KR102452204B1 - 승강장안전문 고장예측 장치 및 방법 - Google Patents

승강장안전문 고장예측 장치 및 방법 Download PDF

Info

Publication number
KR102452204B1
KR102452204B1 KR1020200164952A KR20200164952A KR102452204B1 KR 102452204 B1 KR102452204 B1 KR 102452204B1 KR 1020200164952 A KR1020200164952 A KR 1020200164952A KR 20200164952 A KR20200164952 A KR 20200164952A KR 102452204 B1 KR102452204 B1 KR 102452204B1
Authority
KR
South Korea
Prior art keywords
data
psd
failure prediction
motor
safety door
Prior art date
Application number
KR1020200164952A
Other languages
English (en)
Other versions
KR20220077224A (ko
Inventor
한석윤
온정근
이호용
Original Assignee
한국철도기술연구원
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 한국철도기술연구원 filed Critical 한국철도기술연구원
Priority to KR1020200164952A priority Critical patent/KR102452204B1/ko
Publication of KR20220077224A publication Critical patent/KR20220077224A/ko
Application granted granted Critical
Publication of KR102452204B1 publication Critical patent/KR102452204B1/ko

Links

Images

Classifications

    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61B—RAILWAY SYSTEMS; EQUIPMENT THEREFOR NOT OTHERWISE PROVIDED FOR
    • B61B1/00—General arrangement of stations, platforms, or sidings; Railway networks; Rail vehicle marshalling systems
    • B61B1/02—General arrangement of stations and platforms including protection devices for the passengers
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • 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
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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
    • G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Platform Screen Doors And Railroad Systems (AREA)
  • Power-Operated Mechanisms For Wings (AREA)

Abstract

승강장안전문 고장예측 장치가 개시된다. 본 발명의 승강장안전문 고장예측 장치는 승강장안전문 운영과 관련된 PSD(Platform Screen Door) 시스템의 PSD 데이터와 승강장안전문을 구동하는 모터에 대한 모터데이터를 수집하는 데이터 수집부; 및 모터데이터를 이용하여 딥러닝 학습을 통해 PSD 데이터와 고장예측유형 데이터를 연계시키고, PSD 데이터가 새로 입력되면 딥러닝 학습 결과를 토대로 PSD 데이터에 대한 고장예측유형 데이터를 검출하는 고장예측 모듈을 포함하는 것을 특징으로 한다.

