KR102261840B1 - Method and apparatus for detecting of fault, computer-readable storage medium and computer program - Google Patents

Method and apparatus for detecting of fault, computer-readable storage medium and computer program Download PDF

Info

Publication number
KR102261840B1
KR102261840B1 KR1020200059261A KR20200059261A KR102261840B1 KR 102261840 B1 KR102261840 B1 KR 102261840B1 KR 1020200059261 A KR1020200059261 A KR 1020200059261A KR 20200059261 A KR20200059261 A KR 20200059261A KR 102261840 B1 KR102261840 B1 KR 102261840B1
Authority
KR
South Korea
Prior art keywords
vehicle
speed information
information
failure
aircraft
Prior art date
Application number
KR1020200059261A
Other languages
Korean (ko)
Inventor
정재휘
이호근
임흥식
명현삼
임승한
오승조
Original Assignee
국방과학연구소
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 국방과학연구소 filed Critical 국방과학연구소
Priority to KR1020200059261A priority Critical patent/KR102261840B1/en
Application granted granted Critical
Publication of KR102261840B1 publication Critical patent/KR102261840B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3013—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is an embedded system, i.e. a combination of hardware and software dedicated to perform a certain function in mobile devices, printers, automotive or aircraft systems
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
    • G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/04—Anti-collision systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)

Abstract

A method for detecting inter-object failure in a crowded flight of an embodiment may comprise: a step of collecting location and speed information of the aircrafts; a step of detecting the failure of the aircrafts by using a learning model previously learned of the location and speed information of the aircrafts; and a step of providing failure information of the aircraft determined to be the failure to the other aircrafts. Therefore, the present invention is capable of having an effect of effectively preparing for a failure.

Description

군집비행에서의 개체 간 고장검출 방법 및 장치, 컴퓨터 판독 가능한 기록 매체 및 컴퓨터 프로그램{METHOD AND APPARATUS FOR DETECTING OF FAULT, COMPUTER-READABLE STORAGE MEDIUM AND COMPUTER PROGRAM}Fault detection method and apparatus between objects in platoon flight, computer readable recording medium and computer program {METHOD AND APPARATUS FOR DETECTING OF FAULT, COMPUTER-READABLE STORAGE MEDIUM AND COMPUTER PROGRAM}

실시예는 군집비행에서의 개체 간 고장검출하기 위한 고장검출 방법 및 장치에 관한 것이다.The embodiment relates to a failure detection method and apparatus for detecting a failure between objects in a platoon flight.

일반적으로, 종래의 고장검출 장치들은 자신의 고장을 알아내는 방식이였다. 하지만 군집의 움직임에 있어서 자신의 고장은 자신의 문제가 될 뿐만 아니라, 군집운용을 하는 주변 기체에게도 악영향을 끼칠 수 있다. 이러한 상황에서 자신의 고장을 주변 기체에게 알릴 수 없는 상황이 발생한다면, 그것은 군집 시스템의 전체적인 컨트롤 고장을 야기할 수 있다. In general, conventional fault detection devices have been a method of finding out their own faults. However, in the movement of the swarm, one's own failure not only becomes a problem for oneself, but also adversely affects the surrounding airframes that operate the swarm. In such a situation, if a situation arises where it is not possible to inform the surrounding air of its own failure, it may cause a failure of the overall control of the swarm system.

또한, 종래 군집제어 알고리즘은 상대방의 위치와 속도정보를 통해서 나의 다음 상태를 결정지을 수는 있으나, 상대방의 위치와 속도정보의 이상 유무를 확인하는 방법은 없었다. 이러한 경우 재밍과 같은 방해 전파, 공격적인 데이터와 정상적인 데이터를 구별하기 어려워지고, 군집거동에 취약점이 될 것이다. 즉, 잘못된 정보나 공격적인 정보들을 필터링할 능력이 기존의 군집제어에서는 존재하지 않는다.In addition, the conventional swarm control algorithm can determine my next state through the position and speed information of the other party, but there is no way to check whether there is an abnormality in the position and speed information of the other party. In this case, jamming and other jamming, it will be difficult to distinguish between aggressive data and normal data, and it will become a weak point in swarming behavior. That is, the ability to filter out erroneous or offensive information does not exist in the existing cluster control.

