며, Contextual 이상 징후를 검출하기 위해 이 환경 조건을 기반으로 추출된 Feature의 통계적 특성을 이용한다.

리튬-이온 배터리를 위한 이상 징후 검출 알고리즘을 개발하고 적용할 예정이다.

IoT 모듈 구현을 살펴보기로 한다.

센서 데이터를 처리하기 위해 필요한 계산 부하와 센서 데이터를 저장하기 위해서는 계산용 플랫폼이 필요하다. 이런 플랫폼은 CAN Bus를 통해 센서의 측정치를 받을 수 있어야 할 뿐만 아니라, 로컬 게이트웨이(local gateway)를 통해 Local Area Network (LAN)과 브로드밴드 연결(broadband connection)을 이용하여 VCU 그리고 클라우드 서버(Cloud Server)와도 각각 통신이 가능해야 한다. 이를 위해, 본 발명의 실시 예에서는 충분한 계산 성능을 가진 플랫폼인 IoT 모듈을 이용하고자 할 예정이며, 이 IoT 모듈은 데이터의 수집, 저장, 처리 및 VCU와 클라우드 서버에 전송이 가능하다. 전기 트럭을 위한 IoT 기반 PHM은 IoT 기반 운전자 보조를 위한 예측 기능을 제공할 뿐만 아니라 전기 트럭 회사를 위한 사용자 서비스도 제공한다.

도 18은 EV의 PHM 시스템에서의 IoT 모듈의 개념도를 보여주고 있다.

개발 툴 킷을 이용하여 실험을 진행할 예정이다. 이 실험에서 인위적인 센서 데이터를 툴 킷에 적용하여 시스템의 성능을 평가할 계획이다. 아래의 오른쪽 그림은 IoT 모듈 실험 개념도이며, 아래의 표는 IoT Module로 사용 가능한 다양한 시스템들의 비교 자료이다.

IoT 모듈과 클라우드 서버의 통합을 살펴보기로 한다.

IoT 모듈과 클라우드 서버가 사용가능한 PHM 프레임웍의 통합을 수행하며, 시뮬레이션 데이터 기반의 실험을 진행할 예정이다. 이때 IoT 모듈은 측정된 센서 데이터를 수집하고 실시간으로 이상 징후 검출을 수행함. 또한 IoT 모듈은 PHM을 통한 고장 모드/메커니즘 분석과 고장 예지, 데이터 기록, DB-LSTM-VAE의 미세 조정을 위해 수집된 데이터를 클라우드 서버에 전송한다.

고장 예지를 위한 알고리즘 개발을 살펴보기로 한다.

이상 징후 검출을 위한 특징을 추출하는 것을 목적으로 한 측정치의 특성을 모델링하기 위해 DB-LSTM-VAE을 개발하였으며, State Of Health (SOH)와 같은 고장 예지 Criteria를 예측하기 위해 개발된 DB-LSTM-VAE 네트웍을 확장한다. 이를 위해, DB-LSTM의 디코더(Decoder)를 다시 학습시키고, 아래의 그림과 같이 입력의 Interval을 재구성하는 것보다 미래의 인터벌(interval)을 재구성하여 고장 예치를 수행한다.

도 19는 본 발명의 실시 예에 따른 고장 예지를 위한 DB-LSTM-VAE의 확장을 설명하기 위한 도면이다.

배터리를 위한 PHM 시스템 완성을 살펴보기로 한다.

리튬-이온 배터리의 내부 상태 변수들은 외부 센서로 측정하는 것이 불가능하기 때문에, 리튬-이노 배터리의 CBM/PHM은 쉬운 작업이 아니다. CBM/PHM을 수행하기 위해서는 State of Charge (SOC), State of Health (SOH), Remaining Useful Life (RUL), Time of Failure(ToF) 등의 값들이 추정되어야 하며, 이 값들의 예측치도 필요하다. 비록 최근의 Battery Management Systems (BMS)은 SOC와 SOH를 추정하는 것은 가능하나, RUL을 정확하게 예측하는 것은 아직 힘든 상태이다.

본 발명의 실시 예에서는 DB-LSTM-VAE를 이용하여 배터리 PHM의 시간 변화에 따른 동적 특성을 모델링하고 배터리 PHM의 변수들, 특히 SOH에 대한 향후 변화를 예측한다. 이 방법은 가변 구조를 가지고 있어 다양한 잠재적 공간에 대한 예측이 가능하며, 예측 평균과 분산을 계산할 수 있음. Expert-defined failure threshold를 기반으로 예측된 향후 변화를 이용하여 Remaining Useful Life (RUL)의 확률적 추정을 수행한다. 아래의 표는 제안한 리튬-이온 배터리를 위한 PHM의 입력과 출력을 나타내고 있다.

