KR102502394B1 - 차량의 불량 예측 시스템 및 그 방법 - Google Patents

차량의 불량 예측 시스템 및 그 방법 Download PDF

Info

Publication number
KR102502394B1
KR102502394B1 KR1020200161009A KR20200161009A KR102502394B1 KR 102502394 B1 KR102502394 B1 KR 102502394B1 KR 1020200161009 A KR1020200161009 A KR 1020200161009A KR 20200161009 A KR20200161009 A KR 20200161009A KR 102502394 B1 KR102502394 B1 KR 102502394B1
Authority
KR
South Korea
Prior art keywords
information
pattern data
vehicle
data
diagnosis
Prior art date
Application number
KR1020200161009A
Other languages
English (en)
Other versions
KR20220073171A (ko
Inventor
정태욱
Original Assignee
(주)볼트마이크로
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 (주)볼트마이크로 filed Critical (주)볼트마이크로
Priority to KR1020200161009A priority Critical patent/KR102502394B1/ko
Priority to PCT/KR2021/017332 priority patent/WO2022114750A1/ko
Publication of KR20220073171A publication Critical patent/KR20220073171A/ko
Application granted granted Critical
Publication of KR102502394B1 publication Critical patent/KR102502394B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
    • B60W50/0205—Diagnosing or detecting failures; Failure detection models
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
    • B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
    • B60W50/0205—Diagnosing or detecting failures; Failure detection models
    • B60W2050/021—Means for detecting failure or malfunction
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2306/00—Other features of vehicle sub-units
    • B60Y2306/15—Failure diagnostics

Abstract

본 발명은 차량의 불량 예측 시스템 및 그 방법에 관한 것으로서, 일실시예에 따른 불량 예측 시스템은 차량에 대한 진단 정보를 수집하는 데이터 수집부와, 수집된 진단 정보 중 기설정된 시간 이전에 수집된 정보로부터 학습 패턴 데이터를 추출하고, 추출된 학습 패턴 데이터를 입력으로 인공지능 학습을 수행하여 기준 패턴 데이터를 생성하는 기준 데이터 생성부 및 수집된 차량에 대한 진단 정보 중 기설정된 시간 이후에 수집된 정보로부터 발생 패턴 데이터를 추출하고, 추출된 발생 패턴 데이터와 생성된 기준 패턴 데이터에 기초하여 차량에 대한 불량 여부를 판단하는 불량 판단부를 포함한다.

Description

차량의 불량 예측 시스템 및 그 방법{SYSTEM FOR PREDICTING ERROR OF THE VIHICLE AND METHOD THEREOF}
본 발명은 차량의 불량 예측 시스템 및 그 방법에 관한 것으로, 보다 상세하게는 차량 진단 코드의 발생 패턴을 분석하여 차량 및 차량 내부의 부품 불량을 예측하는 기술적 사상에 관한 것이다.
최근 차량들은 전자적인 기능들이 증가하고 있으며, 이에 따라 차량에는 다양한 전자장치들이 설치되어 사용되고 있다. 이러한 전자장치들은 기존에 차량에 있던 기능들을 대체하는 경우도 있지만 새로운 기능의 구현을 위해 설치되는 경우가 더 많다.
즉, 차량에는 기존의 기계장치들과 함께 전자장치들이 부가됨에 따라 고장이 발생할 수 있는 부품들의 수가 크게 늘어나고 있다.
이러한 부품의 증가에 따라, 전자장치들이나 기계장치들 중 일부 기능들의 고장을 자동으로 진단할 수 있는 고장진단용 전자제품들이 출시되어 사용되고 있다.
그러나, 이러한 전자제품들은 일부 부품들의 진단만 가능할 뿐만 아니라, 고장이 발생한 이후에 고장이 발생하였음을 알리게 된다. 또한, 엔진오일, 미션오일, 점화플러그, 타이밍 벨트 등 일반적으로 교환주기가 설정된 차량 소모품의 교환주기를 알려주는 것이 전부이다.
즉, 차량이 고장 발생 전까지 차량의 불량 징후를 발견하기 어렵기 때문에 차량에 고장이 발생하여 도로에 멈추거나 사고를 유발할 수 있다.
이에, 차량의 불량 징후를 보다 정확하게 예측하여 차량의 고장 발생 전에 이를 대비할 수 있는 기술이 필요한 실정이다.
한국등록특허 제10-1974347호, "차량 고장 진단 시스템 및 그 진단방법"
본 발명은 차량 진단 코드의 발생 패턴을 분석하여 차량 및 차량 내부의 부품 불량을 보다 정확하게 예측할 수 있는 차량의 불량 예측 시스템 및 그 방법을 제공하고자 한다.
또한, 본 발명은 차량에 물리적으로 액세스하지 않아도 차량에서 진단 정보를 원격으로 송수신할 수 있는 차량의 불량 예측 시스템 및 그 방법을 제공하고자 한다.
본 발명의 일실시예에 따른 차량의 불량 예측 시스템은 차량에 대한 진단 정보를 수집하는 데이터 수집부와, 수집된 진단 정보 중 기설정된 시간 이전에 수집된 정보로부터 학습 패턴 데이터를 추출하고, 추출된 학습 패턴 데이터를 입력으로 인공지능 학습을 수행하여 기준 패턴 데이터를 생성하는 기준 데이터 생성부 및 수집된 차량에 대한 진단 정보 중 기설정된 시간 이후에 수집된 정보로부터 발생 패턴 데이터를 추출하고, 추출된 발생 패턴 데이터와 생성된 기준 패턴 데이터에 기초하여 차량에 대한 불량 여부를 판단하는 불량 판단부를 포함할 수 있다.