상술한 문제점을 해결하기 위해, 상대 기체의 정보의 유효성을 기반으로 자신의 기체의 고장 여부를 효과적으로 검출하기 위한 군집비행에서의 개체 간 고장검출 방법 및 장치를 제공하는 것을 그 목적으로 한다.In order to solve the above problems, an object of the present invention is to provide a method and apparatus for detecting a failure between objects in a platoon flight for effectively detecting the failure of one's own aircraft based on the validity of information on the counterpart aircraft.

또한, 실시예는 자신의 고장을 주변 기체에게 효과적으로 알리기 위한 군집비행에서의 개체 간 고장검출 방법 및 장치를 제공하는 것을 다른 목적으로 한다.Another object of the embodiment is to provide a method and apparatus for detecting a failure between objects in a group flight for effectively notifying surrounding aircraft of their failure.

실시예의 군집비행에서의 개체 간 고장검출 방법은 비행체들의 위치 및 속도 정보를 수집하는 단계와, 상기 비행체들의 위치 및 속도 정보를 미리 학습된 학습 모델을 이용하여 비행체들의 고장을 검출하는 단계와, 상기 고장으로 판단된 비행체의 고장 정보를 다른 비행체들에게 제공하는 단계를 포함할 수 있다.The method for detecting a failure between objects in a group flight of the embodiment comprises the steps of: collecting location and speed information of the aircraft; detecting the failure of the aircraft using a learning model previously learned the location and speed information of the aircraft; It may include the step of providing failure information of the vehicle determined to be a failure to other vehicles.

상기 학습 모델은 비행체의 정상적인 움직임 정보 및 비정상적인 움직임 정보를 학습 데이터로 이용할 수 있다.The learning model may use normal motion information and abnormal motion information of the vehicle as learning data.

상기 비행체의 정상적인 움직임 정보 및 비정상적인 움직임 정보는 비행체들의 위치 및 속도 정보를 기초로 미리 산출될 수 있다.The normal motion information and abnormal motion information of the vehicle may be calculated in advance based on the location and speed information of the vehicle.

실시예의 군집비행에서의 개체 간 고장검출 장치는 비행체들의 위치 및 속도 정보를 수집하는 수집부와, 상기 비행체들의 위치 및 속도 정보를 미리 학습된 학습 모델을 이용하여 비행체들의 고장을 검출하는 고장 검출부와, 상기 고장으로 판단된 비행체의 고장 정보를 다른 비행체들에게 제공하는 정보 제공부를 포함할 수 있다.The device for detecting a failure between objects in a swarm flight of the embodiment includes a collection unit that collects location and speed information of the aircraft, and a failure detection unit that detects the failure of the aircraft using a learning model learned in advance for the location and speed information of the aircraft; , It may include an information providing unit for providing failure information of the vehicle determined to be the failure to other vehicles.

실시예는 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서,상기 컴퓨터 프로그램은, 비행체들의 위치 및 속도 정보를 수집하는 단계와, 상기 비행체들의 위치 및 속도 정보를 미리 학습된 학습 모델을 이용하여 비행체들의 고장을 검출하는 단계와, 상기 고장으로 판단된 비행체의 고장 정보를 다른 비행체들에게 제공하는 단계를 수행하기 위한 동작을 프로세서가 수행하도록 하기 위한 명령어를 포함할 수 있다.Embodiment is a computer-readable recording medium storing a computer program, The computer program, the step of collecting the location and speed information of the aircraft, and the location and speed information of the aircraft using a pre-trained learning model It may include instructions for causing the processor to perform an operation for detecting the failure of the aircraft and providing the failure information of the vehicle determined as the failure to other vehicles.

실시예는 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은, 비행체들의 위치 및 속도 정보를 수집하는 단계와, 상기 비행체들의 위치 및 속도 정보를 미리 학습된 학습 모델을 이용하여 비행체들의 고장을 검출하는 단계와, 상기 고장으로 판단된 비행체의 고장 정보를 다른 비행체들에게 제공하는 단계;를 수행하기 위한 동작을 상기 프로세서가 수행하도록 하기 위한 명령어를 포함할 수 있다.The embodiment is a computer program stored in a computer-readable recording medium, wherein the computer program includes the steps of collecting location and speed information of the aircraft, and using a pre-trained learning model for the location and speed information of the aircraft It may include instructions for causing the processor to perform an operation for performing; detecting a failure of the vehicle and providing failure information of the vehicle determined as the failure to other vehicles.