Description

승강장안전문 고장예측 장치 및 방법{FAILURE PREDICTION APPARATUS AND METHOD FOR PLATFORM SCREEN DOOR}
본 발명은 승강장안전문 고장예측 장치 및 방법에 관한 것으로서, 더욱 상세하게는 이중 중첩 구조 딥러닝 기법을 이용하여 승강장안전문의 고장을 예측하는 승강장안전문 고장예측 장치 및 방법에 관한 것이다.
승강장안전문은 승강장 연단에 안전보호벽(가동문, 비상문 등)을 설치하여 승강장과 선로부를 차단함으로써 역사내의 승객 안전을 확보한다. 이러한 승강장안전문 고장은 승객안전과 열차의 정시운행에 심각한 영향을 줄뿐 아니라 유지보수비 증가의 원인이 된다.
종래의 승강장안전문에 대한 기존의 유지보수 방법은 장애발생시 종합제어반의 시스템 상태정보를 확인하여 조치하거나, 유지보수 주기에 따라 안전문을 점검 및 정비하는 사후 정비의 형태를 취하고 있다.
그러나 종래의 유지보수 방법은 현재 상태의 단순 확인으로 장애가 언제 발생할지 전혀 예측할 수 없다. 그 결과 종래의 유지보수 방법은 갑작스런 장애 발생 시 승객의 안전을 크게 위협함과 동시에 열차의 정시 운행 및 유지보수비 증가의 원인이 되고 있다.
또한, 종래의 유지보수 방법은 기술 발전에 따라 승강장안전문 구성품의 수명이 많이 연장되고 있다. 이에 반해, 기존의 유지보수에서는 교환주기가 도래하게 되면, 잔여수명/잔존수명(Remaining Useful Life: RUL)과 관련없이 구성품을 교환한다. 이는 유지보수비를 증가시키는 원인이 된다.
게다가, 기존의 PSD의 운영데이터는 플랫폼 스크린 도어의 닫힘과 열림 제어 목적으로 설계되어 있어, 로그 값을 분석하여도 고장현상을 예지할 수 없는 한계가 존재한다.
본 발명의 배경기술은 대한민국 등록특허공보 10-2165388호(2020.10.07)의 '승강장안전문 설비의 통합모니터링시스템'에 개시되어 있다.
본 발명은 전술한 문제점을 개선하기 위해 창안된 것으로서, 본 발명의 일 측면에 따른 목적은 이중 중첩 구조 딥러닝 기법을 이용하여 승강장안전문의 고장을 예측하는 승강장안전문 고장예측 장치 및 방법을 제공하는 데 있다.
본 발명의 일 측면에 따른 승강장안전문 고장예측 장치는 승강장안전문 운영과 관련된 PSD(Platform Screen Door) 시스템의 PSD 데이터와 상기 승강장안전문을 구동하는 모터에 대한 모터데이터를 수집하는 데이터 수집부; 및 상기 모터데이터를 이용하여 딥러닝 학습을 통해 상기 PSD 데이터와 고장예측유형 데이터를 연계시키고, 상기 PSD 데이터가 새로 입력되면 딥러닝 학습 결과를 토대로 상기 PSD 데이터에 대한 고장예측유형 데이터를 검출하는 고장예측 모듈을 포함하는 것을 특징으로 한다.
본 발명의 상기 모터데이터는 상기 모터의 진동데이터와 전류데이터 중 적어도 하나를 포함하는 것을 특징으로 한다.
본 발명의 상기 PSD 데이터는 PSD 시스템의 PSD 운영데이터, PSD 셋팅데이터, 및 TCMS(Train Control and Monitoring System) 운영 데이터 중 적어도 하나를 포함하는 것을 특징으로 한다.
본 발명의 상기 고장예측 모듈은 상기 모터데이터를 잠재변수로 한 딥러닝 학습을 통해 상기 PSD 데이터와 상기 고장예측유형 데이터를 딥러닝 학습을 통해 연계시키는 맵핑부; 및 상기 PSD 데이터가 새로 입력되면 상기 맵핑부의 딥러닝 학습 결과에 토대로 새로 입력된 상기 PSD 데이터에 대한 고장예측유형 데이터를 검출하는 고장예측부를 포함하는 것을 특징으로 한다.
본 발명의 상기 맵핑부는 상기 모터데이터를 기 정의된 고장예측유형 데이터와 딥러닝으로 매핑하고 딥러닝 학습을 통해 고장타입을 진단 및 예측하는 제1 맵핑부; 및 상기 모터데이터를 상기 PSD 데이터와 딥러닝 학습으로 맵핑하는 제2 맵핑부를 포함하는 것을 특징으로 한다.
본 발명은 상기 고장예측 모듈에 의해 검출된 상기 PSD 데이터에 대한 고장예측유형 데이터를 출력하는 출력부를 더 포함하는 것을 특징으로 한다.
본 발명의 다른 측면에 따른 승강장안전문 고장예측 장치는 승강장안전문을 구동하는 모터에 대한 모터데이터를 잠재변수로 한 딥러닝 학습을 통해 승강장안전문 운영과 관련된 PSD(Platform Screen Door) 시스템의 PSD 데이터와 기 정의된 고장예측유형 데이터를 딥러닝 학습을 통해 연계시키는 맵핑부; 및 상기 PSD 데이터가 새로 입력되면 상기 맵핑부의 딥러닝 학습 결과에 토대로 새로 입력된 상기 PSD 데이터에 대한 고장예측유형 데이터를 검출하는 고장예측부를 포함하는 것을 특징으로 한다.
본 발명의 상기 맵핑부는 상기 모터데이터를 상기 고장예측유형 데이터와 딥러닝으로 매핑하고 딥러닝학습으로 신경망 분석하여 고장타입을 진단 및 예측하는 제1 맵핑부; 및 상기 모터데이터를 상기 PSD 데이터와 딥러닝으로 맵핑하는 제2 맵핑부를 포함하는 것을 특징으로 한다.
본 발명의 상기 모터데이터는 상기 모터의 진동데이터와 전류데이터 중 적어도 하나를 포함하는 것을 특징으로 한다.
본 발명의 상기 PSD 데이터는 상기 PSD 시스템의 PSD 운영데이터, PSD 셋팅데이터, 및 TCMS(Train Control and Monitoring System) 운영 데이터 중 적어도 하나를 포함하는 것을 특징으로 한다.