[표 3]은 리튬-이온 배터리를 위한 PHM의 입출력을 나타낸다.

충전기/모터 1, 2를 위한 PHM를 살펴보기로 한다.

충전기와 모터를 위한 PHM의 이상 징후 검출, 고장 모드/메커니즘 분석, 고장 예지를 위해 DB-LSTM-VAE를 학습시키고, 이때 입력과 출력은 다음과 같다.

[표 4]는 충전기/머터 1, 2를 위한 PHM의 입출력을 나타낸다.

전기 트럭 시스템의 복잡성으로 인해 개별 부품들의 원(Raw) 데이터로부터 전기 트럭 시스템을 모델링하는 것은 매우 어려우며, 이는 전기 트럭 시스템의 PHM이 개별 부품들의 PHM에 대한 모델 의존성이 매우 낮음을 의미한다. 이를 위해, 본 발명의 실시 예에서는 Critical to Quality (CTQ)와 Critical to Customer (CTC)로 정의된 하위 시스템을 가진 계층 구조로 시스템을 나타내고, 부품들의 그룹에 대한 Feature와 하위 시스템의 특징 풀(Feature Pool)을 융합하기 위해 딥 앙상블 퓨전(Deep Ensemble Fusion) 기법을 적용한다. 그리고 이 하위 시스템의 특징 풀은 다른 하위 시스템의 특징 풀(Feature Pool)과 결합되어 전기 트럭의 PHM 특징 풀(Feature Pool)을 형성한다.

도 20은 계층 구조를 갖는 딥 앙상블 퓨전 구성도를 설명하기 위한 도면이다.

다음과 같은 하위 시스템의 PHM에 대한 학습을 진행한다.

전기적 하위 시스템 : 배터리와 충전기

모터 하위 시스템 : 모터 1과 모터 2

전기 트럭을 위한 PHM 하위 시스템 완성을 살펴보기로 한다.

본 발명의 실시 예에서는 에어컨, 에어 브레이크, 파워 테이크오프(Power Take-off, PTO) 그리고 전기 파워 스티어링(Electric Power Steering, EPS) 부품에 대한 DB-LSTM_VAE 학습을 통해 컴포넌트 기반(Component-based PHM)을 완성하고, 제어 하위 시스템의 PHM 융합에 대한 학습을 통해 하위 시스템의 PHM이 포함될 수 있다.

또한, 하위 시스템과 전기 트럭 시스템의 필요충분 특징(Feature) 만을 융합함으로써, 하위 시스템과 전기 트럭의 PHM 성능 강화를 위한 딥 앙상블 퓨전(Deep Ensemble Fusion)에 대한 새로운 주의/적합성(Attention/Affordance) 메커니즘이 포함될 수 있다.

본 발명의 실시 예에서는 에어컨/브레이크/PTO/EPS를 위한 PHM이 포함될 수 있다.

에어컨/브레이크/PTO/EPS를 위한 PHM의 이상 징후 검출, 고장 모드/메커니즘 분석, 고장예지를 위해 DB-LSTM-VAE를 학습시키고, 이때 입력과 출력은 다음과 같다.

[표 5]는 에어컨/브레이크/PTO/EPS를 위한 PHM의 입출력을 나타낸다.

본 발명의 실시 예에서는 제어 하위 시스템을 위한 PHM이 포함될 수 있다.

주의/적합성(Attention/Affordance) 기반 딥 앙상블 퓨전(Deep Ensemble Fusion) 기법을 적용하여 에어컨/브레이크/PTO/EPS를 제어 하위 시스템과 융합하고, 제어 하위 시스템의 PHM을 위한 크로스-섹션 시간-시리즈 특징 풀(Cross-section Time-series Feature Pool)을 생성한다.

본 발명의 실시 예에서는 자가생성 데이터와 외부에서 수집된 데이터 기반 DB-LSTM-VAE의 미세 조정을 위한 알고리즘이 포함될 수 있다.

