KR102246895B1 - 인공지능 기반 충전기 자가 상태진단 및 수명예측 시스템 및 그 방법 - Google Patents

인공지능 기반 충전기 자가 상태진단 및 수명예측 시스템 및 그 방법 Download PDF

Info

Publication number
KR102246895B1
KR102246895B1 KR1020190116790A KR20190116790A KR102246895B1 KR 102246895 B1 KR102246895 B1 KR 102246895B1 KR 1020190116790 A KR1020190116790 A KR 1020190116790A KR 20190116790 A KR20190116790 A KR 20190116790A KR 102246895 B1 KR102246895 B1 KR 102246895B1
Authority
KR
South Korea
Prior art keywords
charger
data
condition
prediction model
diagnosis
Prior art date
Application number
KR1020190116790A
Other languages
English (en)
Other versions
KR20210034888A (ko
Inventor
김현옥
최정환
Original Assignee
한전케이디엔주식회사
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 한전케이디엔주식회사 filed Critical 한전케이디엔주식회사
Priority to KR1020190116790A priority Critical patent/KR102246895B1/ko
Publication of KR20210034888A publication Critical patent/KR20210034888A/ko
Application granted granted Critical
Publication of KR102246895B1 publication Critical patent/KR102246895B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life

Abstract

본 발명에 따른 인공지능 기반 충전기 자가 상태진단 및 수명예측 시스템은 학습된 충전기 상태예측 모델을 이용해 상태를 자가 진단하여 장애 상황을 예측하고 수명을 예측하는 충전기; 및 복수의 상기 충전기와 연결되어 해당 충전기들로부터 수집한 데이터에 기반해 빅데이터 DB를 구축하고 상기 충전기가 상태를 자가 진단할 수 있는 상기 충전기 상태 예측 모델을 생성 또는 업데이트하는 충전기 상태진단 모듈;을 포함하여 충전기의 상태 및 장애 상황에 대한 예측이 가능한 효과가 있고, 다양한 환경 요인 반영을 통한 충전기 수명 예측 신뢰도를 향상시킬 수 있는 효과가 있다.

