KR102437043B1 - Apparatus for fault diagnosis method thereof - Google Patents

Apparatus for fault diagnosis method thereof Download PDF

Info

Publication number
KR102437043B1
KR102437043B1 KR1020200161763A KR20200161763A KR102437043B1 KR 102437043 B1 KR102437043 B1 KR 102437043B1 KR 1020200161763 A KR1020200161763 A KR 1020200161763A KR 20200161763 A KR20200161763 A KR 20200161763A KR 102437043 B1 KR102437043 B1 KR 102437043B1
Authority
KR
South Korea
Prior art keywords
classification
state
preset
class
door device
Prior art date
Application number
KR1020200161763A
Other languages
Korean (ko)
Other versions
KR20220073574A (en
Inventor
김영호
남내현
오세웅
이성우
Original Assignee
에스넷시스템(주)
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 에스넷시스템(주) filed Critical 에스넷시스템(주)
Priority to KR1020200161763A priority Critical patent/KR102437043B1/en
Publication of KR20220073574A publication Critical patent/KR20220073574A/en
Application granted granted Critical
Publication of KR102437043B1 publication Critical patent/KR102437043B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • 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 vehicle train for signalling purposes ; On-board control or communication systems
    • B61L15/0081—On-board diagnosis or maintenance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles

Abstract

본 발명은 고장 진단 장치 및 그 방법을 개시한다. 즉, 본 발명은 철도차량의 출입문 장치의 센싱 정보를 수집하고, 수집된 센싱 정보로부터 미리 설정된 통계 인자를 산출하고, 상기 산출된 통계 인자를 근거로 미리 설정된 복수의 분류 알고리즘을 이용해서 분류 기능을 수행하고, 미리 설정된 복수의 클래스별로 분류 결과를 제공함으로써, 철도차량의 현재 상태에 대한 고장 유무, 불량 여부 등에 대한 빠른 검사 결과를 제공하고, 검사 결과에 따라 실시간으로 철도차량의 상태를 모니터링할 수 있다.The present invention discloses a failure diagnosis apparatus and method thereof. That is, the present invention collects sensing information of a door device of a railroad car, calculates a preset statistical factor from the collected sensing information, and performs a classification function using a plurality of classification algorithms preset based on the calculated statistical factor. By performing and providing classification results for a plurality of preset classes, it is possible to provide quick inspection results for the presence or absence of faults or defects for the current state of railway vehicles, and to monitor the state of railway vehicles in real time according to the inspection results. have.

Description

고장 진단 장치 및 그 방법{Apparatus for fault diagnosis method thereof}Fault diagnosis device and method thereof

본 발명은 고장 진단 장치 및 그 방법에 관한 것으로서, 특히 철도차량의 출입문 장치의 센싱 정보를 수집하고, 수집된 센싱 정보로부터 미리 설정된 통계 인자를 산출하고, 상기 산출된 통계 인자를 근거로 미리 설정된 복수의 분류 알고리즘을 이용해서 분류 기능을 수행하고, 미리 설정된 복수의 클래스별로 분류 결과를 제공하는 고장 진단 장치 및 그 방법에 관한 것이다.The present invention relates to a failure diagnosis apparatus and a method therefor, and in particular, collects sensing information of a door device of a railroad vehicle, calculates a preset statistical factor from the collected sensing information, and calculates a plurality of preset statistical factors based on the calculated statistical factors. To a fault diagnosis apparatus and method for performing a classification function using a classification algorithm of , and providing classification results for a plurality of preset classes.

철도는 열차를 이용한 운송 수단 또는 열차가 다니도록 철제를 두 줄로 깔아 놓은 길을 의미한다.Railroad means a means of transportation using trains or a road laid out in two rows of iron for the passage of trains.

이러한 열차에 대한 관리는 해당 열차가 차량 기지에 입차하는 경우, 전문가의 검사에 의해, 해당 열차의 이상 여부에 대해 판단하고 있으나, 이러한 열차 검수 과정은 전문가의 지식이나 경험에 의존하여, 정확한 고장 진단 여부나 빠른 검사 결과 제공에 한계가 있다.When the train enters the vehicle depot, the management of the train determines whether the train is abnormal or not. There is a limit to whether or not to provide quick test results.

한국공개특허 제10-2019-0091868호 [제목: 철도 차량의 부품 및 운영 환경 특징 벡터 정보 기반의 기계 학습 고장 진단 시스템 및 그 방법]Korean Patent Laid-Open Patent No. 10-2019-0091868 [Title: Machine learning failure diagnosis system and method based on vector information of parts and operating environment of railway vehicles]

본 발명의 목적은 철도차량의 출입문 장치의 센싱 정보를 수집하고, 수집된 센싱 정보로부터 미리 설정된 통계 인자를 산출하고, 상기 산출된 통계 인자를 근거로 미리 설정된 복수의 분류 알고리즘을 이용해서 분류 기능을 수행하고, 미리 설정된 복수의 클래스별로 분류 결과를 제공하는 고장 진단 장치 및 그 방법을 제공하는 데 있다.An object of the present invention is to collect sensing information of a door device of a railroad car, calculate a preset statistical factor from the collected sensing information, and perform a classification function using a plurality of classification algorithms preset based on the calculated statistical factor. An object of the present invention is to provide a failure diagnosis apparatus and method for performing and providing classification results for a plurality of preset classes.

본 발명의 실시예에 따른 고장 진단 장치는 철도차량의 출입문 장치의 센싱 정보를 수집하는 통신부; 상기 수집된 출입문 장치의 센싱 정보를 근거로 미리 설정된 복수의 통계 인자를 산출하고, 상기 산출된 복수의 통계 인자를 근거로 미리 설정된 복수의 분류 알고리즘을 이용해서 분류 기능을 수행하는 제어부; 및 상기 제어부의 제어에 의해 각 분류 알고리즘의 성능 평가를 위해서 미리 설정된 복수의 클래스별로 분류 결과를 표시하는 표시부를 포함할 수 있다.A failure diagnosis apparatus according to an embodiment of the present invention includes: a communication unit for collecting sensing information of a door device of a railroad vehicle; a controller for calculating a plurality of preset statistical factors based on the collected sensing information of the door device, and performing a classification function using a plurality of preset classification algorithms based on the calculated plurality of statistical factors; and a display unit for displaying classification results for a plurality of classes preset for performance evaluation of each classification algorithm under the control of the controller.

본 발명과 관련된 일 예로서 상기 출입문 장치의 센싱 정보는, 출입문 장치의 개방(open) 또는 닫힘(close)에 따라 발생하는 정보로, 미리 설정된 시간 항목, 배터리 항목, 모터 전압 항목, 모터 전류 항목, 모터 속도 항목 및 도어 위치 항목과 관련해서 정상 상태, 이물질끼임 상태, 재닫힘 상태, 만차 상태, 스핀들(spindle) 상태 및 스트레스(stress) 상태와 관련한 복수의 데이터를 포함할 수 있다.As an example related to the present invention, the sensing information of the door device is information generated according to the opening or closing of the door device, and includes a preset time item, a battery item, a motor voltage item, a motor current item, In relation to the motor speed item and the door position item, a plurality of data related to a normal state, a foreign object jammed state, a re-closed state, a full state, a spindle state, and a stress state may be included.

본 발명과 관련된 일 예로서 상기 통계 인자는, 평균(mean), 실효값(root-mean-square: RMS), 표준편차(standard deviation), 피크(peak), 왜도(또는 비대칭도, skewness), 첨도(kurtosis), 파고율(crest factor), 클리언스 팩터(clearance factor), 형상계수(shape factor), 임펄스 팩터(impulse factor), 피크 투 피크(peak-to-peak) 및 공차분석(root sum of square) 중 적어도 하나를 포함할 수 있다.As an example related to the present invention, the statistical factors include a mean, a root-mean-square (RMS), a standard deviation, a peak, and a skewness (or asymmetry, skewness). , kurtosis, crest factor, clearance factor, shape factor, impulse factor, peak-to-peak and root sum analysis of square).

본 발명과 관련된 일 예로서 상기 제어부는, 상기 클래스별 분류 결과를 근거로 상기 철도차량의 현재 상태에 대한 모니터링 결과를 표시하도록 상기 표시부를 제어할 수 있다.As an example related to the present invention, the control unit may control the display unit to display a monitoring result for the current state of the railway vehicle based on the classification result for each class.

본 발명의 실시예에 따른 고장 진단 방법은 통신부에 의해, 철도차량의 출입문 장치의 센싱 정보를 수집하는 단계; 제어부에 의해, 상기 수집된 출입문 장치의 센싱 정보를 근거로 미리 설정된 복수의 통계 인자를 산출하는 단계; 상기 제어부에 의해, 상기 산출된 복수의 통계 인자를 근거로 미리 설정된 복수의 분류 알고리즘을 이용해서 분류 기능을 수행하는 단계; 상기 제어부에 의해, 각 분류 알고리즘의 성능 평가를 위해서 미리 설정된 복수의 클래스별로 분류 결과를 표시하도록 표시부를 제어하는 단계; 및 상기 제어부에 의해, 상기 클래스별 분류 결과를 근거로 상기 철도차량의 현재 상태에 대한 모니터링 결과를 표시하도록 상기 표시부를 제어하는 단계를 포함할 수 있다.A fault diagnosis method according to an embodiment of the present invention includes, by a communication unit, collecting sensing information of a door device of a railroad vehicle; calculating, by the control unit, a plurality of preset statistical factors based on the collected sensing information of the door device; performing, by the control unit, a classification function using a plurality of classification algorithms preset based on the plurality of calculated statistical factors; controlling, by the controller, the display unit to display classification results for a plurality of classes preset for performance evaluation of each classification algorithm; and controlling, by the control unit, the display unit to display a monitoring result for the current state of the railway vehicle based on the classification result for each class.

본 발명과 관련된 일 예로서 상기 분류 기능을 수행하는 단계는, 상기 산출된 복수의 통계 인자 중에서 미리 설정된 비율의 통계 인자를 데이터 셋으로 설정하고, 상기 데이터 셋을 입력값으로 상기 복수의 분류 알고리즘을 이용해서 각각 분류 기능을 수행하는 과정; 및 상기 산출된 복수의 통계 인자 중에서 상기 데이터 셋에 포함된 통계 인자를 제외하고 남은 적어도 하나의 통계 인자를 테스트 셋으로 설정하고, 상기 테스트 셋을 입력값으로 학습된 복수의 분류 알고리즘을 이용해서 각각 분류 기능을 수행하는 과정을 포함할 수 있다.As an example related to the present invention, the performing of the classification function may include setting a statistical factor of a preset ratio among the calculated plurality of statistical factors as a data set, and using the data set as an input value for the plurality of classification algorithms. a process of performing a classification function using each; and setting at least one remaining statistical factor from among the plurality of calculated statistical factors excluding the statistical factors included in the data set as a test set, and using a plurality of classification algorithms learned with the test set as input values, respectively It may include a process of performing a classification function.

본 발명과 관련된 일 예로서 상기 분류 기능을 수행하는 단계는, 미리 설정된 복수의 클래스별로 상기 복수의 분류 알고리즘을 통해 분류 기능을 수행하며, 상기 복수의 클래스는, 정상 상태 클래스, 이물질끼임 상태 클래스, 재닫힘 상태 클래스, 만차 상태 클래스, 스핀들 상태 클래스 및 스트레스 상태 클래스 중 적어도 하나를 포함할 수 있다.As an example related to the present invention, the performing of the classification function includes performing a classification function through the plurality of classification algorithms for each of a plurality of preset classes, and the plurality of classes include a normal state class, a foreign substance jamming state class, It may include at least one of a reclosed state class, a full state class, a spindle state class, and a stress state class.

