KR102347601B1 - 출입문 고장 진단 및 예지 서버, 출입문 고장 진단 및 예지 시스템 및 출입문 고장 진단 및 예지 방법 - Google Patents
출입문 고장 진단 및 예지 서버, 출입문 고장 진단 및 예지 시스템 및 출입문 고장 진단 및 예지 방법 Download PDFInfo
- Publication number
- KR102347601B1 KR102347601B1 KR1020200166147A KR20200166147A KR102347601B1 KR 102347601 B1 KR102347601 B1 KR 102347601B1 KR 1020200166147 A KR1020200166147 A KR 1020200166147A KR 20200166147 A KR20200166147 A KR 20200166147A KR 102347601 B1 KR102347601 B1 KR 102347601B1
- Authority
- KR
- South Korea
- Prior art keywords
- door
- failure diagnosis
- state
- input data
- failure
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000003745 diagnosis Methods 0.000 claims abstract description 247
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 82
- 238000000513 principal component analysis Methods 0.000 claims abstract description 42
- 230000006870 function Effects 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000013480 data collection Methods 0.000 claims description 36
- 230000002068 genetic effect Effects 0.000 claims description 28
- 238000012423 maintenance Methods 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 12
- 238000012706 support-vector machine Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 15
- 230000008859 change Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61D—BODY DETAILS OR KINDS OF RAILWAY VEHICLES
- B61D19/00—Door arrangements specially adapted for rail vehicles
- B61D19/02—Door arrangements specially adapted for rail vehicles for carriages
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L15/00—Indicators provided on the vehicle or train for signalling purposes
- B61L15/0081—On-board diagnosis or maintenance
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16528—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values using digital techniques or performing arithmetic operations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Power-Operated Mechanisms For Wings (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
본 발명의 일 측면에 따르면, 데이터 수집장치에 의해 복수 개의 상태에서 출입문 모터의 전류, 전압, 동작 시간 및 출입문의 이동 위치를 포함하는 상태별 입력 데이터가 수집되는 단계(S1 단계); 출입문 고장 진단 및 예지 서버에 의해, 각 상태별로 출입문 모터의 동작 시간에 따른 모터의 전압 및 전류를 포함하는 시간 기준 데이터가 출입문의 이동 위치에 따른 모터의 전압 및 전류를 포함하는 위치 기준 데이터로 변환되는 단계(S2 단계); 출입문 고장 진단 및 예지 서버에 의해, 각 상태별로 상기 위치 기준 데이터가 복수 개의 수학적 특징 추출 함수에 대입되어 복수 개의 수학적 특징 변수가 산출되는 단계(S3 단계); 출입문 고장 진단 및 예지 서버에 의해, 복수 개의 상기 수학적 특징 변수에 대해 주성분 분석이 실행되어 N개의 주성분이 추출되는 단계(S4 단계); 출입문 고장 진단 및 예지 서버에 의해, 상기 N개의 주성분을 기초로 특정 위치 구간에 대해 고장 진단 알고리즘에 의해 상기 복수 개의 상태 중 하나의 상태를 진단할 수 있는 고장 진단 모델이 구축되는 단계(S5 단계); 및 데이터 수집장치로부터 출입문 모터의 전류, 전압, 동작 시간 및 출입문의 이동 위치를 포함하는 진단 입력 데이터를 전달받고, 상기 진단 입력 데이터가 상기 고장 진단 모델에 입력되어 상기 출입문이 상기 복수 개의 상태 중 하나의 상태임이 판단되는 단계(S6 단계)를 포함하는 출입문 고장진단 및 예지 방법이 제공될 수 있다.
Description
본 발명은 출입문 고장 진단 및 예지 서버, 출입문 고장 진단 및 예지 시스템 및 출입문 고장 진단 및 예지 방법에 관한 것이다.
전동차의 출입문 고장이 발생하면 인접출입문을 통하여 수십명이 이동해야 하며 개별 승강문을 폐쇄하는 경우 러시아워 시간대에는 열차가 지연되어 수천명이 혼잡을 겪는 문제가 발생한다.
전동차의 출입문 고장 예방을 위해 노후부품 교체, 정비방법 표준화, 전동차 출고 전 이상 유무 철저 점검 등의 대책이 수립되고 있지만, 이러한 종래의 방법은 실시간으로 전동차 출입문의 상태를 파악하기 어렵다는 문제가 있다.
또한, 종래에는 전동차의 출입문의 상태를 파악하기 위하여 출입문의 동작 시간에 따른 전류 및 전압 변화를 기준으로 전동차 출입문의 상태 분석이 시도된 적이 있었으나, 이러한 시간에 따른 분석은 출입문의 상태를 정확하게 파악하기 어렵다는 문제가 있다.
본 발명의 실시예들은 상기와 같은 문제를 해결하기 위해 제안된 것으로서, 출입문의 위치 구간(위치 기준 데이터)을 기초로 출입문의 상태를 판단함으로써 출입문 상태 판단의 정확성과 신뢰성을 높일 수 있는 출입문 고장 진단 및 예지 서버, 출입문 고장 진단 및 예지 시스템 및 출입문 고장 진단 및 예지 방법을 제공하고자 한다.
또한, 상태 판단에 최적의 출입문의 위치 구간을 파악함으로써 정확성과 신뢰성을 높일 수 있는 출입문 고장 진단 및 예지 서버, 출입문 고장 진단 및 예지 시스템 및 출입문 고장 진단 및 예지 방법을 제공하고자 한다.
본 발명의 일측면에 따르면, 데이터 수집장치에 의해 복수 개의 상태에서 출입문 모터의 전류, 전압, 동작 시간 및 출입문의 이동 위치를 포함하는 상태별 입력 데이터가 수집되는 단계(S1 단계); 출입문 고장 진단 및 예지 서버에 의해, 각 상태별로 출입문 모터의 동작 시간에 따른 모터의 전압 및 전류를 포함하는 시간 기준 데이터가 출입문의 이동 위치에 따른 모터의 전압 및 전류를 포함하는 위치 기준 데이터로 변환되는 단계(S2 단계); 출입문 고장 진단 및 예지 서버에 의해, 각 상태별로 상기 위치 기준 데이터가 복수 개의 수학적 특징 추출 함수에 대입되어 복수 개의 수학적 특징 변수가 산출되는 단계(S3 단계); 출입문 고장 진단 및 예지 서버에 의해, 복수 개의 상기 수학적 특징 변수에 대해 주성분 분석이 실행되어 N개의 주성분이 추출되는 단계(S4 단계); 출입문 고장 진단 및 예지 서버에 의해, 상기 N개의 주성분을 기초로 특정 위치 구간에 대해 고장 진단 알고리즘에 의해 상기 복수 개의 상태 중 하나의 상태를 진단할 수 있는 고장 진단 모델이 구축되는 단계(S5 단계); 및 데이터 수집장치로부터 출입문 모터의 전류, 전압, 동작 시간 및 출입문의 이동 위치를 포함하는 진단 입력 데이터를 전달받고, 상기 진단 입력 데이터가 상기 고장 진단 모델에 입력되어 상기 출입문이 상기 복수 개의 상태 중 하나의 상태임이 판단되는 단계(S6 단계)를 포함하는 출입문 고장진단 및 예지 방법이 제공될 수 있다.
또한, 상기 고장 진단 모델이 구축되는 단계는, 고장 진단 모델 구축부에 의해 KNN(K-Nearest Neighbor) 알고리즘, SVM(Support Vector Machine) 알고리즘, Ensemble 알고리즘, Tree 알고리즘 및 나이브 베이즈 알고리즘 중 적어도 하나의 알고리즘이 실행됨으로써 상기 고장 진단 모델이 구축되는 단계를 포함하는 출입문 고장진단 및 예지 방법.가 제공될 수 있다.
또한, 상기 고장 진단 모델이 구축되는 단계는, 정확도 판단부에 의해 교차 검증이 실행됨으로써 상기 고장 진단 모델이 구축되는 단계를 포함하는 출입문 고장진단 및 예지 방법이 제공될 수 있다.
또한, 상기 N개의 주성분은 상기 입력 데이터에 따라 달라질 수 있으며, 상기 N개의 주성분은 1개 내지 5개의 주성분이 추출되는 출입문 고장진단 및 예지 방법이 제공될 수 있다.
또한, 상기 특정 위치 구간의 선정은, 유전자 알고리즘 실행부에 의해 임의의 제1 위치 구간에 대한 위치 기준 데이터가 상기 고장 진단 모델에 입력되어 제1 고장 진단 예측 정확도가 산출되는 단계(S51 단계); 유전자 알고리즘 실행부에 의해 임의의 제2 위치 구간에 대한 위치 기준 데이터가 상기 고장 진단 모델에 입력되어 제2 고장 진단 예측 정확도가 산출되는 단계(S52 단계); 유전자 알고리즘 실행부에 의해 상기 제1 고장 진단 예측 정확도와 상기 제2 고장 진단 예측 정확도 사이의 관계가 반복 종료 조건을 만족하는지 판단하고, 상기 반복 종료 조건이 만족될때까지 상기 S51 및 S52 단계가 반복되는 단계(S53 단계); 유전자 알고리즘 실행부에 의해 상기 반복 종료 조건이 만족된 상기 제2 위치 구간을 상기 특정 위치 구간으로 선정하는 단계(S54 단계)를 포함하는 출입문 고장진단 및 예지 방법이 제공될 수 있다.