앞에서 언급했듯이, 이상 징후가 있다고 해서 반드시 고장이 발생하는 것은 아니나, 이상 징후는 학습하는 동안에 보이지 않았던 새로운 특성을 의미한다. 본 발명의 실시 예에서 개발하는 프레임웍의 성능을 향상시키기 위해, 실시간 학습 기능을 이용할 수 있다. 실시간 학습을 통해, 새로운 측정치를 정의하고, 자가 학습에 사용한다. 더욱이, 클라우드 기반 서버는 전기 트럭의 운용/자동 오프라인 학습/정기적인 업데이트로부터 얻어진 PHM 데이터를 기록하기 때문에 DB-LSTM-VAE는 클라우드 서버에 구축이 될 수 있다. 앞에서 언급한 다양한 데이터 소스들로부터 얻은 데이터는 계속적으로 업데이트 및 축적이 이루어지며, DB-LSTM-VAE 네트웍의 변수들은 점진적인 미세 조정을 통해 강화되며 네트웍의 성능은 향상될 수 있다.

도 21은 자가생성 데이터와 외부에서 수집된 데이터 기반 DB-LSTM-VAE의 미세 조정 방법을 설명하기 위한 도면이다.

본 발명의 실시 예에서는 전기 트럭을 위한 전체적인 PHM 시스템을 포함하고, 클라우드 기반 DB-LSTM-VAE의 미세 조정을 구현하며, 실제 테스트베드(Test-bed)에서 개발된 PHM의 성능을 평가할 수 있다.

상술한 본 발명의 실시 예들에 따른 운송 수단의 부품에 대한 고장예지 및 건전성 관리 방법은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현되는 것이 가능하다. 본 발명의 실시 예들에 따른 운송 수단의 부품에 대한 고장예지 및 건전성 관리 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다.

프로세서에 의해 실행 가능한 적어도 하나의 프로그램을 포함하는 비일시적 컴퓨터 판독가능 저장 매체로서, 상기 적어도 하나의 프로그램은 상기 프로세서에 의해 실행될 때, 상기 프로세서로 하여금: 운송 수단의 부품에 설치된 단말로부터 시계열 센서 데이터를 수신하고, 상기 수신된 시계열 센서 데이터를 이용하여 상기 부품의 상태 추정 또는 이상징후 검출을 위한 회귀 신경망(Recurrent Neural Network)의 파라미터를 갱신하고, 상기 갱신된 회귀 신경망의 파라미터가 적용된 회귀 신경망을 이용하여 상기 운송 수단의 부품의 상태를 추정하거나 이상징후를 검출하게 하는 명령어들을 포함하는, 비 일시적 컴퓨터 판독 가능한 저장 매체가 제공될 수 있다.

컴퓨터가 읽을 수 있는 기록 매체로는 컴퓨터 시스템에 의하여 해독될 수 있는 데이터가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래시 메모리, 광 데이터 저장장치 등이 있을 수 있다. 또한, 컴퓨터로 판독 가능한 기록매체는 컴퓨터 통신망으로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 읽을 수 있는 코드로서 저장되고 실행될 수 있다.

이상, 도면 및 실시예를 참조하여 설명하였지만, 본 발명의 보호범위가 상기 도면 또는 실시예에 의해 한정되는 것을 의미하지는 않으며 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

구체적으로, 설명된 특징들은 디지털 전자 회로, 또는 컴퓨터 하드웨어, 펌웨어, 또는 그들의 조합들 내에서 실행될 수 있다. 특징들은 예컨대, 프로그래밍 가능한 프로세서에 의한 실행을 위해, 기계 판독 가능한 저장 디바이스 내의 저장장치 내에서 구현되는 컴퓨터 프로그램 제품에서 실행될 수 있다. 그리고 특징들은 입력 데이터 상에서 동작하고 출력을 생성함으로써 설명된 실시예들의 함수들을 수행하기 위한 지시어들의 프로그램을 실행하는 프로그래밍 가능한 프로세서에 의해 수행될 수 있다. 설명된 특징들은, 데이터 저장 시스템으로부터 데이터 및 지시어들을 수신하기 위해, 및 데이터 저장 시스템으로 데이터 및 지시어들을 전송하기 위해, 결합된 적어도 하나의 프로그래밍 가능한 프로세서, 적어도 하나의 입력 디바이스, 및 적어도 하나의 출력 디바이스를 포함하는 프로그래밍 가능한 시스템 상에서 실행될 수 있는 하나 이상의 컴퓨터 프로그램들 내에서 실행될 수 있다. 컴퓨터 프로그램은 소정 결과에 대해 특정 동작을 수행하기 위해 컴퓨터 내에서 직접 또는 간접적으로 사용될 수 있는 지시어들의 집합을 포함한다. 컴퓨터 프로그램은 컴파일된 또는 해석된 언어들을 포함하는 프로그래밍 언어 중 어느 형태로 쓰여지고, 모듈, 소자, 서브루틴(subroutine), 또는 다른 컴퓨터 환경에서 사용을 위해 적합한 다른 유닛으로서, 또는 독립 조작 가능한 프로그램으로서 포함하는 어느 형태로도 사용될 수 있다.