본 발명과 관련된 일 예로서 상기 분류 기능을 수행하는 단계는, 상기 산출된 복수의 통계 인자를 이용한 상기 수집된 출입문 장치의 센싱 정보에 대한 중요 특성 분석 시, 출입문의 개방 및 닫힘 각각의 신호 데이터 전체를 사용하여 특성을 분석할 수 있다.As an example related to the present invention, the performing of the classification function may include, when analyzing important characteristics of the sensed information of the collected door device using the calculated plurality of statistical factors, all signal data of each door opening and closing. can be used to characterize it.

본 발명과 관련된 일 예로서 상기 분류 기능을 수행하는 단계는, 상기 산출된 복수의 통계 인자를 이용한 상기 수집된 출입문 장치의 센싱 정보에 대한 중요 특성 분석 시, 개방 신호에서 가속과 감속 구간으로 분할하여 구간별 신호의 특성을 분석할 수 있다.As an example related to the present invention, the performing of the classification function may include dividing an open signal into acceleration and deceleration sections when analyzing important characteristics of the sensed information of the collected door device using the calculated plurality of statistical factors. Characteristics of signals for each section can be analyzed.

본 발명과 관련된 일 예로서 상기 복수의 클래스별 분류 결과는, 상기 미리 설정된 복수의 클래스별로 산출된 정확도, 정밀도, 재현율 및 F1 점수 중 적어도 하나를 포함할 수 있다.As an example related to the present invention, the classification result for each of the plurality of classes may include at least one of accuracy, precision, recall, and F1 score calculated for each of the plurality of preset classes.

본 발명은 철도차량의 출입문 장치의 센싱 정보를 수집하고, 수집된 센싱 정보로부터 미리 설정된 통계 인자를 산출하고, 상기 산출된 통계 인자를 근거로 미리 설정된 복수의 분류 알고리즘을 이용해서 분류 기능을 수행하고, 미리 설정된 복수의 클래스별로 분류 결과를 제공함으로써, 철도차량의 현재 상태에 대한 고장 유무, 불량 여부 등에 대한 빠른 검사 결과를 제공하고, 검사 결과에 따라 실시간으로 철도차량의 상태를 모니터링할 수 있는 효과가 있다.The present invention collects sensing information of a door device of a railroad car, calculates preset statistical factors from the collected sensing information, and performs a classification function using a plurality of classification algorithms preset based on the calculated statistical factors, By providing classification results for a plurality of preset classes, it is possible to provide quick inspection results for the presence or absence of faults or defects for the current state of the railway vehicle, and to monitor the state of the railway vehicle in real time according to the inspection result. there is

도 1은 본 발명의 실시예에 따른 고장 진단 장치의 구성을 나타낸 블록도이다.
도 2는 본 발명의 실시예에 따른 출입문의 개방 상태 또는 닫힘 상태에서의 항목별 정상과 비정상 신호 특성의 예를 나타낸 도이다.
도 3은 본 발명의 실시예에 따른 철도차량의 출입문 장치의 센싱 정보를 이용한 고장 진단 방법을 나타낸 흐름도이다.
도 4 내지 도 21은 본 발명의 실시예에 따른 분석 결과의 예를 나타낸 도이다.1 is a block diagram showing the configuration of a failure diagnosis apparatus according to an embodiment of the present invention.
2 is a diagram illustrating examples of normal and abnormal signal characteristics for each item in an open or closed state of a door according to an embodiment of the present invention.
3 is a flowchart illustrating a fault diagnosis method using sensing information of a door device of a railroad car according to an embodiment of the present invention.
4 to 21 are diagrams showing examples of analysis results according to an embodiment of the present invention.

본 발명에서 사용되는 기술적 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 발명에서 사용되는 기술적 용어는 본 발명에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 발명에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 발명에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.It should be noted that the technical terms used in the present invention are only used to describe specific embodiments, and are not intended to limit the present invention. In addition, the technical terms used in the present invention should be interpreted as meanings generally understood by those of ordinary skill in the art to which the present invention belongs, unless otherwise defined in the present invention, and excessively comprehensive It should not be construed as a human meaning or in an excessively reduced meaning. In addition, when the technical term used in the present invention is an incorrect technical term that does not accurately express the spirit of the present invention, it should be understood by being replaced with a technical term that can be correctly understood by those skilled in the art. In addition, general terms used in the present invention should be interpreted as defined in advance or according to the context before and after, and should not be interpreted in an excessively reduced meaning.

또한, 본 발명에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다. 본 발명에서 "구성된다" 또는 "포함한다" 등의 용어는 발명에 기재된 여러 구성 요소들 또는 여러 단계를 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.Also, the singular expression used in the present invention includes the plural expression unless the context clearly dictates otherwise. In the present invention, terms such as "consisting of" or "comprising" should not be construed as necessarily including all of the various components or various steps described in the invention, and some components or some steps may not be included. It should be construed that it may further include additional components or steps.

또한, 본 발명에서 사용되는 제 1, 제 2 등과 같이 서수를 포함하는 용어는 구성 요소들을 설명하는데 사용될 수 있지만, 구성 요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성 요소는 제 2 구성 요소로 명명될 수 있고, 유사하게 제 2 구성 요소도 제 1 구성 요소로 명명될 수 있다.Also, terms including ordinal numbers such as first, second, etc. used in the present invention may be used to describe the components, but the components should not be limited by the terms. The terms are used only for the purpose of distinguishing one component from another. For example, without departing from the scope of the present invention, a first component may be referred to as a second component, and similarly, the second component may also be referred to as a first component.

이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.Hereinafter, a preferred embodiment according to the present invention will be described in detail with reference to the accompanying drawings, but the same or similar components are given the same reference numerals regardless of the reference numerals, and the redundant description thereof will be omitted.

또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다.In addition, in the description of the present invention, if it is determined that a detailed description of a related known technology may obscure the gist of the present invention, the detailed description thereof will be omitted. In addition, it should be noted that the accompanying drawings are only for easy understanding of the spirit of the present invention, and should not be construed as limiting the spirit of the present invention by the accompanying drawings.

도 1은 본 발명의 실시예에 따른 고장 진단 장치(100)의 구성을 나타낸 블록도이다.1 is a block diagram showing the configuration of a failure diagnosis apparatus 100 according to an embodiment of the present invention.

도 1에 도시한 바와 같이, 고장 진단 장치(100)는 통신부(110), 저장부(120), 표시부(130), 음성 출력부(140) 및 제어부(150)로 구성된다. 도 1에 도시된 고장 진단 장치(100)의 구성 요소 모두가 필수 구성 요소인 것은 아니며, 도 1에 도시된 구성 요소보다 많은 구성 요소에 의해 고장 진단 장치(100)가 구현될 수도 있고, 그보다 적은 구성 요소에 의해서도 고장 진단 장치(100)가 구현될 수도 있다.As shown in FIG. 1 , the failure diagnosis apparatus 100 includes a communication unit 110 , a storage unit 120 , a display unit 130 , an audio output unit 140 , and a control unit 150 . Not all of the components of the fault diagnosis apparatus 100 shown in FIG. 1 are essential components, and the fault diagnosis apparatus 100 may be implemented by more components than the components shown in FIG. The failure diagnosis apparatus 100 may also be implemented by components.

상기 고장 진단 장치(100)는 스마트폰(Smart Phone), 휴대 단말기(Portable Terminal), 이동 단말기(Mobile Terminal), 폴더블 단말기(Foldable Terminal), 개인 정보 단말기(Personal Digital Assistant: PDA), PMP(Portable Multimedia Player) 단말기, 텔레매틱스(Telematics) 단말기, 내비게이션(Navigation) 단말기, 개인용 컴퓨터(Personal Computer), 노트북 컴퓨터, 슬레이트 PC(Slate PC), 태블릿 PC(Tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(Wearable Device, 예를 들어, 워치형 단말기(Smartwatch), 글래스형 단말기(Smart Glass), HMD(Head Mounted Display) 등 포함), 와이브로(Wibro) 단말기, IPTV(Internet Protocol Television) 단말기, 스마트 TV, 디지털방송용 단말기, AVN(Audio Video Navigation) 단말기, A/V(Audio/Video) 시스템, 플렉시블 단말기(Flexible Terminal), 디지털 사이니지 장치 등과 같은 다양한 단말기에 적용될 수 있다.The failure diagnosis apparatus 100 includes a smart phone, a portable terminal, a mobile terminal, a foldable terminal, a personal digital assistant (PDA), a PMP ( Portable Multimedia Player) terminal, telematics terminal, navigation terminal, personal computer, notebook computer, slate PC, tablet PC, ultrabook, wearable device (Including Wearable Device, for example, watch-type terminal (Smartwatch), glass-type terminal (Smart Glass), HMD (Head Mounted Display), etc.), Wibro (Wibro) terminal, IPTV (Internet Protocol Television) terminal, smart TV, It can be applied to various terminals such as a digital broadcasting terminal, an AVN (Audio Video Navigation) terminal, an A/V (Audio/Video) system, a flexible terminal, and a digital signage device.

상기 통신부(110)는 유/무선 통신망을 통해 내부의 임의의 구성 요소 또는 외부의 임의의 적어도 하나의 단말기와 통신 연결한다. 이때, 상기 외부의 임의의 단말기는 철도차량(미도시), 서버(미도시) 등을 포함할 수 있다. 여기서, 무선 인터넷 기술로는 무선랜(Wireless LAN: WLAN), DLNA(Digital Living Network Alliance), 와이브로(Wireless Broadband: Wibro), 와이맥스(World Interoperability for Microwave Access: Wimax), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), IEEE 802.16, 롱 텀 에볼루션(Long Term Evolution: LTE), LTE-A(Long Term Evolution-Advanced), 광대역 무선 이동 통신 서비스(Wireless Mobile Broadband Service: WMBS) 등이 있으며, 상기 통신부(110)는 상기에서 나열되지 않은 인터넷 기술까지 포함한 범위에서 적어도 하나의 무선 인터넷 기술에 따라 데이터를 송수신하게 된다. 또한, 근거리 통신 기술로는 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association: IrDA), UWB(Ultra Wideband), 지그비(ZigBee), 인접 자장 통신(Near Field Communication: NFC), 초음파 통신(Ultra Sound Communication: USC), 가시광 통신(Visible Light Communication: VLC), 와이 파이(Wi-Fi), 와이 파이 다이렉트(Wi-Fi Direct) 등이 포함될 수 있다. 또한, 유선 통신 기술로는 전력선 통신(Power Line Communication: PLC), USB 통신, 이더넷(Ethernet), 시리얼 통신(serial communication), 광/동축 케이블 등이 포함될 수 있다.The communication unit 110 communicates with any internal component or at least one external terminal through a wired/wireless communication network. In this case, the external arbitrary terminal may include a railway vehicle (not shown), a server (not shown), and the like. Here, as wireless Internet technologies, wireless LAN (WLAN), DLNA (Digital Living Network Alliance), WiBro (Wireless Broadband: Wibro), Wimax (World Interoperability for Microwave Access: Wimax), HSDPA (High Speed Downlink Packet Access) ), High Speed Uplink Packet Access (HSUPA), IEEE 802.16, Long Term Evolution (LTE), Long Term Evolution-Advanced (LTE-A), Wireless Mobile Broadband Service (WMBS), etc. In this case, the communication unit 110 transmits and receives data according to at least one wireless Internet technology within a range including Internet technologies not listed above. In addition, short-range communication technologies include Bluetooth, Radio Frequency Identification (RFID), Infrared Data Association (IrDA), Ultra Wideband (UWB), ZigBee, and Near Field Communication (NFC). , Ultra Sound Communication (USC), Visible Light Communication (VLC), Wi-Fi (Wi-Fi), Wi-Fi Direct (Wi-Fi Direct), etc. may be included. In addition, the wired communication technology may include power line communication (PLC), USB communication, Ethernet, serial communication, optical/coaxial cable, and the like.

또한, 상기 통신부(110)는 유니버설 시리얼 버스(Universal Serial Bus: USB)를 통해 임의의 단말과 정보를 상호 전송할 수 있다.Also, the communication unit 110 may mutually transmit information with an arbitrary terminal through a Universal Serial Bus (USB).