일측에 따르면, 진단 정보는 차량 내에 구비된 적어도 하나의 ECU(electronic control unit)에 대한 진단 결과 데이터, 진단 전실패 횟수 정보, 진단 실패 발생 시간 정보, 진단 성공 발생 횟수 정보 및 진단 성공 발생 시간 정보 중 적어도 하나의 정보를 포함할 수 있다.
일측에 따르면, 기준 데이터 생성부는 진단 결과 데이터에 포함된 차량 진단 코드의 발생 패턴에 관한 정보에 기초하여 학습 패턴 데이터 및 발생 패턴 데이터를 추출할 수 있다.
일측에 따르면, 기준 데이터 생성부는 적어도 하나의 은닉 계층(hidden layer)을 포함하는 신경망 알고리즘에 기반한 인공지능 학습을 수행하여 기준 패턴 데이터를 생성할 수 있다.
일측에 따르면, 불량 판단부는 추출된 발생 패턴 데이터와 생성된 기준 패턴 데이터를 비교하고 비교한 결과가 기설정된 유사도 이하인 것으로 나타나면 불량으로 판단할 수 있다.
일측에 따르면, 차량의 불량 예측 시스템은 진단 정보를 생성하고, 생성된 진단 정보를 IP(internet protocol) 기반 통신을 이용하여 데이터 수집부로 제공하는 데이터 제공부를 더 포함할 수 있다.
본 발명의 일실시예에 따른 차량의 불량 예측 방법은 데이터 수집부에서, 차량에 대한 진단 정보를 수집하는 단계와, 기준 데이터 생성부에서, 수집된 진단 정보 중 기설정된 시간 이전에 수집된 정보로부터 학습 패턴 데이터를 추출하고, 추출된 학습 패턴 데이터를 입력으로 인공지능 학습을 수행하여 기준 패턴 데이터를 생성하는 단계 및 불량 판단부에서, 수집된 차량에 대한 진단 정보 중 기설정된 시간 이후에 수집된 정보로부터 발생 패턴 데이터를 추출하고, 추출된 발생 패턴 데이터와 생성된 기준 패턴 데이터에 기초하여 차량에 대한 불량 여부를 판단하는 단계를 포함할 수 있다.
일측에 따르면, 진단 정보는 차량 내에 구비된 적어도 하나의 ECU(electronic control unit)에 대한 진단 결과 데이터, 진단 전실패 횟수 정보, 진단 실패 발생 시간 정보, 진단 성공 발생 횟수 정보 및 진단 성공 발생 시간 정보 중 적어도 하나의 정보를 포함할 수 있다.
일측에 따르면, 진단 정보를 수집하는 단계는 진단 결과 데이터에 포함된 차량 진단 코드의 발생 패턴에 관한 정보에 기초하여 학습 패턴 데이터 및 발생 패턴 데이터를 추출할 수 있다.
일측에 따르면, 차량의 불량 예측 방법은 데이터 제공부에서 기 진단 정보를 생성하고, 생성된 진단 정보를 IP(internet protocol) 기반 통신을 이용하여 데이터 수집부로 제공하는 단계를 더 포함할 수 있다.
일실시예에 따르면, 본 발명은 차량 진단 코드의 발생 패턴을 분석하여 차량 및 차량 내부의 부품 불량을 보다 정확하게 예측할 수 있다.
일실시예에 따르면, 본 발명은 차량에 물리적으로 액세스하지 않아도 차량에서 진단 정보를 원격으로 송수신할 수 있다.
도 1은 일실시예에 따른 차량의 불량 예측 시스템을 설명하기 위한 도면이다.
도 2는 일실시예에 따른 차량의 불량 예측 시스템의 구현예를 설명하기 위한 도면이다.
도 3은 일실시예에 따른 차량의 불량 예측 방법을 설명하기 위한 도면이다.
실시 예 및 이에 사용된 용어들은 본 문서에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 해당 실시 예의 다양한 변경, 균등물, 및/또는 대체물을 포함하는 것으로 이해되어야 한다.
하기에서 다양한 실시 예들을 설명에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.
그리고 후술되는 용어들은 다양한 실시 예들에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.
본 문서에서, "A 또는 B" 또는 "A 및/또는 B 중 적어도 하나" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다.
"제1," "제2," "첫째," 또는 "둘째," 등의 표현들은 해당 구성요소들을, 순서 또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.
어떤(예: 제1) 구성요소가 다른(예: 제2) 구성요소에 "(기능적으로 또는 통신적으로) 연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다.
본 명세서에서, "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, 하드웨어적 또는 소프트웨어적으로 "~에 적합한," "~하는 능력을 가지는," "~하도록 변경된," "~하도록 만들어진," "~를 할 수 있는," 또는 "~하도록 설계된"과 상호 호환적으로(interchangeably) 사용될 수 있다.
어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다.
예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(예: CPU 또는 application processor)를 의미할 수 있다.
또한, '또는' 이라는 용어는 배타적 논리합 'exclusive or' 이기보다는 포함적인 논리합 'inclusive or' 를 의미한다.