또한, 상기 특정 위치 구간은, 출입문의 전체 이동 구간에서 초기 구간은 12% 내지 15% 및 종료 구간은 90% 내지 95%로 설정될 수 있는 출입문 고장진단 및 예지 방법이 제공될 수 있다.
또한, 상기 반복 종료 조건은 상기 제1 고장 진단 예측 정확도와 상기 제2 고장 진단 예측 정확도의 차이가 1% 미만인 구간이 10회 이상 반복되는 조건인 출입문 고장진단 및 예지 방법이 제공될 수 있다.
또한, 상기 상태별 입력 데이터는, 전동차 출입문이 열고 닫힐 때 전동차 출입문이 정상 상태일 때의 입력 데이터, 출입문 내부로 부터 외부로 하중을 받는 만차 상태일 때의 입력 데이터, 출입문 베어링이 녹슨 상태일 때의 입력 데이터, 출입문 베어링에 이물질이 끼여있는 상태일 때의 입력 데이터, 출입문이 진행하는 반대 방향으로 저항이 걸려 있는 상태일 때의 입력 데이터, 닫힘 시 n회 걸리고 재닫힘이 일어난 상태일 때의 입력 데이터를 포함하고, 데이터 수집장치로부터 입력된 상기 진단 입력 데이터가 상기 고장 진단 모델에 입력되어 상기 출입문이 상기 복수 개의 상태 중 하나의 상태임이 판단되는 단계는, 상기 출입문이 상기 정상 상태, 상기 만차 상태, 상기 녹슨 상태, 상기 이물질이 끼여있는 상태, 상기 저항이 걸려 있는 상태 및 상기 닫힘 시 n회 걸리고 재닫힘이 일어난 상태 중 하나의 상태임이 판단되는 단계를 포함하는 출입문 고장진단 및 예지 방법이 제공될 수 있다.
또한, S6 단계 이후에, 상태 판단부에 의해 상기 진단 입력 데이터를 갖는 출입문이 정상 상태가 아니라고 판단되는 경우, 상기 상태 판단부에 의해 상기 출입문이 정상 상태가 아니라는 신호가 정비원 단말기에 전송되는 단계를 포함하는 출입문 고장진단 및 예지 방법이 제공될 수 있다.
본 발명의 일측면에 따르면, 데이터 수집장치로부터 복수 개의 상태에 있는 출입문 모터의 전류, 전압, 동작 시간 및 출입문의 이동 위치를 포함하는 상태별 입력 데이터를 입력받을 수 있는 통신 모듈; 각 상태별로 출입문 모터의 동작 시간에 따른 모터의 전압 및 전류를 포함하는 시간 기준 데이터를 출입문의 이동 위치에 따른 모터의 전압 및 전류를 포함하는 위치 기준 데이터로 변환할 수 있는 위치 기준 데이터변환부; 각 상태별로 상기 위치 기준 데이터를 복수 개의 수학적 특징 추출 함수에 대입하여 복수 개의 수학적 특징 변수를 산출할 수 있는 수학적 특징 변수 산출부; 복수 개의 상기 수학적 특징 변수에 대해 주성분 분석을 실행하여 N개의 주성분을 추출할 수 있는 PCA 분석부; 상기 N개의 주성분을 기초로 특정 위치 구간에 대해 고장 진단 알고리즘에 의해 상기 복수 개의 상태 중 하나의 상태를 진단할 수 있는 고장 진단 모델을 구축할 수 있는 고장 진단 모델 구축부; 데이터 수집장치로부터 출입문 모터의 전류, 전압, 동작 시간 및 출입문의 이동 위치를 포함하는 진단 입력 데이터를 전달받고, 상기 진단 입력 데이터가 상기 고장 진단 모델에 입력되어 상기 출입문이 상기 복수 개의 상태 중 하나의 상태를 판단할 수 있는 상태 판단부를 포함하는 출입문 고장 진단 및 예지 서버가 제공될 수 있다.
또한, 상기 고장 진단 알고리즘은 KNN(K-Nearest Neighbor) 알고리즘, SVM(Support Vector Machine) 알고리즘, Ensemble 알고리즘, Tree 알고리즘 및 나이브 베이즈 알고리즘 중 적어도 하나의 알고리즘을 포함하는 출입문 고장 진단 및 예지 서버가 제공될 수 있다.
또한, 상기 출입문 고장 진단 및 예지 서버는, 싱기 고장 진단 모델이 구축 시, 교차 검증을 실행하여 상기 고장 진단 모델의 정확도를 판단하는 정확도 판단부를 포함하는 출입문 고장 진단 및 예지 서버가 제공될 수 있다.
또한, 상기 출입문 고장 진단 및 예지 서버는, 임의의 제1 위치 구간에 대한 위치 기준 데이터를 상기 고장 진단 모델에 입력하여 제1 고장 진단 예측 정확도를 산출하고, 임의의 제2 위치 구간에 대한 위치 기준 데이터를 상기 고장 진단 모델에 입력하여 제2 고장 진단 예측 정확도를 산출하고, 상기 제1 고장 진단 예측 정확도와 상기 제2 고장 진단 예측 정확도 사이의 관계가 반복 종료 조건을 만족하는지 판단하고, 상기 반복 종료 조건이 만족될때까지 상기 제1 고장 진단 예측 정확도와 상기 제2 고장 진단 예측 정확도를 산출하는 단계를 반복하고, 상기 반복 종료 조건이 만족된 상기 제2 위치 구간을 상기 특정 위치 구간으로 선정하는 유전자 알고리즘 실행부를 포함하는 출입문 고장 진단 및 예지 서버가 제공될 수 있다.
본 발명의 일측면에 따르면, 복수 개의 상태에서 출입문 모터의 전류, 전압, 동작 시간 및 출입문의 이동 위치를 포함하는 상태별 입력 데이터를 수집할 수 있는 데이터 수집장치; 데이터 수집장치로부터 출입문에 대한 진단 입력 데이터를 입력받고, 상기 진단 입력 데이터를 고장 진단 모델에 입력시켜 상기 출입문이 상기 복수 개의 상태 중 하나의 상태임을 판단할 수 있는 제10 항 내지 제13 항 중 어느 한항에 따른 출입문 고장 진단 및 예지 서버; 및 상기 출입문 고장 진단 및 예지 서버에 의해 판단된 상태를 전송받아 디스플레이 할 수 있는 정비원 단말기를 포함하는 출입문 고장 진단 및 예지 시스템이 제공될 수 있다.
본 발명의 실시예들에 따른 출입문 고장 진단 및 예지 서버, 출입문 고장 진단 및 예지 시스템 및 출입문 고장 진단 및 예지 방법은, 출입문의 위치 구간(위치 기준 데이터)을 기초로 출입문의 상태를 판단함으로써 출입문 상태 판단의 정확성과 신뢰성을 높일 수 있다.
또한, 상태 판단에 최적의 출입문의 위치 구간을 파악함으로써 정확성과 신뢰성을 높일 수 있다.
도 1은 본 발명의 일 실시예에 따른 출입문 고장 진단 및 예지 시스템(1)을 개략적으로 나타내는 도면이다.
도 2는 도 1의 출입문 고장 진단 및 예지 서버(20)의 하위 구성을 개략적으로 나타내는 도면이다.
도 3은 도 1의 출입문 고장 진단 및 예지 시스템(1)에 의해 실행되는 출입문 고장 진단 및 예지 방법을 개략적으로 나타내는 순서도이다.
도 4는 도 3의 S5단계에서, 특정 위치 구간을 선정하는 단계를 보다 자세히 나타내는 순서도이다.
도 5는 출입문 모터의 동작 시간에 따른 모터의 전류에 대한 시간 기준 데이터가 출입문의 이동 위치에 따른 모터의 전류 변화를 포함하는 위치 기준 데이터로 변환되는 그래프를 나타내는 도면이다.
도 6은 출입문 고장 진단 및 예지 서버(20)의 수학적 특징 변수 산출부(330)에 의해 산출된 27개의 독립변수(각각의 열)와, 각 상태별로 전압과 전류를 수학적 특징 추출 함수에 대입한 수학적 특징 변수(각각의 셀)을 나타내는 도면이다.
도 7은 도 1의 출입문 고장 진단 및 예지 서버(20)의 PCA 분석부(340)에 의해 실행되는 주성분 분석(PCA)을 개념적으로 나타내는 도면이다.