Description

인공지능 기반 충전기 자가 상태진단 및 수명예측 시스템 및 그 방법{SYSTEM AND METHOD FOR SELF-STATUS DIAGNOSIS AND LIFE PREDICTING OF CHARGER BASED ON ARTIFICIAL INTELLIGENCE}
본 발명은 인공지능 기반 충전기 자가 상태진단 및 수명예측 시스템 및 그 방법에 관한 것으로써, 더욱 상세하게는 인공지능 기술을 이용하여 충전기 스스로 상태를 진단하고 장해 상황 및 수명을 예측할 수 있는 인공지능 기반 충전기 자가 상태진단 및 수명예측 시스템 및 그 방법에 관한 것이다.
종래 충전기는 자체적인 상태진단 없이 단순히 외부기기에 맞는 전원을 공급하는데 초점이 맞춰져 제작되었기 때문에, 충전기 상태 및 수명을 예측하기 어려운 문제점이 있고, 충전기에 문제가 발생한 후에 상태확인이 가능한 문제점이 있다.
무엇보다 종래 충전기는 충전기 유형별 장애 또는 고장에 대한 원인 분석이 어려워 자체적인 상태진단 및 수명예측이 어려운 한계가 있다.
대한민국 공개특허 제10-2014-0134024호(2014. 11. 21)
상술한 문제점을 해결하고 한계를 극복하기 위해, 본 발명은 인공지능 기술을 이용하여 충전기 스스로 상태를 진단하고 장해 상황 및 수명을 예측할 수 있는 인공지능 기반 충전기 자가 상태진단 및 수명예측 시스템 및 그 방법을 제공하는 데 목적이 있다.
상술한 목적을 달성하기 위한 본 발명에 따른 인공지능 기반 충전기 자가 상태진단 및 수명예측 시스템은 학습된 충전기 상태예측 모델을 이용해 상태를 자가 진단하여 장애 상황을 예측하고 수명을 예측하는 충전기; 및 복수의 상기 충전기와 연결되어 해당 충전기들로부터 수집한 데이터에 기반해 빅데이터 DB를 구축하고 상기 충전기가 상태를 자가 진단할 수 있는 상기 충전기 상태 예측 모델을 생성 또는 업데이트하는 충전기 상태진단 모듈;을 포함하는 것을 특징으로 한다.
바람직하게, 상술한 목적을 달성하기 위한 본 발명에 따른 인공지능 기반 충전기 자가 상태진단 및 수명예측 시스템의 충전기는 상기 충전기 상태예측 모델을 이용해 상태를 자가 진단하는 충전기 상태 진단부;를 포함하되, 상기 충전기 상태 진단부는 상기 충전기 상태진단 모듈에서 생성한 상기 충전기 상태예측 모델을 관리 운영하는 충전기 상태예측 모델부; 상기 충전기 상태예측 모델부에 센서 데이터, 충전기 로그 데이터, 충전 상태 데이터를 입력하여 충전기 상태를 스스로 진단하고 장애 상황을 예측하는 상태 자가 진단부; 및 충전기 기본데이터, 상기 센서 데이터, 상기 충전기 로그 데이터, 충전 이력 데이터를 상기 충전기 상태예측 모델부에 입력하여 충전기 수명을 스스로 예측하는 수명 예측부;를 포함하는 것을 특징으로 한다.
다른 실시예로써, 상술한 목적을 달성하기 위한 본 발명에 따른 인공지능 기반 충전기 자가 상태진단 및 수명예측 방법은 (a) 충전기 상태진단 모듈이 복수의 충전기로부터 데이터를 수신하여 충전기 빅데이터 DB에 저장하여 빅데이터 DB를 구축하는 단계; (b) 상기 충전기 상태진단 모듈이 상기 충전기 빅데이터 DB에 저장된 충전기 빅데이터를 이용하여, 충전기의 상태진단, 장애예측, 및 수명예측에 필요한 데이터로 패턴을 분석하는 단계; (c) 상기 충전기 상태진단 모듈이 상기 충전기의 상태진단과 수명예측을 위한 충전기 상태예측 모델을 생성하는 단계; (d) 상기 충전기 상태진단 모듈이 상기 상태예측 모델 학습부에서 생성된 충전기 상태예측 모델을 상기 충전기에 배포하는 단계; (e) 상기 충전기가 상기 충전기 상태진단 모듈로부터 배포받은 충전기 상태예측 모델을 이용하여 자가 상태를 진단하는 단계; (f) 상기 충전기가 상기 (e)단계에서 상태 진단을 통해 예측한 장애 상황 또는 충전기 수명을 충전기 표시부에 표시하는 단계; (g) 상기 충전기가 충전기 사용자 또는 관리자가 소지한 외부의 모바일 단말기에 상기 표시부에 표시한 장애 상황 또는 충전기 수명에 대한 정보를 전송하여 안내하는 단계; 및 (f) 상기 충전기가 내부적으로 누적된 데이터에 대해 설정된 누적기간, 또는 용량에 도달했는지 판단하는 단계;를 더 포함하는 것을 특징으로 한다.