즉, 달리 언급되지 않는 한 또는 문맥으로부터 명확하지 않는 한, 'x가 a 또는 b를 이용한다' 라는 표현은 포함적인 자연 순열들(natural inclusive permutations) 중 어느 하나를 의미한다.
상술한 구체적인 실시 예들에서, 발명에 포함되는 구성 요소는 제시된 구체적인 실시 예에 따라 단수 또는 복수로 표현되었다.
그러나, 단수 또는 복수의 표현은 설명의 편의를 위해 제시한 상황에 적합하게 선택된 것으로서, 상술한 실시 예들이 단수 또는 복수의 구성 요소에 제한되는 것은 아니며, 복수로 표현된 구성 요소라 하더라도 단수로 구성되거나, 단수로 표현된 구성 요소라 하더라도 복수로 구성될 수 있다.
한편 발명의 설명에서는 구체적인 실시 예에 관해 설명하였으나, 다양한 실시 예들이 내포하는 기술적 사상의 범위에서 벗어나지 않는 한도 내에서 여러 가지 변형이 가능함은 물론이다.
그러므로 본 발명의 범위는 설명된 실시 예에 국한되어 정해져서는 아니되며 후술하는 청구범위뿐만 아니라 이 청구범위와 균등한 것들에 의해 정해져야 한다.
도 1은 일실시예에 따른 차량의 불량 예측 시스템을 설명하기 위한 도면이다.
도 1을 참조하면, 이하에서 설명하는 일실시예에 따른 불량 예측 시스템(100)은 차량의 내부 또는 외부에 구비되어 차량 및 차량 내부의 부품에 대한 불량 발생을 예측할 수 있다.
구체적으로, 불량 예측 시스템(100)은 차량 진단 코드(diagnostic trouble code, DTC)의 발생 패턴을 분석하여 차량 및 차량 내부의 부품 불량을 보다 정확하게 예측할 수 있다.
또한, 불량 예측 시스템(100)은 차량에 물리적으로 액세스하지 않아도 차량에서 진단 정보를 원격으로 송수신할 수 있다.
이를 위해, 불량 예측 시스템(100)은 데이터 수집부(110), 기준 데이터 생성부(120) 및 불량 판단부(130)를 포함할 수 있다. 또한, 불량 예측 시스템(100)은 데이터 제공부를 더 포함할 수도 있다.
일실시예에 따른 데이터 수집부(110)는 차량에 대한 진단 정보를 수집할 수 있다.
일측에 따르면, 진단 정보는 차량 내에 구비된 적어도 하나의 ECU(electronic control unit)에 대한 진단 결과 데이터, 진단 전실패 횟수 정보, 진단 실패 발생 시간 정보, 진단 성공 발생 횟수 정보 및 진단 성공 발생 시간 정보 중 적어도 하나의 정보를 포함할 수 있다.
일실시예에 따른 기준 데이터 생성부(120)는 수집된 진단 정보 중 기설정된 시간 이전(t ≤ tset)에 수집된 정보로부터 학습 패턴 데이터를 추출하고, 추출된 학습 패턴 데이터를 입력으로 인공지능 학습을 수행하여 기준 패턴 데이터를 생성할 수 있다.
일측에 따르면, 기준 데이터 생성부(120)는 진단 결과 데이터에 포함된 차량 진단 코드의 발생 패턴에 관한 정보에 기초하여 학습 패턴 데이터를 추출할 수 있다.
예를 들면, 기준 데이터 생성부(120)는 기설정된 시간 이전까지 차량 진단 프로그램으로부터 출력되는 차량 진단 코드와, 기설정된 시간 이전까지 출력되는 차량 진단 코드에 대응되는 진단 전실패 횟수 정보 및 진단 성공 발생 시간 정보가 반영된 학습 패턴 데이터를 추출할 수 있다.
또한, 학습 패턴 데이터는 각각의 ECU별 학습 패턴 데이터, ECU간 학습 패턴 데이터, 각각의 ECU를 구성하는 모듈별 학습 패턴 데이터 및 각각의 ECU를 구성하는 모듈간 학습 패턴 데이터 중 적어도 하나를 포함할 수 있다.
일측에 따르면, 기준 데이터 생성부(120)는 적어도 하나의 은닉 계층(hidden layer)을 포함하는 신경망 알고리즘에 기반한 인공지능 학습을 수행하여 기준 패턴 데이터를 생성할 수 있다.
바람직하게는, 신경망 알고리즘은 멀티 레이어 퍼셉트론(multi-layer perceptron)을 기반으로 하는 알고리즘일 수 있다.
예를 들면, 신경망 알고리즘은 입력 계층, 출력 계층, 입력 계층과 출력 계층 사이에 구비되는 적어도 하나의 은닉 계층으로 구성될 수 있으며, 입력 계층, 적어도 하나의 은닉 계층 및 출력 계층 각각은 적어도 하나의 노드(입력 노드, 은닉 노드 및 출력 노드)를 구비할 수 있다.
또한, 신경망 알고리즘은 학습 패턴 데이터가 입력 계층에 입력되면, 적어도 하나의 은닉 계층에 포함된 은닉 노드에 의해 수행된 연산결과가 다음 계층에 있는 은닉 노드의 입력값이 되며, 이러한 과정을 출력 계층까지 수행하여 최종 결과로 기준 패턴 데이터를 출력할 수 있다.