도 8은 도 1의 출입문 고장 진단 및 예지 서버(20)의 정확도 판단부(370)에 의해 나타난 교차 검증 결과를 나타내는 도면이다.
도 9는 도 1의 출입문 고장 진단 및 예지 서버(20)의 유전자 알고리즘 실행부(350)에 의해 구해진 특정 위치 구간과 그에 따른 고장 진단 정확도를 나타내는 도면이다.
도 2는 도 1의 출입문 고장 진단 및 예지 서버(20)의 하위 구성을 개략적으로 나타내는 도면이다.
도 3은 도 1의 출입문 고장 진단 및 예지 시스템(1)에 의해 실행되는 출입문 고장 진단 및 예지 방법을 개략적으로 나타내는 순서도이다.
도 4는 도 3의 S5단계에서, 특정 위치 구간을 선정하는 단계를 보다 자세히 나타내는 순서도이다.
도 5는 출입문 모터의 동작 시간에 따른 모터의 전류에 대한 시간 기준 데이터가 출입문의 이동 위치에 따른 모터의 전류 변화를 포함하는 위치 기준 데이터로 변환되는 그래프를 나타내는 도면이다.
도 6은 출입문 고장 진단 및 예지 서버(20)의 수학적 특징 변수 산출부(330)에 의해 산출된 27개의 독립변수(각각의 열)와, 각 상태별로 전압과 전류를 수학적 특징 추출 함수에 대입한 수학적 특징 변수(각각의 셀)을 나타내는 도면이다.
도 7은 도 1의 출입문 고장 진단 및 예지 서버(20)의 PCA 분석부(340)에 의해 실행되는 주성분 분석(PCA)을 개념적으로 나타내는 도면이다.
도 8은 도 1의 출입문 고장 진단 및 예지 서버(20)의 정확도 판단부(370)에 의해 나타난 교차 검증 결과를 나타내는 도면이다.
도 9는 도 1의 출입문 고장 진단 및 예지 서버(20)의 유전자 알고리즘 실행부(350)에 의해 구해진 특정 위치 구간과 그에 따른 고장 진단 정확도를 나타내는 도면이다.
이하에서는 본 발명의 구체적인 실시예들에 대하여 도면을 참조하여 상세히 설명한다.
아울러 본 발명을 설명함에 있어서, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다.
도 1은 본 발명의 일 실시예에 따른 출입문 고장 진단 및 예지 시스템(1)을 개략적으로 나타내는 도면이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 출입문 고장 진단 및 예지 시스템(1)은 데이터 수집장치(10)와 출입문 고장 진단 및 예지 서버(20)와 정비원 단말기(30)를 포함할 수 있다.
여기서, 데이터 수집장치(10)와 출입문 고장 진단 및 예지 서버(20)와 정비원 단말기(30)는 서로 독립적인 장치로 제공되어 통신망(40)을 통해 데이터 통신하거나, 또는 출입문 고장 진단 및 예지 서버(20)와 정비원 단말기(30)는 하나의 물리적인 장치로 구성되어 직접 데이터 통신 가능하게 제공될 수 있다.
본 실시예에서 데이터 수집장치(10)와 출입문 고장 진단 및 예지 서버(20)와 정비원 단말기(30)는 별개의 독립적인 장치로 제공되는 것을 예를 들어 설명한다.
본 실시예의 출입문 고장 진단 및 예지 시스템(1)은 전동차 출입문이 열리고 닫힐 때, 출입문의 상태를 판단할 수 있는 시스템으로 이해될 수 있다.
예를 들어, 출입문 고장 진단 및 예지 시스템(1)에 의해 전동차 출입문이 열고 닫힐 때, 전동차 출입문이 정상 상태인지, 출입문 내부로 부터 외부로 하중을 받는 만차 상태인지, 출입문 베어링이 녹슨 상태인지, 출입문 베어링에 이물질이 끼여있는 상태인지, 출입문이 진행하는 반대 방향으로 저항이 걸려 있는 상태인지, 닫힘 시 n회 걸리고 재닫힘이 일어난 상태인지 등을 판단할 수 있다.
여기서, 저항이 걸려 있는 상태는 출입문의 안내레일이 휘어지거나 볼트등이 풀려 저항이 걸려있는 상태를 포함할 수 있다.
전동차 출입문의 열고 닫힘의 작동은 모터의 작동에 의해 실현될 수 있으며, 모터의 전류, 전압, 동작 시간 및 출입문의 이동 위치 및 이동 속도는 데이터 수집장치(10)에 의해 수집될 수 있다. 여기서, 모터의 전류, 전압, 동작 시간 및 출입문의 이동 위치 및 이동 속도는 후술하는 출입문 고장 진단 및 예지 서버(20)에 입력되는 입력 데이터로 이해될 수 있다.
데이터 수집장치(10)는 상술한 입력 데이터를 수집할 수 있다. 구체적으로, 데이터 수집장치(10)는 전동차 출입문 또는 출입문 주위에 부착되어 입력 데이터를 수집할 수 있으며, 수집된 입력 데이터는 출입문 고장 진단 및 예지 서버(20)로 전송될 수 있다.
예를 들어, 데이터 수집장치(10)는 모터의 DCU와 케이블을 통해 연결되어 모터에 관한 데이터(전류, 전압, 동작 시간)를 수집할 수 있는 모터 데이터 수집장치(도면 미도시)와, 출입문의 이동 위치, 이동 속도를 수집할 수 있는 출입문 데이터 수집장치(도면 미도시)를 포함할 수 있다. 여기서, 데이터 수집장치(10)는 전동차에 관한 정보를 수집하는 TCMS와 별개로 전동차 출입문에 설치되거나, 또는 현재 TCMS 장치에는 설치되지 않으나, 장래 도입될 확장된 신형 TCMS장치에 포함되어 설치될 수 있다.
또한, 현재 전동차에는 전동차에 관한 정보를 수집하는 TCMS가 설치되어 있으며, 데이터 수집장치(10)는 상기 TCMS로부터 전동차 상태에 관한 데이터를 수집할 수 있다.
출입문 고장 진단 및 예지 서버(20)는 로부터 상태별 입력 데이터를 입력받아 주성분 분석(PCA) 및 고장 진단 알고리즘을 거쳐 고장 진단 모델을 구축하고, 데이터 수집장치(10)로부터 진단 입력 데이터를 입력받아 출입문의 상태를 판단할 수 있는 구성으로 이해될 수 있다. 본 실시예의 출입문 고장 진단 및 예지 서버(20)의 고장 진단 모델은 출입문의 위치 구간(위치 기준 데이터)을 기초로 출입문의 상태를 판단할 수 있고, 출입문의 최적의 위치구간은 유전자 알고리즘(Genetic Algorithm)에 의해 실현될 수 있는바 출입문의 상태 판단의 정확성과 신뢰성을 높일 수 있다. 여기서, 위치 구간은 전동차의 출입문이 열리고 닫히는 구간으로 이해될 수 있다. 예를 들어, 전동차 출입문이 닫힌 상태에서 열리는 경우, 위치 구간은 0으로부터 출입문이 이동한 거리가 될 수 있다. 또한, 분석에 요구되는 최적의 위치 구간은 후술하는 유전자 알고리즘에 의해 파악될 수 있으며, 이에 대한 자세한 설명은 후술한다.
정비원 단말기(30)는 출입문 고장 진단 및 예지 서버(20)에 의해 판단된 출입문의 상태를 전송받을 수 있는 휴대용 단말기로 이해될 수 있다.
예를 들어, 출입문 고장 진단 및 예지 서버(20)에 의해 출입문이 정상 상태가 아니라고 판단될 경우, 출입문이 정상 상태가 아니라는 신호를 정비원 단말기(30)에 전송되어 정비원 단말기(30)에 디스플레이될 수 있다.
이때, 출입문 고장 진단 및 예지 서버(20)는 데이터 수집장치(10)가 설치된 전동차 출입문의 정보를 저장하고 있는바, 전동차에 설치된 복수 개의 출입문 중에서 어느 출입문이 정상 상태가 아니라는지 판단할 수 있고, 정상 상태가 아닌 출입문의 위치를 정비원 단말기(30)에 전송할 수 있다.
여기서, 정비원 단말기(30)는 컴퓨터, 노트북, 태블릿 PC, 스마트폰, 휴대폰, 웨어러블 기기 등을 포함할 수 있다.
도 2는 도 1의 출입문 고장 진단 및 예지 서버(20)의 하위 구성을 개략적으로 나타내는 도면이다.
도 1 및 도 2를 참조하여, 출입문 고장 진단 및 예지 서버(20)에 대해 보다 자세히 설명하면 다음과 같다.
출입문 고장 진단 및 예지 서버(20)는 메모리(200), 프로세서(300) 및 통신 모듈(400)을 포함할 수 있다.
프로세서(300)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(200) 또는 통신 모듈(400)로부터 프로세서(300)로 제공될 수 있다. 그 외에 명령은 출입문 고장 진단 및 예지 서버(20)를 구성하는 각각의 구성요소들 간의 통신 채널을 통해 프로세서(300)로 제공될 수 있다.