본 발명의 일 측면에 따른 승강장안전문 고장 예측 방법은 데이터 수집부가 승강장안전문 운영과 관련된 PSD(Platform Screen Door) 시스템의 PSD 데이터와 상기 승강장안전문을 구동하는 모터에 대한 모터데이터를 수집하는 단계; 고장예측 모듈이 상기 모터데이터를 이용하여 상기 PSD 데이터와 고장예측유형 데이터를 연계시키는 단계; 상기 PSD 데이터가 새로 입력되면, 상기 고장예측 모듈이 상기 딥러닝 학습 결과를 토대로 상기 PSD 데이터에 대한 고장예측유형 데이터를 검출하는 단계; 및 출력부가 상기 고장예측 모듈에 의해 검출된 상기 PSD 데이터에 대한 고장예측유형 데이터를 출력하는 단계를 포함하는 것을 특징으로 한다.
본 발명의 상기 모터데이터는 상기 모터의 진동데이터와 전류데이터 중 적어도 하나를 포함하는 것을 특징으로 한다.
본 발명의 상기 PSD 데이터는 상기 PSD 시스템의 PSD 운영데이터, PSD 셋팅데이터, 및 TCMS(Train Control and Monitoring System) 운영 데이터 중 적어도 하나를 포함하는 것을 특징으로 한다.
본 발명의 상기 PSD 데이터와 고장예측유형 데이터를 연계시키는 단계는, 상기 모터데이터를 기 정의된 고장예측유형 데이터와 딥러닝으로 매핑하고 딥러닝 학습을 통해 고장타입을 진단 및 예측하고, 상기 모터데이터를 상기 PSD 데이터와 딥러닝 학습으로 맵핑하는 것을 특징으로 한다.
본 발명의 일 측면에 따른 승강장안전문 고장예측 장치 및 방법은 이중 중첩 구조 딥러닝 기법을 이용하여 승강장안전문의 고장을 예측할 수 있다.
본 발명의 다른 측면에 따른 승강장안전문 고장예측 장치 및 방법은 승강장안전문 상태에 따라 적정 시기에 정비가 가능하도록 하여 PSD 시스템의 유지보수비를 절감할 수 있도록 한다.
본 발명의 또 다른 측면에 따른 승강장안전문 고장예측 장치 및 방법은 승강장안전문의 잔존수명을 예측하므로, 운행 중 갑자기 발생하는 도중 고장을 예방하고, 전동차 운행 지연 방지 및 지연에 따른 사회적 비용을 절감하며, 전동차의 가용도를 증가시킬 수 있다.
본 발명의 또 다른 측면에 따른 승강장안전문 고장예측 장치 및 방법은 승강장안전문 고장 패턴을 분석할 수 있도록 하여 승강장안전문 성능을 개선할 수 있도록 하고, 고장시기 분석을 통한 부품수요예측이 가능하도록 한다.
도 1 은 본 발명의 일 실시예에 따른 승강장안전문 고장예측 장치의 블럭 구성도이다.
도 2 는 승강장안전문 시스템의 예시도이다.
도 3 은 본 발명의 일 실시예에 따른 고장예측 모듈(20)의 블럭 구성도이다.
도 4 는 본 발명의 일 실시예에 따른 이중 중첩 구조 딥러닝 기법 기반 고장예측 프레임워크를 나타낸 도면이다.
도 5 는 본 발명의 일 실시예에 따른 모터데이터를 고장유형에 맵핑하는 방식을 나타낸 도면이다.
도 6 은 본 발명의 일 실시예에 따른 PSD 데이터를 모터데이터에 맵핑하는 방식을 나타낸 도면이다.
도 7 은 본 발명의 일 실시예에 따른 입력변수와 잠재변수를 통한 딥러닝 구조를 나타낸 도면이다.
도 8 은 본 발명의 일 실시예에 따른 고장예측 및 의사결정 프레임워크를 나타낸 도면이다.
도 9 는 본 발명의 일 실시예에 따른 진동센서 설치 예시도이다.
도 10 은 본 발명의 일 실시예에 따른 전류센서 설치 예시도이다.
도 11 은 본 발명의 일 실시예에 따른 승강장안전문 고장예측 방법의 순서도이다.
이하에서는 본 발명의 일 실시예에 따른 승강장안전문 고장예측 장치 및 방법을 첨부된 도면들을 참조하여 상세하게 설명한다. 이러한 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서, 이는 이용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1 은 본 발명의 일 실시예에 따른 승강장안전문 고장예측 장치의 블럭 구성도이고, 도 2 는 승강장안전문 시스템의 예시도이다.
도 1 을 참조하면, 본 발명의 일 실시예에 따른 승강장안전문 고장예측 장치는 승강장안전문 운영과 관련된 PSD(Platform Screen Door) 시스템의 PSD 데이터와 승강장안전문을 구동하는 모터에 대한 모터데이터를 수집하는 데이터 수집부(10), 모터데이터를 이용하여 PSD 데이터와 고장예측유형 데이터를 연계시키고 PSD 데이터가 새로 입력되면 딥러닝 학습 결과를 토대로 PSD 데이터에 대한 고장예측유형 데이터를 검출하는 고장예측 모듈(20), 및 고장예측 모듈(20)에 의해 검출된 PSD 데이터에 대한 고장예측유형 데이터를 출력하는 출력부(30)를 포함한다.
일반적으로, 승강장안전문은 승강장 연단에 안전보호벽(예: 가동문, 비상문)을 설치하여 승강장과　선로부를 차단함으로써 역사내의 승객 안전을 확보하는 장치이다.
승강장안전문은 일반적으로 10량 1편성으로 운행되는 지하철의 경우에 1승강장 당 40개가 있다. 각 승강장안전문은 두 개의 슬라이딩 안전문과 한 개의 비상문으로 구성될 수 있다.
승강장안전문은 전동차가 역사에 진입하는 순서 및 전동차 출입문과 연동되어 열림과 닫힘까지의 사이클을 이루어 동작할 수 있다. 승강장안전문은 우회로(bypass), 도어 등(light), 승강장안전문 잠금 장치, 승강장안전문 구동 표시장치, 승강장안전문 제어 유닛(door control unit, DCU), 전원 공급 장치, 물체 감지 센서 송수신부, 전동차 출입문 감지 센서, 수동 열림 레버를 포함할 수 있다.
승강장안전문 장치의 구성은 승강장안전문 제어장치에 의해 제어될 수 있다.