일측에 따르면, 신경망 알고리즘은 출력되는 기준 패턴 데이터와 기준 패턴 데이터에 대응되는 예측 패턴 데이터에 기초하여, 신경망 알고리즘의 은닉 계층의 수와 연결 강도를 조절할 수 있다.
예를 들면, 연결강도는 신경망 알고리즘의 각 계층에 있는 노드를 연결시켜주는 역할을 수행하는 것으로, 이 연결은 같은 계층에 있는 노드를 연결할 수 없고 다른 계층에 있는 노드를 연결할 수 있으며, 일반적으로 하나의 노드는 다음 층에 있는 모든 노드와 연결될 수 있다.
또한, 기준 패턴 데이터에 대응되는 예측 패턴 데이터는 전문가 또는 기저장된 빅데이터 정보에 의해 검증된 차량 진단 코드의 발생 패턴일 수 있다.
구체적으로, 기준 데이터 생성부(120)는 출력된 기준 패턴 데이터와 기준 패턴 데이터에 대응되는 예측 패턴 데이터를 비교하고, 비교 결과에 따른 차이(오차)를 감소시키는 방향으로 은닉 노드간의 연결강도를 조절할 수 있다.
일실시예에 따른 불량 판단부(130)는 수집된 차량에 대한 진단 정보 중 기설정된 시간 이후(t > tset)에 수집된 정보로부터 발생 패턴 데이터를 추출하고, 추출된 발생 패턴 데이터와 생성된 기준 패턴 데이터에 기초하여 차량에 대한 불량 여부를 판단할 수 있다.
예를 들면, 기준 데이터 생성부(120)는 기설정된 시간 이후부터 현재 시간까지, 즉 인공지능 학습이 수행되지 않은 실시간 진단 정보로부터 발생 패턴 데이터를 추출할 수 있다.
일측에 따르면, 기준 데이터 생성부(120)는 진단 결과 데이터에 포함된 차량 진단 코드의 발생 패턴에 관한 정보에 기초하여 발생 패턴 데이터를 추출할 수 있다.
예를 들면, 기준 데이터 생성부(120)는 기설정된 시간 이후부터 현재 시간까지 차량 진단 프로그램으로부터 실시간으로 출력되는 차량 진단 코드와, 실시간으로 출력되는 차량 진단 코드에 대응되는 진단 전실패 횟수 정보 및 진단 성공 발생 시간 정보가 반영된 발생 패턴 데이터를 추출할 수 있다.
일측에 따르면, 불량 판단부(130)는 추출된 발생 패턴 데이터와 기준 데이터 생성부(120)를 통해 생성된 기준 패턴 데이터를 비교하고 비교한 결과가 기설정된 유사도 이하인 것으로 나타나면 불량으로 판단할 수 있다.
구체적으로, 불량 판단부(130)는 발생 패턴 데이터와 기준 패턴 데이터의 비교 결과가 기설정된 유사도 이하인 구간의 비율이 기설정된 비율을 초과하면, 차량 및 부품(또는 모듈 등)에 불량이 발생한 것으로 판단하여 알람 신호를 출력하여, 사용자로 하여금 이상 패턴을 보이는 부품 또는 차량에 대한 정밀 점검을 유도할 수 있다.
예를 들면, 불량 판단부(130)는 디스플레이, 스피커 및 기설정된 사용자 단말을 통해 알람 신호를 출력할 수 있으며, 여기서 알람 신호는 발생 패턴 데이터에 대응되는 부품의 불량 발생 여부에 관한 정보를 포함할 수 있다.
일측에 따르면, 불량 판단부(130)는 추출된 발생 패턴 데이터와 기준 데이터 생성부(120)를 통해 생성된 기준 패턴 데이터에 기초하여 차량의 불량 확률을 생성하고, 생성된 불량 확률이 기설정된 임계 확률을 초과하는 경우 알람 신호를 출력할 수도 있다.
예를 들면, 불량 판단부(130)는 발생 패턴 데이터에 포함된 차량 진단 코드 중 {B11FF, U2100}이 검출되면, 기준 패턴 데이터에 기초하여 차량이 불량 확률을 '5일 내에 80%'로 생성할 수 있으며, 생성된 불량 확률에 기초하여 알람 신호를 출력할 수 있다.
일측에 따르면, 기준 패턴 데이터는 특정 차량 진단 코드에 따른 불량 발생 확률에 대한 정보를 포함할 수 있으며, 기준 데이터 생성부(120)는 차량의 주행 거리에 관한 정보 및 엔진 부하에 관한 정보를 추가 입력으로 수신하여 불량 발생 확률에 대한 정보가 반영된 기준 패턴 데이터를 생성할 수 있다.
한편, 데이터 제공부는 진단 정보를 생성하고, 생성된 진단 정보를 IP(internet protocol) 기반 통신을 이용하여 데이터 수집부(110)로 제공할 수 있다. 즉, 데이터 수집부(110)는 데이터 제공부를 통해 진단 정보를 원격으로 수신할 수 있다.
일실시예에 따른 데이터 제공부는 이후 실시예 도 2를 통해 보다 구체적으로 설명하기로 한다.
도 2는 일실시예에 따른 차량의 불량 예측 시스템의 구현예를 설명하기 위한 도면이다.