프로세서(300)는 출입문 고장 진단 및 예지 서버(20)는 로부터 상태별 입력 데이터를 입력받아 주성분 분석(PCA) 및 고장 진단 알고리즘을 거쳐 고장 진단 모델을 구축하고, 데이터 수집장치(10)로부터 진단 입력 데이터를 입력받아 출입문의 상태를 판단하기 위해 필요한 데이터의 입출력, 데이터의 처리, 데이터의 관리, 통신망(40)을 이용한 통신 등 다양한 기능을 수행할 수 있다. 이를 실행하기 위한 프로세서(300)의 구체적인 구성요소들은 후술한다.
또한, 프로세서(300)의 구성요소 중 적어도 일부는 머신러닝의 일종인 딥러닝으로 미리 학습된 인공신경망을 포함할 수 있다.
메모리(200)는 컴퓨터에서 판독 가능한 기록매체로서 RAM(Random Access Memory), ROM(Read Only Memory) 및 디스크 드라이브와 같은 비소멸성 대용량 기록장치(permanent mass storage device)를 포함할 수 있다.
프로세서(300)는 메모리(200)에 저장된 프로그램 코드를 로딩하여 주성분 분석(PCA) 및 고장 진단 알고리즘을 거쳐 고장 진단 모델을 구축하고, 데이터 수집장치(10)로부터 진단 입력 데이터를 입력받아 출입문의 상태를 판단하는데 이용할 수 있다.
이러한 프로그램 코드는 별도의 컴퓨터에서 판독 가능한 기록 매체(예를 들어 DVD, 메모리 카드 등)로부터 로딩되거나, 다른 장치로부터 통신 모듈(400)을 통해 전달되어 메모리(200)에 저장될 수 있다.
또한, 메모리(200)에는
데이터 수집장치(10)로부터 전달되는 입력 데이터와 진단 입력 데이터를 저장하고,
데이터 수집장치(10)가 배치된 전동차 출입문의 위치에 대한 데이터를 저장할 수 있는 데이터베이스(210)가 제공될 수 있다.
통신 모듈(400)은 통신망(40)을 통해 데이터 수집장치(10) 및 정비원 단말기(30)와 통신하기 위한 기능을 제공할 수 있다.
출입문 고장 진단 및 예지 서버(20)의 프로세서(300)는 위치 기준 데이터변환부(310), 정규화 및 군집화변환부(320), 수학적 특징 변수 산출부(330), PCA 분석부(340), 유전자 알고리즘 실행부(350), 고장 진단 모델 구축부(360), 정확도 판단부(370), 상태 판단부(380) 중 적어도 하나를 포함할 수 있다.
구체적으로, 위치 기준 데이터변환부(310)는 각 상태별로 출입문 모터의 동작 시간에 따른 모터의 전압 및 전류를 포함하는 시간 기준 데이터를 출입문의 이동 위치에 따른 모터의 전압 및 전류를 포함하는 위치 기준 데이터로 변환할 수 있다.
정규화 및 군집화변환부(320)는 모터의 동작 시간을 x축, 출입문의 누적 이동 거리를 y축, 모터의 전류적산값을 z축으로하여 군집화 및 정규화 할 수 있다.
수학적 특징 변수 산출부(330)는 각 상태별로 상기 위치 기준 데이터를 복수 개의 수학적 특징 추출 함수에 대입하여 복수 개의 수학적 특징 변수를 산출할 수 있다.
PCA 분석부(340)는 복수 개의 상기 수학적 특징 변수에 대해 주성분 분석(PCA)을 실행하여 N개의 주성분을 추출할 수 있다.
유전자 알고리즘 실행부(350)는 임의의 제1 위치 구간에 대한 위치 기준 데이터를 상기 고장 진단 모델에 입력하여 제1 고장 진단 예측 정확도를 산출하고, 임의의 제2 위치 구간에 대한 위치 기준 데이터를 상기 고장 진단 모델에 입력하여 제2 고장 진단 예측 정확도를 산출하고, 제1 고장 진단 예측 정확도와 제2 고장 진단 예측 정확도 사이의 관계가 반복 종료 조건을 만족하는지 판단하고, 반복 종료 조건이 만족될때까지 제1 고장 진단 예측 정확도와 제2 고장 진단 예측 정확도를 산출하는 단계를 반복하고, 상기 반복 종료 조건이 만족된 상기 제2 위치 구간을 상기 특정 위치 구간으로 선정할 수 있다.
고장 진단 모델 구축부(360)는 N개의 주성분을 기초로 특정 위치 구간에 대해 고장 진단 알고리즘에 의해 상기 복수 개의 상태 중 하나의 상태를 진단할 수 있는 고장 진단 모델을 구축할 수 있다.
상태 판단부(380)는 데이터 수집장치(10)로부터 출입문 모터의 전류, 전압, 동작 시간 및 출입문의 이동 위치를 포함하는 진단 입력 데이터를 전달받고, 진단 입력 데이터가 상기 고장 진단 모델에 입력되어 상기 출입문이 상기 복수 개의 상태 중 하나의 상태를 판단할 수 있다.
도 3은 도 1의 출입문 고장 진단 및 예지 시스템(1)에 의해 실행되는 출입문 고장 진단 및 예지 방법을 개략적으로 나타내는 순서도이고,
도 4는 도 3의 S5단계에서, 특정 위치 구간을 선정하는 단계를 보다 자세히 나타내는 순서도이며, 도 5는 출입문 모터의 동작 시간에 따른 모터의 전류에 대한 시간 기준 데이터가 출입문의 이동 위치에 따른 모터의 전류 변화를 포함하는 위치 기준 데이터로 변환되는 그래프를 나타내는 도면이고, 도 6은 출입문 고장 진단 및 예지 서버(20)의 수학적 특징 변수 산출부(330)에 의해 산출된 27개의 독립변수(각각의 열)와, 각 상태별로 전압과 전류를 수학적 특징 추출 함수에 대입한 수학적 특징 변수(각각의 셀)을 나타내는 도면이며, 도 7은 도 1의 출입문 고장 진단 및 예지 서버(20)의 PCA 분석부(340)에 의해 실행되는 주성분 분석(PCA)을 개념적으로 나타내는 도면이고, 도 8은 도 1의 출입문 고장 진단 및 예지 서버(20)의 정확도 판단부(370)에 의해 나타난 교차 검증 결과를 나타내는 도면이며, 도 9는 도 1의 출입문 고장 진단 및 예지 서버(20)의 유전자 알고리즘 실행부(350)에 의해 구해진 특정 위치 구간과 그에 따른 고장 진단 정확도를 나타내는 도면이다.
도 3 내지 도 9를 참조하면, 본 발명의 일 실시예에 따른 출입문 고장 진단 및 예지 방법은, 데이터 수집장치(10)에 의해 복수 개의 상태에서 출입문 모터의 전류, 전압, 동작 시간 및 출입문의 이동 위치를 포함하는 상태별 입력 데이터가 수집되는 단계(S1 단계); 출입문 고장 진단 및 예지 서버(20)에 의해, 각 상태별로 출입문 모터의 동작 시간에 따른 모터의 전압 및 전류를 포함하는 시간 기준 데이터를 출입문의 이동 위치에 따른 모터의 전압 및 전류를 포함하는 위치 기준 데이터로 변환되는 단계(S2 단계); 출입문 고장 진단 및 예지 서버(20)에 의해, 각 상태별로 상기 위치 기준 데이터가 복수 개의 수학적 특징 추출 함수에 대입되어 복수 개의 수학적 특징 변수가 산출되는 단계(S3 단계); 출입문 고장 진단 및 예지 서버(20)에 의해, 복수 개의 상기 수학적 특징 변수에 대해 주성분 분석(PCA)이 실행되어 N개의 주성분이 추출되는 단계(S4 단계); 출입문 고장 진단 및 예지 서버(20)에 의해, 상기 N개의 주성분을 기초로 특정 위치 구간에 대해 고장 진단 알고리즘에 의해 상기 복수 개의 상태 중 하나의 상태를 진단할 수 있는 고장 진단 모델이 구축되는 단계(S5 단계); 및 출입문 고장 진단 및 예지 서버(20)에 의해 출입문 모터의 전류, 전압, 동작 시간 및 출입문의 이동 위치를 포함하는 진단 입력 데이터를 전달받고, 상기 진단 입력 데이터가 상기 고장 진단 모델에 입력되어 상기 출입문이 상기 복수 개의 상태 중 하나의 상태임이 판단되는 단계(S6 단계)를 포함할 수 있다.
여기서, S5 단계에서 기재된 특정 위치 구간의 선정은 유전자 알고리즘(Genetic Algorithm)에 의해 선정될 수 있으며, 이에 대한 자세한 설명은 후술한다.