바람직하게, 상술한 목적을 달성하기 위한 본 발명에 따른 인공지능 기반 충전기 자가 상태진단 및 수명예측 방법에서 상기 상태예측 모델 학습부는 상기 (b) 단계에서 패턴분석된 충전기 빅데이터를 입력받아 머신러닝 회귀 분석(Logistic Regression) 알고리즘과 딥러닝 LSTM(Long Short-Temr Memory) 알고리즘을 통해 학습함으로써 상태진단과 수명예측을 위한 충전기 상태예측 모델을 생성하고 업데이트하는 것을 특징으로 한다.
본 발명에 따른 인공지능 기반 충전기 자가 상태진단 및 수명예측 시스템 및 그 방법은 충전기의 상태 및 장애 상황에 대한 예측이 가능한 효과가 있고, 다양한 환경 요인 반영을 통한 충전기 수명 예측 신뢰도를 향상시킬 수 있는 효과가 있다.
또한, 본 발명에 따른 인공지능 기반 충전기 자가 상태진단 및 수명예측 시스템 및 그 방법은 충전소 운영시스템 등과 같은 상위 시스템이 없어도 예측 모델을 충전기에 배포하여 충전기 스스로 상태 예측이 가능한 효과가 있다.
무엇보다, 본 발명에 따른 인공지능 기반 충전기 자가 상태진단 및 수명예측 시스템 및 그 방법은 머신러닝 기반 상태 예측 알고리즘 적용으로 예측 모델의 지속적 개선이 가능한 효과가 있고, 충전기 유형별 장애 및 고장 원인에 대한 통계의 제공이 가능한 효과가 있다.
도 1은 본 발명에 따른 인공지능 기반 충전기 자가 상태진단 및 수명예측 시스템을 도시한 도면이다
도 2는 본 발명에 따른 인공지능 기반 충전기 자가 상태진단 및 수명예측 시스템을 구성하는 충전기의 내부 블록도이다.
도 3은 본 발명에 따른 인공지능 기반 충전기 자가 상태진단 및 수명예측의 흐름도 이다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 인공지능 기반 충전기 자가 상태진단 및 수명예측 시스템 및 그 방법에 대해 설명한다.
도 1은 본 발명에 따른 인공지능 기반 충전기 자가 상태진단 및 수명예측 시스템을 도시한 도면이다.
도 1에 도시된 바와 같이 은 본 발명에 따른 인공지능 기반 충전기 자가 상태진단 및 수명예측 시스템은 복수의 충전기(100), 복수의 상기 충전기(100)가 연결된 충전기 상태진단 모듈(200)을 포함한다.
먼저, 상기 충전기(100)는 도 2에 도시된 바와 같이 충전기 상태 진단부(110), 충전기 데이터 관리부(120), 예측 데이터 관리부(130), 센서부(140), 충전기 상태 안내부(150)를 포함한다.
상기 충전기 상태 진단부(110)는 충전기 상태예측 모델부(111), 상태 자가 진단부(112), 및 수명 예측부(113)를 포함한다.
상기 충전기 상태진단 모듈(200)은 제조사, 충전기 모델, 제조년월, 설치년월에 등과 같은 충전기와 관련된 빅데이터를 가지고 충전기 상태를 진단하고 예측하기 위한 학습을 수행하여 충전기 상태예측 모델을 생성하는데, 상기 충전기 상태예측 모델부(111)는 상기 충전기 상태진단 모듈(200)에서 생성한 알고리즘 형태의 충전기 상태예측 모델을 관리 운영한다.
참고로 상기 충전기 상태예측 모델부(111)는 상기 충전기 상태진단 모듈(200)과 통신을 통해 상기 충전기 상태예측 모델을 수신할 수 있으며, 상기 충전기(100)와 상기 충전기 상태진단 모듈(200) 사이에 통신이 어려운 환경에 있는 경우 수동으로 상기 충전기 상태예측 모델이 탑재된다.