도 2를 참조하면, 일실시예에 따른 불량 예측 시스템(200)은 진단 장치(210) 및 데이터 제공부(220)를 포함할 수 있다.
예를 들면, 진단 장치(210)는 도 1의 데이터 수집부, 기준 데이터 생성부 및 불량 판단부를 포함할 수 있으며, 서버(server)의 형태로 구현될 수도 있다. 또한, 데이터 제공부(220)는 도 1의 데이터 제공부일 수 있다.
데이터 제공부(220)는 통신 인터페이스(interface), DoIP(diagnostics over internet protocol) 스택 모듈, USD(unified diagnostic services) 소프트웨어 스택 모듈, 진단(diagnostic) 프로그램 및 FOTA(firmware over the air) 제어부를 포함할 수 있다.
구체적으로, 통신 인터페이스는 통신 인터페이스와의 유선 또는 무선 통신을 지원할 수 있다. 예를 들면, 통신 인터페이스는 이더넷(ethernet), WLAN(wireless LAN) 및 이동통신(3G, LTE 및 5G) 중 적어도 하나에 기반한 인터페이스일 수 있다.
DoIP 스택 모듈은 차량의 표준 진단 프로토콜 'ISO 13400'에 기반하는 모듈로, 이더넷 등의 통신 인터페이스를 통해 진단 장치(110)와 연동되어 ECU에 대한 진단(일례로, 불량 예측) 및 진단 프로그램에 대한 소프트웨어 업그레이드의 기능을 지원할 수 있다.
USD 소프트웨어 스택 모듈은 차량의 표준 진단 프로토콜 'ISO 14229-5'에 기반하는 모듈로, ECU와의 통신을 지원할 수 있으며 오류를 진단하고 ECU를 다시 프로그램밍하는 기능을 지원할 수도 있다.
예를 들면, USD 소프트웨어 스택 모듈은 ECU의 오류 메모리를 읽고 삭제하거나 ECU의 새로운 펌웨어에 대한 플래싱(flashing) 기능을 제공할 수 있다.
여기서, 플래싱은 ECU에 대응되는 메모리 중 ROM(read only memory)에 데이터(펌웨어 데이터)를 덮어쓰기하는 기술을 의미한다.
보다 구체적인 예를 들면, 플래싱 기능은 크게 업그레이드 준비 과정, 플래싱 과정 및 플래싱 마무리 과정으로 구분하여 동작할 수 있다.
업그레이드 준비 과정에서는 업그레이드에 필요한 바이너리 파일이 무엇인지 파악하고 다운로드하며, 다운로드한 파일의 무결성 검사를 수행할 수 있다.
플래싱 과정에서는 무결성 검사를 완료한 파일에 대한 플래싱을 수행할 수 있다.
플래싱 마무리 과정에서는 플래싱 과정에서 오류가 발생되면 오류 코드를 팝업으로 출력할 수 있으며, 오류가 발생되지 않고 성공적으로 플래싱이 종료되면 다운로드한 임시 파일들을 제거하고 ECU를 재부팅할 수 있다.
진단 프로그램은 적어도 하나의 ECU에 대한 진단을 수행하여, 진단 정보를 출력할 수 있으며, 진단 정보는 차량 진단 코드에 관한 정보를 포함할 수 있다.
FOTA 제어부는 진단 장치(110)로부터 다운로드한 펌웨어 업데이트 파일을 저장 및 관리할 수 있다.
일측에 따르면, FOTA 제어부는 다운로드한 펌웨어 업데이트 파일에 포함된 차분 정보에 기초하여 펌웨어 업데이트 파일에 대한 캐시 가중치를 결정하고, 결정된 캐시 가중치에 기초하여 펌웨어 업데이트 파일에 대한 캐시 용량을 결정하며, 결정된 캐시 용량에 기초하여 캐시 메모리에 펌웨어 업데이트 파일을 캐시할 수 있다.
예를 들면, FOTA 제어부는 펌웨어 업데이트 파일에 기저장된 차분 정보의 크기 및 종류 중 적어도 하나에 기초하여 캐시 가중치를 미리 정해진 값으로 결정할 수 있다.
즉, FOTA 제어부는 차량에 대한 소프트웨어 업데이트 시에 단말기의 캐시 기능을 사용하여 소프트웨어를 업데이트 속도를 향상시킬 수 있다.
도 3은 일실시예에 따른 차량의 불량 예측 방법을 설명하기 위한 도면이다.
다시 말해, 도 3은 도 1 내지 도 2를 통해 설명한 일실시예에 따른 차량의 불량 예측 시스템의 동작 방법을 설명하는 도면으로, 이후 도 3을 통해 설명하는 내용 중 도 1 내지 도 2를 통해 설명한 내용과 중복되는 설명은 생략하기로 한다.
도 3을 참조하면, 310 단계에서 일실시예에 따른 불량 예측 방법은 데이터 제공부에서 차량에 대한 진단 정보를 생성하고, 생성된 진단 정보를 IP(internet protocol) 기반 통신을 이용하여 데이터 수집부로 제공할 수 있다.
일측에 따르면, 진단 정보는 차량 내에 구비된 적어도 하나의 ECU(electronic control unit)에 대한 진단 결과 데이터, 진단 전실패 횟수 정보, 진단 실패 발생 시간 정보, 진단 성공 발생 횟수 정보 및 진단 성공 발생 시간 정보 중 적어도 하나의 정보를 포함할 수 있다.