먼저, 데이터 수집장치(10)에 의해 복수 개의 상태에서 출입문 모터의 전류, 전압, 동작 시간 및 출입문의 이동 위치를 포함하는 상태별 입력 데이터를 수집 하는 단계(S1 단계)에 대해 보다 자세히 설명하면 다음과 같다.
데이터 수집장치(10)는 상술한 바와 같이 전동차 출입문 모터의 전류, 전압, 동작 시간, 출입문의 이동 위치 및 이동 속도 중 적어도 하나를 포함하는 입력 데이터를 수집할 수 있다.
여기서, 데이터 수집장치(10)는 출입문이 다양한 상태에 있을 때의 모터의 전류, 전압, 동작 시간, 출입문의 이동 위치 및 이동 속도(입력 데이터)를 수집할 수 있다.
예를 들어, 데이터 수집장치(10)는 전동차 출입문이 열고 닫힐 때 전동차 출입문이 정상 상태일 때의 입력 데이터, 출입문 내부로 부터 외부로 하중을 받는 만차 상태일 때의 입력 데이터, 출입문 베어링이 녹슨 상태일 때의 입력 데이터, 출입문 베어링에 이물질이 끼여있는 상태일 때의 입력 데이터, 출입문이 진행하는 반대 방향으로 저항이 걸려 있는 상태일 때의 입력 데이터, 및 닫힘 시 n회 걸리고 재닫힘이 일어난 상태일 때의 입력 데이터 등을 입력받을 수 있다. 여기서 n회는 1회 내지 10회의 범위 일 수 있다.
이러한, 입력 데이터들이 출입문 고장 진단 및 예지 서버(20)로 전송되고, 후술하는 주성분 분석(PCA) 및 고장 진단 알고리즘을 통해 고장 진단 모델이 구축될 수 있다.
고장 진단 모델이 구축된 후, 데이터 수집장치(10)에 의해 수집된 전동차 출입문의 입력 데이터가 고장 진단 모델에 입력됨으로써, 출입문이 어느 상태있는지 판단될 수 있고, 출입문이 정상 상태가 아닌 경우, 출입문이 정상 상태가 아니라는 신호를 정비원 단말기(30)에 전송할 수 있다.
다음으로, 출입문 고장 진단 및 예지 서버(20)에 의해, 각 상태별로 출입문 모터의 동작 시간에 따른 모터의 전압 및 전류를 포함하는 시간 기준 데이터가 출입문의 이동 위치에 따른 모터의 전압 및 전류를 포함하는 위치 기준 데이터로 변환하는 단계(S2 단계)에 대해 보다 구체적으로 설명하면 아래와 같다.
종래에는 전동차 출입문의 상태 분석 시, 출입문의 정확한 상태를 알기 어렵다는 문제가 있었다. 이에 본 발명자는 이러한 문제의 원인 파악에 각고의 노력을 기울였으며, 그러한 문제의 원인이 동작 시간을 기준으로하는 분석에 문제점이 있다는 것을 알아냈다. 이에, 본 출원인은 동작 시간에 따른 기준을 출입문의 이동 위치를 기준으로 연산하는 출입문 고장 진단 시스템을 구현하고, 이러한 출입문 고장 진단 시스템에 의해 후술하는 유전자 알고리즘(Genetic Algorithm)이 실행됨으로써 특정 위치 구간이 선정되고, 그에 따라 출입문의 정확한 상태를 파악할 수 있게 되었다.
이동 위치를 기준으로 연산하는 출입문 고장 진단 시스템에 대해 보다 구체적으로 설명하면, 출입문 고장 진단 및 예지 서버(20)의 위치 기준 데이터변환부(310)는 출입문 모터의 동작 시간에 따른 모터의 전압 변화, 전류 변화를 포함하는 시간 기준 데이터를 출입문의 이동 위치에 따른 모터의 전압 변화 및 전류 변화를 포함하는 위치 기준 데이터로 변환할 수 있다.
도 5의 (a)는 닫힘 시 1회 걸리고 재닫힘이 일어난 상태일때, 출입문 모터의 동작 시간에 따른 모터의 전류 변화에 대한 시간 기준 데이터를 그래프로 도시한 것이고, 도 5의 (b)는 (a)의 시간 기준 데이터를 위치 기준 데이터변환부(310)에 의해 출입문의 이동 위치에 따른 모터의 전류 변화를 포함하는 위치 기준 데이터로 변환된 그래프를 예시적으로 나타낸다.
또한, 상술한 S2 단계와 후술하는 S3 단계 사이에, 출입문 고장 진단 및 예지 서버(20)의 정규화 및 군집화변환부(320)에 의해 모터의 동작 시간을 x축, 출입문의 누적 이동 거리를 y축, 모터의 전류적산값을 z축으로하여 군집화가 실행될 수 있으며, 각 축간 거리에 편향이 생기지 않도록 정규화가 실행될 수 있다. 이때 군집화는 계측적 방법 및 비계층적 방법에 의한 군집화가 수행될 수 있다.
다음으로, 출입문 고장 진단 및 예지 서버(20)에 의해, 각 상태별로 상기 위치 기준 데이터가 복수 개의 수학적 특징 추출 함수에 대입되어 복수 개의 수학적 특징 변수가 산출되는 단계(S3 단계)에 대해 보다 구체적으로 설명하면 아래와 같다.
S3 단계는, 출입문 고장 진단 및 예지 서버(20)의 수학적 특징 변수 산출부(330)에 의해 위치 기준 데이터를 복수 개의 수학적 특징 추출 함수에 대입하여 복수 개의 수학적 특징 변수가 산출될 수 있다.
여기서, 수학적 특징 추출 함수는 하기 [표 1]의 13개의 함수를 포함할 수 있다.
[표 1] 수학적 특징 추출 함수
구체적으로, 수학적 특징 추출 함수는 
, 
, 
, 
, 
, 
, max(x), 
, 
, 
, 
, 
및 
를 포함할 수 있다.
상술한 수학적 특징 추출 함수에 전압을 대입하는 경우, xi는 i번째 이동 위치의 전압, N은 해당 위치 구간에서 데이터의 수로 이해될 수 있다.
또한, 상술한 수학적 특징 추출 함수에 전류를 대입하는 경우, xi는 i번째 이동 위치의 전류, N은 해당 위치 구간에서 데이터의 수로 이해될 수 있다.
상술한 수학적 특징 변수 산출부(330)는 위치 기준으로 변환된 전압을 상술한 13개의 수학적 특징 추출 함수에 대입하여 13개의 독립변수, 위치 기준으로 변환된 전류를 상술한 13개의 수학적 특징 추출 함수에 대입하여 또 다른 13개의 독립변수, 동작 시간인 1개의 독립변수를 산출할 수 있다. 즉, 수학적 특징 변수 산출부(330)는 총 27(13+13+1)개의 독립변수를 산출할 수 있다.
도 6은 각 열은 수학적 특징 변수 산출부(330)에 의해 연산된 27개의 독립변수로 이해될 수 있으며, 각각의 셀은 각 상태별로 전압과 전류를 수학적 특징 추출 함수에 대입한 수학적 특징 변수로 이해될 수 있다.
다음으로, 출입문 고장 진단 및 예지 서버(20)에 의해, 복수 개의 수학적 특징 변수에 대해 주성분 분석(PCA)이 실행되여 N개의 주성분이 추출되는 단계(S4 단계)에 대해 보다 구체적으로 설명하면 아래와 같다.
S4 단계는 출입문 고장 진단 및 예지 서버(20)의 PCA 분석부(340)에 의해 수학적 특징 변수에 대해 주성분 분석(PCA)을 실행하여 N개의 주성분이 추출될 수 있다.
여기서, N개의 주성분은 입력 데이터에 따라 달라질 수 있으며, N개의 주성분은 1개 내지 5개의 주성분이 추출될 수 있으며, 바람직하게는 2개 내지 4개의 주성분이 추출될 수 있다.
여기서, 주성분 분석(PCA)이란 상술한 수학적 특징 변수들(도 6의 칼럼들)에 대해 차원축소를 하는 방법으로 이해될 수 있으며, 주성분 분석(PCA)에 의해 수학적 특징 변수들에 대해 무관계성과 설명력을 갖도록 차원이 축소될 수 있다.
여기서, 무관계성은 다중공선성과 연관이 있으며 각각의 수학적 특징 변수들(도 7의 칼럼들)을 차원이라고 정의하고, 그 차원들 간의 관계없이 독립적이어야 상관관계가 낮아 데이터의 분석이 의미를 지닐 수 있다.
또한, 설명력이란 변수가 가진 대표성으로 수학적 특징 변수들 간의 상관관계를 볼 때 두 개 혹은 그 이상의 변수끼리 상관관계가 매우 높다면, 이 중에서 하나만 사용하여도 충분한 설명력을 지닌다고 본다.
예를 들어, 도 7를 참조하여 주성분 분석(PCA)에 대해 설명하면 다음과 같다.