상기 상태 자가 진단부(112)는 상기 충전기 상태예측 모델부(111)에 센서 데이터, 충전기 로그 데이터, 충전상태 데이터를 입력하여 충전기 상태를 스스로 주기적으로 진단하고 장애 상황을 예측한다.
상기 센서 데이터는 습도센서, 온도센서, 충격 감지 센서를 통해 수집한 습도, 온도, 충격 데이터에 해당한다.
상기 충전기 로그 데이터는 충전기 시간대별 상태 및 에러 등 프로그램에서 출력한 로그 파일이다.
상기 충전상태 데이터는 충전기 ID, 충전기 상태, 충전유형, 상태 일시, 충전 시작일시, 충전 누적시간, 배터리 잔량, 충전량, 충전률, 현재 전압/전류, 고장유형, 충전모드, 배터리 상태, 배터리 용량, 배터리 초기 잔량, 배터리 온도 등에 해당하는 데이터이다.
특히, 상기 상태 자가 진단부(112)는 상기 충전상태 데이터와 상기 충전기 로그 데이터의 로그 파일에서 경고(Warning) 또는 에러(Error)로그 출력시, 해당 출력 시점의 데이터를 충전기 상태예측 모델부(111)의 입력값으로 전달한다.
상기 충전기 상태예측 모델부(111)는 상태 자가 진단시, 상기 충전기 상태 진단모듈(200)에서 머신러닝 회귀 분석(Logistic Regression) 알고리즘으로 학습되어 전달된 충전기 상태예측 모델을 가지고 상태진단을 수행한다.
상기 수명 예측부(113)는 충전기 기본데이터, 센서 데이터, 충전기 로그 데이터, 충전 이력 데이터를 상기 충전기 상태예측 모델부(111)에 입력하여 충전기 수명을 스스로 주기적으로 예측 갱신한다.
상기 충전기 기본데이터는 충전기 제조사, 충전기 모델, 제조년월, 설치년월에 해당한다.
상기 충전 이력 데이터는 충전기 ID, 시작일시, 종료일시, 충전유형, 충전량, 충전시간, 충전요금, 충전완료 상태에 해당하는 데이터 이다.
특히, 상기 수명 예측부(113)는 상기 충전상태 데이터와 상기 충전기 로그 데이터의 로그 파일에서 경고(Warning) 또는 에러(Error) 로그 출력시, 해당 출력 시점의 데이터를 충전기 상태예측 모델부(111)의 입력값으로 전달한다.
상기 충전기 상태예측 모델부(111)는 수명 예측시, 상기 충전기 상태 진단모듈(200)에서 딥러닝 LSTM(Long Short-Temr Memory) 알고리즘으로 학습되어 전달된 충전기 상태예측 모델을 사용하여 수명예측을 수행한다.
상기 충전기 데이터 관리부(120)는 상술한 바와 같이 충전기 제조사, 충전기 모델, 제조년월, 설치년월에 해당하는 충전기 기본데이터, 충전기 상태 데이터, 충전기 로그 데이터, 충전 이력 데이터, 센서 데이터를 관리한다.
또한, 상기 충전기 데이터 관리부(120)는 상기 충전기 상태 진단모듈(200)에 정기적으로 전송되는 정보 또는 상기 충전기 상태 진단모듈(200)로부터 다운로드 되는 정보를 관리한다.
상기 예측 데이터 관리부(130)는 상기 상태 자가 진단부(112)와 상기 수명 예측부(113)에 의한 충전기의 상태진단 정보와 수명예측 정보를 관리하고 상기 충전기 상태 진단모듈(200)에 정기적으로 전송되는 정보 또는 상기 충전기 상태 진단모듈(200)로부터 다운로드 되는 정보를 관리한다.
상기 센서부(140)는 상술한 바와 같이 습도센서, 온도센서, 및 충격 감지 센서를 포함하여, 습도, 온도, 충격 데이터를 수집한다.
상기 충전기 상태 안내부(150)는 상기 상태 자가 진단부(112)와 상기 수명 예측부(113)에 의한 충전기의 상태진단과 수명예측에 따른 장애 예측 상황 정보 및 수명 도래 정보를 충전기에 구비된 표시부에 디스플레이하고, 추가적으로 무선으로 연결된 모바일 단말기(300)에 해당 정보를 전달하여 사용자에게 안내한다.
한편, 상기 충전기 상태진단 모듈(200)에 대해, 도 1을 재참조하여 상세히 설명한다.
도 1에 도시된 바와 같이 상기 충전기 상태진단 모듈(200)은 데이터 수집&관리부(210), 장애 조치 결과 관리부(220), 패턴 분석부(230), 상태예측 모델 학습부(240), 상태예측 모델 관리부(250), 및 충전기 빅데이터 DB(260)을 포함한다.