또한, 상기 통신부(110)는 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 상기 철도차량, 상기 서버 등과 무선 신호를 송수신한다.In addition, the communication unit 110 is a technology standard or communication method for mobile communication (eg, GSM (Global System for Mobile communication), CDMA (Code Division Multi Access), CDMA2000 (Code Division Multi Access 2000), EV -DO (Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA (Wideband CDMA), HSDPA (High Speed Downlink Packet Access), HSUPA (High Speed Uplink Packet Access), LTE (Long Term Evolution), LTE-A (Long Term Evolution-Advanced, etc.) transmits and receives wireless signals to and from the base station, the railway vehicle, the server, etc.

또한, 상기 통신부(110)는 상기 제어부(150)의 제어에 의해, 상기 철도차량, 상기 서버 등으로부터 전송되는 해당 철도차량과 관련한 출입문 장치의 센싱 정보 등을 수신(또는 수집)한다.In addition, the communication unit 110 receives (or collects) sensing information of a door device related to the railway vehicle transmitted from the railway vehicle, the server, etc. under the control of the control unit 150 .

상기 저장부(120)는 다양한 사용자 인터페이스(User Interface: UI), 그래픽 사용자 인터페이스(Graphic User Interface: GUI) 등을 저장한다.The storage unit 120 stores various user interfaces (UIs), graphic user interfaces (GUIs), and the like.

또한, 상기 저장부(120)는 상기 고장 진단 장치(100)가 작동하는데 필요한 데이터와 프로그램 등을 저장한다.In addition, the storage unit 120 stores data and programs necessary for the failure diagnosis apparatus 100 to operate.

즉, 상기 저장부(120)는 상기 고장 진단 장치(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 고장 진단 장치(100)의 작동을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다. 또한, 이러한 응용 프로그램 중 적어도 일부는 고장 진단 장치(100)의 기본적인 기능을 위하여 출고 당시부터 고장 진단 장치(100) 상에 존재할 수 있다. 한편, 응용 프로그램은 상기 저장부(120)에 저장되고, 고장 진단 장치(100)에 설치되어, 제어부(150)에 의하여 상기 고장 진단 장치(100)의 작동(또는 기능)을 수행하도록 구동될 수 있다.That is, the storage unit 120 may store a plurality of application programs (or applications) driven in the failure diagnosis apparatus 100 , data for operation of the failure diagnosis apparatus 100 , and commands. have. At least some of these applications may be downloaded from an external server via wireless communication. In addition, at least some of these application programs may exist on the failure diagnosis apparatus 100 from the time of shipment for a basic function of the failure diagnosis apparatus 100 . On the other hand, an application program may be stored in the storage unit 120 , installed in the failure diagnosis apparatus 100 , and driven to perform an operation (or function) of the failure diagnosis apparatus 100 by the control unit 150 . have.

또한, 상기 저장부(120)는 플래시 메모리 타입(Flash Memory Type), 하드 디스크 타입(Hard Disk Type), 멀티미디어 카드 마이크로 타입(Multimedia Card Micro Type), 카드 타입의 메모리(예를 들면, SD 또는 XD 메모리 등), 자기 메모리, 자기 디스크, 광디스크, 램(Random Access Memory: RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory: ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory) 중 적어도 하나의 저장매체를 포함할 수 있다. 또한, 고장 진단 장치(100)는 인터넷(internet)상에서 저장부(120)의 저장 기능을 수행하는 웹 스토리지(web storage)를 운영하거나, 또는 상기 웹 스토리지와 관련되어 작동할 수도 있다.In addition, the storage unit 120 is a flash memory type (Flash Memory Type), a hard disk type (Hard Disk Type), a multimedia card micro type (Multimedia Card Micro Type), a card type memory (eg, SD or XD) memory, etc.), magnetic memory, magnetic disk, optical disk, RAM (Random Access Memory: RAM), SRAM (Static Random Access Memory), ROM (Read-Only Memory: ROM), EEPROM (Electrically Erasable Programmable Read-Only Memory), It may include at least one storage medium among Programmable Read-Only Memory (PROM). In addition, the failure diagnosis apparatus 100 may operate a web storage that performs a storage function of the storage unit 120 on the Internet, or may operate in connection with the web storage.

또한, 상기 저장부(120)는 상기 제어부(150)의 제어에 의해 상기 수신된 철도차량과 관련한 출입문장치의 센싱 정보 등을 저장한다.In addition, the storage unit 120 stores the sensing information of the door device related to the railroad vehicle received under the control of the control unit 150 .

상기 표시부(또는 디스플레이부)(130)는 상기 제어부(150)의 제어에 의해 상기 저장부(120)에 저장된 사용자 인터페이스 및/또는 그래픽 사용자 인터페이스를 이용하여 다양한 메뉴 화면 등과 같은 다양한 콘텐츠를 표시할 수 있다. 여기서, 상기 표시부(130)에 표시되는 콘텐츠는 다양한 텍스트 또는 이미지 데이터(각종 정보 데이터 포함)와 아이콘, 리스트 메뉴, 콤보 박스 등의 데이터를 포함하는 메뉴 화면 등을 포함한다. 또한, 상기 표시부(130)는 터치 스크린 일 수 있다.The display unit (or display unit) 130 may display various contents such as various menu screens using the user interface and/or graphic user interface stored in the storage unit 120 under the control of the control unit 150 . have. Here, the content displayed on the display unit 130 includes various text or image data (including various information data) and a menu screen including data such as icons, list menus, and combo boxes. Also, the display unit 130 may be a touch screen.

또한, 상기 표시부(130)는 액정 디스플레이(Liquid Crystal Display: LCD), 박막 트랜지스터 액정 디스플레이(Thin Film Transistor-Liquid Crystal Display: TFT LCD), 유기 발광 다이오드(Organic Light-Emitting Diode: OLED), 플렉시블 디스플레이(Flexible Display), 3차원 디스플레이(3D Display), 전자잉크 디스플레이(e-ink display), LED(Light Emitting Diode) 중에서 적어도 하나를 포함할 수 있다.In addition, the display unit 130 includes a liquid crystal display (LCD), a thin film transistor liquid crystal display (TFT LCD), an organic light-emitting diode (OLED), and a flexible display. It may include at least one of a flexible display, a 3D display, an e-ink display, and a Light Emitting Diode (LED).

또한, 상기 표시부(130)는 상기 제어부(150)의 제어에 의해 상기 수신된 철도차량과 관련한 출입문장치의 센싱 정보 등을 표시한다.In addition, the display unit 130 displays sensing information of a door device related to the received railroad vehicle under the control of the control unit 150 .

상기 음성 출력부(140)는 상기 제어부(150)에 의해 소정 신호 처리된 신호에 포함된 음성 정보를 출력한다. 여기서, 상기 음성 출력부(140)에는 리시버(receiver), 스피커(speaker), 버저(buzzer) 등이 포함될 수 있다.The audio output unit 140 outputs audio information included in a signal processed by the control unit 150 . Here, the audio output unit 140 may include a receiver, a speaker, a buzzer, and the like.

또한, 상기 음성 출력부(140)는 상기 제어부(150)에 의해 생성된 안내 음성을 출력한다.In addition, the voice output unit 140 outputs a guide voice generated by the control unit 150 .

또한, 상기 음성 출력부(140)는 상기 제어부(150)의 제어에 의해 상기 표시부(130)에 표시되는 철도차량과 관련한 출입문 장치의 센싱 정보 등에 대응하는 음성 정보(또는 음향 정보) 등을 출력한다.In addition, the voice output unit 140 outputs voice information (or sound information) corresponding to sensing information of a door device related to a railroad vehicle displayed on the display unit 130 under the control of the control unit 150 , etc. .

상기 제어부(controller, 또는 MCU(microcontroller unit)(150)는 상기 고장 진단 장치(100)의 전반적인 제어 기능을 실행한다.The controller (or microcontroller unit) 150 executes an overall control function of the failure diagnosis apparatus 100 .

또한, 상기 제어부(150)는 상기 저장부(120)에 저장된 프로그램 및 데이터를 이용하여 고장 진단 장치(100)의 전반적인 제어 기능을 실행한다. 상기 제어부(150)는 RAM, ROM, CPU, GPU, 버스를 포함할 수 있으며, RAM, ROM, CPU, GPU 등은 버스를 통해 서로 연결될 수 있다. CPU는 상기 저장부(120)에 액세스하여, 상기 저장부(120)에 저장된 O/S를 이용하여 부팅을 수행할 수 있으며, 상기 저장부(120)에 저장된 각종 프로그램, 콘텐츠, 데이터 등을 이용하여 다양한 작동을 수행할 수 있다.In addition, the control unit 150 executes the overall control function of the failure diagnosis apparatus 100 using the program and data stored in the storage unit 120 . The controller 150 may include a RAM, ROM, CPU, GPU, and bus, and the RAM, ROM, CPU, GPU, etc. may be connected to each other through a bus. The CPU may access the storage unit 120 and perform booting using the O/S stored in the storage unit 120 , and use various programs, contents, data, etc. stored in the storage unit 120 . to perform various operations.

또한, 상기 제어부(150)는 상기 통신부(110)를 통해 수신한(또는 수집한) 해당 철도차량의 출입문 장치의 센싱 정보를 상기 저장부(120)에 저장한다. 여기서, 상기 철도차량(rolling stock/railroad vehicle)은 기관차 및 동력을 가진 여객차 화물차를 총칭하며, 해당 철도차량의 출입문 일측에 구비된 센서부(미도시)를 통해서 상기 출입문 장치와 관련한 다양한 정보를 측정(또는 센싱)한다. 또한, 상기 출입문 장치의 센싱 정보(또는 센싱 데이터)는 해당 출입문 장치(또는 도어)의 개방(open) 또는 닫힘(close)에 따라 발생하는 정보로, 미리 설정된 시간 항목, 배터리 항목, 모터 전압 항목, 모터 전류 항목, 모터 속도 항목, 도어 위치 항목 등과 관련해서 정상 상태, 이물질끼임 상태, 재닫힘 상태, 만차 상태, 스핀들(spindle) 상태, 스트레스(stress) 상태 등과 관련한 복수의 데이터를 포함한다.In addition, the control unit 150 stores the sensing information of the door device of the railway vehicle received (or collected) through the communication unit 110 in the storage unit 120 . Here, the rolling stock/railroad vehicle is a generic term for a locomotive and a passenger car freight car with power, and various information related to the door device is transmitted through a sensor unit (not shown) provided on one side of the door of the rail vehicle. Measure (or sense). In addition, the sensing information (or sensing data) of the door device is information generated according to the opening or closing of the corresponding door device (or door), a preset time item, a battery item, a motor voltage item, It includes a plurality of data related to a normal state, a foreign object jammed state, a re-closed state, a full state, a spindle state, a stress state, and the like in relation to a motor current item, a motor speed item, a door position item, and the like.

또한, 상기 제어부(150)는 상기 수신된(또는 수집된) 출입문 장치의 센싱 정보를 근거로 미리 설정된 복수의 통계 인자를 산출(또는 추출)한다. 여기서, 상기 통계 인자는 고장 진단 분야에서 대표적으로 사용하는 인자일 수 있으며, 평균(mean), 실효값(root-mean-square: RMS), 표준편차(standard deviation), 피크(peak), 왜도(또는 비대칭도, skewness), 첨도(kurtosis), 파고율(crest factor), 클리언스 팩터(clearance factor), 형상계수(shape factor), 임펄스 팩터(impulse factor), 피크 투 피크(peak-to-peak), 공차분석(root sum of square) 등을 포함한다.In addition, the control unit 150 calculates (or extracts) a plurality of preset statistical factors based on the received (or collected) sensing information of the door device. Here, the statistical factor may be a factor typically used in the field of fault diagnosis, and includes a mean, a root-mean-square (RMS), a standard deviation, a peak, and a skewness. (or asymmetry, skewness), kurtosis, crest factor, clearance factor, shape factor, impulse factor, peak-to-peak ), tolerance analysis (root sum of square), etc.