실시예는 자신의 고장을 다른 비행체에게 제공하여 고장에 대해 효과적으로 대비할 수 있는 효과가 있다.The embodiment has the effect of effectively preparing for a failure by providing its own failure to another aircraft.

또한, 실시예는 상대방의 위치 및 속도 정보를 고려함으로써, 고장 상태를 보다 효과적으로 검출할 수 있는 효과가 있다.In addition, the embodiment has the effect of more effectively detecting the failure state by considering the position and speed information of the other party.

도 1은 실시예에 따른 고장검출 장치를 구비하는 군집 비행체 제어시스템을 나타낸 구성도이다.
도 2는 실시예에 따른 고장검출 장치를 나타낸 세부 구성도이다.
도 3은 실시예에 따른 고장검출 방법을 나타낸 순서도이다.1 is a block diagram showing a swarm air vehicle control system having a failure detection device according to an embodiment.
2 is a detailed configuration diagram illustrating a failure detection device according to an embodiment.
3 is a flowchart illustrating a failure detection method according to an embodiment.

이하, 도면을 참조하여 실시예를 상세히 설명하기로 한다.Hereinafter, the embodiment will be described in detail with reference to the drawings.

도 1은 실시예에 따른 고장검출 장치를 구비하는 군집 비행체 제어시스템을 나타낸 구성도이고, 도 2는 실시예에 따른 고장검출 장치를 나타낸 세부 구성도이다.1 is a block diagram showing a cluster flight vehicle control system having a failure detection device according to an embodiment, and FIG. 2 is a detailed configuration diagram showing a failure detection device according to an embodiment.

도 1을 참조하면, 군집 비행체 제어시스템(100)은 군집 비행체(110)들과 군집 비헹체들의 고장을 검출하는 고장검출 장치(120)를 포함할 수 있다.Referring to FIG. 1 , the swarm vehicle control system 100 may include a failure detection device 120 for detecting failures of the swarm flying vehicles 110 and the swarm non-hazardous bodies.

군집 비행체(110)들은 자신의 비행체와 자신의 비행체의 근처에서 비행하는 복수의 상대 비행체들을 포함할 수 있다. The swarming vehicle 110 may include its own vehicle and a plurality of opposing vehicles flying in the vicinity of its own vehicle.

고장검출 장치(120)는 군집 비행체(110)들의 비행 정보를 수신하여 비행체들의 고장을 판단할 수 있다. 여기서, 비행 정보는 자신의 비행체의 위치, 속도를 기초로 상대방의 위치 정보와 속도 정보를 더 수집할 수 있다.The failure detection device 120 may receive the flight information of the group of flying vehicles 110 to determine the failure of the flying vehicles. Here, the flight information may further collect the position information and speed information of the other party based on the position and speed of the own vehicle.

도 2를 참조하면, 고장검출 장치(120)는 수집부(121)와, 고장 검출부(123)와 정보 제공부(127)를 포함할 수 있다. Referring to FIG. 2 , the failure detection device 120 may include a collection unit 121 , a failure detection unit 123 , and an information providing unit 127 .

수집부(121)는 군집 비행체들의 위치 및 속도 정보를 실시간으로 수집할 수 있다. 수집부(121)는 고장을 진단할 자신의 비행체의 위치 및 속도 정보와, 인근에 배치된 상대 비행체의 위치 및 속도 정보를 포함할 수 있다. 수집부(121)는 자신의 비행체의 위치 및 속도 정보와, 상대 비행체의 위치 및 속도 정보를 이용하여 상대 위치 및 상대 속도 정보를 수집할 수 있다. 이러한 정보는 별도의 처리부에서 처리되어 수집될 수 있다.The collection unit 121 may collect location and speed information of the swarm aircraft in real time. The collection unit 121 may include location and speed information of its own vehicle to be diagnosed with a failure, and location and speed information of a nearby vehicle. The collection unit 121 may collect relative position and relative speed information by using the location and speed information of its own vehicle and the position and speed information of the other vehicle. Such information may be processed and collected by a separate processing unit.

고장 검출부(123)는 비행체들의 위치 및 속도 정보를 이용하여 비행체의 고장을 진단할 수 있다. 고장 검출부(123)는 미리 학습된 학습 모델(125)을 이용하여 비행체들의 고장을 진단할 수 있다. 학습 모델(125)은 고장 검출부(123) 내에 내장되거나 외부에 배치될 수 있다.The failure detection unit 123 may diagnose the failure of the vehicle by using the location and speed information of the vehicle. The failure detection unit 123 may diagnose the failure of the aircraft using the pre-trained learning model 125 . The learning model 125 may be embedded in the failure detection unit 123 or disposed outside.