상기 데이터 수집&관리부(210)는 상기 충전기(100)의 충전기 데이터 관리부(120)로부터 충전기 제조사, 충전기 모델, 제조년월, 설치년월에 해당하는 충전기 기본데이터, 충전기 상태 데이터, 충전기 로그 데이터, 충전 이력 데이터, 센서 데이터를 수신하여, 충전기 빅데이터DB(211)에 저장관리한다.
상기 장애 조치 기록 관리부(220)는 충전기 장애 조치 및 부품 등의 교체와 관련하여, 발생한 장애 유형, 부품이 교체된 날짜, 교체 부품의 종류 등과 같은 장애 조치 기록을 파일형태로 등록하여 관리한다.
상기 패턴 분석부(230)는 충전기 빅데이터 DB(211)에 저장된 충전기 빅데이터를 이용하여, 충전기의 상태진단, 장애예측, 및 수명예측에 필요한 데이터로 패턴분석을 수행한다.
즉, 상기 패턴 분석부(230)는 충전기 상태예측 모델을 학습하는 머신러닝 및 딥러닝 알고리즘에 사용할 수 있도록, 충전기 빅데이터를 가공처리한다.
보다 구체적으로, 상기 패턴 분석부(230)는 패턴 분석시, 충전기 모델, 제작년도 별로 충전기 로그 파일의 Warning, Error 발생시점의 전후의 충전기 상태, 충전 이력, 센서 데이터 및 장애 조치 결과 정보를 입력 값으로 사용한다.
상기 상태예측 모델 학습부(240)는 패턴분석된 충전기 빅데이터를 이용하여 머신러닝 회귀 분석(Logistic Regression) 알고리즘과 딥러닝 LSTM(Long Short-Temr Memory) 알고리즘을 이용하여 상태진단과 수명예측을 위한 충전기 상태예측 모델을 학습한다.
상기 상태예측 모델 관리부(250)는 상기 상태예측 모델 학습부(240)가 학습한 충전기 모델별 충전기 상태예측 모델을 전달받아 상태예측 모델DB(251)에 저장, 평가 및 관리하면서, 상기 충전기 상태예측 모델부(111)로 전송하여 주기적으로 충전기 상태예측 모델을 갱신한다.
다른 실시예로써, 도 3을 참조하여 상술한 바와 같은 구성을 갖는 본 발명에 따른 인공지능 기반 충전기 자가 상태진단 및 수명예측 시스템에 의한 충전기 자가 상태 진단 및 수명예측 방법에 대해 설명한다.
도 3에 도시된 바와 같이 상기 충전기 상태진단 모듈(200)의 데이터 수집&관리부(210)는 복수의 상기 충전기(100)로부터 충전기 제조사, 충전기 모델, 제조년월, 설치년월에 해당하는 충전기 기본데이터, 충전기 상태 데이터, 충전기 로그 데이터, 충전 이력 데이터, 센서 데이터를 수신하여 충전기 빅데이터 DB(211)에 저장하여 빅데이터 DB를 구축하는 단계를 수행한다(S100).
상기 충전기 상태진단 모듈(200)의 상기 패턴 분석부(230)는 상기 충전기 빅데이터 DB(211)에 저장된 충전기 빅데이터를 이용하여, 충전기의 상태진단, 장애예측, 및 수명예측에 필요한 데이터로 패턴을 분석하는 단계를 수행한다(S200).
상기 S200 단계는 충전기 상태예측 모델을 학습하는 머신러닝 및 딥러닝 알고리즘에 사용할 수 있도록, 충전기 빅데이터를 가공처리하는 단계이다.
상기 S200 단계에서 상기 패턴 분석부(230)는 패턴 분석시, 충전기 모델, 제작년도 별로 충전기 로그 파일의 Warning, Error 발생시점의 전후의 충전기 상태, 충전 이력, 센서 데이터 및 장애 조치 결과 정보를 입력 값으로 사용한다.
상기 충전기 상태진단 모듈(200)의 상태예측 모델 학습부(240)는 상기 S200 단계에서 패턴분석된 충전기 빅데이터를 입력받아 머신러닝 회귀 분석(Logistic Regression) 알고리즘과 딥러닝 LSTM(Long Short-Temr Memory) 알고리즘을 통한 학습으로 상태진단과 수명예측을 위한 충전기 상태예측 모델을 생성하는 단계를 수행한다(S300).