지시어들의 프로그램의 실행을 위한 적합한 프로세서들은, 예를 들어, 범용 및 특수 용도 마이크로프로세서들 둘 모두, 및 단독 프로세서 또는 다른 종류의 컴퓨터의 다중 프로세서들 중 하나를 포함한다. 또한 설명된 특징들을 구현하는 컴퓨터 프로그램 지시어들 및 데이터를 구현하기 적합한 저장 디바이스들은 예컨대, EPROM, EEPROM, 및 플래쉬 메모리 디바이스들과 같은 반도체 메모리 디바이스들, 내부 하드 디스크들 및 제거 가능한 디스크들과 같은 자기 디바이스들, 광자기 디스크들 및 CD-ROM 및 DVD-ROM 디스크들을 포함하는 비휘발성 메모리의 모든 형태들을 포함한다. 프로세서 및 메모리는 ASIC들(application-specific integrated circuits) 내에서 통합되거나 또는 ASIC들에 의해 추가될 수 있다.

이상에서 설명한 본 발명은 일련의 기능 블록들을 기초로 설명되고 있지만, 전술한 실시 예 및 첨부된 도면에 의해 한정되는 것이 아니고, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경 가능하다는 것이 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어 명백할 것이다.

전술한 실시 예들의 조합은 전술한 실시 예에 한정되는 것이 아니며, 구현 및/또는 필요에 따라 전술한 실시예들 뿐 아니라 다양한 형태의 조합이 제공될 수 있다.

전술한 실시 예들에서, 방법들은 일련의 단계 또는 블록으로서 순서도를 기초로 설명되고 있으나, 본 발명은 단계들의 순서에 한정되는 것은 아니며, 어떤 단계는 상술한 바와 다른 단계와 다른 순서로 또는 동시에 발생할 수 있다. 또한, 당해 기술 분야에서 통상의 지식을 가진 자라면 순서도에 나타난 단계들이 배타적이지 않고, 다른 단계가 포함되거나, 순서도의 하나 또는 그 이상의 단계가 본 발명의 범위에 영향을 미치지 않고 삭제될 수 있음을 이해할 수 있을 것이다.

전술한 실시 예는 다양한 양태의 예시들을 포함한다. 다양한 양태들을 나타내기 위한 모든 가능한 조합을 기술할 수는 없지만, 해당 기술 분야의 통상의 지식을 가진 자는 다른 조합이 가능함을 인식할 수 있을 것이다. 따라서, 본 발명은 이하의 특허청구범위 내에 속하는 모든 다른 교체, 수정 및 변경을 포함한다고 할 것이다.

이상 도면 및 실시예를 참조하여 설명하였지만, 본 발명의 보호범위가 상기 도면 또는 실시예에 의해 한정되는 것을 의미하지는 않으며 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

10: 고장예지 및 건전성 관리 시스템
11: 운송 수단
12: IoT 모듈
13: 클라우드 서버
101: 배터리
102: BMS
110: IoT 모듈
111: 전처리부
112: 통신부
113; 추정부
120: 클라우드 서버
121: 통신부
122: 데이터 저장부
123: 학습부
124: 파라미터 저장부
300: 고장예지 및 건전성 관리 장치
310: 통신부
320: 메모리
330: 프로세서