학습 모델(125)은 예컨대 신경망 구조의 모델일 수 있다. 학습 모델(125)은 입력층, 적어도 하나 이상의 은닉층, 출력층으로 이루어질 수 있다. 학습 모델(125)은 딥 러닝 또는 머신 러닝 구조일 수 있다. 학습 모델(125)은 RBF, RNN, BPNN, DCN, CN 구조의 신경망 구조일 수 있으나, 이에 한정되지 않는다.The learning model 125 may be, for example, a model of a neural network structure. The learning model 125 may include an input layer, at least one hidden layer, and an output layer. The learning model 125 may be a deep learning or machine learning construct. The learning model 125 may be a neural network structure of RBF, RNN, BPNN, DCN, and CN, but is not limited thereto.

학습 모델(125)은 학습 데이터를 이용하여 학습시킬 수 있다. 학습 데이터는 비행체의 정상적인 움직임 정보 및 비정상적인 움직임 정보를 포함할 수 있다. 비행체의 정상적인 움직임 정보 및 비정상적인 움직임 정보는 자신의 비행체의 위치 및 속도 정보 및 상대 비행체의 위치 및 속도 정보를 이용하여 미리 산출될 수 있다.The learning model 125 may be trained using training data. The learning data may include normal motion information and abnormal motion information of the vehicle. The normal motion information and abnormal motion information of the vehicle may be calculated in advance using the position and speed information of the own vehicle and the position and speed information of the other vehicle.

군집 비행체들의 움직임은 수학적 정의에 의해 결정되기 때문에 입력값에 의해 예측 가능하게 된다. 이러한 움직임은 수학적 정의에 의해서 입력값과 결과값이 상관관계를 가지게 된다. 따라서, 입력값과 결과값으로 학습시킨 학습 모델은 입력값과 결과값의 유의미한 관계를 찾아낼 수 있다. 이러한 정상적인 움직임의 경우와 고장 및 비정상적인 경우를 각각 인공지능기기에 학습시키게 된다면, 기체 운용에 있어서, 나와 한 개를 제외한 나머지 기체의 정보를 토대로 수학적 정의는 주변의 무인기로부터 받은 정보를 기반으로 군집 개체의 각각의 정보의 유효성을 판단 내리게 된다. 그러한 상대 기체의 정보의 유효성을 기반으로 고장여부를 판단할 수 있게 된다.Because the movement of the swarm aircraft is determined by a mathematical definition, it becomes predictable by the input value. This movement has a correlation between the input value and the result value by mathematical definition. Therefore, the learning model trained with the input value and the result value can find a meaningful relationship between the input value and the result value. If the AI device learns these normal motion cases, failures, and abnormal cases, respectively, in the operation of the aircraft, the mathematical definition based on the information of the rest of the aircraft except me and one is based on the information received from the nearby UAV. The validity of each piece of information is judged. Based on the validity of the information of such an opponent, it is possible to determine whether there is a failure.

고장 검출부(123)는 실시간으로 수집되는 비행체들의 위치 및 속도 정보를 학습 모델에 테스트 데이터로 이용할 수 있으며, 이에 대한 결과로 비행체의 고장 유무를 판단할 수 있게 된다.The failure detection unit 123 may use the location and speed information of the aircraft collected in real time as test data for the learning model, and as a result thereof, it is possible to determine whether the vehicle has a failure.

정보 제공부(127)는 고장으로 판단된 비행체의 고장 정보를 다른 비행체들에게 제공할 수 있다. 상대 비행체들은 고장된 비행체의 정보를 수신함으로서, 고장 비행체에 대한 대응은 준비할 수 있다.The information providing unit 127 may provide failure information of the vehicle determined to be a failure to other vehicles. By receiving the information of the malfunctioning vehicle, the other vehicles can prepare a response to the malfunctioning vehicle.

이하에서는 고장검출 장치에서 수행되는 고장검출 방법을 설명하기로 한다. Hereinafter, a failure detection method performed in the failure detection device will be described.