즉, 상기 제어부(150)는 상기 수신된 출입문 장치의 센싱 정보에 대해서 상기 복수의 통계 인자를 각각 산출한다.That is, the control unit 150 calculates each of the plurality of statistical factors with respect to the received sensing information of the door device.

또한, 상기 제어부(150)는 상기 산출된(또는 추출된) 복수의 통계 인자를 근거로 미리 설정된 복수의 분류 알고리즘을 이용해서 분류 기능(또는 분석 기능)을 수행한다. 여기서, 상기 분류 알고리즘(또는 분석 알고리즘/모델)은 랜덤 포레스트(random forest) 모델, K-최근접 이웃(K-Nearest Neighbor: KNN) 모델, 앙상블(ensemble) 모델 등을 포함한다.In addition, the control unit 150 performs a classification function (or an analysis function) using a plurality of classification algorithms preset based on the plurality of calculated (or extracted) statistical factors. Here, the classification algorithm (or analysis algorithm/model) includes a random forest model, a K-Nearest Neighbor (KNN) model, an ensemble model, and the like.

이때, 상기 랜덤 포레스트 모델은 복수의 결정 트리(decision tree)를 학습하는 앙상블 기법으로, 결측치(missing value)를 다루기 쉬우며, 대용량 데이터 처리에 효과적이고, 오버피팅(overfitting) 문제를 회피하며, 모델 정확도를 향상시키고, 분류 모델(classification model)에서 상대적으로 중요한 변수의 선정 및 랭킹(ranking)이 가능한 모델이다.In this case, the random forest model is an ensemble technique for learning a plurality of decision trees, it is easy to handle missing values, is effective in processing large amounts of data, avoids the overfitting problem, and the model It is a model that improves accuracy and enables selection and ranking of relatively important variables in a classification model.

또한, 상기 K-최근접 이웃(K-Nearest Neighbor: KNN) 모델은 단순하지만 높은 정확성을 특징으로 분류 문제에 많이 사용되며, 사용할 수 있는 모든 경우를 저장하고 거리 측정(distance measure) 등의 유사성에 기반하여 새로운 정보를 분류하며, k개의 최근접 이웃 사이에서 가장 공통적인 항목에 할당되는 객체로 과반수 투표에 의해 분류하는 모델이다. 여기서, 상기 K는 자연수일 수 있다.In addition, the K-Nearest Neighbor (KNN) model is simple but is widely used in classification problems due to its high accuracy, stores all available cases, and provides similarities such as distance measure. It is a model that classifies new information based on a majority vote as an object assigned to the most common item among k nearest neighbors. Here, K may be a natural number.

또한, 상기 앙상블 모델은 하나의 모델만을 학습시켜 사용하지 않고, 여러 모델(예를 들어 랜덤 포레스트, KNN, SVM(support vector machine) 등 포함)을 학습시켜 결합하는 방식으로, 개별로 학습한 여러 모델을 조합하여 일반화(generalization) 성능을 향상시키고, 오버피팅을 감소시키는 모델이다.In addition, the ensemble model does not learn and use only one model, but is a method of learning and combining multiple models (including, for example, random forest, KNN, support vector machine (SVM), etc.), several models learned individually It is a model that improves generalization performance and reduces overfitting by combining

즉, 상기 제어부(150)는 상기 산출된 복수의 통계 인자를 입력값으로 상기 복수의 분류 알고리즘을 이용해서 각각의 분류 기능을 수행한다.That is, the control unit 150 performs each classification function by using the plurality of classification algorithms using the plurality of calculated statistical factors as input values.

이때, 상기 제어부(150)는 해당 분류 알고리즘의 학습을 위해서, 상기 산출된 복수의 통계 인자 중에서 미리 설정된 개수(또는 비율)의 통계 인자를 데이터 셋으로 설정하고, 상기 데이터 셋을 입력값으로 상기 복수의 분류 알고리즘을 이용해서 각각 분류 기능(또는 분류에 따른 학습 기능)을 수행한다.In this case, the controller 150 sets a preset number (or ratio) of statistical factors among the plurality of calculated statistical factors as a data set, and uses the data set as an input value for the learning of the corresponding classification algorithm. Each classification function (or a learning function according to the classification) is performed using the classification algorithm of

또한, 상기 제어부(150)는 학습을 수행한 분류 알고리즘에 대해서, 상기 산출된 복수의 통계 인자 중에서 상기 미리 설정된 개수(또는 비율)의 통계 인자를 제외하고 남은 적어도 하나의 통계 인자를 테스트 셋으로 설정하고, 상기 테스트 셋을 입력값으로 상기 복수의 분류 알고리즘(또는 상기 학습을 수행한 분류 알고리즘)을 이용해서 각각 분류 기능을 수행한다. 이때, 상기 제어부(150)는 미리 설정된 복수의 클래스별로 상기 복수의 분류 알고리즘을 통해 분류 기능을 수행할 수 있다. 여기서, 상기 복수의 클래스는 정상 상태 클래스, 이물질끼임 상태 클래스, 재닫힘 상태 클래스, 만차 상태 클래스, 스핀들 상태 클래스, 스트레스 상태 클래스 등을 포함한다.In addition, the control unit 150 sets at least one remaining statistical factor from among the plurality of calculated statistical factors as a test set, excluding the preset number (or ratio) of statistical factors for the learning classification algorithm. and performing a classification function using the plurality of classification algorithms (or a classification algorithm that has performed the learning) as an input value of the test set. In this case, the controller 150 may perform a classification function through the plurality of classification algorithms for a plurality of preset classes. Here, the plurality of classes include a steady state class, a foreign object trapping state class, a re-closed state class, a full state class, a spindle state class, a stress state class, and the like.

또한, 상기 제어부(150)는 상기 산출된 복수의 통계 인자를 이용한 상기 수신된(또는 수집된) 출입문 장치의 센싱 정보에 대한 중요 특성 분석 시, 출입문의 개방/닫힘 각각의 신호 데이터 전체를 사용하여 특성을 분석하고, 개방 신호에서 가속과 감속 구간으로 분할하여 구간별 신호의 특성을 분석하고, 상기 수신된 출입문 장치의 센싱 정보를 그대로 이용하는 대신에 전류와 속도 인자 데이터를 사용하여 신규 생성한 통계 인자를 기반으로 모델의 중요 특성을 분석한다. 이때, 상기 제어부(150)는 데이터 수집 파일 단위로, 도어 위치를 기준으로 모터 전류의 최대값에 따라 가속 구간/감속 구간으로 분할하며, 전류 기준으로 속도 인자도 분할할 수 있다. 여기서, 닫힘 신호 데이터(또는 닫힘 신호)의 경우, 가속 구간과 감속 구간을 구분할 수 있는 기준이 없을 수도 있다.In addition, when analyzing important characteristics of the received (or collected) sensing information of the door device using the plurality of calculated statistical factors, the control unit 150 uses all of the signal data of each door open/closed. Analyze the characteristics, divide the open signal into acceleration and deceleration sections, analyze the characteristics of the signals for each section, and use the current and speed factor data to create new statistical factors instead of using the received sensing information of the door device as it is. Analyze the important characteristics of the model based on In this case, the control unit 150 may divide the data collection file into an acceleration section/deceleration section according to the maximum value of the motor current based on the door position, and also divide the speed factor based on the current. Here, in the case of the closing signal data (or the closing signal), there may be no criterion for distinguishing the acceleration section from the deceleration section.

또한, 도 2에 도시된 바와 같이, 상기 제어부(150)는 출입문의 개방 상태 또는 닫힘 상태에 대해서 모터 전류(예를 들어 도 2에서 파란색으로 표시), 모터 속도(예를 들어 빨간색으로 표시), 모터 전압(예를 들어 녹색으로 표시) 등의 항목에 대해서 정상 상태, 만차 상태, 이물질끼임 상태 등의 정상과 비정상 신호 특성을 확인할 수 있다.In addition, as shown in FIG. 2 , the control unit 150 controls the motor current (for example, indicated in blue in FIG. 2), the motor speed (for example, indicated in red), for the open or closed state of the door. Normal and abnormal signal characteristics such as normal state, full vehicle state, and foreign matter trapped state can be checked for items such as motor voltage (displayed in green, for example).

또한, 상기 제어부(150)는 각 분류 알고리즘의 성능 평가를 위해서 미리 설정된 복수의 클래스별로 분류 결과를 표시부(130) 및/또는 음성 출력부(140)를 통해 출력한다. 여기서, 상기 클래스별 분류 결과(또는 클래스별 분류 기능 수행 결과/다중 클래스 분류 결과)는 혼동 행렬(confusion matrix)을 근거로 상기 미리 설정된 복수의 클래스별로(예를 들어 정상 상태 클래스, 이물질끼임 상태 클래스, 재닫힘 상태 클래스, 만차 상태 클래스, 스핀들 상태 클래스, 스트레스 상태 클래스 등 포함) 산출된 정확도(accuracy), 정밀도(precision), 재현율(recall), F1 점수(F1 score, F-measure) 등을 포함한다.In addition, the control unit 150 outputs classification results for a plurality of preset classes through the display unit 130 and/or the voice output unit 140 for performance evaluation of each classification algorithm. Here, the classification result for each class (or the result of performing a classification function for each class/multi-class classification result) is based on a confusion matrix for each of the preset plurality of classes (for example, a normal state class, a foreign substance entrapment state class) , including reclosed state class, full state class, spindle state class, stress state class, etc.) including calculated accuracy, precision, recall, F1 score, F-measure, etc. do.

이때, 상기 혼동 행렬은 분류 모델의 성능을 설명하기 위한 것으로, 학습된 분류 모델이 예측을 수행하면서 얼마나 헷갈리고 있는지 함께 보여주는 지표로, 분류의 예측 오류가 얼마인지와 더불어 어떠한 유형의 예측 오류가 발생하고 있는지를 나타내는 지표이다.At this time, the confusion matrix is for explaining the performance of the classification model, and is an indicator showing how confused the learned classification model is while performing prediction. It's an indicator of what you're doing.

또한, 상기 정확도는 실제 데이터에서 예측 데이터가 얼마나 같은지를 판단하는 지표(또는 전체 샘플 중 맞게 예측한 샘플 수의 비율)이다.In addition, the accuracy is an index (or the ratio of the number of correctly predicted samples among all samples) for determining how the predicted data are the same from the actual data.

또한, 상기 정밀도는 예측을 포지티브(positive)로 한 대상 중에 예측값과 실제값이 포지티브로 일치한 비율을 나타낸 지표(또는 분류 모델이 트루(true)라고 분류한 것 중 실제 트루인 비율)이다.In addition, the precision is an index (or an actual true-in ratio among those classified as true by the classification model) in which the predicted value and the actual value are positively matched among the objects for which the prediction is positive.

또한, 상기 재현율은 실제값이 포지티브인 대상 중에 예측값과 실제값이 포지티브로 일치한 비율을 나타낸 지표(또는 실제 트루인 것 중에서 분류 모델이 트루라고 예측한 비율)이다.In addition, the recall is an index indicating a ratio (or a ratio predicted by the classification model to be true among those that are actually true) in which the predicted value and the actual value are positively matched among subjects for which the actual value is positive.

또한, 상기 F1 점수는 정밀도와 재현율을 결합한 지표(또는 정밀도와 재현율의 조화 평균)이다.In addition, the F1 score is an index combining precision and recall (or a harmonic average of precision and recall).

또한, 상기 제어부(150)는 상기 클래스별 분류 결과를 근거로 해당 철도차량의 현재 상태(예를 들어 고장 유무, 불량 여부 등 포함)에 대한 모니터링 결과를 상기 표시부(130) 및/또는 상기 음성 출력부(140)를 통해 출력한다.In addition, the control unit 150 displays a monitoring result of the current state of the railway vehicle (including, for example, whether there is a failure, whether there is a defect, etc.) based on the classification result for each class to the display unit 130 and/or the voice output. output through the unit 140 .