Claims

운송 수단의 고장예지 및 건전성 관리 방법에 있어서,
운송 수단의 부품에 설치된 모듈로부터 시계열 센서 데이터를 수신하는 단계;
상기 수신된 시계열 센서 데이터를 이용하여 상기 부품의 상태 추정 또는 이상징후 검출을 위한 기학습된 회귀 신경망(Recurrent Neural Network)의 파라미터를 갱신하는 단계; 및
상기 갱신된 회귀 신경망의 파라미터가 적용된 회귀 신경망을 이용하여 상기 운송 수단의 부품의 상태를 추정하거나 이상징후를 검출하는 단계를 포함하고,
상기 파라미터를 갱신하는 단계는, 상기 시계열 센서 데이터의 단기, 중기 및 장기 데이터 중에서 적어도 하나의 데이터를 혼합한 데이터 시퀀스를 이용하여 회귀 신경망의 파라미터를 갱신하는, 운송 수단의 고장예지 및 건전성 관리 방법.
삭제
제1항에 있어서,
상기 회귀 신경망은,
상기 부품의 충전 상태값(SOC, state of charge), 건강 상태값(SOH, state of health), 전력 측정값, 전압 측정값, 전류 측정값, 및 온도 측정값 중에서 적어도 하나가 포함된 입력 벡터를 입력층을 통해 입력받는, 운송 수단의 고장예지 및 건전성 관리 방법.
제1항에 있어서,
상기 회귀 신경망은,
장단기 메모리(Long Short-Term Memory, LSTM) 신경망인 것을 특징으로 하는, 운송 수단의 고장예지 및 건전성 관리 방법.
제4항에 있어서,
상기 LSTM 신경망은,
LSTM 신경망을 이루는 셀(Cell)의 모임인 적어도 하나의 신경망 층(Layer)과, 상기 신경망 층의 각 셀의 출력을 입력으로 갖는 완전 연결(Fully Connected) 신경망을 포함하는, 운송 수단의 고장예지 및 건전성 관리 방법.
제4항에 있어서,
상기 LSTM 신경망은 복수의 셀을 포함하는 하나의 신경망 층과, 상기 하나의 신경망 층의 각 셀의 출력을 입력으로 갖는 완전 연결 신경망을 포함하고,
상기 복수의 셀 각각은 상기 수신된 시계열 센서 데이터가 시계열 순으로 구분된 복수의 단기 데이터 중에서 대응되는 단기 데이터를 입력받는, 운송 수단의 고장예지 및 건전성 관리 방법.
제4항에 있어서,
상기 LSTM 신경망은 복수의 셀을 포함하고 순차적으로 연결된 복수의 신경망 층과, 상기 복수의 신경망 층에서 마지막에 연결된 신경망 층의 출력을 입력으로 갖는 완전 연결 신경망을 포함하고,
상기 복수의 셀 각각은 상기 수신된 시계열 센서 데이터가 시계열 순으로 구분된 복수의 단기 데이터 중에서 대응되는 단기 데이터를 입력받고,
상기 복수의 신경망 층은 상기 복수의 신경망 층 중에서 이전 차수의 신경망 층에 포함된 복수의 이전 셀 중에서 2개 이상의 이전 셀의 출력을 합쳐서 입력받는 복수의 다음 셀을 포함하는 다음 차수의 신경망 층을 포함하는, 운송 수단의 고장예지 및 건전성 관리 방법.
제7항에 있어서,
상기 완전 연결 신경망은,
상기 복수의 신경망 층에서 마지막에 연결된 신경망 층의 출력과 상기 복수의 신경망 층에서 적어도 하나의 셀의 출력을 추가로 입력받는, 운송 수단의 고장예지 및 건전성 관리 방법.
운송 수단의 부품에 설치된 모듈과 통신하는 통신부;
적어도 하나의 프로그램을 저장하는 메모리; 및
상기 통신부 및 상기 메모리와 연결된 프로세서를 포함하고,
상기 프로세서는, 상기 적어도 하나의 프로그램을 실행함으로써,
운송 수단의 부품에 설치된 모듈로부터 시계열 센서 데이터를 수신하고,
상기 수신된 시계열 센서 데이터를 이용하여 상기 부품의 상태 추정 또는 이상징후 검출을 위한 기학습된 회귀 신경망(Recurrent Neural Network)의 파라미터를 갱신하되, 상기 시계열 센서 데이터의 단기, 중기 및 장기 데이터 중에서 적어도 하나의 데이터를 혼합한 데이터 시퀀스를 이용하여 회귀 신경망의 파라미터를 갱신하고,
상기 갱신된 회귀 신경망의 파라미터가 적용된 회귀 신경망을 이용하여 상기 운송 수단의 부품의 상태를 추정하거나 이상징후를 검출하는, 운송 수단의 고장예지 및 건전성 관리 장치.