도 3을 참조하면, 군집비행에서의 개체 간 고장검출 방법은 비행체들의 위치 및 속도 정보를 수집하는 단계(S100)를 수행할 수 있다. 여기서, 비행체들의 위치 및 속도 정보를 수집하는 단계(S100)는 고장을 진단할 비행체 자신의 위치 및 속도 정보와, 인근에 배치된 상대 비행체의 위치 및 속도 정보를 포함할 수 있다. 비행체들의 위치 및 속도 정보를 수집하는 단계(S100)는 자신의 비행체의 위치 및 속도 정보와, 상대 비행체의 위치 및 속도 정보를 이용하여 상대 위치 및 상대 속도 정보를 수집할 수 있다. 비행체들의 위치 및 속도 정보를 수집하는 단계(S100)는 고장검출 장치의 수집부에서 수행될 수 있다. Referring to FIG. 3 , the method for detecting an inter-object failure in group flight may perform a step ( S100 ) of collecting location and speed information of aircraft. Here, the step (S100) of collecting the location and speed information of the aircraft may include the location and speed information of the vehicle to be diagnosed with a failure, and the location and speed information of the other aircraft disposed nearby. In the step of collecting the location and speed information of the aircraft (S100), the relative location and speed information may be collected by using the location and speed information of the own vehicle and the position and speed information of the other vehicle. The step of collecting the location and speed information of the aircraft (S100) may be performed by the collection unit of the failure detection device.

군집비행에서의 개체 간 고장검출 방법은 상기 비행체들의 위치 및 속도 정보를 미리 학습된 학습 모델을 이용하여 비행체들의 고장을 검출하는 단계(S200)를 수행할 수 있다.The method for detecting a failure between objects in a swarm flight may perform the step (S200) of detecting the failure of the aircraft using a learning model previously learned on the location and speed information of the aircraft.

비행체들의 고장을 검출하는 단계(S200)는 미리 학습된 학습 모델을 이용하여 비행체들의 고장을 진단할 수 있다. 학습 모델은 예컨대 신경망 구조의 모델일 수 있다. 학습 모델은 입력층, 은닉층, 출력층으로 이루어질 수 있다. 학습 모델은 딥 러닝 또는 머신 러닝 구조일 수 있다. 학습 모델은 RBF, RNN, BPNN, DCN, CN 구조의 신경망 구조일 수 있으나, 이에 한정되지 않는다.In the step of detecting the failure of the aircraft (S200), the failure of the aircraft may be diagnosed using a pre-trained learning model. The learning model may be, for example, a model of a neural network structure. The learning model may consist of an input layer, a hidden layer, and an output layer. The learning model may be a deep learning or machine learning structure. The learning model may be a neural network structure of an RBF, RNN, BPNN, DCN, or CN structure, but is not limited thereto.

학습 모델은 학습 데이터를 이용하여 학습시킬 수 있다. 학습 데이터는 비행체의 정상적인 움직임 정보 및 비정상적인 움직임 정보를 포함할 수 있다. 비행체의 정상적인 움직임 정보 및 비정상적인 움직임 정보는 자신의 비행체의 위치 및 속도 정보 및 상대 비행체의 위치 및 속도 정보를 이용하여 미리 산출될 수 있다.The learning model may be trained using training data. The learning data may include normal motion information and abnormal motion information of the vehicle. The normal motion information and abnormal motion information of the vehicle may be calculated in advance using the position and speed information of the own vehicle and the position and speed information of the other vehicle.

비행체들의 고장을 검출하는 단계(S200)는 실시간으로 수집되는 비행체들의 위치 및 속도 정보를 테스트 데이터로 이용하여 학습 모델에 학습시킬 수 있으며, 이에 대한 결과로 고장 유무를 판단할 수 있게 된다.The step (S200) of detecting the failure of the aircraft can be learned in the learning model by using the location and speed information of the aircraft collected in real time as test data, and as a result thereof, it is possible to determine whether there is a failure.

비행체들의 고장을 검출하는 단계(S200)는 고장검출 장치의 고장 검출부에서 수행될 수 있다.Detecting the failure of the aircraft (S200) may be performed in the failure detection unit of the failure detection device.

군집비행에서의 개체 간 고장검출 방법은 상기 고장으로 판단된 비행체의 고장 정보를 다른 비행체들에게 제공하는 단계(S300)를 수행할 수 있다.In the method for detecting a failure between objects in a group flight, the step (S300) of providing failure information of the vehicle determined to be the failure to other vehicles may be performed.