도 2 를 참조하면, PSD 시스템은 승강장안전문, 안전문 제어 유닛, 고객센터(예: 역무실) 조작반, 승강장 조작반, 승무원(예: 기관사측, 차장측) 조작반, 승무원 HMI(human machine interface), 무선 신호 송신을 위한 승무원 지상 무선장치, 센서 검지 내역을 센서로그로 저장할 수 있는 정위치 정차센서, 센서 검지 내역을 센서로그로 저장할 수 있는 출입문 검지센서, 승무원 전광판, 전원공급장치, 선로출입문 장치, 경보제어반, 개별조작반 및 각 구성요소를 제어하는 MCU(main control unit) 주 제어반을 포함할 수 있다.
안전문 제어 유닛은 안전문과 승강장의 센싱을 위한 센서 입력 모듈, 안전문 구동을 위한 모터제어 모듈, 입/출력 모듈, 사운드 모듈, 전원공급장치 및 각 구성요소를 제어하는 제어장치를 포함할 수 있다. 안전문 제어 유닛은 전동차 출입문 또는 승강장안전문 제어장치와 연동되어 승강장안전문의 열림/닫힘 사이클을 일치시켜 동작시킬 수 있다.
MCU(main control unit) 주 제어반은 자동 열차 운전 장치(Automatic train operation, ATO)로부터 열차를 자동으로 운전하기 위한 정보를 수신할 수 있고, 종합제어반으로부터 승강장안전문의 가동 상태 및 장애 정보를 포함하는 시스템 상태 데이터를 수신할 수 있다.
먼저, 데이터 수집부(10)는 승강장안전문 운영과 관련된 PSD 시스템의 PSD 데이터와 승강장안전문을 구동하는 모터에 대한 모터데이터를 수집한다.
PSD 데이터와 모터데이터는 승강장안전문의 고장 진단 및 예측에 사용될 수 있다. 예를 들어, PSD 데이터와 모터데이터는 이중 중첩 구조 딥러닝 기법으로 승강장안전문의 고장을 예측할 수 있도록 한다. 이에 대해서는 후술한다.
모터데이터는 승강장안전문의 작동 및 고장을 효과적으로 체크할 수 있는 데이터이다. 모터데이터에는 승강장안전문을 구동하는 모터의 진동데이터와 전류데이터가 포함될 수 있다.
모터데이터는 PSD 시스템에서의 작동 및 관련 고장 여부를 효과적으로 체크할 수 있는 진동센서와 전류센서를 탑재한 IIOT(Industrial Internet of Things)로부터 수집될 수 있다.
아래의 표 1 은 IIOT 프레임 워크이다.
시스템 레벨 주요 레이어 구성 설명
5 App Layer 고장예지를 위한 사용자 인터페이스
4 Manager Layer 고장예지 알고리즘
3 Kernel Layer 고장예지 프로그램을 구동할 프로그램 kernel
2 OS/시스템 레이어 고장예지를 수행할 컴퓨팅 장치를 제어할 OS
1 하드웨어 레이어 Killer feature를 측정하기 위한 센서(진동 및 전류) 및 통합하드웨어
본 실시예에서는 승강장안전문의 작동 및 고장을 효과적으로 체크할 수 있는 데이터로 모터데이터를 예시로 설명하였으나, 본 발명의 기술적 범위는 이에 한정되는 것은 아니다.
PSD 데이터는 PSD 시스템의 승강장안전문 운영과 관련된 데이터이다.
PSD 데이터에는 PSD 시스템의 PSD 운영데이터, PSD 셋팅데이터, 및 TCMS(Train Control and Monitoring System) 운영 데이터가 포함될 수 있다.
PSD 운영데이터는 PSD 시스템의 승강장안전문 운영과 관련된 데이터라면 모두 포함될 수 있다. PSD 운영데이터에는 PSD 유지보수 기록 데이터가 포함될 수 있다.
PSD 유지보수 기록 데이터에는 승강장안전문에 대한 고장이력, 유지보수 이력, 고장 유형, 고장 원인과 관련된 데이터 중 적어도 하나가 포함될 수 있다. PSD 유지보수 기록 데이터는 승강장안전문의 고장 시점 또는 유지보수 시점 별로 고장 유형, 고장 원인, 유지보수 방법, 유지보수자, 승강장안전문을 특정할 수 있는 번호를 포함하는 표의 형식을 가질 수 있다.
PSD 셋팅데이터는 승강장안전문 제어장치 또는 승강장안전문의 구동에 있어 미리 설정된 값으로, 승강장안전문의 각 구성의 구동 시간, 구동 순서, 또는 구동 알고리즘과 관련된 데이터 중 적어도 하나를 포함할 수 있다. PSD 셋팅데이터는 승강장안전문의 고장을 판단하는 기준이 될 수 있다. PSD 셋팅데이터는 관리자 등에 의해 설정될 수 있으며, 필요에 따라 다양하게 설정될 수 있다.
예를 들어, 승강장안전문 셋팅데이터에는 안전문 닫힘/열림 동작시간 셋팅값, 지연 시간 셋팅데이터, 센서 검지 횟수 셋팅데이터, 또는 전동차 출입문과 연동된 승강장안전문의 닫힘/열림 사이클 셋팅데이터가 포함될 수 있다.
TCMS(Train Control and Monitoring System) 운영 데이터는 승강장안전문의 열림 및 닫힘을 제어하기 위한 데이터이다. TCMS 데이터에는 안전문 닫힘/열림 동작시간, 및 승강장안전문의 닫힘/열림 사이클이 포함될 수 있다.
도 3 은 본 발명의 일 실시예에 따른 고장예측 모듈의 블럭 구성도이고, 도 4 는 본 발명의 일 실시예에 따른 이중 중첩 구조 딥러닝 기법 기반 고장예측 프레임워크를 나타낸 도면이며, 도 5 는 본 발명의 일 실시예에 따른 모터데이터를 고장유형에 맵핑하는 방식을 나타낸 도면이며, 도 6 은 본 발명의 일 실시예에 따른 PSD 데이터를 모터데이터에 맵핑하는 방식을 나타낸 도면이며, 도 7 은 본 발명의 일 실시예에 따른 입력변수와 잠재변수를 통한 딥러닝 구조를 나타낸 도면이며, 도 8 은 본 발명의 일 실시예에 따른 고장예측 및 의사결정 프레임워크를 나타낸 도면이다.
도 3 을 참조하면, 고장예측 모듈(20)은 데이터 수집부(10)에 의해 수집된 모터데이터와 PSD 데이터를 이용하여 승강장안전문의 고장을 진단 및 예측한다. 고장예측 모듈(20)은 맵핑부(21) 및 고장예측부(22)를 포함한다.