다음으로, 320 단계에서 일실시예에 따른 불량 예측 방법은 데이터 수집부에서 차량에 대한 진단 정보를 수집할 수 있다.
다음으로, 330 단계에서 일실시예에 따른 불량 예측 방법은 기준 데이터 생성부에서 수집된 진단 정보 중 기설정된 시간 이전(t ≤ tset)에 수집된 정보로부터 학습 패턴 데이터를 추출하고, 추출된 학습 패턴 데이터를 입력으로 인공지능 학습을 수행하여 기준 패턴 데이터를 생성할 수 있다.
일측에 따르면, 330 단계에서 일실시예에 따른 불량 예측 방법은 진단 결과 데이터에 포함된 차량 진단 코드의 발생 패턴에 관한 정보에 기초하여 학습 패턴 데이터를 추출할 수 있다.
예를 들면, 330 단계에서 일실시예에 따른 불량 예측 방법은 기설정된 시간 이전까지 차량 진단 프로그램으로부터 출력되는 차량 진단 코드와, 기설정된 시간 이전까지 출력되는 차량 진단 코드에 대응되는 진단 전실패 횟수 정보 및 진단 성공 발생 시간 정보가 반영된 학습 패턴 데이터를 추출할 수 있다.
또한, 학습 패턴 데이터는 각각의 ECU별 학습 패턴 데이터, ECU간 학습 패턴 데이터, 각각의 ECU를 구성하는 모듈별 학습 패턴 데이터 및 각각의 ECU를 구성하는 모듈간 학습 패턴 데이터 중 적어도 하나를 포함할 수 있다.
일측에 따르면, 330 단계에서 일실시예에 따른 불량 예측 방법은 적어도 하나의 은닉 계층(hidden layer)을 포함하는 신경망 알고리즘에 기반한 인공지능 학습을 수행하여 기준 패턴 데이터를 생성할 수 있다.
바람직하게는, 신경망 알고리즘은 멀티 레이어 퍼셉트론(multi-layer perceptron)을 기반으로 하는 알고리즘일 수 있다.
예를 들면, 신경망 알고리즘은 입력 계층, 출력 계층, 입력 계층과 출력 계층 사이에 구비되는 적어도 하나의 은닉 계층으로 구성될 수 있으며, 입력 계층, 적어도 하나의 은닉 계층 및 출력 계층 각각은 적어도 하나의 노드(입력 노드, 은닉 노드 및 출력 노드)를 구비할 수 있다.
또한, 신경망 알고리즘은 학습 패턴 데이터가 입력 계층에 입력되면, 적어도 하나의 은닉 계층에 포함된 은닉 노드에 의해 수행된 연산결과가 다음 계층에 있는 은닉 노드의 입력값이 되며, 이러한 과정을 출력 계층까지 수행하여 최종 결과로 기준 패턴 데이터를 출력할 수 있다.
일측에 따르면, 신경망 알고리즘은 출력되는 기준 패턴 데이터와 기준 패턴 데이터에 대응되는 예측 패턴 데이터에 기초하여, 신경망 알고리즘의 은닉 계층의 수와 연결 강도를 조절할 수 있다.
예를 들면, 연결강도는 신경망 알고리즘의 각 계층에 있는 노드를 연결시켜주는 역할을 수행하는 것으로, 이 연결은 같은 계층에 있는 노드를 연결할 수 없고 다른 계층에 있는 노드를 연결할 수 있으며, 일반적으로 하나의 노드는 다음 층에 있는 모든 노드와 연결될 수 있다.
또한, 기준 패턴 데이터에 대응되는 예측 패턴 데이터는 전문가 또는 기저장된 빅데이터 정보에 의해 검증된 차량 진단 코드의 발생 패턴일 수 있다.
구체적으로, 330 단계에서 일실시예에 따른 불량 예측 방법은 출력된 기준 패턴 데이터와 기준 패턴 데이터에 대응되는 예측 패턴 데이터를 비교하고, 비교 결과에 따른 차이(오차)를 감소시키는 방향으로 은닉 노드간의 연결강도를 조절할 수 있다.
다음으로, 340 단계에서 일실시예에 따른 불량 예측 방법은 불량 판단부에서 수집된 차량에 대한 진단 정보 중 기설정된 시간 이후(t > tset)에 수집된 정보로부터 발생 패턴 데이터를 추출하고, 추출된 발생 패턴 데이터와 생성된 기준 패턴 데이터에 기초하여 차량에 대한 불량 여부를 판단할 수 있다.
예를 들면, 340 단계에서 일실시예에 따른 불량 예측 방법은 기설정된 시간 이후부터 현재 시간까지, 즉 인공지능 학습이 수행되지 않은 실시간 진단 정보로부터 발생 패턴 데이터를 추출할 수 있다.
일측에 따르면, 340 단계에서 일실시예에 따른 불량 예측 방법은 진단 결과 데이터에 포함된 차량 진단 코드의 발생 패턴에 관한 정보에 기초하여 발생 패턴 데이터를 추출할 수 있다.
예를 들면, 340 단계에서 일실시예에 따른 불량 예측 방법은 기설정된 시간 이후부터 현재 시간까지 차량 진단 프로그램으로부터 실시간으로 출력되는 차량 진단 코드와, 실시간으로 출력되는 차량 진단 코드에 대응되는 진단 전실패 횟수 정보 및 진단 성공 발생 시간 정보가 반영된 발생 패턴 데이터를 추출할 수 있다.