비행체의 고장 정보를 다른 비행체들에게 제공하는 단계(S300)는 고장으로 판단된 비행체의 고장 정보를 다른 비행체들에게 제공할 수 있다. 상대 비행체들은 고장된 비행체의 정보를 수신함으로서, 고장 비행체에 대한 대응은 준비할 수 있다.The step of providing the failure information of the vehicle to other vehicles ( S300 ) may provide failure information of the vehicle determined to be failure to other vehicles. By receiving the information of the malfunctioning vehicle, the other vehicles can prepare a response to the malfunctioning vehicle.

비행체의 고장 정보를 다른 비행체들에게 제공하는 단계(S300)는 고장검출 장치의 정보 제공부에서 수행될 수 있다.The step (S300) of providing the failure information of the vehicle to other vehicles may be performed by the information providing unit of the failure detection device.

본 문서의 다양한 실시예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media)(예: 메모리(내장 메모리 또는 외장 메모리))에 저장된 명령어를 포함하는 소프트웨어(예: 프로그램)로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시예들에 따른 전자 장치를 포함할 수 있다. 상기 명령이 제어부에 의해 실행될 경우, 제어부가 직접, 또는 상기 제어부의 제어하에 다른 구성요소들을 이용하여 상기 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, 비일시적은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.Various embodiments of this document are software (eg, a machine-readable storage media) (eg, a memory (internal memory or external memory)) including instructions stored in a readable storage medium (eg, a computer). : program) can be implemented. The device is a device capable of calling a stored command from a storage medium and operating according to the called command, and may include the electronic device according to the disclosed embodiments. When the command is executed by the control unit, the control unit may perform a function corresponding to the command directly or using other components under the control of the control unit. Instructions may include code generated or executed by a compiler or interpreter. The device-readable storage medium may be provided in the form of a non-transitory storage medium. Here, non-transitory means that the storage medium does not include a signal and is tangible, and does not distinguish that data is semi-permanently or temporarily stored in the storage medium.

실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다.According to an embodiment, the method according to various embodiments disclosed in the present document may be included and provided in a computer program product.

일 실시예에 따르면, 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서, 단계를 수행하기 위한 동작을 포함하는 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함할 수 있다.According to an embodiment, it is a computer-readable recording medium storing a computer program, and may include instructions for causing a processor to perform a method including an operation for performing a step.

일 실시예에 따르면, 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서, 단계를 수행하기 위한 동작을 포함하는 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함할 수 있다.According to an embodiment, as a computer program stored in a computer-readable recording medium, it may include instructions for causing a processor to perform a method including an operation for performing the steps.

상기에서는 도면 및 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허청구범위에 기재된 실시예의 기술적 사상으로부터 벗어나지 않는 범위 내에서 실시예는 다양하게 수정 및 변경시킬 수 있음은 이해할 수 있을 것이다.Although the above has been described with reference to the drawings and embodiments, those skilled in the art will understand that various modifications and changes can be made to the embodiments without departing from the spirit of the embodiments described in the claims below. will be able

100: 군집 비행체
200: 고장검출 장치
210: 수집부
230: 고장 검출부
250: 학습 모델
270: 정보 제공부100: Swarm Aircraft
200: fault detection device
210: collection unit
230: fault detection unit
250: learning model
270: information provider

Claims (6)