이와 같이, 상기 제어부(150)는 차량기지에 입차하는 철도차량 또는 운행 중인 철도차량으로부터 제공되는 해당 철도차량의 출입문 장치의 센싱 정보를 근거로 복수의 분류 알고리즘을 통해 해당 철도차량의 출입문 장치의 상태를 모니터링하고, 모니터링 결과를 관리자가 확인할 수 있도록 상기 표시부(130) 및/또는 상기 음성 출력부(140)를 통해 출력할 수 있다.In this way, the control unit 150 determines the state of the door device of the rail vehicle through a plurality of classification algorithms based on sensing information of the door device of the rail vehicle provided from the rail vehicle entering the vehicle base or the rail vehicle in operation. can be monitored and outputted through the display unit 130 and/or the audio output unit 140 so that an administrator can check the monitoring result.

또한, 운행 중인 철도차량으로부터 실시간으로 해당 철도차량의 출입문 장치의 센싱 정보를 수신하는 경우, 상기 제어부(150)는 해당 센싱 정보를 근거로 복수의 분류 알고리즘을 통해 해당 철도차량의 출입문 장치의 상태를 모니터링하고, 모니터링 결과를 운행 중인 철도차량에 근무 중인 기관사, 해당 철도차량의 운행을 관리하는 관리자 등이 확인할 수 있도록 해당 모니터링 결과를 상기 통신부(110)를 통해 상기 철도차량, 상기 서버 등에 전송할 수도 있다.In addition, when receiving sensing information of the door device of the railway vehicle in real time from the running railroad car, the control unit 150 determines the state of the door device of the railroad car through a plurality of classification algorithms based on the sensing information The monitoring result may be transmitted to the railway vehicle, the server, etc. through the communication unit 110 so that the monitoring result can be checked by an engineer working on the railway vehicle in operation, a manager who manages the operation of the railway vehicle, etc. .

이와 같이, 철도차량의 출입문 장치의 센싱 정보를 수집하고, 수집된 센싱 정보로부터 미리 설정된 통계 인자를 산출하고, 상기 산출된 통계 인자를 근거로 미리 설정된 복수의 분류 알고리즘을 이용해서 분류 기능을 수행하고, 미리 설정된 복수의 클래스별로 분류 결과를 제공할 수 있다.In this way, the sensing information of the door device of the railroad vehicle is collected, a preset statistical factor is calculated from the collected sensing information, and a classification function is performed using a plurality of preset classification algorithms based on the calculated statistical factor, and , it is possible to provide a classification result for each of a plurality of preset classes.

이하에서는, 본 발명에 따른 철도차량의 출입문 장치의 센싱 정보를 이용한 고장 진단 방법을 도 1 내지 도 21을 참조하여 상세히 설명한다.Hereinafter, a fault diagnosis method using sensing information of a door device of a railroad vehicle according to the present invention will be described in detail with reference to FIGS. 1 to 21 .

도 3은 본 발명의 실시예에 따른 철도차량의 출입문 장치의 센싱 정보를 이용한 고장 진단 방법을 나타낸 흐름도이다.3 is a flowchart illustrating a fault diagnosis method using sensing information of a door device of a railroad car according to an embodiment of the present invention.

먼저, 통신부(110)는 철도차량(미도시), 서버(미도시) 등으로부터 전송되는 해당 철도차량의 출입문 장치의 센싱 정보를 수신(또는 수집)한다. 여기서, 상기 철도차량(rolling stock/railroad vehicle)은 기관차 및 동력을 가진 여객차 화물차를 총칭하며, 해당 철도차량의 출입문 일측에 구비된 센서부(미도시)를 통해서 상기 출입문 장치와 관련한 다양한 정보를 측정(또는 센싱)한다. 또한, 상기 출입문 장치의 센싱 정보(또는 센싱 데이터)는 해당 출입문 장치(또는 도어)의 개방(open) 또는 닫힘(close)에 따라 발생하는 정보로, 미리 설정된 시간 항목, 배터리 항목, 모터 전압 항목, 모터 전류 항목, 모터 속도 항목, 도어 위치 항목 등과 관련해서 정상 상태, 이물질끼임 상태, 재닫힘 상태, 만차 상태, 스핀들(spindle) 상태, 스트레스(stress) 상태 등과 관련한 복수의 데이터를 포함한다.First, the communication unit 110 receives (or collects) the sensing information of the door device of the railway vehicle (not shown), such as transmitted from a railroad vehicle (not shown), a server (not shown). Here, the rolling stock/railroad vehicle is a generic term for a locomotive and a passenger car freight car with power, and various information related to the door device is transmitted through a sensor unit (not shown) provided on one side of the door of the rail vehicle. Measure (or sense). In addition, the sensing information (or sensing data) of the door device is information generated according to the opening or closing of the corresponding door device (or door), a preset time item, a battery item, a motor voltage item, It includes a plurality of data related to a normal state, a foreign object jammed state, a re-closed state, a full state, a spindle state, a stress state, and the like in relation to a motor current item, a motor speed item, a door position item, and the like.

일 예로, 제 1 통신부(110)는 제 1 철도차량으로부터 전송되는 해당 제 1 철도차량에 구비된 복수의 출입문에서 측정된 미리 설정된 시간 항목, 배터리 항목, 모터 전압 항목, 모터 전류 항목, 모터 속도 항목, 도어 위치 항목 등과 관련해서 정상 상태와 관련한 650개의 센싱 정보, 이물질끼임 상태와 관련한 100개의 센싱 정보, 재닫힘 상태와 관련한 50개의 센싱 정보, 만차 상태와 관련한 100개의 센싱 정보, 스핀들 상태와 관련한 50개의 센싱 정보, 스트레스 상태와 관련한 50개의 센싱 정보 등을 포함하는 1000개의 센싱 정보를 수신한다(S310).As an example, the first communication unit 110 is a preset time item, a battery item, a motor voltage item, a motor current item, and a motor speed item measured at a plurality of doors provided in the first railroad car transmitted from the first railroad car. , 650 sensor information related to the normal state in relation to door position items, 100 sensed information related to the jammed state, 50 sensed information related to the re-closing status, 100 sensed information related to the full state, 50 information related to the spindle status 1000 pieces of sensing information including 50 pieces of sensing information and 50 pieces of information related to a stress state are received (S310).

이후, 제어부(150)는 상기 수신된(또는 수집된) 출입문 장치의 센싱 정보를 근거로 미리 설정된 복수의 통계 인자를 산출(또는 추출)한다. 여기서, 상기 통계 인자는 고장 진단 분야에서 대표적으로 사용하는 인자일 수 있으며, 평균, 실효값, 표준편차, 피크(peak), 왜도(또는 비대칭도), 첨도, 파고율, 클리언스 팩터, 형상계수, 임펄스 팩터, 피크 투 피크, 공차분석 등을 포함한다.Thereafter, the control unit 150 calculates (or extracts) a plurality of preset statistical factors based on the received (or collected) sensing information of the door device. Here, the statistical factor may be a factor typically used in the field of fault diagnosis, and includes average, rms value, standard deviation, peak, skewness (or asymmetry), kurtosis, crest factor, clearance factor, shape factor. , impulse factor, peak-to-peak, tolerance analysis, etc.

즉, 상기 제어부(150)는 상기 수신된 출입문 장치의 센싱 정보에 대해서 상기 복수의 통계 인자를 각각 산출한다.That is, the control unit 150 calculates each of the plurality of statistical factors with respect to the received sensing information of the door device.

일 예로, 제 1 제어부(150)는 상기 수신된 1000개의 센싱 정보에 대해 평균, 실효값, 표준편차, 피크, 왜도, 첨도, 파고율, 클리언스 팩터, 형상계수, 임펄스 팩터, 피크 투 피크, 공차분석 등의 통계 인자를 각각 산출한다(S320).For example, the first control unit 150 may control the average, rms value, standard deviation, peak, skewness, kurtosis, crest factor, clearance factor, shape factor, impulse factor, peak-to-peak, Statistical factors such as tolerance analysis are calculated respectively (S320).

이후, 상기 제어부(150)는 상기 산출된(또는 추출된) 복수의 통계 인자를 근거로 미리 설정된 복수의 분류 알고리즘을 이용해서 분류 기능(또는 분석 기능)을 수행한다. 여기서, 상기 분류 알고리즘(또는 분석 알고리즘/모델)은 랜덤 포레스트(random forest) 모델, K-최근접 이웃(K-Nearest Neighbor: KNN) 모델, 앙상블(ensemble) 모델 등을 포함한다.Thereafter, the controller 150 performs a classification function (or an analysis function) using a plurality of classification algorithms preset based on the plurality of calculated (or extracted) statistical factors. Here, the classification algorithm (or analysis algorithm/model) includes a random forest model, a K-Nearest Neighbor (KNN) model, an ensemble model, and the like.

즉, 상기 제어부(150)는 상기 산출된 복수의 통계 인자를 입력값으로 상기 복수의 분류 알고리즘을 이용해서 각각의 분류 기능을 수행한다.That is, the control unit 150 performs each classification function by using the plurality of classification algorithms using the plurality of calculated statistical factors as input values.

이때, 상기 제어부(150)는 해당 분류 알고리즘의 학습을 위해서, 상기 산출된 복수의 통계 인자 중에서 미리 설정된 개수(또는 비율)의 통계 인자를 데이터 셋으로 설정하고, 상기 데이터 셋을 입력값으로 상기 복수의 분류 알고리즘을 이용해서 각각 분류 기능(또는 분류에 따른 학습 기능)을 수행한다.In this case, the controller 150 sets a preset number (or ratio) of statistical factors among the plurality of calculated statistical factors as a data set, and uses the data set as an input value for the learning of the corresponding classification algorithm. Each classification function (or a learning function according to the classification) is performed using the classification algorithm of

또한, 상기 제어부(150)는 학습을 수행한 분류 알고리즘에 대해서, 상기 산출된 복수의 통계 인자 중에서 상기 미리 설정된 개수(또는 비율)의 통계 인자를 제외하고 남은 적어도 하나의 통계 인자를 테스트 셋으로 설정하고, 상기 테스트 셋을 입력값으로 상기 복수의 분류 알고리즘(또는 상기 학습을 수행한 분류 알고리즘)을 이용해서 각각 분류 기능을 수행한다. 이때, 상기 제어부(150)는 미리 설정된 복수의 클래스별로 상기 복수의 분류 알고리즘을 통해 분류 기능을 수행할 수 있다. 여기서, 상기 복수의 클래스는 정상 상태 클래스, 이물질끼임 상태 클래스, 재닫힘 상태 클래스, 만차 상태 클래스, 스핀들 상태 클래스, 스트레스 상태 클래스 등을 포함한다.In addition, the control unit 150 sets at least one remaining statistical factor from among the plurality of calculated statistical factors as a test set, excluding the preset number (or ratio) of statistical factors for the learning classification algorithm. and performing a classification function using the plurality of classification algorithms (or a classification algorithm that has performed the learning) as an input value of the test set. In this case, the controller 150 may perform a classification function through the plurality of classification algorithms for a plurality of preset classes. Here, the plurality of classes include a steady state class, a foreign object trapping state class, a re-closed state class, a full state class, a spindle state class, a stress state class, and the like.