일측에 따르면, 340 단계에서 일실시예에 따른 불량 예측 방법은 발생 패턴 데이터와 기준 패턴 데이터를 비교하고 비교한 결과가 기설정된 유사도 이하인 것으로 나타나면 불량으로 판단할 수 있다.
구체적으로, 340 단계에서 일실시예에 따른 불량 예측 방법은 발생 패턴 데이터와 기준 패턴 데이터의 비교 결과가 기설정된 유사도 이하인 구간의 비율이 기설정된 비율을 초과하면, 차량 및 부품(또는 모듈 등)에 불량이 발생한 것으로 판단하여 알람 신호를 출력하여, 사용자로 하여금 이상 패턴을 보이는 부품 또는 차량에 대한 정밀 점검을 유도할 수 있다.
예를 들면, 340 단계에서 일실시예에 따른 불량 예측 방법은 디스플레이, 스피커 및 기설정된 사용자 단말을 통해 알람 신호를 출력할 수 있으며, 여기서 알람 신호는 발생 패턴 데이터에 대응되는 부품의 불량 발생 여부에 관한 정보를 포함할 수 있다.
일측에 따르면, 340 단계에서 일실시예에 따른 불량 예측 방법은 발생 패턴 데이터와 기준 패턴 데이터에 기초하여 차량의 불량 확률을 생성하고, 생성된 불량 확률이 기설정된 임계 확률을 초과하는 경우 알람 신호를 출력할 수도 있다.
예를 들면, 340 단계에서 일실시예에 따른 불량 예측 방법은 발생 패턴 데이터에 포함된 차량 진단 코드 중 {B11FF, U2100}이 검출되면, 기준 패턴 데이터에 기초하여 차량이 불량 확률을 '5일 내에 80%'로 생성할 수 있으며, 생성된 불량 확률에 기초하여 알람 신호를 출력할 수 있다.
일측에 따르면, 기준 패턴 데이터는 특정 차량 진단 코드에 따른 불량 발생 확률에 대한 정보를 포함할 수 있으며, 330 단계에서 일실시예에 따른 불량 예측 방법은 차량의 주행 거리에 관한 정보 및 엔진 부하에 관한 정보를 추가 입력으로 수신하여 불량 발생 확률에 대한 정보가 반영된 기준 패턴 데이터를 생성할 수 있다.
결국, 본 발명을 이용하면, 차량 진단 코드의 발생 패턴을 분석하여 차량 및 차량 내부의 부품 불량을 보다 정확하게 예측할 수 있다.
또한, 본 발명을 이용하면, 차량에 물리적으로 액세스하지 않아도 차량에서 진단 정보를 원격으로 송수신할 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
100: 불량 예측 시스템 110: 데이터 수집부
120: 기준 데이터 생성부 130: 불량 판단부

Claims (10)

  1. 차량 내에 구비된 적어도 하나의 ECU(electronic control unit)에 대한 진단 결과 데이터, 진단 전실패 횟수 정보, 진단 실패 발생 시간 정보, 진단 성공 발생 횟수 정보 및 진단 성공 발생 시간 정보 중 적어도 하나의 정보를 포함하는 진단 정보를 생성하는 데이터 제공부;
    상기 진단 정보를 수집하는 데이터 수집부;
    상기 수집된 진단 정보 중 기설정된 시간 이전에 수집된 정보로부터 학습 패턴 데이터를 추출하고, 상기 추출된 학습 패턴 데이터를 입력으로 인공지능 학습을 수행하여 기준 패턴 데이터를 생성하는 기준 데이터 생성부 및
    상기 수집된 차량에 대한 진단 정보 중 상기 기설정된 시간 이후에 수집된 정보로부터 발생 패턴 데이터를 추출하고, 상기 추출된 발생 패턴 데이터와 상기 생성된 기준 패턴 데이터에 기초하여 상기 차량에 대한 불량 여부를 판단하는 불량 판단부
    를 포함하고,
    상기 데이터 제공부는,
    상기 적어도 하나의 ECU에 대한 펌웨어 업그레이드 파일을 다운로드하고, 상기 다운로드한 펌웨어 업그레이드 파일에 대한 무결성 검사를 수행하며, 상기 무결성 검사의 수행 결과에 기초하여 상기 적어도 하나의 ECU에 대응되는 ROM(read only memory)에 상기 다운로드한 펌웨어 업그레이드 파일을 덮어쓰기하되, 상기 덮어쓰기의 과정에서 오류가 발생되면 오류 코드를 팝업으로 출력하기 위한 신호를 생성하며, 상기 덮어쓰기 과정에서 오류가 발생되지 않으면 상기 다운로드한 펌웨어 업그레이드 파일에 대응되는 임시 파일들을 제거하고 상기 적어도 하나의 ECU를 재부팅하며,
    상기 적어도 하나의 ECU에 대한 펌웨어 업데이트 파일을 다운로드하고, 상기 다운로드한 펌웨어 업데이트 파일에 포함된 차분 정보의 크기 및 종류 중 적어도 하나에 기초하여 캐시 가중치를 결정하며, 상기 결정된 캐시 가중치에 대응되는 캐시 용량을 결정하며, 상기 결정된 캐시 용량에 기초하여 상기 다운로드한 펌웨어 업데이트 파일을 캐시 메모리에 캐시하고,
    상기 기준 데이터 생성부는,
    상기 기설정된 시간 이전까지 차량 진단 프로그램으로부터 출력되는 차량 진단 코드와, 상기 기설정된 시간 이전까지 출력되는 차량 진단 코드에 대응되는 진단 전실패 횟수 정보 및 진단 성공 발생 시간 정보가 반영된 상기 학습 패턴 데이터를 추출하고,
    적어도 하나의 은닉 계층(hidden layer)을 포함하는 신경망 알고리즘에 기반한 상기 인공지능 학습을 수행하여 상기 기준 패턴 데이터를 생성하며,
    상기 불량 판단부는,
    상기 기설정된 시간 이후부터 현재 시간까지 상기 차량 진단 프로그램으로부터 실시간으로 출력되는 차량 진단 코드와, 상기 실시간으로 출력되는 차량 진단 코드에 대응되는 진단 전실패 횟수 및 진단 성공 발생 시간 정보가 반영된 상기 발생 패턴 데이터를 추출하고,
    상기 신경망 알고리즘은,
    상기 생성된 기준 패턴 데이터와, 상기 기준 패턴 데이터에 대응되는 예측 패턴 데이터에 기초하여 상기 은닉 계층의 연결 강도가 조절되는
    차량의 불량 예측 시스템.