도 7의 (a)를 참조하면, Z1의 분산이 Z2보다 분산이 크며 더 높은 설명력을 지닌다고 본다. 주성분 분석(PCA)을 실행 하기위해선 상관관계를 제거하여 차원을 낮추어야 한다.
도 7의 (b)과 도 7의 (c)를 참조하면, Z1을 X축으로 설정하고 Z2를 Y축으로 설정하고 고유 값과 고유벡터를 유지한 체 도 6의 (c)와 같이 회전시켜주며, 이러한 과정은 선형 변환으로 이해될 수 있다.
도 7의 (d)를 참조하면, 도 7의 (c)를 도 7의 (d)와 같이 한 직선으로 표현할 수 있다.
이러한 선형변환의 수식은 다음과 같이 표현될 수 있다.
주성분 분석(PCA)의 계산식은 데이터행렬 X가 있다고 가정할 때 위의 선형결합에 대해서 수식을 적용하면 공분산 행렬의 고유값 고유벡터 쌍을 계산하여 얻어짐을 표현할 수 있다.
이때 얻어지는 Z를 주성분이라 하며 정방행렬로 만들어진다. 여기서 가장 큰 람다를 기준으로 Z를 몇 개 선택하는지(주성분 선택) 그 외 주성분이 무엇을 의미하는지(Labeling) 하는 작업은 매우 중요한 요소로 이해될 수 있다.
다음으로, 출입문 고장 진단 및 예지 서버(20)에 의해, 상기 N개의 주성분을 기초로 특정 위치 구간에 대해 고장 진단 알고리즘에 의해 상기 복수 개의 상태 중 하나의 상태를 진단할 수 있는 고장 진단 모델이 구축되는 단계(S5 단계)에 대해 보다 구체적으로 설명하면 아래와 같다.
구체적으로, 출입문 고장 진단 및 예지 서버(20)의 고장 진단 모델 구축부(360)에 의해 고장 진단 알고리즘이 실행됨으로써 고장 진단 모델이 구축될 수 있다.
여기서, 고장 진단 알고리즘은 KNN(K-Nearest Neighbor) 알고리즘을 포함할 수 있다.
KNN(K-Nearest Neighbor) 알고리즘은 하나의 테스트 데이터와 클래스가 식별되어 있는 검증 데이터 사이에 거리를 측정하고, 이 중에서 가장 근접한 K개의 이웃을 구한 후, 현재의 테스트 데이터를 가장 수가 많은 클래스로 추정하는 알고리즘으로 이해될 수 있다. KNN(K-Nearest Neighbor) 알고리즘 분류 결과는 근접 개수를 나타내는 K값과 거리를 측정하는 방식에 따라 달라질 수 있다.
또한, 고장 진단 알고리즘은 상술한 KNN(K-Nearest Neighbor) 알고리즘 뿐만 아니라 SVM(Support Vector Machine) 알고리즘, Ensemble 알고리즘, Tree 알고리즘 및 나이브 베이즈 알고리즘 중 적어도 하나를 포함할 수 있다.
또한 상술한 고장 진단 모델이 구축되는 단계는, 정확도 판단부(370)에 의해 교차 검증이 실행됨으로써 고장 진단 모델이 구축될 수 있다. 구체적으로, 상술한 KNN(K-Nearest Neighbor) 알고리즘, SVM(Support Vector Machine) 알고리즘, Ensemble 알고리즘, Tree 알고리즘 및 나이브 베이즈 알고리즘은 정확도 판단부(370)에 의해 교차 검증이 실행될 수 있다. 예를 들어, 테스트 데이터와 검증 데이터의 비율은 A집단 7:3, B집단 1161:468로 교차 검증이 실행될 수 있다.
도 8은 도 1의 출입문 고장 진단 및 예지 서버(20)의 정확도 판단부(370)에 의해 나타난 교차 검증 결과를 나타내는 도면이다.
구체적으로, 도 8은 KNN(K-Nearest Neighbor) 알고리즘에 의해 고장 진단 모델이 구축되었을 때의 정확도, 신뢰도, AUC(Area under the curve)를 예시하는 도면이다.
도 8의 행은 예측 클래스, 열은 실제 클래스로 이해될 수 있고, 각각의 행과 열은 상술한 출입문의 상태를 나타내는 것으로 이해될 수 있다.
한편, S5 단계에서 특정 위치 구간은 출입문 고장 진단 및 예지 서버(20)의 유전자 알고리즘 실행부(350)에 의해 선정될 수 있다.
전동차 출입문의 열고 닫힘의 동작 초기 구간과 종료 구간은 모터의 전류 및 전압의 변화가 크기 때문에, 이 구간에서의 입력 데이터를 포함하는 경우 출입문이 어떠한 상태인지 판단하는 고장 진단 예측 정확도가 낮아질 수 있다는 문제가 있다.
이에 입력 데이터가 입력되는 특정 위치 구간의 선정이 요구되며, 이러한 위치 구간의 선정은 유전자 알고리즘(Genetic Algorithm)을 실행하는 유전자 알고리즘 실행부(350)에 의해 실행될 수 있다.
구체적으로, 상기 특정 위치 구간의 선정은, 유전자 알고리즘 실행부(350)에 의해 임의의 제1 위치 구간에 대한 위치 기준 데이터가 상기 고장 진단 모델에 입력되어 제1 고장 진단 예측 정확도가 산출되는 단계(S51 단계); 유전자 알고리즘 실행부(350)에 의해 임의의 제2 위치 구간에 대한 위치 기준 데이터가 상기 고장 진단 모델에 입력되어 제2 고장 진단 예측 정확도가 산출되는 단계(S52 단계); 유전자 알고리즘 실행부(350)에 의해 상기 제1 고장 진단 예측 정확도와 상기 제2 고장 진단 예측 정확도 사이의 관계가 반복 종료 조건을 만족하는지 판단하고, 상기 반복 종료 조건이 만족 될 때까지 상기 S51 및 S52 단계가 반복되는 단계(S53 단계); 및 유전자 알고리즘 실행부(350)에 의해 상기 반복 종료 조건이 만족된 상기 제2 위치 구간을 상기 특정 위치 구간으로 선정하는 단계(S54 단계)에 의해 실행될 수 있다.
예를 들어, 반복 종료 조건은 상기 제1 고장 진단 예측 정확도와 상기 제2 고장 진단 예측 정확도의 차이가 1% 미만인 구간이 10회 이상 반복되는 조건일 수 있다.
여기서 유전자 알고리즘(Genetic Algorithm)의 파라미터 설정은 초기 인구 10개, 교차(Crossover) 75%, 변이(Mutation) 5%, 반복 종료 조건이 만족하는 횟수는 10회로 지정될 수 있다.
도 9에는 유전자 알고리즘 실행부(350)에 의해 구해진 특정 위치 구간과 그에 따른 고장 진단 정확도를 예시한 그림을 나타낸다.
또한, 유전자 알고리즘(Genetic Algorithm)에 의해 도출되는 특정 위치 구간은 출입문의 전체 이동 구간에서 초기 구간은 12% 내지 15% 및 종료 구간은 90% 내지 95%로 설정될 수 있다.
다음으로, 출입문 고장 진단 및 예지 서버(20)에 의해 출입문 모터의 전류, 전압, 동작 시간 및 출입문의 이동 위치를 포함하는 진단 입력 데이터를 전달받고, 상기 진단 입력 데이터가 상기 고장 진단 모델에 입력되어 상기 출입문이 상기 복수 개의 상태 중 하나의 상태임이 판단되는 단계(S6 단계)에 대해 보다 구체적으로 설명하면 아래와 같다.
S6 단계는, 출입문 고장 진단 및 예지 서버(20)의 상태 판단부(380)에 의해 진단 입력 데이터가 상기 고장 진단 모델에 입력되어 상기 출입문이 상기 복수 개의 상태 중 하나의 상태임이 판단될 수 있다.
S6 단계는, 고장 진단 모델이 구축된 후, 데이터 수집장치(10)로부터 출입문에 대한 진단 입력 데이터를 입력받고, 진단 입력 데이터가 고장 진단 모델에 의해 분석됨으로써, 출입문이 어떤 상태인지 판단되는 단계로 이해될 수 있다.
여기서, 진단 입력 데이터는 입력 데이터에 포함되는 개념으로서, 입력 데이터는 고장 진단 모델의 구축에 사용되는 데이터, 진단 입력 데이터는 고장 진단 모델이 구축된 출입문 상태가 판단되는 데이터로 이해될 수 있다.
입력 데이터가 입력됨으로써 고장 진단 모델이 구축될 수 있고, 고장 진단 모델이 구축된 후 진단 입력 데이터가 입력됨으로써 출입문의 상태가 판단될 수 있다. 또한, 고장 진단 모델이 구축된 후 진단 입력 데이터가 축적됨으로써 고장 진단 모델이 실시간으로 업데이트될 수 있다.
여기서 상태 판단부(380)에 의해 판단되는 상태는 상태별 입력 데이터에 따라 다르게 설정될 수 있다.