또한, 상기 제어부(150)는 상기 산출된 복수의 통계 인자를 이용한 상기 수신된(또는 수집된) 출입문 장치의 센싱 정보에 대한 중요 특성 분석 시, 출입문의 개방/닫힘 각각의 신호 데이터 전체를 사용하여 특성을 분석하고, 개방 신호에서 가속과 감속 구간으로 분할하여 구간별 신호의 특성을 분석하고, 상기 수신된 출입문 장치의 센싱 정보를 그대로 이용하는 대신에 전류와 속도 인자 데이터를 사용하여 신규 생성한 통계 인자를 기반으로 모델의 중요 특성을 분석한다. 이때, 상기 제어부(150)는 데이터 수집 파일 단위로, 도어 위치를 기준으로 모터 전류의 최대값에 따라 가속 구간/감속 구간으로 분할하며, 전류 기준으로 속도 인자도 분할할 수 있다. 여기서, 닫힘 신호 데이터(또는 닫힘 신호)의 경우, 가속 구간과 감속 구간을 구분할 수 있는 기준이 없을 수도 있다.In addition, when analyzing important characteristics of the received (or collected) sensing information of the door device using the plurality of calculated statistical factors, the control unit 150 uses all of the signal data of each door open/closed. Analyze the characteristics, divide the open signal into acceleration and deceleration sections, analyze the characteristics of the signals for each section, and use the current and speed factor data to create new statistical factors instead of using the received sensing information of the door device as it is. Analyze the important characteristics of the model based on In this case, the control unit 150 may divide the data collection file into an acceleration section/deceleration section according to the maximum value of the motor current based on the door position, and also divide the speed factor based on the current. Here, in the case of the closing signal data (or the closing signal), there may be no criterion for distinguishing the acceleration section from the deceleration section.

일 예로, 상기 제 1 제어부는 상기 산출된 1000개의 복수의 통계 인자 중에서 미리 설정된 비율인 70%에 해당하는 700개의 통계 인자를 입력값으로 상기 랜덤 포레스트 모델, K-최근접 이웃 모델, 앙상블 모델 등을 학습한다.For example, the first control unit receives 700 statistical factors corresponding to a preset ratio of 70% among the calculated plurality of 1000 statistical factors as input values, such as the random forest model, K-nearest neighbor model, ensemble model, etc. to learn

또한, 상기 제 1 제어부는 상기 산출된 1000개의 복수의 통계 인자 중에서 상기 700개의 통계 인자를 제외한 나머지 300개의 통계 인자를 입력값으로 상기 랜덤 포레스트 모델, K-최근접 이웃 모델, 앙상블 모델 등을 이용해서 분류 기능을 수행한다.In addition, the first control unit uses the random forest model, K-nearest neighbor model, ensemble model, etc. with the remaining 300 statistical factors excluding the 700 statistical factors among the calculated 1000 statistical factors as input values. Thus, the classification function is performed.

여기서, 도 4 및 도 5에 도시된 바와 같이, 상기 제 1 제어부는 개방 신호 전체 및 닫힘 신호 전체를 사용해서 중요 특성 분석 기능을 수행한다.Here, as shown in FIGS. 4 and 5 , the first control unit performs an important characteristic analysis function using the entire open signal and the entire closed signal.

또한, 도 6에 도시된 바와 같이, 상기 제 1 제어부는 모터 전류의 최대값을 기준으로 개방 신호를 가속 구간 신호와 감속 구간 신호로 분할하고, 도 7 및 도 8에 도시된 바와 같이, 분할된 개방 신호의 가속 구간 신호와 분할된 개방 신호의 감속 구간 신호에 대해서 중요 특성 분석 기능을 수행한다(S330).In addition, as shown in FIG. 6 , the first control unit divides the open signal into an acceleration section signal and a deceleration section signal based on the maximum value of the motor current, and as shown in FIGS. 7 and 8 , the divided An important characteristic analysis function is performed on the acceleration section signal of the open signal and the deceleration section signal of the divided open signal (S330).

이후, 상기 제어부(150)는 각 분류 알고리즘의 성능 평가를 위해서 미리 설정된 복수의 클래스별로 분류 결과를 표시부(130) 및/또는 음성 출력부(140)를 통해 출력한다. 여기서, 상기 클래스별 분류 결과(또는 클래스별 분류 기능 수행 결과/다중 클래스 분류 결과)는 혼동 행렬(confusion matrix)을 근거로 상기 미리 설정된 복수의 클래스별로(예를 들어 정상 상태 클래스, 이물질끼임 상태 클래스, 재닫힘 상태 클래스, 만차 상태 클래스, 스핀들 상태 클래스, 스트레스 상태 클래스 등 포함) 산출된 정확도(accuracy), 정밀도(precision), 재현율(recall), F1 점수(F1 score, F-measure) 등을 포함한다.Thereafter, the controller 150 outputs classification results for a plurality of preset classes through the display unit 130 and/or the voice output unit 140 for performance evaluation of each classification algorithm. Here, the classification result for each class (or the result of performing a classification function for each class/multi-class classification result) is based on a confusion matrix for each of the preset plurality of classes (for example, a normal state class, a foreign substance entrapment state class) , including reclosed state class, full state class, spindle state class, stress state class, etc.) including calculated accuracy, precision, recall, F1 score, F-measure, etc. do.

또한, 상기 제어부(150)는 상기 클래스별 분류 결과를 근거로 해당 철도차량의 현재 상태(예를 들어 고장 유무, 불량 여부 등 포함)에 대한 모니터링 결과를 상기 표시부(130) 및/또는 상기 음성 출력부(140)를 통해 출력한다.In addition, the control unit 150 displays a monitoring result of the current state of the railway vehicle (including, for example, whether there is a failure, whether there is a defect, etc.) based on the classification result for each class to the display unit 130 and/or the voice output. output through the unit 140 .

일 예로, 도 9에 도시된 바와 같이, 상기 제 1 제어부는 랜덤 포레스트 모델을 이용한 신호 데이터 전체를 사용한 개방 데이터에 대해 클래스별 정확도, 정밀도, 재현율 및 F1 점수를 포함하는 제 1 분석 결과를 제 1 표시부(130)에 표시한다. 여기서, 해당 랜덤 포레스트 모델의 하이퍼 파라미터는 파라미터 시뮬레이션을 실시하여 최적의 파라미터 값(예를 들어 n_estimators=20)을 사용하였다. 또한, 상기 제 1 분석 결과는 클래스별 정확도, 정밀도 및 재현율에서 평균적으로 90% 이상의 안적정인 결과를 나타내며, 클래스 2(또는 도어 재닫힘) 상황 예측에서는 비교적 낮은 점수를 나타내며, k-폴드 교차 검증(k-fold cross validation) 결과도 동일한 정확도를 나타낸다.For example, as shown in FIG. 9 , the first control unit first analyzes the first analysis result including the accuracy, precision, recall, and F1 score for each class for open data using all signal data using the random forest model. displayed on the display unit 130 . Here, for the hyperparameter of the random forest model, an optimal parameter value (for example, n_estimators=20) was used by performing a parameter simulation. In addition, the first analysis result shows a stable result of 90% or more on average in accuracy, precision, and recall for each class, and shows a relatively low score in class 2 (or door re-closing) situation prediction, k-fold cross-validation (k-fold cross validation) results also show the same accuracy.

또한, 도 10에 도시된 바와 같이, 상기 제 1 제어부는 랜덤 포레스트 모델을 이용한 신호 데이터 전체를 사용한 닫힘 데이터에 대해 클래스별 정확도, 정밀도, 재현율 및 F1 점수를 포함하는 제 2 분석 결과를 상기 제 1 표시부에 표시한다. 여기서, 해당 랜덤 포레스트 모델의 하이퍼 파라미터는 파라미터 시뮬레이션을 실시하여 최적의 파라미터 값(예를 들어 n_estimators=20)을 사용하였다. 또한, 상기 제 2 분석 결과는 클래스별 정확도, 정밀도 및 재현율에서 평균적으로 90% 이상의 안적정인 결과를 나타내며, 클래스 4(또는 스핀들) 상황 예측에서는 전체 예측에 비해 낮은 점수를 보이나 93% 예측으로 양호한 상태를 나타내며, k-폴드 교차 검증 결과도 동일한 정확도(97.5%)를 나타낸다. 이때, 개방 신호 예측보다 닫힘 신호 예측 정확성이 더 높은 상태임을 확인할 수 있다.In addition, as shown in FIG. 10 , the first control unit transmits the second analysis result including the accuracy, precision, recall rate, and F1 score for each class with respect to the closed data using the entire signal data using the random forest model as the first displayed on the display. Here, for the hyperparameter of the random forest model, an optimal parameter value (for example, n_estimators=20) was used by performing a parameter simulation. In addition, the second analysis result shows a stable result of 90% or more on average in accuracy, precision, and recall for each class. status, and the k-fold cross-validation result also shows the same accuracy (97.5%). In this case, it can be confirmed that the closed signal prediction accuracy is higher than that of the open signal prediction.

또한, 도 11에 도시된 바와 같이, 상기 제 1 제어부는 KNN 모델을 이용한 신호 데이터 전체를 사용한 개방 데이터에 대해 클래스별 정확도, 정밀도, 재현율 및 F1 점수를 포함하는 제 3 분석 결과를 상기 제 1 표시부에 표시한다. 여기서, 해당 KNN 모델의 하이퍼 파라미터는 파라미터 시뮬레이션을 실시하여 최적의 파라미터 값(예를 들어 n_estimators=4)을 사용하였다. 또한, 상기 제 3 분석 결과는 클래스별 정확도, 정밀도 및 재현율에서 평균적으로 90% 이상의 안적정인 결과를 나타내나, 랜덤 포레스트 모델의 예측률보다 조금 낮은 상태이며, 클래스 2(또는 도어 재닫힘) 상황 예측에서는 전체 예측에 비해 낮은 점수(앞선 랜덤 포레스트 모델과 동일)를 나타낸다.In addition, as shown in FIG. 11 , the first control unit displays the third analysis result including the accuracy, precision, recall rate, and F1 score for each class for open data using the entire signal data using the KNN model on the first display unit displayed on Here, the hyperparameters of the corresponding KNN model were used with optimal parameter values (eg, n_estimators=4) by performing parameter simulation. In addition, the third analysis result shows a stable result of 90% or more on average in accuracy, precision, and recall for each class, but is slightly lower than the prediction rate of the random forest model, and predicts the class 2 (or door re-closing) situation shows a lower score (same as the previous random forest model) compared to the overall prediction.

또한, 도 12에 도시된 바와 같이, 상기 제 1 제어부는 KNN 모델을 이용한 신호 데이터 전체를 사용한 닫힘 데이터에 대해 클래스별 정확도, 정밀도, 재현율 및 F1 점수를 포함하는 제 4 분석 결과를 상기 제 1 표시부에 표시한다. 여기서, 해당 KNN 모델의 하이퍼 파라미터는 파라미터 시뮬레이션을 실시하여 최적의 파라미터 값(예를 들어 n_estimators=4)을 사용하였다. 또한, 상기 제 4 분석 결과는 클래스별 정확도, 정밀도 및 재현율에서 평균적으로 90% 이상의 안적정인 결과를 나타내나, 랜덤 포레스트 모델의 예측률보다 조금 낮은 상태이며, 클래스 5(또는 스트레스) 상황 예측에서는 전체 예측에 비해 낮은 상태를 나타낸다. 이때, 개방 신호 예측보다 닫힘 신호 예측 정확성이 더 높은 상태임을 확인할 수 있다.In addition, as shown in FIG. 12 , the first control unit displays the fourth analysis result including the accuracy, precision, recall rate, and F1 score for each class for the closed data using the entire signal data using the KNN model on the first display unit displayed on Here, the hyperparameters of the corresponding KNN model were used with optimal parameter values (eg, n_estimators=4) by performing parameter simulation. In addition, the fourth analysis result shows a stable result of 90% or more on average in accuracy, precision, and recall for each class, but is slightly lower than the prediction rate of the random forest model, and in the prediction of the class 5 (or stress) situation, the overall It indicates a state that is lower than predicted. In this case, it can be confirmed that the closed signal prediction accuracy is higher than that of the open signal prediction.

또한, 도 13에 도시된 바와 같이, 상기 제 1 제어부는 앙상블 모델을 이용한 신호 데이터 전체를 사용한 개방 데이터에 대해 클래스별 정확도를 포함하는 제 5 분석 결과를 상기 제 1 표시부에 표시한다. 여기서, 해당 앙상블 모델은 랜덤 포레스트 모델, SVM 모델, KNN 모델을 사용하였으며, 랜덤 포레스트 예측률은 95%, SVM 예측률은 92%, KNN 예측률은 94%를 나타낸다.In addition, as shown in FIG. 13 , the first control unit displays a fifth analysis result including the accuracy for each class on the open data using the entire signal data using the ensemble model on the first display unit. Here, the ensemble model used a random forest model, an SVM model, and a KNN model, and the random forest prediction rate is 95%, the SVM prediction rate is 92%, and the KNN prediction rate is 94%.