자신 비행체의 위치 및 속도 정보, 상대 비행체의 위치 및 속도 정보 및 상기 자신 비행체의 위치 및 속도 정보와 상기 상대 비행체의 위치 및 속도 정보를 이용한 상대 위치 및 상대 속도 정보를 수집하는 단계;
상기 자신 비행체의 위치 및 속도 정보와 상기 상대 비행체의 위치 및 속도 정보와 상기 상대 위치 및 상대 속도 정보를 기초로 상기 자신 비행체의 정상적인 움직임 정보 및 비정상적인 움직임 정보를 산출하고, 상기 산출된 정보를 미리 학습된 학습 모델을 이용하여 비행체들의 고장을 검출하는 단계; 및
상기 고장으로 판단된 비행체의 고장 정보를 다른 비행체들에게 제공하는 단계를 포함하는 군집비행에서의 개체 간 고장검출 방법.Collecting the relative position and speed information using the position and speed information of the own vehicle, the position and speed information of the other vehicle, the position and speed information of the own vehicle, and the position and speed information of the other vehicle;
Calculate the normal motion information and abnormal motion information of the own vehicle based on the position and speed information of the own vehicle, the position and speed information of the other vehicle, and the relative position and relative speed information, and learn the calculated information in advance detecting the failure of the aircraft using the learned learning model; and
A method for detecting failure between objects in group flight, comprising the step of providing failure information of the vehicle determined to be the failure to other vehicles. 삭제delete 삭제delete 자신 비행체의 위치 및 속도 정보, 상대 비행체의 위치 및 속도 정보 및 상기 자신 비행체의 위치 및 속도 정보와 상기 상대 비행체의 위치 및 속도 정보를 이용한 상대 위치 및 상대 속도 정보를 수집하는 수집부;
상기 자신 비행체의 위치 및 속도 정보와 상기 상대 비행체의 위치 및 속도 정보와 상기 상대 위치 및 상대 속도 정보를 기초로 상기 자신 비행체의 정상적인 움직임 정보 및 비정상적인 움직임 정보를 산출하고, 상기 산출된 정보를 미리 학습된 학습 모델을 이용하여 비행체들의 고장을 검출하는 고장 검출부;
상기 고장으로 판단된 비행체의 고장 정보를 다른 비행체들에게 제공하는 정보 제공부를 포함하는 군집비행에서의 개체 간 고장검출 장치.a collection unit for collecting position and speed information of one's own vehicle, position and speed information of the other vehicle, and position and speed information of the own vehicle and relative position and relative speed information using the position and speed information of the other vehicle;
Calculate the normal motion information and abnormal motion information of the own vehicle based on the position and speed information of the own vehicle, the position and speed information of the other vehicle, and the relative position and relative speed information, and learn the calculated information in advance a failure detection unit that detects failures of aircraft using the trained learning model;
An inter-object failure detection device in group flight comprising an information providing unit that provides information on the failure of the vehicle determined to be the failure to other vehicles. 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서,
상기 컴퓨터 프로그램은,
자신 비행체의 위치 및 속도 정보, 상대 비행체의 위치 및 속도 정보 및 상기 자신 비행체의 위치 및 속도 정보와 상기 상대 비행체의 위치 및 속도 정보를 이용한 상대 위치 및 상대 속도 정보를 수집하는 단계;
상기 자신 비행체의 위치 및 속도 정보와 상기 상대 비행체의 위치 및 속도 정보와 상기 상대 위치 및 상대 속도 정보를 기초로 상기 자신 비행체의 정상적인 움직임 정보 및 비정상적인 움직임 정보를 산출하고, 상기 산출된 정보를 미리 학습된 학습 모델을 이용하여 비행체들의 고장을 검출하는 단계; 및
상기 고장으로 판단된 비행체의 고장 정보를 다른 비행체들에게 제공하는 단계;를 수행하기 위한 동작을 프로세서가 수행하도록 하기 위한 명령어를 포함하는 컴퓨터 판독 가능한 기록매체.As a computer-readable recording medium storing a computer program,
The computer program is
Collecting the relative position and speed information using the position and speed information of the own vehicle, the position and speed information of the other vehicle, the position and speed information of the own vehicle, and the position and speed information of the other vehicle;
Calculate the normal motion information and abnormal motion information of the own vehicle based on the position and speed information of the own vehicle, the position and speed information of the other vehicle, and the relative position and relative speed information, and learn the calculated information in advance detecting the failure of the aircraft using the learned learning model; and
A computer-readable recording medium comprising instructions for causing a processor to perform an operation for performing; providing the failure information of the vehicle determined as the failure to other vehicles. 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서,
상기 컴퓨터 프로그램은,
자신 비행체의 위치 및 속도 정보, 상대 비행체의 위치 및 속도 정보 및 상기 자신 비행체의 위치 및 속도 정보와 상기 상대 비행체의 위치 및 속도 정보를 이용한 상대 위치 및 상대 속도 정보를 수집하는 단계;
상기 자신 비행체의 위치 및 속도 정보와 상기 상대 비행체의 위치 및 속도 정보와 상기 상대 위치 및 상대 속도 정보를 기초로 상기 자신 비행체의 정상적인 움직임 정보 및 비정상적인 움직임 정보를 산출하고, 상기 산출된 정보를 미리 학습된 학습 모델을 이용하여 비행체들의 고장을 검출하는 단계; 및
상기 고장으로 판단된 비행체의 고장 정보를 다른 비행체들에게 제공하는 단계;를 수행하기 위한 동작을 프로세서가 수행하도록 하기 위한 명령어를 포함하는 컴퓨터 프로그램.As a computer program stored in a computer-readable recording medium,
The computer program is
Collecting the relative position and speed information using the position and speed information of the own vehicle, the position and speed information of the other vehicle, the position and speed information of the own vehicle, and the position and speed information of the other vehicle;
Calculate the normal motion information and abnormal motion information of the own vehicle based on the position and speed information of the own vehicle, the position and speed information of the other vehicle, and the relative position and relative speed information, and learn the calculated information in advance detecting the failure of the aircraft using the learned learning model; and
A computer program comprising instructions for causing the processor to perform an operation for performing; providing the failure information of the vehicle determined as the failure to other vehicles.
KR1020200059261A 2020-05-18 2020-05-18 Method and apparatus for detecting of fault, computer-readable storage medium and computer program KR102261840B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200059261A KR102261840B1 (en) 2020-05-18 2020-05-18 Method and apparatus for detecting of fault, computer-readable storage medium and computer program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200059261A KR102261840B1 (en) 2020-05-18 2020-05-18 Method and apparatus for detecting of fault, computer-readable storage medium and computer program