예를 들어, 상태별 입력 데이터가, 전동차 출입문이 열고 닫힐 때 전동차 출입문이 정상 상태일 때의 입력 데이터, 출입문 내부로 부터 외부로 하중을 받는 만차 상태일 때의 입력 데이터, 출입문 베어링이 녹슨 상태일 때의 입력 데이터, 출입문 베어링에 이물질이 끼여있는 상태일 때의 입력 데이터, 출입문이 진행하는 반대 방향으로 저항이 걸려 있는 상태일 때의 입력 데이터, 닫힘 시 n회 걸리고 재닫힘이 일어난 상태일 때의 입력 데이터를 포함하는 경우, 상태 판단부(380)는 고장 진단 모델을 실행하여 진단 입력 데이터를 기초로 출입문이 정상 상태, 만차 상태, 녹슨 상태, 이물질이 끼여있는 상태, 저항이 걸려 있는 상태 및 닫힘 시 n회 걸리고 재닫힘이 일어난 상태 중 하나의 상태임을 판단할 수 있다.
또한, S6 단계 이후에, 상태 판단부(380)에 의해 상기 진단 입력 데이터를 갖는 출입문이 정상 상태가 아니라고 판단되는 경우, 상기 상태 판단부(380)는 상기 출입문이 정상 상태가 아니라는 신호를 정비원 단말기(30)에 전송하는 단계가 실행될 수 있다.
여기서, 정상 상태가 아니라는 신호는 상기 출입문이 만차 상태, 녹슨 상태, 이물질이 끼여있는 상태, 저항이 걸려 있는 상태 및 닫힘 시 n회 걸리고 재닫힘이 일어난 상태 중 하나의 상태를 나타냄으로 이해될 수 있다.
예를 들어, 해당 진단 입력 데이터를 갖는 출입문이 이물질이 끼여있는 상태라고 판단되는 경우, 상태 판단부(380)는 해당 출입문이 이물질이 끼여있는 상태임을 나타내는 신호를 정비원 단말기(30)에 전달할 수 있다. 이때, 정비원은 정비원 단말기(30)에 표시되는 신호에 의해 어느 출입문이 이물질이 끼여있는 상태인지 파악할 수 있다.
이상 본 발명의 실시예에 따른 출입문 고장 진단 및 예지 서버(20), 출입문 고장 진단 및 예지 시스템(1) 및 출입문 고장 진단 및 예지 방법을 구체적인 실시 형태로서 설명하였으나, 이는 예시에 불과한 것으로서, 본 발명은 이에 한정되지 않는 것이며, 본 명세서에 개시된 기초 사상에 따르는 최광의 범위를 갖는 것으로 해석되어야 한다. 당업자는 개시된 실시형태들을 조합, 치환하여 적시되지 않은 형상의 패턴을 실시할 수 있으나, 이 역시 본 발명의 범위를 벗어나지 않는 것이다. 이외에도 당업자는 본 명세서에 기초하여 개시된 실시형태를 용이하게 변경 또는 변형할 수 있으며, 이러한 변경 또는 변형도 본 발명의 권리범위에 속함은 명백하다.
1: 출입문 고장 진단 및 예지 시스템 10: 데이터 수집장치
20: 출입문 고장 진단 및 예지 서버 30: 정비원 단말기
20: 출입문 고장 진단 및 예지 서버 30: 정비원 단말기
Claims (14)
- 데이터 수집장치에 의해 복수 개의 상태에서 출입문 모터의 전류, 전압, 동작 시간 및 출입문의 이동 위치를 포함하는 상태별 입력 데이터가 수집되는 단계(S1 단계);
출입문 고장 진단 및 예지 서버에 의해, 각 상태별로 출입문 모터의 동작 시간에 따른 모터의 전압 및 전류를 포함하는 시간 기준 데이터가 출입문의 이동 위치에 따른 모터의 전압 및 전류를 포함하는 위치 기준 데이터로 변환되는 단계(S2 단계);
출입문 고장 진단 및 예지 서버에 의해, 각 상태별로 상기 위치 기준 데이터가 복수 개의 수학적 특징 추출 함수에 대입되어 복수 개의 수학적 특징 변수가 산출되는 단계(S3 단계);
출입문 고장 진단 및 예지 서버에 의해, 복수 개의 상기 수학적 특징 변수에 대해 주성분 분석이 실행되어 N개의 주성분이 추출되는 단계(S4 단계);
출입문 고장 진단 및 예지 서버에 의해, 상기 N개의 주성분을 기초로 특정 위치 구간에 대해 고장 진단 알고리즘에 의해 상기 복수 개의 상태 중 하나의 상태를 진단할 수 있는 고장 진단 모델이 구축되는 단계(S5 단계); 및
데이터 수집장치로부터 출입문 모터의 전류, 전압, 동작 시간 및 출입문의 이동 위치를 포함하는 진단 입력 데이터를 전달받고, 상기 진단 입력 데이터가 상기 고장 진단 모델에 입력되어 상기 출입문이 상기 복수 개의 상태 중 하나의 상태임이 판단되는 단계(S6 단계)를 포함하고,
상기 특정 위치 구간의 선정은,
유전자 알고리즘 실행부에 의해 임의의 제1 위치 구간에 대한 위치 기준 데이터가 상기 고장 진단 모델에 입력되어 제1 고장 진단 예측 정확도가 산출되는 단계(S51 단계);
유전자 알고리즘 실행부에 의해 임의의 제2 위치 구간에 대한 위치 기준 데이터가 상기 고장 진단 모델에 입력되어 제2 고장 진단 예측 정확도가 산출되는 단계(S52 단계);
유전자 알고리즘 실행부에 의해 상기 제1 고장 진단 예측 정확도와 상기 제2 고장 진단 예측 정확도 사이의 관계가 반복 종료 조건을 만족하는지 판단하고, 상기 반복 종료 조건이 만족 될 때까지 S51 단계 및 S52 단계가 반복되는 단계(S53 단계);
유전자 알고리즘 실행부에 의해 상기 반복 종료 조건이 만족된 상기 제2 위치 구간을 상기 특정 위치 구간으로 선정하는 단계(S54 단계)를 포함하는
출입문 고장진단 및 예지 방법. - 제1 항에 있어서,
상기 고장 진단 모델이 구축되는 단계는,
고장 진단 모델 구축부에 의해 KNN(K-Nearest Neighbor) 알고리즘, SVM(Support Vector Machine) 알고리즘, Ensemble 알고리즘, Tree 알고리즘 및 나이브 베이즈 알고리즘 중 적어도 하나의 알고리즘이 실행됨으로써 상기 고장 진단 모델이 구축되는 단계를 포함하는
출입문 고장진단 및 예지 방법. - 제2 항에 있어서,
상기 고장 진단 모델이 구축되는 단계는,
정확도 판단부에 의해 교차 검증이 실행됨으로써 상기 고장 진단 모델이 구축되는 단계를 포함하는
출입문 고장진단 및 예지 방법. - 제1 항에 있어서,
상기 N개의 주성분은 상기 입력 데이터에 따라 달라질 수 있으며, 상기 N개의 주성분은 1개 내지 5개의 주성분이 추출되는
출입문 고장진단 및 예지 방법. - 삭제
- 제1 항에 있어서,
상기 특정 위치 구간은,
출입문의 전체 이동 구간에서 초기 구간은 12% 내지 15% 및 종료 구간은 90% 내지 95%로 설정될 수 있는
출입문 고장진단 및 예지 방법. - 제1 항에 있어서,
상기 반복 종료 조건은 상기 제1 고장 진단 예측 정확도와 상기 제2 고장 진단 예측 정확도의 차이가 1% 미만인 구간이 10회 이상 반복되는 조건인
출입문 고장진단 및 예지 방법. - 제1 항에 있어서,
상기 상태별 입력 데이터는,
전동차 출입문이 열고 닫힐 때 전동차 출입문이 정상 상태일 때의 입력 데이터, 출입문 내부로 부터 외부로 하중을 받는 만차 상태일 때의 입력 데이터, 출입문 베어링이 녹슨 상태일 때의 입력 데이터, 출입문 베어링에 이물질이 끼여있는 상태일 때의 입력 데이터, 출입문이 진행하는 반대 방향으로 저항이 걸려 있는 상태일 때의 입력 데이터, 닫힘 시 n회 걸리고 재닫힘이 일어난 상태일 때의 입력 데이터를 포함하고,
데이터 수집장치로부터 입력된 상기 진단 입력 데이터가 상기 고장 진단 모델에 입력되어 상기 출입문이 상기 복수 개의 상태 중 하나의 상태임이 판단되는 단계는,
상기 출입문이 상기 정상 상태, 상기 만차 상태, 상기 녹슨 상태, 상기 이물질이 끼여있는 상태, 상기 저항이 걸려 있는 상태 및 상기 닫힘 시 n회 걸리고 재닫힘이 일어난 상태 중 하나의 상태임이 판단되는 단계를 포함하는
출입문 고장진단 및 예지 방법. - 제1 항에 있어서,
S6 단계 이후에,
상태 판단부에 의해 상기 진단 입력 데이터를 갖는 출입문이 정상 상태가 아니라고 판단되는 경우, 상기 상태 판단부에 의해 상기 출입문이 정상 상태가 아니라는 신호가 정비원 단말기에 전송되는 단계를 포함하는
출입문 고장진단 및 예지 방법. - 데이터 수집장치로부터 복수 개의 상태에 있는 출입문 모터의 전류, 전압, 동작 시간 및 출입문의 이동 위치를 포함하는 상태별 입력 데이터를 입력받을 수 있는 통신 모듈;
각 상태별로 출입문 모터의 동작 시간에 따른 모터의 전압 및 전류를 포함하는 시간 기준 데이터를 출입문의 이동 위치에 따른 모터의 전압 및 전류를 포함하는 위치 기준 데이터로 변환할 수 있는 위치 기준 데이터변환부;
각 상태별로 상기 위치 기준 데이터를 복수 개의 수학적 특징 추출 함수에 대입하여 복수 개의 수학적 특징 변수를 산출할 수 있는 수학적 특징 변수 산출부;
복수 개의 상기 수학적 특징 변수에 대해 주성분 분석을 실행하여 N개의 주성분을 추출할 수 있는 PCA 분석부;
상기 N개의 주성분을 기초로 특정 위치 구간에 대해 고장 진단 알고리즘에 의해 상기 복수 개의 상태 중 하나의 상태를 진단할 수 있는 고장 진단 모델을 구축할 수 있는 고장 진단 모델 구축부;
데이터 수집장치로부터 출입문 모터의 전류, 전압, 동작 시간 및 출입문의 이동 위치를 포함하는 진단 입력 데이터를 전달받고, 상기 진단 입력 데이터가 상기 고장 진단 모델에 입력되어 상기 출입문이 상기 복수 개의 상태 중 하나의 상태를 판단할 수 있는 상태 판단부; 및