또한, 도 14에 도시된 바와 같이, 상기 제 1 제어부는 앙상블 모델을 이용한 신호 데이터 전체를 사용한 닫힘 데이터에 대해 클래스별 정확도를 포함하는 제 6 분석 결과를 상기 제 1 표시부에 표시한다. 여기서, 해당 앙상블 모델은 랜덤 포레스트 모델, SVM 모델, KNN 모델을 사용하였으며, 랜덤 포레스트 예측률보다 낮은 94%의 결과를 나타낸다. 이때, 개방 신호 예측보다 닫힘 신호 예측 정확성이 더 높은 상태임을 확인할 수 있다.In addition, as shown in FIG. 14 , the first control unit displays a sixth analysis result including class-specific accuracy for closure data using the entire signal data using the ensemble model on the first display unit. Here, the corresponding ensemble model used a random forest model, an SVM model, and a KNN model, and shows a result of 94% lower than the random forest prediction rate. In this case, it can be confirmed that the closed signal prediction accuracy is higher than that of the open signal prediction.

또한, 도 15에 도시된 바와 같이, 상기 제 1 제어부는 랜덤 포레스트 모델을 이용한 개방 데이터 신호 중 가속 구간에 대해 클래스별 정확도, 정밀도, 재현율 및 F1 점수를 포함하는 제 7 분석 결과를 상기 제 1 표시부에 표시한다. 여기서, 해당 랜덤 포레스트 모델의 하이퍼 파라미터는 파라미터 시뮬레이션을 실시하여 최적의 파라미터 값(예를 들어 n_estimators=50)을 사용하였다. 또한, 상기 제 7 분석 결과는 클래스 2(또는 도어 재닫힘) 상황 예측과 클래스 4(또는 스핀들) 상황 예측에서는 낮은 점수를 나타내며, 전체 신호 데이터를 사용하는 것보다 낮은 예측률을 나타낸다.In addition, as shown in FIG. 15 , the first control unit displays the seventh analysis result including the accuracy, precision, recall rate, and F1 score for each class for the acceleration section among the open data signals using the random forest model on the first display unit displayed on Here, for the hyperparameter of the random forest model, an optimal parameter value (for example, n_estimators=50) was used by performing a parameter simulation. In addition, the seventh analysis result shows a low score in the class 2 (or door re-closing) situation prediction and the class 4 (or spindle) situation prediction, and shows a lower prediction rate than using the entire signal data.

또한, 도 16에 도시된 바와 같이, 상기 제 1 제어부는 KNN 모델을 이용한 개방 데이터 신호 중 가속 구간에 대해 클래스별 정확도, 정밀도, 재현율 및 F1 점수를 포함하는 제 8 분석 결과를 상기 제 1 표시부에 표시한다. 여기서, 해당 KNN 모델의 하이퍼 파라미터는 파라미터 시뮬레이션을 실시하여 최적의 파라미터 값(예를 들어 n_estimators=4)을 사용하였다. 또한, 상기 제 8 분석 결과는 클래스 2(또는 도어 재닫힘) 상황 예측과 클래스 4(또는 스핀들) 상황 예측에서는 낮은 점수를 나타내며, 전체 신호 데이터를 사용하는 것보다 낮은 예측률을 나타낸다.In addition, as shown in FIG. 16 , the first control unit displays the eighth analysis result including the accuracy, precision, recall rate, and F1 score for each class for the acceleration section among the open data signals using the KNN model on the first display unit. indicate Here, the hyperparameters of the corresponding KNN model were used with optimal parameter values (eg, n_estimators=4) by performing parameter simulation. In addition, the eighth analysis result shows a low score in the prediction of the class 2 (or door re-closing) situation and the prediction of the class 4 (or spindle) situation, and shows a lower prediction rate than using the entire signal data.

또한, 도 17에 도시된 바와 같이, 상기 제 1 제어부는 랜덤 포레스트 모델을 이용한 개방 데이터 신호 중 감속 구간에 대해 클래스별 정확도, 정밀도, 재현율 및 F1 점수를 포함하는 제 9 분석 결과를 상기 제 1 표시부에 표시한다. 여기서, 해당 랜덤 포레스트 모델의 하이퍼 파라미터는 파라미터 시뮬레이션을 실시하여 최적의 파라미터 값(예를 들어 n_estimators=40)을 사용하였다. 또한, 상기 제 9 분석 결과는 클래스 2(또는 도어 재닫힘) 상황 예측에서는 낮은 점수를 나타내며, 전체 신호 데이터를 사용하는 것보다 낮은 예측률을 나타낸다.In addition, as shown in FIG. 17 , the first control unit displays the ninth analysis result including the accuracy, precision, recall rate, and F1 score for each class for the deceleration section of the open data signal using the random forest model on the first display unit displayed on Here, the hyperparameters of the random forest model were used with optimal parameter values (eg, n_estimators=40) by performing parameter simulation. In addition, the ninth analysis result indicates a low score in class 2 (or door re-closing) situation prediction, and a lower prediction rate than using the entire signal data.

또한, 도 18에 도시된 바와 같이, 상기 제 1 제어부는 KNN 모델을 이용한 개방 데이터 신호 중 감속 구간에 대해 클래스별 정확도, 정밀도, 재현율 및 F1 점수를 포함하는 제 10 분석 결과를 상기 제 1 표시부에 표시한다. 여기서, 해당 KNN 모델의 하이퍼 파라미터는 파라미터 시뮬레이션을 실시하여 최적의 파라미터 값(예를 들어 n_estimators=2)을 사용하였다. 또한, 상기 제 10 분석 결과는 클래스 2(또는 도어 재닫힘) 상황 예측에서는 낮은 점수를 나타내며, 전체 신호 데이터를 사용하는 것보다 낮은 예측률을 나타내고, 동일 조건의 랜덤 포레스트 모델보다 낮은 예측률을 나타낸다.In addition, as shown in FIG. 18 , the first control unit displays the tenth analysis result including the accuracy, precision, recall rate, and F1 score for each class for the deceleration section among the open data signals using the KNN model on the first display unit. indicate Here, the hyperparameters of the corresponding KNN model were used with optimal parameter values (eg, n_estimators=2) by performing parameter simulation. In addition, the tenth analysis result shows a low score in class 2 (or door re-closing) situation prediction, a lower prediction rate than using the entire signal data, and a lower prediction rate than a random forest model under the same condition.

또한, 도 19에 도시된 바와 같이, 상기 제 1 제어부는 랜덤 포레스트 모델, KNN 모델, 앙상블 모델 등에 대해서 개방 신호, 닫힘 신호, 개방 신호로부터 분할된 가속 구간 신호, 개방 신호로부터 분할된 감속 구간 신호 등에 대한 예측률을 포함하는 제 11 분석 결과를 상기 제 1 표시부에 표시한다. 이때, 상기 제 11 분석 결과에 표시된 바와 같이, 개방 신호 및/또는 닫힘 신호 전체를 사용할 때 예측률이 더 좋은 상태임을 확인할 수 있으며, 닫힘 신호의 가속 구간과 감속 구간에 대한 기준 정의가 필요함을 확인할 수 있다.In addition, as shown in FIG. 19, the first control unit includes an open signal, a closed signal, an acceleration section signal divided from an open signal, a deceleration section signal divided from an open signal, etc. for a random forest model, a KNN model, an ensemble model, etc. An eleventh analysis result including a prediction rate for the data is displayed on the first display unit. At this time, as shown in the 11th analysis result, it can be confirmed that the prediction rate is better when the entire open signal and/or closed signal are used, and it can be confirmed that the reference definition for the acceleration section and the deceleration section of the closed signal is required. have.

또한, 상기 제 1 제어부는 도 20에 도시된 상기 제 1 철도차량에 대한 정상 여부 확인 절차에 따라, 도 21에 도시된 바와 같이, 정상/고장에 따른 위치 정보(2110)와, 전류, 전압 및 속도 그래프(2120)를 상기 제 1 표시부에 표시한다(S340).In addition, the first control unit, as shown in FIG. 21, according to the procedure for checking whether the first railway vehicle is normal as shown in FIG. 20, includes position information 2110 according to normal/failure, current, voltage The speed graph 2120 is displayed on the first display unit (S340).

본 발명의 실시예는 앞서 설명된 바와 같이, 철도차량의 출입문 장치의 센싱 정보를 수집하고, 수집된 센싱 정보로부터 미리 설정된 통계 인자를 산출하고, 상기 산출된 통계 인자를 근거로 미리 설정된 복수의 분류 알고리즘을 이용해서 분류 기능을 수행하고, 미리 설정된 복수의 클래스별로 분류 결과를 제공하여, 철도차량의 현재 상태에 대한 고장 유무, 불량 여부 등에 대한 빠른 검사 결과를 제공하고, 검사 결과에 따라 실시간으로 철도차량의 상태를 모니터링할 수 있다.As described above, the embodiment of the present invention collects sensing information of a door device of a railroad car, calculates a preset statistical factor from the collected sensing information, and classifies a plurality of presets based on the calculated statistical factor. It performs a classification function using an algorithm and provides classification results by a plurality of preset classes to provide quick inspection results for the presence or absence of faults or defects for the current state of railway vehicles, and to provide real-time railway It is possible to monitor the condition of the vehicle.

전술된 내용은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.Those of ordinary skill in the art to which the present invention pertains may modify and modify the above-described contents without departing from the essential characteristics of the present invention. Therefore, the embodiments disclosed in the present invention are not intended to limit the technical spirit of the present invention, but to explain, and the scope of the technical spirit of the present invention is not limited by these embodiments. The protection scope of the present invention should be construed by the following claims, and all technical ideas within the equivalent range should be construed as being included in the scope of the present invention.

100: 고장 진단 장치 110: 통신부
120: 저장부 130: 표시부
140: 음성 출력부 150: 제어부100: fault diagnosis device 110: communication unit
120: storage unit 130: display unit
140: audio output unit 150: control unit

Claims (10)