즉, 고장예측 모듈(20)은 모터데이터를 이용하여 PSD 데이터와 고장예측유형 데이터를 연계시키고, PSD 데이터가 새로 입력되면 딥러닝 학습 결과를 토대로 PSD 데이터에 대한 고장예측유형 데이터를 검출한다.
이 경우, 고장예측 모듈(20)은 이중 중첩 구조 딥러닝 기법으로 승강장안전문의 고장을 예측한다.
기존의 PSD는 PSD를 운영하기 위한 목적으로 데이터를 수집하도록 설계되어 있어, 현행 데이터를 기반으로 고장을 예측하는 데에는 한계가 있다.
이에, 고장예측 모듈(20)은 고장현상과 맵핑할 수 있는 잠재 연관 데이터(Latent Variables)로서 상기한 모터데이터를 이용한다.
도 4 를 참조하면, 고장예측 모듈(20)은 점재 연관 데이터로서의 모터데이터와 PSD 데이터를 연계시켜 고장과의 연관관계를 딥러닝을 수행하여 맵핑하고, 이를 다시 현행 데이터와 맵핑하는 이중 중첩 구조의 딥러닝 학습을 수행한다. 이러한 학습 결과를 토대로, 차후 현장의 PSD 데이터만을 이용하여 승강장안전문의 고장을 예측할 수 있다.
맵핑부(21)는 모터데이터를 잠재변수로 한 딥러닝 학습을 통해 PSD 데이터와 고장예측유형 데이터를 딥러닝 학습을 통해 연계시킨다. 이 경우, 맵핑부(21)는 모터데이터를 고장예측유형 데이터와 딥러닝으로 매핑하고 모터데이터를 PSD 데이터와 딥러닝 학습으로 맵핑한다.
연관 맵핑을 위한 변수 유형은 아래의 표 2와 같다.
변수유형 변수 설명 비고
Figure 112020129421432-pat00001
 시간 t에서의 PSD i번째 운영/측정데이터 유형 -
Figure 112020129421432-pat00002
 t에서 DCU사이클 유형에 맞추어 사이클 처리를 한 데이터 -
Figure 112020129421432-pat00003
 사이클 처리가 된 t시점에서의 j번째 데이터 -
Figure 112020129421432-pat00004
 t시점에서 k번째 고장예측 유형 데이터 k={1,...,25}
일반적인 맵핑 관계는 아래의 식과 같다.
Figure 112020129421432-pat00005
여기서, f는 맵핑함수이고, X는 PSD 데이터이다. PSD 데이터에는 PSD 운영데이터, PSD 셋팅데이터 및 TCMS 운영데이터가 포함될 수 있다. Y는 PSD 고장예측 유형 데이터이다.
추가되는 변수 타입을 Z라 정의하면, 다음과 같은 맵핑 관계를 만들 수 있다.
Figure 112020129421432-pat00006
이때, Z는 잠재변수(Latent Variable)이며, 본 실시예에서는 모터데이터이다.
또한, 잠재변수와 기존 변수들과의 맵핑관계 설정을 위해 다음과 같은 수식이 설정될 수 있다.
Figure 112020129421432-pat00007
Figure 112020129421432-pat00008
여기서, h는 잠재변수와 PSD 고장예측 유형 데이터를 맵핑하기 위한 변환 함수이고, g는 PSD 데이터를 잠재변수와 맵핑하기 위한 변환 함수이다.
따라서, 변환 함수 h와 g를 이용하여 X에서 Y로 맵핑하는 변환을 성취할 수 있다.
이를 고려하면,
Figure 112020129421432-pat00009
에서의 변환은
Figure 112020129421432-pat00010
과 같다는 것을 알 수 있다.
이때, Y를 설명하는 가장 효과적인 변수 유형은 X가 아니라 Z로서, h 변환이 고장예지를 위한 가장 핵심적인 변환이다. 그러나 Z 변수를 모를 경우, Z 변수를 획득할 수 있는 데이터들로서 g 변환을 획득하고, 차후 g 변환을 통하여
Figure 112020129421432-pat00011
를 수행하여, Y 변수를 X 변수로 설정한다.
이러한 맵핑관계에 따라, 맵핑부(21)는 제1 맵핑부(211)와 제2 맵핑부(212)를 포함하며, 제1 맵핑부(211)가 고장예측유형 데이터와 딥러닝으로 매핑하고 제2 맵핑부(212)가 모터데이테를 PSD 데이터와 딥러닝 학습으로 맵핑하는, 이중 중첩 구조의 딥러닝 구조로 데이터를 맵핑한다.
먼저, 제1 맵핑부(211)는 도 5 에 도시된 바와 같이 모터데이터, 즉 진동데이터(Z1)와 전류데이터(Z2)를 기 정의된 고장예측유형 데이터와 딥러닝으로 매핑(
Figure 112020129421432-pat00012
)하고 딥러닝 학습을 통해 고장타입을 진단 및 예측(
Figure 112020129421432-pat00013
)한다.
제2 맵핑부(212)는 도 6 에 도시된 바와 같이, 모터데이터를 PSD 셋팅데이터(x1), PSD 운영데이터(
Figure 112020129421432-pat00014
) 및 TCMS 운영데이터(
Figure 112020129421432-pat00015
)와 같은 PSD 데이터와 딥러닝 학습으로 맵핑(
Figure 112020129421432-pat00016
)한다.
여기서, 딥러닝 심층 신경망 분석을 위해 입력하는 PSD 운영데이터는 PSD의 열림 닫임 사이클을 반영하여 입력된다. 모터데이터를 기반으로 분석한 결과를 레이어로 치환되고, 다시 제2 맵핑부(212)에 의해 심층 신경망으로 연계된다.
도 6 에서,
Figure 112020129421432-pat00017
는 시간 t에서의 PSD i번째 운영데이터 및 측정데이터 유형이다.
이에 따라, 입력변수와 잠재변수를 통한 이중 중첩 구조의 고장패턴 딥러닝 구조는 도 7 과 같이 구성된다.