Publications (1)

Publication Number Publication Date
KR102261840B1 true KR102261840B1 (en) 2021-06-08

Family

ID=76399347

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200059261A KR102261840B1 (en) 2020-05-18 2020-05-18 Method and apparatus for detecting of fault, computer-readable storage medium and computer program

Country Status (1)

Country Link
KR (1) KR102261840B1 (en)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040051042A (en) * 2002-12-11 2004-06-18 엘지엔시스(주) Balk process method for high availability system
KR20190102140A (en) * 2019-07-15 2019-09-03 엘지전자 주식회사 An artificial intelligence apparatus for performing self diagnosis and method for the same
KR20190115596A (en) * 2018-04-03 2019-10-14 순천향대학교 산학협력단 Method and apparatus for monitoring the integrity of aircraft fuel system using machine learning

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040051042A (en) * 2002-12-11 2004-06-18 엘지엔시스(주) Balk process method for high availability system
KR20190115596A (en) * 2018-04-03 2019-10-14 순천향대학교 산학협력단 Method and apparatus for monitoring the integrity of aircraft fuel system using machine learning
KR20190102140A (en) * 2019-07-15 2019-09-03 엘지전자 주식회사 An artificial intelligence apparatus for performing self diagnosis and method for the same

Similar Documents

Publication Publication Date Title
KR102661774B1 (en) Safety monitor against image misclassification
KR101967339B1 (en) System and Method for Diagnosing Fault and Backup of ADAS Sensors based on Deep Learning
KR102594210B1 (en) Detecting, locating, and neutralizing cyber-attacks against unmanned aerial vehicles
US11598880B2 (en) Detecting fault states of an aircraft
US20190243317A1 (en) Method and device for improving the robustness with respect to "adversarial examples"
US11146579B2 (en) Hybrid feature-driven learning system for abnormality detection and localization
US9728014B2 (en) Sensor fault detection and diagnosis for autonomous systems
US11693763B2 (en) Resilient estimation for grid situational awareness
US20200089874A1 (en) Local and global decision fusion for cyber-physical system abnormality detection
US11415975B2 (en) Deep causality learning for event diagnosis on industrial time-series data
US20220327204A1 (en) Unified multi-agent system for abnormality detection and isolation
US20200066062A1 (en) Method and system for vehicle analysis
Abid et al. Fault detection in mobile robots using sensor fusion
US11341780B2 (en) Maintenance of an aircraft via similarity detection and modeling
US11397660B2 (en) Method and apparatus for testing a system, for selecting real tests, and for testing systems with machine learning components
CN112231134A (en) Fault processing method and device of neural network processor, equipment and storage medium
US20220163942A1 (en) Distributed System and Data Transmission Method
KR102261840B1 (en) Method and apparatus for detecting of fault, computer-readable storage medium and computer program
KR20200140999A (en) Data driven machine learning for modeling aircraft sensors
US20220327042A1 (en) Method for testing a product
Sheh Explainable artificial intelligence requirements for safe, intelligent robots
Ayerdi et al. Metamorphic runtime monitoring of autonomous driving systems
JP2020107248A (en) Abnormality determination device and abnormality determination method
US11599827B2 (en) Method and apparatus for improving the robustness of a machine learning system
Mengshoel et al. Software health management with bayesian networks

Legal Events

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