철도차량의 출입문 장치의 센싱 정보를 수집하는 통신부;
상기 수집된 출입문 장치의 센싱 정보를 근거로 미리 설정된 복수의 통계 인자를 산출하고, 상기 산출된 복수의 통계 인자를 근거로 미리 설정된 복수의 분류 알고리즘을 이용해서 분류 기능을 수행하는 제어부; 및
상기 제어부의 제어에 의해 각 분류 알고리즘의 성능 평가를 위해서 미리 설정된 복수의 클래스별로 분류 결과를 표시하는 표시부를 포함하며,
상기 출입문 장치의 센싱 정보는,
출입문 장치의 개방(open) 또는 닫힘(close)에 따라 발생하는 정보로, 미리 설정된 시간 항목, 배터리 항목, 모터 전압 항목, 모터 전류 항목, 모터 속도 항목 및 도어 위치 항목과 관련해서 정상 상태, 이물질끼임 상태, 재닫힘 상태, 만차 상태, 스핀들(spindle) 상태 및 스트레스(stress) 상태와 관련한 복수의 데이터를 포함하며,
상기 제어부는,
상기 산출된 복수의 통계 인자를 이용한 상기 수집된 출입문 장치의 센싱 정보에 대한 중요 특성 분석 시, 개방 신호에서 가속과 감속 구간으로 분할하여 구간별 신호의 특성을 분석하고, 상기 클래스별 분류 결과를 근거로 상기 철도차량의 현재 상태에 대한 모니터링 결과를 표시하도록 상기 표시부를 제어하고, 정상 또는 고장에 따른 위치 정보와 전류, 전압 및 속도 그래프를 표시하도록 상기 표시부를 제어하는 것을 특징으로 하는 고장 진단 장치.a communication unit that collects sensing information of a door device of a railroad car;
a controller for calculating a plurality of preset statistical factors based on the collected sensing information of the door device, and performing a classification function using a plurality of preset classification algorithms based on the calculated plurality of statistical factors; and
and a display unit for displaying classification results for a plurality of classes preset for performance evaluation of each classification algorithm under the control of the control unit,
The sensing information of the door device,
Information generated according to the opening or closing of the door device. Normal state and foreign matter in relation to preset time items, battery items, motor voltage items, motor current items, motor speed items, and door position items. It includes a plurality of data related to a state, a re-closed state, a full state, a spindle state, and a stress state,
The control unit is
When analyzing important characteristics of the sensed information of the collected door device using the calculated plurality of statistical factors, the characteristics of the signal for each section are analyzed by dividing the open signal into acceleration and deceleration sections, and based on the classification result for each class and controlling the display unit to display a monitoring result for the current state of the railway vehicle, and controlling the display unit to display position information and current, voltage and speed graphs according to normal or failure. 삭제delete 제 1 항에 있어서,
상기 통계 인자는,
평균(mean), 실효값(root-mean-square: RMS), 표준편차(standard deviation), 피크(peak), 왜도(또는 비대칭도, skewness), 첨도(kurtosis), 파고율(crest factor), 클리언스 팩터(clearance factor), 형상계수(shape factor), 임펄스 팩터(impulse factor), 피크 투 피크(peak-to-peak) 및 공차분석(root sum of square) 중 적어도 하나를 포함하는 것을 특징으로 하는 고장 진단 장치.The method of claim 1,
The statistical factor is
mean, root-mean-square (RMS), standard deviation, peak, skewness (or skewness), kurtosis, crest factor, It characterized in that it includes at least one of a clearance factor, a shape factor, an impulse factor, a peak-to-peak, and a tolerance analysis (root sum of square). fault diagnosis device. 삭제delete 통신부에 의해, 철도차량의 출입문 장치의 센싱 정보를 수집하는 단계;
제어부에 의해, 상기 수집된 출입문 장치의 센싱 정보를 근거로 미리 설정된 복수의 통계 인자를 산출하는 단계;
상기 제어부에 의해, 상기 산출된 복수의 통계 인자를 근거로 미리 설정된 복수의 분류 알고리즘을 이용해서 분류 기능을 수행하는 단계;
상기 제어부에 의해, 각 분류 알고리즘의 성능 평가를 위해서 미리 설정된 복수의 클래스별로 분류 결과를 표시하도록 표시부를 제어하는 단계; 및
상기 제어부에 의해, 상기 클래스별 분류 결과를 근거로 상기 철도차량의 현재 상태에 대한 모니터링 결과를 표시하도록 상기 표시부를 제어하는 단계를 포함하며,
상기 출입문 장치의 센싱 정보는,
출입문 장치의 개방(open) 또는 닫힘(close)에 따라 발생하는 정보로, 미리 설정된 시간 항목, 배터리 항목, 모터 전압 항목, 모터 전류 항목, 모터 속도 항목 및 도어 위치 항목과 관련해서 정상 상태, 이물질끼임 상태, 재닫힘 상태, 만차 상태, 스핀들(spindle) 상태 및 스트레스(stress) 상태와 관련한 복수의 데이터를 포함하며,
상기 산출된 복수의 통계 인자를 근거로 미리 설정된 복수의 분류 알고리즘을 이용해서 분류 기능을 수행하는 단계는,
상기 산출된 복수의 통계 인자를 이용한 상기 수집된 출입문 장치의 센싱 정보에 대한 중요 특성 분석 시, 개방 신호에서 가속과 감속 구간으로 분할하여 구간별 신호의 특성을 분석하며,
상기 클래스별 분류 결과를 근거로 상기 철도차량의 현재 상태에 대한 모니터링 결과를 표시하도록 상기 표시부를 제어하는 단계는,
상기 클래스별 분류 결과를 근거로 상기 철도차량의 현재 상태에 대한 모니터링 결과를 표시하도록 상기 표시부를 제어하는 과정; 및
정상 또는 고장에 따른 위치 정보와 전류, 전압 및 속도 그래프를 표시하도록 상기 표시부를 제어하는 과정을 포함하는 것을 특징으로 하는 고장 진단 방법.collecting, by the communication unit, sensing information of a door device of a railroad vehicle;
calculating, by the control unit, a plurality of preset statistical factors based on the collected sensing information of the door device;
performing, by the control unit, a classification function using a plurality of classification algorithms preset based on the plurality of calculated statistical factors;
controlling, by the controller, the display unit to display classification results for a plurality of classes preset for performance evaluation of each classification algorithm; and
and controlling, by the control unit, the display unit to display a monitoring result for the current state of the railway vehicle based on the classification result for each class,
The sensing information of the door device,
Information generated according to the opening or closing of the door device. Normal state in relation to preset time items, battery items, motor voltage items, motor current items, motor speed items, and door position items, foreign matter trapped It includes a plurality of data related to a state, a re-closed state, a full state, a spindle state, and a stress state,
The step of performing a classification function using a plurality of classification algorithms preset based on the plurality of calculated statistical factors includes:
When analyzing important characteristics of the sensed information of the collected door device using the calculated plurality of statistical factors, the characteristics of the signal for each section are analyzed by dividing the open signal into acceleration and deceleration sections,
The step of controlling the display unit to display the monitoring result for the current state of the railway vehicle based on the classification result for each class,
controlling the display unit to display a monitoring result for the current state of the railway vehicle based on the classification result for each class; and
and controlling the display unit to display position information and current, voltage, and speed graphs according to normal or failure. 제 5 항에 있어서,
상기 분류 기능을 수행하는 단계는,
상기 산출된 복수의 통계 인자 중에서 미리 설정된 비율의 통계 인자를 데이터 셋으로 설정하고, 상기 데이터 셋을 입력값으로 상기 복수의 분류 알고리즘을 이용해서 각각 분류 기능을 수행하는 과정; 및
상기 산출된 복수의 통계 인자 중에서 상기 데이터 셋에 포함된 통계 인자를 제외하고 남은 적어도 하나의 통계 인자를 테스트 셋으로 설정하고, 상기 테스트 셋을 입력값으로 학습된 복수의 분류 알고리즘을 이용해서 각각 분류 기능을 수행하는 과정을 포함하는 것을 특징으로 하는 고장 진단 방법.6. The method of claim 5,
The step of performing the classification function is,
setting a statistical factor of a preset ratio among the plurality of calculated statistical factors as a data set, and performing a classification function using the plurality of classification algorithms using the data set as an input value; and
Among the plurality of calculated statistical factors, at least one remaining statistical factor except for the statistical factor included in the data set is set as a test set, and the test set is classified using a plurality of classification algorithms learned as input values. A fault diagnosis method comprising the process of performing a function. 제 5 항에 있어서,
상기 분류 기능을 수행하는 단계는,
미리 설정된 복수의 클래스별로 상기 복수의 분류 알고리즘을 통해 분류 기능을 수행하며,
상기 복수의 클래스는,
정상 상태 클래스, 이물질끼임 상태 클래스, 재닫힘 상태 클래스, 만차 상태 클래스, 스핀들 상태 클래스 및 스트레스 상태 클래스 중 적어도 하나를 포함하는 것을 특징으로 하는 고장 진단 방법.6. The method of claim 5,
The step of performing the classification function is,
A classification function is performed through the plurality of classification algorithms for each of a plurality of preset classes,
The plurality of classes are
A failure diagnosis method comprising at least one of a steady state class, a foreign object jammed state class, a reclosed state class, a full state class, a spindle state class, and a stress state class. 제 5 항에 있어서,
상기 분류 기능을 수행하는 단계는,
상기 산출된 복수의 통계 인자를 이용한 상기 수집된 출입문 장치의 센싱 정보에 대한 중요 특성 분석 시, 출입문의 개방 및 닫힘 각각의 신호 데이터 전체를 사용하여 특성을 분석하는 것을 특징으로 하는 고장 진단 방법.6. The method of claim 5,
The step of performing the classification function is,
When analyzing important characteristics of the collected sensing information of the door device using the plurality of calculated statistical factors, the characteristics are analyzed using all signal data of each door open and closed. 삭제delete 제 5 항에 있어서,
상기 복수의 클래스별 분류 결과는,
상기 미리 설정된 복수의 클래스별로 산출된 정확도, 정밀도, 재현율 및 F1 점수 중 적어도 하나를 포함하는 것을 특징으로 하는 고장 진단 방법.6. The method of claim 5,
The classification results for the plurality of classes are,
and at least one of accuracy, precision, recall, and F1 score calculated for each of the plurality of preset classes.
KR1020200161763A 2020-11-26 2020-11-26 Apparatus for fault diagnosis method thereof KR102437043B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200161763A KR102437043B1 (en) 2020-11-26 2020-11-26 Apparatus for fault diagnosis method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200161763A KR102437043B1 (en) 2020-11-26 2020-11-26 Apparatus for fault diagnosis method thereof

Publications (2)

Publication Number Publication Date
KR20220073574A KR20220073574A (en) 2022-06-03
KR102437043B1 true KR102437043B1 (en) 2022-08-29

Family

ID=81982539

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200161763A KR102437043B1 (en) 2020-11-26 2020-11-26 Apparatus for fault diagnosis method thereof

Country Status (1)

Country Link
KR (1) KR102437043B1 (en)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101871862B1 (en) * 2016-05-12 2018-06-28 주식회사 글로비즈 Device and method for monitoring door for train
KR102126428B1 (en) * 2018-01-02 2020-06-24 주식회사 글로비즈 System and method of diagnosing defect of components of railway vehicle
KR102527319B1 (en) 2018-01-29 2023-05-03 한국전자통신연구원 System and method for machine learning prognostics and health management(phm) based on feature vector data of rolling stock parts
KR102169791B1 (en) * 2018-11-19 2020-10-26 주식회사 글로비즈 Railway vehicle major component and system diagnosis apparatus

Also Published As

Publication number Publication date
KR20220073574A (en) 2022-06-03

Similar Documents

Publication Publication Date Title
CN103863220B (en) The monitoring method of vehicle data and system
CN111115400B (en) System and method for detecting elevator maintenance behavior in an elevator hoistway
CN111241154B (en) Storage battery fault early warning method and system based on big data
US20190003929A1 (en) Computer System and Method for Recommending an Operating Mode of an Asset
CN108628282B (en) Data driven unsupervised algorithm to analyze sensor data to detect abnormal valve operation
US11520810B2 (en) Subject matter expert knowledge mapping using dynamic clustering
KR101944070B1 (en) Platform screen door management system and method with big data
CN116862199A (en) Building construction optimizing system based on big data and cloud computing
KR20220088389A (en) Method for adjusting driving training course, apparatus, electronic device, storage medium and computer program
US20230048386A1 (en) Method for detecting defect and method for training model
CN104181896A (en) Industrial control collecting state monitoring system based on Internet of Things
CN102180170A (en) Device for collecting, storing, analyzing and displaying vehicle data
KR20170013279A (en) Mobile phone voice-based automobile diagnostics method
JP7308717B2 (en) Platform door diagnostic device, platform door system, and platform door diagnostic program
KR102380541B1 (en) Apparatus for diagnosing fault of facilities using sound spectrogram image and method thereof
CN111915026A (en) Fault processing method and device, electronic equipment and storage medium
CN112036581A (en) Performance detection method and device of vehicle air conditioning system, storage medium and terminal
CN111459692A (en) Method, apparatus and computer program product for predicting drive failure
KR102437043B1 (en) Apparatus for fault diagnosis method thereof
CN111708687A (en) Equipment abnormality index determination method, device, equipment and storage medium
WO2017022752A1 (en) Search system
Ellis et al. A future In-time Aviation Safety Management System (IASMS) perspective for commercial air carriers
CN108108818A (en) Safety of coal mines basic management intelligently supervises early warning system and method
CN111080005B (en) Support vector machine-based public security risk early warning method and system
CN113835413A (en) Interlocking automation test system, method, device and storage medium

Legal Events

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