즉, 초기 입력은 X인자인 PSD의 데이터가 사이클링 처리되어 입력되고, 이를 Z인자와 맵핑시키는 딥러닝(DNN2)을 구성하여 학습시킨다. 이를 통해서 X와 Z인자를 연계시키는 부분을 완성하고, 이후 딥러닝(DNN1)의 연계를 통해서 명확하게 그 고장패턴을 예지토록 한다.
고장예측부(22)는 PSD 데이터가 새로 입력되면 맵핑부(21)의 딥러닝 학습 결과에 토대로 새로 입력된 PSD 데이터에 대한 고장예측유형 데이터를 검출한다.
출력부(30)는 고장예측 모듈(20)에 의해 검출된 PSD 데이터에 대한 고장예측유형 데이터를 출력한다.
즉, 도 8 에 도시된 바와 같이, 고장예측부(22)는 PSD 데이터가 새로 입력되면 맵핑부(21)의 딥러닝 학습 결과에 토대로 PSD 데이터만 입력되더라도 고장예측유형 데이터를 검출할 수 있게 되고, 출력부(30)는 해당 고장예측유형 데이터를 출력함으로써, 고장진단 및 예측 결과를 현시할 수 있게 된다.
도 9 는 본 발명의 일 실시예에 따른 진동센서 설치 예시도이고, 도 10 은 본 발명의 일 실시예에 따른 전류센서 설치 예시도이다.
한편, 도 9 및 도 10 에는 모터에 설치된 복수 개의 진동센서와 전류센서의 예가 도시된다.
이하 본 발명의 일 실시예에 따른 승강장안전문 고장예측 방법을 도 11 을 참조하여 상세하게 설명한다.
도 11 은 본 발명의 일 실시예에 따른 승강장안전문 고장예측 방법의 순서도이다.
도 11 을 참조하면, 먼저, 데이터 수집부(10)는 승강장안전문 운영과 관련된 PSD 시스템의 PSD 데이터와 승강장안전문을 구동하는 모터에 대한 모터데이터를 수집한다(S10).
모터데이터에는 승강장안전문을 구동하는 모터의 진동데이터와 전류데이터가 포함될 수 있다.
PSD 데이터에는 PSD 시스템의 PSD 운영데이터, PSD 셋팅데이터, 및 TCMS(Train Control and Monitoring System) 운영 데이터가 포함될 수 있다.
이어, 제1 맵핑부(211)가 모터데이터, 즉 진동데이터(Z1)와 전류데이터(Z2)를 기 정의된 고장예측유형 데이터와 딥러닝으로 매핑(
Figure 112020129421432-pat00018
)하고 딥러닝 학습을 통해 고장타입을 진단 및 예측(
Figure 112020129421432-pat00019
)한다(S20).
제2 맵핑부(212)는 도 6 에 도시된 바와 같이, 모터데이터를 PSD 셋팅데이터(x1), PSD 운영데이터(
Figure 112020129421432-pat00020
) 및 TCMS 운영데이터(
Figure 112020129421432-pat00021
)와 같은 PSD 데이터와 딥러닝 학습으로 맵핑(
Figure 112020129421432-pat00022
)한다(S30).
이어, 고장예측부(22)는 PSD 데이터가 새로 입력되면 맵핑부(21)의 딥러닝 학습 결과에 토대로 새로 입력된 PSD 데이터에 대한 고장예측유형 데이터를 검출한다(S40).
마지막으로, 출력부(30)는 고장예측 모듈(20)에 의해 검출된 PSD 데이터에 대한 고장예측유형 데이터를 출력한다(S50).
즉, 고장예측부(22)는 PSD 데이터가 새로 입력되면 맵핑부(21)의 딥러닝 학습 결과에 토대로 PSD 데이터만 입력되더라도 고장예측유형 데이터를 검출함으로써 고장진단 및 예측 결과를 관리자가 인지할 수 있도록 한다.
이와 같이, 본 발명의 일 실시예에 따른 승강장안전문 고장예측 장치 및 방법은 이중 중첩 구조 딥러닝 기법을 이용하여 승강장안전문의 고장을 예측할 수 있다.
또한, 본 발명의 일 실시예에 따른 승강장안전문 고장예측 장치 및 방법은 승강장안전문 상태에 따라 적정 시기에 정비가 가능하도록 하여 PSD 시스템의 유지보수비를 절감할 수 있도록 한다.
또한, 본 발명의 일 실시예에 따른 승강장안전문 고장예측 장치 및 방법은 승강장안전문의 잔존수명을 예측하므로, 운행 중 갑자기 발생하는 도중 고장을 예방하고, 전동차 운행 지연 방지 및 지연에 따른 사회적 비용을 절감하며, 전동차의 가용도를 증가시킬 수 있다.
또한, 본 발명의 일 실시예에 따른 승강장안전문 고장예측 장치 및 방법은 승강장안전문 고장 패턴을 분석할 수 있도록 하여 승강장안전문 성능을 개선할 수 있도록 하고, 고장시기 분석을 통한 부품수요예측이 가능하도록 한다.
본 명세서에서 설명된 구현은, 예컨대, 방법 또는 프로세스, 장치, 소프트웨어 프로그램, 데이터 스트림 또는 신호로 구현될 수 있다. 단일 형태의 구현의 맥락에서만 논의(예컨대, 방법으로서만 논의)되었더라도, 논의된 특징의 구현은 또한 다른 형태(예컨대, 장치 또는 프로그램)로도 구현될 수 있다. 장치는 적절한 하드웨어, 소프트웨어 및 펌웨어 등으로 구현될 수 있다. 방법은, 예컨대, 컴퓨터, 마이크로프로세서, 집적 회로 또는 프로그래밍가능한 로직 디바이스 등을 포함하는 프로세싱 디바이스를 일반적으로 지칭하는 프로세서 등과 같은 장치에서 구현될 수 있다. 프로세서는 또한 최종-사용자 사이에 정보의 통신을 용이하게 하는 컴퓨터, 셀 폰, 휴대용/개인용 정보 단말기(personal digital assistant: "PDA") 및 다른 디바이스 등과 같은 통신 디바이스를 포함한다.
본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며 당해 기술이 속하는 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호범위는 아래의 특허청구범위에 의하여 정해져야할 것이다.
10: 데이터 수집부 20: 고장예측 모듈
21: 맵핑부 211: 제1 맵핑부
212: 제2 맵핑부 22: 고장예측부
30: 출력부