상기 상태예측 모델 학습부(240)는는 상기 S300단계에서 충전기 상태예측 모델을 생성할 뿐만 아니라, 수집되는 정보에 의해 충전기 상태예측 모델을 업데이트 시킬 수도 있다.
상기 충전기 상태진단 모듈(200)의 상태예측 모델 관리부(250)는 상기 상태예측 모델 학습부(240)에서 생성된 충전기 상태예측 모델을 상기 충전기(100)에 배포하는 단계를 수행한다(S400).
상기 충전기(100)는 상기 충전기 상태진단 모듈(200)로부터 전달받은 충전기 상태예측 모델을 이용하여 자가 상태를 진단하는 단계를 수행한다(S500).
즉, 상기 S500단계에서 상기 충전기(100)는 스스로 충전기 상태를 자가 진단하여 현재 상태진단 및 장애 상황을 예측하고 수명을 예측한다.
보다 구체적으로, 상기 충전기(100)의 상태 자가 진단부(112)는 상기 S500단계에서 상기 충전기 상태예측 모델부(111)에 센서 데이터, 충전기 로그 데이터, 충전상태 데이터를 입력하여 충전기 상태를 스스로 주기적으로 진단하고 장애 상황을 예측한다.
또한, 상기 충전기(100)의 수명 예측부(113)는 상기 S500단계에서 충전기 기본데이터, 센서 데이터, 충전기 로그 데이터, 충전 이력 데이터를 상기 충전기 상태예측 모델부(111)에 입력하여 충전기 수명을 스스로 주기적으로 예측 갱신한다.
상기 충전기(100)의 충전기 상태 안내부(150)는 상기 S500 단계에서 상태 진단을 통해 예측한 장애 상황 또는 충전기 수명을 충전기 표시부에 표시하는 단계를 수행한다(S600).
이후, 상기 충전기 상태 안내부(150)는 충전기 사용자 또는 관리자가 소지한 외부의 모바일 단말기(300)에 상기 표시부에 표시한 장애 상황 또는 충전기 수명에 대한 정보를 전송하여 안내하는 단계를 수행한다(S700).
마지막으로, 상기 충전기 상태 안내부(150)는 충전기에 누적된 데이터가 설정된 누적기간에 도달했는지, 또는 설정된 데이터 용량에 도달했는지 판단하는 단계를 수행한다(S800).
상기 S800 단계에서 상기 충전기(100)는 누적된 데이터가 설정된 기간 또는 설정된 데이터 용량 중 어느 하나를 만족하는 경우, 누적된 데이터를 상기 충전기 상태 진단모듈(200)에 입력하는 하여 상기 S300 단계 이후의 단계를 반복 수행하도록 한다.
상술한 바와 같이 상기 S300 단계 이후의 단계를 반복 수행함으로써, 상기 충전기 상태 진단모듈(200)이 충전기와 관련한 누적된 데이터를 이용하여 지속적으로 상태예측 모델을 학습시키고 평가하여 개선할 수 있도록 한다.
한편, 상기 충전기(100)는 누적된 데이터가 설정된 기간에 도달하지 않고, 설정된 데이터 용량에 도달하지 않은 경우 이미 배포된 충전기 상태예측 모델로 자가 상태를 진단하는 상기 S500 단계 이후의 단계를 반복 수행한다.
이상에서는 본 발명에 대한 기술사상을 첨부 도면과 함께 서술하였지만 이는 본 발명의 바람직한 실시 예를 예시적으로 설명한 것이지 본 발명을 한정하는 것은 아니다. 또한 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 누구나 본 발명의 기술적 사상의 범주를 이탈하지 않는 범위 내에서 다양한 변형 및 모방이 가능함은 명백한 사실이다.
100 : 충전기
110 : 충전기 상태 진단부
111 : 충전기 상태예측 모델부
112 : 상태 자가 진단부
113 : 수명 예측부
120 : 충전기 데이터 관리부
130 : 예측 데이터 관리부
140 : 센서부
150 : 충전기 상태 안내부
200 : 충전기 상태진단 모듈
210 : 데이터 수집&관리부
211 : 충전기 빅데이터DB
220 : 장애 조치 결과 관리부
230 : 패턴 분석부
240 : 상태예측 모델 학습부
250 : 상태예측 모델 관리부
251 : 상태예측 모델 DB
300 : 모바일 단말기