삭제
제9항에 있어서,
상기 회귀 신경망은,
상기 부품의 충전 상태값(SOC, state of charge), 건강 상태값(SOH, state of health), 전력 측정값, 전압 측정값, 전류 측정값, 및 온도 측정값 중에서 적어도 하나가 포함된 입력 벡터를 입력층을 통해 입력받는, 운송 수단의 고장예지 및 건전성 관리 장치.
제9항에 있어서,
상기 회귀 신경망은,
장단기 메모리(Long Short-Term Memory, LSTM) 신경망인 것을 특징으로 하는, 운송 수단의 고장예지 및 건전성 관리 장치.
제12항에 있어서,
상기 LSTM 신경망은,
LSTM 신경망을 이루는 셀(Cell)의 모임인 적어도 하나의 신경망 층(Layer)과, 상기 신경망 층의 각 셀의 출력을 입력으로 갖는 완전 연결(Fully Connected) 신경망을 포함하는, 운송 수단의 고장예지 및 건전성 관리 장치.
제12항에 있어서,
상기 LSTM 신경망은 복수의 셀을 포함하는 하나의 신경망 층과, 상기 하나의 신경망 층의 각 셀의 출력을 입력으로 갖는 완전 연결 신경망을 포함하고,
상기 복수의 셀 각각은 상기 수신된 시계열 센서 데이터가 시계열 순으로 구분된 복수의 단기 데이터 중에서 대응되는 단기 데이터를 입력받는, 운송 수단의 고장예지 및 건전성 관리 장치.
제12항에 있어서,
상기 LSTM 신경망은 복수의 셀을 포함하고 순차적으로 연결된 복수의 신경망 층과, 상기 복수의 신경망 층에서 마지막에 연결된 신경망 층의 출력을 입력으로 갖는 완전 연결 신경망을 포함하고,
상기 복수의 셀 각각은 상기 수신된 시계열 센서 데이터가 시계열 순으로 구분된 복수의 단기 데이터 중에서 대응되는 단기 데이터를 입력받고,
상기 복수의 신경망 층은 상기 복수의 신경망 층 중에서 이전 차수의 신경망 층에 포함된 복수의 이전 셀 중에서 2개 이상의 이전 셀의 출력을 합쳐서 입력받는 복수의 다음 셀을 포함하는 다음 차수의 신경망 층을 포함하는, 운송 수단의 고장예지 및 건전성 관리 장치.
제15항에 있어서,
상기 완전 연결 신경망은,
상기 복수의 신경망 층에서 마지막에 연결된 신경망 층의 출력과 상기 복수의 신경망 층에서 적어도 하나의 셀의 출력을 추가로 입력받는, 운송 수단의 고장예지 및 건전성 관리 장치.
운송 수단의 부품으로부터 획득되는 시계열 센서 데이터를 수집하고 전송하는 모듈; 및
상기 모듈로부터 수신된 시계열 센서 데이터를 이용하여 상기 부품의 상태 추정 또는 이상징후 검출을 위한 회귀 신경망(Recurrent Neural Network)의 파라미터를 갱신하고 상기 갱신된 회귀신경망의 파라미터를 상기 모듈에 전송하되, 상기 시계열 센서 데이터의 단기, 중기 및 장기 데이터 중에서 적어도 하나의 데이터를 혼합한 데이터 시퀀스를 이용하여 회귀신경망의 파라미터를 갱신하는 클라우드 서버를 포함하고,
상기 모듈은 상기 갱신된 회귀신경망의 파라미터가 적용된 회귀 신경망을 이용하여 상기 운송 수단의 부품의 상태를 추정하거나 이상징후를 검출하는, 운송 수단의 부품에 대한 고장예지 및 건전성 관리 시스템.
프로세서에 의해 실행 가능한 적어도 하나의 프로그램을 포함하는 비일시적 컴퓨터 판독가능 저장 매체로서, 상기 적어도 하나의 프로그램은 상기 프로세서에 의해 실행될 때, 상기 프로세서로 하여금:
운송 수단의 부품에 설치된 모듈로부터 시계열 센서 데이터를 수신하고,
상기 수신된 시계열 센서 데이터를 이용하여 상기 부품의 상태 추정 또는 이상징후 검출을 위한 기학습된 회귀 신경망(Recurrent Neural Network)의 파라미터를 갱신하되, 상기 시계열 센서 데이터의 단기, 중기 및 장기 데이터 중에서 적어도 하나의 데이터를 혼합한 데이터 시퀀스를 이용하여 회귀 신경망의 파라미터를 갱신하고,
상기 갱신된 회귀 신경망의 파라미터가 적용된 회귀 신경망을 이용하여 상기 운송 수단의 부품의 상태를 추정하거나 이상징후를 검출하게 하는 명령어들을 포함하는, 비 일시적 컴퓨터 판독 가능한 저장 매체.