Claims (14)

  1. 승강장안전문 운영과 관련된 PSD(Platform Screen Door) 시스템의 PSD 데이터와 상기 승강장안전문을 구동하는 모터에 대한 모터데이터를 수집하는 데이터 수집부; 및
    상기 모터데이터를 이용하여 딥러닝 학습을 통해 상기 PSD 데이터와 고장예측유형 데이터를 연계시키고, 상기 PSD 데이터가 새로 입력되면 딥러닝 학습 결과를 토대로 상기 PSD 데이터에 대한 고장예측유형 데이터를 검출하는 고장예측 모듈을 포함하고,
    상기 고장예측 모듈은 상기 모터데이터를 잠재변수로 한 딥러닝 학습을 통해 상기 PSD 데이터와 상기 고장예측유형 데이터를 딥러닝 학습을 통해 연계시키는 맵핑부; 및 상기 PSD 데이터가 새로 입력되면 상기 맵핑부의 딥러닝 학습 결과를 토대로 새로 입력된 상기 PSD 데이터에 대한 고장예측유형 데이터를 검출하는 고장예측부를 포함하며,
    상기 맵핑부는 상기 모터데이터를 기 정의된 고장예측유형 데이터와 딥러닝으로 매핑하고 딥러닝 학습을 통해 고장타입을 진단 및 예측하는 제1 맵핑부; 및 상기 모터데이터를 상기 PSD 데이터와 딥러닝 학습으로 맵핑하는 제2 맵핑부를 포함하는 것을 특징으로 하는 승강장안전문 고장예측 장치.
  2. 제 1 항에 있어서, 상기 모터데이터는
    상기 모터의 진동데이터와 전류데이터 중 적어도 하나를 포함하는 것을 특징으로 하는 승강장안전문 고장예측 장치.
  3. 제 1 항에 있어서, 상기 PSD 데이터는
    상기 PSD 시스템의 PSD 운영데이터, PSD 셋팅데이터, 및 TCMS(Train Control and Monitoring System) 운영 데이터 중 적어도 하나를 포함하는 것을 특징으로 하는 승강장안전문 고장예측 장치.
  4. 삭제
  5. 삭제
  6. 제 1 항에 있어서, 상기 고장예측 모듈에 의해 검출된 상기 PSD 데이터에 대한 고장예측유형 데이터를 출력하는 출력부를 더 포함하는 것을 특징으로 하는 승강장안전문 고장예측 장치.
  7. 승강장안전문을 구동하는 모터에 대한 모터데이터를 잠재변수로 한 딥러닝 학습을 통해 승강장안전문 운영과 관련된 PSD(Platform Screen Door) 시스템의 PSD 데이터와 기 정의된 고장예측유형 데이터를 딥러닝 학습을 통해 연계시키는 맵핑부; 및
    상기 PSD 데이터가 새로 입력되면 상기 맵핑부의 딥러닝 학습 결과를 토대로 새로 입력된 상기 PSD 데이터에 대한 고장예측유형 데이터를 검출하는 고장예측부를 포함하고,
    상기 맵핑부는 상기 모터데이터를 상기 고장예측유형 데이터와 딥러닝으로 매핑하고 딥러닝학습으로 신경망 분석하여 고장타입을 진단 및 예측하는 제1 맵핑부; 및 상기 모터데이터를 상기 PSD 데이터와 딥러닝으로 맵핑하는 제2 맵핑부를 포함하는 것을 특징으로 하는 승강장안전문 고장예측 장치.
  8. 삭제
  9. 제 7 항에 있어서, 상기 모터데이터는
    상기 모터의 진동데이터와 전류데이터 중 적어도 하나를 포함하는 것을 특징으로 하는 승강장안전문 고장예측 장치.
  10. 제 7 항에 있어서, 상기 PSD 데이터는
    상기 PSD 시스템의 PSD 운영데이터, PSD 셋팅데이터, 및 TCMS(Train Control and Monitoring System) 운영 데이터 중 적어도 하나를 포함하는 것을 특징으로 하는 승강장안전문 고장예측 장치.
  11. 데이터 수집부가 승강장안전문 운영과 관련된 PSD(Platform Screen Door) 시스템의 PSD 데이터와 상기 승강장안전문을 구동하는 모터에 대한 모터데이터를 수집하는 단계;
    고장예측 모듈이 상기 모터데이터를 이용하여 상기 PSD 데이터와 고장예측유형 데이터를 연계시키는 단계;
    상기 PSD 데이터가 새로 입력되면, 상기 고장예측 모듈이 딥러닝 학습 결과를 토대로 상기 PSD 데이터에 대한 고장예측유형 데이터를 검출하는 단계; 및
    출력부가 상기 고장예측 모듈에 의해 검출된 상기 PSD 데이터에 대한 고장예측유형 데이터를 출력하는 단계를 포함하며,
    상기 PSD 데이터와 고장예측유형 데이터를 연계시키는 단계는, 상기 모터데이터를 기 정의된 고장예측유형 데이터와 딥러닝으로 매핑하고 딥러닝 학습을 통해 고장타입을 진단 및 예측하고, 상기 모터데이터를 상기 PSD 데이터와 딥러닝 학습으로 맵핑하는 것을 특징으로 하는 승강장안전문 고장예측 방법.
  12. 제 11 항에 있어서, 상기 모터데이터는
    상기 모터의 진동데이터와 전류데이터 중 적어도 하나를 포함하는 것을 특징으로 하는 승강장안전문 고장예측 방법.
  13. 제 11 항에 있어서, 상기 PSD 데이터는
    상기 PSD 시스템의 PSD 운영데이터, PSD 셋팅데이터, 및 TCMS(Train Control and Monitoring System) 운영 데이터 중 적어도 하나를 포함하는 것을 특징으로 하는 승강장안전문 고장예측 방법.
  14. 삭제
KR1020200164952A 2020-11-30 2020-11-30 승강장안전문 고장예측 장치 및 방법 KR102452204B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200164952A KR102452204B1 (ko) 2020-11-30 2020-11-30 승강장안전문 고장예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200164952A KR102452204B1 (ko) 2020-11-30 2020-11-30 승강장안전문 고장예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220077224A KR20220077224A (ko) 2022-06-09
KR102452204B1 true KR102452204B1 (ko) 2022-10-12