Claims (11)

  1. 학습된 충전기 상태예측 모델을 이용해 상태를 자가 진단하여 장애 상황을 예측하고 수명을 예측하는 충전기; 및
    복수의 상기 충전기와 연결되어 해당 충전기들로부터 수집한 데이터에 기반해 빅데이터 DB를 구축하고 상기 충전기가 상태를 자가 진단할 수 있는 상기 충전기 상태 예측 모델을 생성 또는 업데이트하는 충전기 상태진단 모듈;을 포함하고,
    상기 충전기는
    상기 충전기 상태예측 모델을 이용해 상태를 자가 진단하는 충전기 상태 진단부;를 포함하며,
    상기 충전기 상태 진단부는
    상기 충전기 상태진단 모듈에서 생성한 상기 충전기 상태예측 모델을 관리 운영하는 충전기 상태예측 모델부;
    상기 충전기 상태예측 모델부에 센서 데이터, 충전기 로그 데이터, 충전 상태 데이터를 입력하여 충전기 상태를 스스로 진단하고 장애 상황을 예측하는 상태 자가 진단부; 및
    충전기 기본데이터, 상기 센서 데이터, 상기 충전기 로그 데이터, 충전 이력 데이터를 상기 충전기 상태예측 모델부에 입력하여 충전기 수명을 스스로 예측하는 수명 예측부;를 포함하되,
    상기 충전기 상태진단 모듈은
    상기 충전기 데이터 관리부로부터 충전기 기본데이터, 충전기 상태 데이터, 충전기 로그 데이터, 충전 이력 데이터, 센서 데이터를 수신하여 충전기 빅데이터DB에 빅데이터화 하는 데이터 수집&관리부;
    상기 충전기 빅데이터 DB에 저장된 충전기 빅데이터를 충전기의 장애예측 및 수명예측에 필요한 데이터로 패턴분석하는 패턴 분석부;
    상기 패턴 분석부에 의해 패턴 분석된 충전기 빅데이터, 머신러닝 회귀 분석(Logistic Regression) 알고리즘, 및 딥러닝 LSTM(Long Short-Temr Memory) 알고리즘을 통해 상태진단과 수명예측을 위한 충전기 상태예측 모델을 학습하는 상태예측 모델 학습부; 및
    상기 상태예측 모델 학습부가 학습한 충전기 모델별 충전기 상태예측 모델을 전달받아 상태예측 모델DB에 저장, 평가 및 관리하면서, 상기 충전기 상태예측 모델부로 전송하여 주기적으로 충전기 상태예측 모델을 갱신하는 상태예측 모델 관리부;를 포함하는 인공지능 기반 충전기 자가 상태진단 및 수명예측 시스템.
  2. 삭제
  3. 제 1항에 있어서,
    상기 충전기 상태예측 모델부는
    상태 자가 진단시, 상기 충전기 상태 진단모듈에서 머신러닝 회귀 분석(Logistic Regression) 알고리즘으로 학습되어 생성된 충전기 상태예측 모델을 가지고 상태진단을 수행하는 인공지능 기반 충전기 자가 상태진단 및 수명예측 시스템.
  4. 제 3항에 있어서,
    상기 충전기 상태예측 모델부는
    수명 예측시, 상기 충전기 상태 진단모듈에서 딥러닝 LSTM(Long Short-Temr Memory) 알고리즘으로 학습되어 생성된 충전기 상태예측 모델을 사용하여 수명예측을 수행하는 인공지능 기반 충전기 자가 상태진단 및 수명예측 시스템.
  5. 제 4항에 있어서,
    상기 충전기는
    상기 충전기 상태 진단모듈로 정기적으로 전송되는 상기 충전기 기본데이터, 충전 상태 데이터, 충전기 로그 데이터, 충전 이력 데이터, 센서 데이터를 관리하는 충전기 데이터 관리부;
    상기 충전기 상태 진단부의 상태진단 정보와 수명예측 정보를 관리하는 예측 데이터 관리부;
    복수의 센서를 포함하여 상기 충전기의 습도, 온도 또는 충격에 대한 센서 데이터를 산출하는 센서부; 및
    상태진단과 수명예측에 따른 장애 예측 상황 정보 및 수명 도래 정보를 충전기에 구비된 표시부에 디스플레이하는 충전기 상태 안내부;를 더 포함하는 인공지능 기반 충전기 자가 상태진단 및 수명예측 시스템.
  6. 삭제
  7. (a) 충전기 상태진단 모듈이 복수의 충전기로부터 데이터를 수신하여 충전기 빅데이터 DB에 저장하여 빅데이터 DB를 구축하는 단계;
    (b) 상기 충전기 상태진단 모듈이 상기 충전기 빅데이터 DB에 저장된 충전기 빅데이터를 이용하여, 충전기의 상태진단, 장애예측, 및 수명예측에 필요한 데이터로 패턴을 분석하는 단계;
    (c) 상기 충전기 상태진단 모듈이 상기 충전기의 상태진단과 수명예측을 위한 충전기 상태예측 모델을 생성하는 단계;
    (d) 상기 충전기 상태진단 모듈이 상기 상태예측 모델 학습부에서 생성된 충전기 상태예측 모델을 상기 충전기에 배포하는 단계;
    (e) 상기 충전기가 상기 충전기 상태진단 모듈로부터 배포받은 충전기 상태예측 모델을 이용하여 자가 상태를 진단하는 단계;
    (f) 상기 충전기가 상기 (e)단계에서 상태 진단을 통해 예측한 장애 상황 또는 충전기 수명을 충전기 표시부에 표시하는 단계;
    (g) 상기 충전기가 충전기 사용자 또는 관리자가 소지한 외부의 모바일 단말기에 상기 표시부에 표시한 장애 상황 또는 충전기 수명에 대한 정보를 전송하여 안내하는 단계; 및
    (f) 상기 충전기가 내부적으로 누적된 데이터에 대해 설정된 누적기간, 또는 용량에 도달했는지 판단하는 단계;를 포함하되,
    상기 상태예측 모델 학습부는
    상기 (b) 단계에서 패턴분석된 충전기 빅데이터를 입력받아 머신러닝 회귀 분석(Logistic Regression) 알고리즘과 딥러닝 LSTM(Long Short-Temr Memory) 알고리즘을 통해 학습함으로써 상태진단과 수명예측을 위한 충전기 상태예측 모델을 생성하고 업데이트하는 인공지능 기반 충전기 자가 상태진단 및 수명예측 방법.
  8. 삭제
  9. 제 7항에 있어서,
    상기 (f)단계에서
    상기 충전기가 누적된 데이터가 설정된 기간 또는 설정된 용량 중 어느 하나를 만족하는 경우, 누적된 데이터를 상기 충전기 상태 진단모듈에 입력하는 상기 (c) 단계 이후의 단계를 반복 수행하는 인공지능 기반 충전기 자가 상태진단 및 수명예측 방법.
  10. 제 7항에 있어서,
    상기 (f)단계에서
    상기 충전기가
    누적된 데이터가 설정된 기간과 데이터 용량에 도달하지 않은 경우 이미 배포된 충전기 상태예측 모델로 자가 상태를 진단하는 상기 (e) 단계 이후의 단계를 반복 수행하는 인공지능 기반 충전기 자가 상태진단 및 수명예측 방법.
  11. 삭제
KR1020190116790A 2019-09-23 2019-09-23 인공지능 기반 충전기 자가 상태진단 및 수명예측 시스템 및 그 방법 KR102246895B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190116790A KR102246895B1 (ko) 2019-09-23 2019-09-23 인공지능 기반 충전기 자가 상태진단 및 수명예측 시스템 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190116790A KR102246895B1 (ko) 2019-09-23 2019-09-23 인공지능 기반 충전기 자가 상태진단 및 수명예측 시스템 및 그 방법