임의의 제1 위치 구간에 대한 위치 기준 데이터를 상기 고장 진단 모델에 입력하여 제1 고장 진단 예측 정확도를 산출하고, 임의의 제2 위치 구간에 대한 위치 기준 데이터를 상기 고장 진단 모델에 입력하여 제2 고장 진단 예측 정확도를 산출하고, 상기 제1 고장 진단 예측 정확도와 상기 제2 고장 진단 예측 정확도 사이의 관계가 반복 종료 조건을 만족하는지 판단하고, 상기 반복 종료 조건이 만족될때까지 상기 제1 고장 진단 예측 정확도와 상기 제2 고장 진단 예측 정확도를 산출하는 단계를 반복하고, 상기 반복 종료 조건이 만족된 상기 제2 위치 구간을 상기 특정 위치 구간으로 선정하는 유전자 알고리즘 실행부를 포함하는
출입문 고장 진단 및 예지 서버. - 제10 항에 있어서,
상기 고장 진단 알고리즘은 KNN(K-Nearest Neighbor) 알고리즘, SVM(Support Vector Machine) 알고리즘, Ensemble 알고리즘, Tree 알고리즘 및 나이브 베이즈 알고리즘 중 적어도 하나의 알고리즘을 포함하는
출입문 고장 진단 및 예지 서버. - 제10 항에 있어서,
상기 출입문 고장 진단 및 예지 서버는,
싱기 고장 진단 모델이 구축 시, 교차 검증을 실행하여 상기 고장 진단 모델의 정확도를 판단하는 정확도 판단부를 포함하는
출입문 고장 진단 및 예지 서버. - 삭제
- 복수 개의 상태에서 출입문 모터의 전류, 전압, 동작 시간 및 출입문의 이동 위치를 포함하는 상태별 입력 데이터를 수집할 수 있는 데이터 수집장치;
데이터 수집장치로부터 출입문에 대한 진단 입력 데이터를 입력받고, 상기 진단 입력 데이터를 고장 진단 모델에 입력시켜 상기 출입문이 상기 복수 개의 상태 중 하나의 상태임을 판단할 수 있는 제10 항 내지 제12 항 중 어느 한항에 따른 출입문 고장 진단 및 예지 서버; 및
상기 출입문 고장 진단 및 예지 서버에 의해 판단된 상태를 전송받아 디스플레이 할 수 있는 정비원 단말기를 포함하는
출입문 고장 진단 및 예지 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200166147A KR102347601B1 (ko) | 2020-12-02 | 2020-12-02 | 출입문 고장 진단 및 예지 서버, 출입문 고장 진단 및 예지 시스템 및 출입문 고장 진단 및 예지 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200166147A KR102347601B1 (ko) | 2020-12-02 | 2020-12-02 | 출입문 고장 진단 및 예지 서버, 출입문 고장 진단 및 예지 시스템 및 출입문 고장 진단 및 예지 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102347601B1 true KR102347601B1 (ko) | 2022-01-07 |
Family
ID=79355275
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200166147A KR102347601B1 (ko) | 2020-12-02 | 2020-12-02 | 출입문 고장 진단 및 예지 서버, 출입문 고장 진단 및 예지 시스템 및 출입문 고장 진단 및 예지 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102347601B1 (ko) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20020050937A (ko) | 2000-12-22 | 2002-06-28 | 김형벽ㅂ | 전동차 고장상태 감시 장치 |
| JP2016118546A (ja) * | 2014-12-23 | 2016-06-30 | パロ アルト リサーチ センター インコーポレイテッド | 車両構成要素の状態を判定するためのシステム及び方法 |
| KR20200052461A (ko) * | 2018-10-31 | 2020-05-15 | 한국철도기술연구원 | 열차 고장 예측 장치 및 방법 |
-
2020
- 2020-12-02 KR KR1020200166147A patent/KR102347601B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20020050937A (ko) | 2000-12-22 | 2002-06-28 | 김형벽ㅂ | 전동차 고장상태 감시 장치 |
| JP2016118546A (ja) * | 2014-12-23 | 2016-06-30 | パロ アルト リサーチ センター インコーポレイテッド | 車両構成要素の状態を判定するためのシステム及び方法 |
| KR20200052461A (ko) * | 2018-10-31 | 2020-05-15 | 한국철도기술연구원 | 열차 고장 예측 장치 및 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Avci et al. | A review of vibration-based damage detection in civil structures: From traditional methods to Machine Learning and Deep Learning applications | |
| JP5530020B1 (ja) | 異常診断システム及び異常診断方法 | |
| JP5530045B1 (ja) | ヘルスマネージメントシステム及びヘルスマネージメント方法 | |
| Malekzadeh et al. | Performance-based structural health monitoring through an innovative hybrid data interpretation framework | |
| CN115034248A (zh) | 用于设备的自动诊断方法、系统和存储介质 | |
| CN111222290A (zh) | 一种基于多参数特征融合的大型设备剩余使用寿命预测方法 | |
| EP1764728A1 (en) | Data compressing device and method, data analyzing device and method, and data managing system | |
| CN112084237A (zh) | 一种基于机器学习和大数据分析的电力系统异常预测方法 | |
| Daneshvar et al. | A locally unsupervised hybrid learning method for removing environmental effects under different measurement periods | |
| Chen et al. | A deep learning feature fusion based health index construction method for prognostics using multiobjective optimization | |
| KR20230156641A (ko) | 딥러닝 기반의 배터리 유효 충전 데이터 식별 방법, 장비 및 매체 | |
| KR102347601B1 (ko) | 출입문 고장 진단 및 예지 서버, 출입문 고장 진단 및 예지 시스템 및 출입문 고장 진단 및 예지 방법 | |
| JP2019105871A (ja) | 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置 | |
| WO2019159915A1 (ja) | モデル学習装置、モデル学習方法、プログラム | |
| Melendez et al. | Self-supervised Multi-stage Estimation of Remaining Useful Life for Electric Drive Units | |
| CN109840386B (zh) | 基于因子分析的损伤识别方法 | |
| CN114492636B (zh) | 一种变压器绕组状态信号的采集系统 | |
| Witczak et al. | A fuzzy logic approach to remaining useful life estimation of ball bearings | |
| Beshears et al. | Designing for health: a methodology for integrated diagnostics/prognostics | |
| KR20230075150A (ko) | 시스템 건전성을 관리하기 위한 방법 및 장치 | |
| Rosso et al. | Subspace features and statistical indicators for neural network-based damage detection | |
| CN113449809A (zh) | 一种基于kpca-nsvdd的电缆绝缘在线监测方法 | |
| KR102647331B1 (ko) | 시계열 데이터 기반 데이터 샘플링 서비스 제공 시스템 | |
| KR102489743B1 (ko) | 소재의 크리프 수명 예측 방법 및 이를 위한 시스템 | |
| CN114638039B (zh) | 一种基于低秩矩阵恢复的结构健康监测特征数据解释方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GRNT | Written decision to grant |