Family

ID=81986046

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200164952A KR102452204B1 (ko) 2020-11-30 2020-11-30 승강장안전문 고장예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102452204B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016044547A (ja) * 2014-08-22 2016-04-04 オプテックス株式会社 自動開閉扉の監視装置
KR101944070B1 (ko) * 2018-10-10 2019-01-30 (주)모두그룹종합건축사사무소 빅데이터를 활용한 승강장안전문 관리시스템 및 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101880353B1 (ko) * 2016-07-22 2018-07-19 현대엘리베이터주식회사 엘리베이터의 고장 예측 시스템

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016044547A (ja) * 2014-08-22 2016-04-04 オプテックス株式会社 自動開閉扉の監視装置
KR101944070B1 (ko) * 2018-10-10 2019-01-30 (주)모두그룹종합건축사사무소 빅데이터를 활용한 승강장안전문 관리시스템 및 방법

Also Published As

Publication number Publication date
KR20220077224A (ko) 2022-06-09

Similar Documents

Publication Publication Date Title
US20210147182A1 (en) Non-intrusive data analytics system for adaptive intelligent condition monitoring of lifts
KR102191594B1 (ko) 집적 데이터 수집 전송장치의 도어제어기 및 그 처리 전송 방법
US8478479B2 (en) Predicting time to maintenance by fusion between modeling and simulation for electronic equipment on board an aircraft
CN111183108A (zh) 用于管理和监控起重系统和建筑设施的系统和方法
KR101944070B1 (ko) 빅데이터를 활용한 승강장안전문 관리시스템 및 방법
CN107219837B (zh) 一种用于地铁屏蔽门故障监控与预警智能系统
KR102235728B1 (ko) 전동차의 전기식 출입문 고장예측 장치
CN104044969A (zh) 电梯故障预警方法和系统
CN112686402A (zh) 一种日常巡检与智慧运维管理平台结合的方法
CN112068535A (zh) 一种站台门智能运维系统
CN114267178A (zh) 一种车站的智能运营维护方法及装置
KR102242630B1 (ko) 보수 계획 시스템 및 보수 계획 방법
CN113807678A (zh) 站台安全门能效管理方法、装置、计算机设备和存储介质
CN206023812U (zh) 集成数据采集传输装置的门控器
KR102452204B1 (ko) 승강장안전문 고장예측 장치 및 방법
CN111137773A (zh) 用于检测电梯系统的故障的方法和系统
KR102358486B1 (ko) 승강장 안전문 고장 진단 및 예측 장치
KR20220167008A (ko) 선박용 고장 예측진단 시스템 및 그 예측진단 방법
CN117454231A (zh) 一种应用智能仿真技术的地铁直流保护测试系统
CN113568393B (zh) 站台门故障检测方法、装置、计算机设备和存储介质
CN106444700A (zh) 一种汽车监控主机与定位模块的故障判断方法
KR102672653B1 (ko) 승강기 이상 상태 모니터링 시스템
CN117937768B (zh) 智能电气柜远程监控系统
CN113233278B (zh) 非侵入式电梯监测的方法、装置及系统
Liu et al. EFMEA-Based Design of Prognostics and Health Management System for Heavy Vehicles

Legal Events

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