Publications (2)

Publication Number Publication Date
KR20210034888A KR20210034888A (ko) 2021-03-31
KR102246895B1 true KR102246895B1 (ko) 2021-04-29

Family

ID=75238045

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190116790A KR102246895B1 (ko) 2019-09-23 2019-09-23 인공지능 기반 충전기 자가 상태진단 및 수명예측 시스템 및 그 방법

Country Status (1)

Country Link
KR (1) KR102246895B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102438358B1 (ko) * 2022-05-06 2022-08-31 주식회사 메타덱스터 이동체 배터리의 상태진단과 장애예측 시스템 및 그 방법
KR20230174911A (ko) * 2022-06-22 2023-12-29 주식회사 로보볼트 비지도 학습 기반의 배터리 이상 예측 방법 및 시스템

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014155400A (ja) * 2013-02-13 2014-08-25 Toyota Industries Corp バッテリ搭載車両のための充電システムおよび充電装置
KR101907656B1 (ko) 2017-08-29 2018-10-12 주식회사 아모티 전기차 충전기 고장관리 운영 시스템

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101798563B1 (ko) 2013-05-13 2017-11-16 주식회사 만도 완속 충전기 수명예측시스템 및 그 수명예측방법
KR102550929B1 (ko) * 2015-03-03 2023-07-04 삼성전자주식회사 배터리의 잔여 수명을 자동으로 실시간 추정하는 장치 및 방법
KR102468895B1 (ko) * 2015-07-21 2022-11-21 삼성전자주식회사 배터리의 상태를 추정하는 방법 및 장치
KR101840557B1 (ko) * 2016-07-29 2018-03-21 주식회사 포스코아이씨티 전기차 충전기 진단 시스템 및 진단 기능이 탑재된 충전기
KR20190056553A (ko) * 2017-11-17 2019-05-27 주식회사 이에스피 전기차 충전기 자가진단 시스템, 서버 및 자가진단 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014155400A (ja) * 2013-02-13 2014-08-25 Toyota Industries Corp バッテリ搭載車両のための充電システムおよび充電装置
KR101907656B1 (ko) 2017-08-29 2018-10-12 주식회사 아모티 전기차 충전기 고장관리 운영 시스템

Also Published As

Publication number Publication date
KR20210034888A (ko) 2021-03-31

Similar Documents

Publication Publication Date Title
US11868684B2 (en) Digital platform using cyber-physical twin structures providing an evolving digital representation of a risk-related real world asset for quantifying risk measurements, and method thereof
US11728673B2 (en) Advanced smart battery analytic and diagnostic systems and methods
KR20210041724A (ko) 전기차 충전기의 고장 예측 장치 및 방법
KR102246895B1 (ko) 인공지능 기반 충전기 자가 상태진단 및 수명예측 시스템 및 그 방법
US20170286854A1 (en) Automatic revision of a predictive damage model
CN112926257A (zh) 往复式天然气压缩机故障诊断系统以及诊断方法
JP2009099144A (ja) Ａｃモータシステムの残存寿命を遠隔予測する方法及びシステム
JP2009053938A (ja) 複数モデルに基づく設備診断システム及びその設備診断方法
CN105325023A (zh) 用于小区异常检测的方法和网络设备
US20160356856A1 (en) Method for ascertaining storage battery state, state-ascertaining system, and computer program
KR20190021560A (ko) 빅데이터를 활용한 고장예지보전시스템 및 고장예지보전방법
US20200167202A1 (en) Cold start deployment for edge ai system
CN108780526A (zh) 基于资产定位的预测模型的处置
KR20220075123A (ko) 전기 버스의 배터리 상태 분석 서비스 시스템
US20090096407A1 (en) Method and system for remotely determining the reliability of a dc motor system
KR102185737B1 (ko) 도로 상태 예측 시스템 및 예측 방법
CN114846710A (zh) 评估装置、计算机程序以及评估方法
CN116819336A (zh) 一种基于无监督学习的动力电池异常检测系统
US20220065935A1 (en) Predicting future battery safety threat events with causal models
KR20160019119A (ko) 스테이지 모니터링 및 진단 시스템, 스테이지 장치 및 제조, 계측 및 검사 장비
US20200167652A1 (en) Implementation of incremental ai model for edge system
US20230236590A1 (en) Method and system for providing maintenance service for recording medium included in electronic device
KR20210051347A (ko) 전기차 충전기 고장대응 시스템 및 그 방법
KR20130017353A (ko) 가전기기 진단시스템 및 그 진단방법
Balali et al. Data Intensive Industrial Asset Management

Legal Events

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