  2. 삭제
  3. 제1항에 있어서,
    상기 기준 데이터 생성부는,
    상기 진단 결과 데이터에 포함된 차량 진단 코드의 발생 패턴에 관한 정보에 기초하여 상기 학습 패턴 데이터 및 상기 발생 패턴 데이터를 추출하는
    차량의 불량 예측 시스템.
  4. 삭제
  5. 제1항에 있어서,
    상기 불량 판단부는,
    상기 추출된 발생 패턴 데이터와 상기 생성된 기준 패턴 데이터를 비교하고 비교한 결과가 기설정된 유사도 이하인 것으로 나타나면 불량으로 판단하는
    차량의 불량 예측 시스템.
  6. 제1항에 있어서,
    상기 데이터 제공부는,
    상기 생성된 진단 정보를 IP(internet protocol) 기반 통신을 이용하여 상기 데이터 수집부로 제공하는
    차량의 불량 예측 시스템.
  7. 데이터 제공부에서, 차량 내에 구비된 적어도 하나의 ECU(electronic control unit)에 대한 진단 결과 데이터, 진단 전실패 횟수 정보, 진단 실패 발생 시간 정보, 진단 성공 발생 횟수 정보 및 진단 성공 발생 시간 정보 중 적어도 하나의 정보를 포함하는 진단 정보를 생성하는 단계;
    데이터 수집부에서, 상기 진단 정보를 수집하는 단계;
    기준 데이터 생성부에서, 상기 수집된 진단 정보 중 기설정된 시간 이전에 수집된 정보로부터 학습 패턴 데이터를 추출하고, 상기 추출된 학습 패턴 데이터를 입력으로 인공지능 학습을 수행하여 기준 패턴 데이터를 생성하는 단계 및
    불량 판단부에서, 상기 수집된 차량에 대한 진단 정보 중 상기 기설정된 시간 이후에 수집된 정보로부터 발생 패턴 데이터를 추출하고, 상기 추출된 발생 패턴 데이터와 상기 생성된 기준 패턴 데이터에 기초하여 상기 차량에 대한 불량 여부를 판단하는 단계
    를 포함하고,
    상기 데이터 제공부는,
    상기 적어도 하나의 ECU에 대한 펌웨어 업그레이드 파일을 다운로드하고, 상기 다운로드한 펌웨어 업그레이드 파일에 대한 무결성 검사를 수행하며, 상기 무결성 검사의 수행 결과에 기초하여 상기 적어도 하나의 ECU에 대응되는 ROM(read only memory)에 상기 다운로드한 펌웨어 업그레이드 파일을 덮어쓰기하되, 상기 덮어쓰기의 과정에서 오류가 발생되면 오류 코드를 팝업으로 출력하기 위한 신호를 생성하며, 상기 덮어쓰기 과정에서 오류가 발생되지 않으면 상기 다운로드한 펌웨어 업그레이드 파일에 대응되는 임시 파일들을 제거하고 상기 적어도 하나의 ECU를 재부팅하며,
    상기 적어도 하나의 ECU에 대한 펌웨어 업데이트 파일을 다운로드하고, 상기 다운로드한 펌웨어 업데이트 파일에 포함된 차분 정보의 크기 및 종류 중 적어도 하나에 기초하여 캐시 가중치를 결정하며, 상기 결정된 캐시 가중치에 대응되는 캐시 용량을 결정하며, 상기 결정된 캐시 용량에 기초하여 상기 다운로드한 펌웨어 업데이트 파일을 캐시 메모리에 캐시하고,
    상기 기준 데이터 생성부는,
    상기 기설정된 시간 이전까지 차량 진단 프로그램으로부터 출력되는 차량 진단 코드와, 상기 기설정된 시간 이전까지 출력되는 차량 진단 코드에 대응되는 진단 전실패 횟수 정보 및 진단 성공 발생 시간 정보가 반영된 상기 학습 패턴 데이터를 추출하고,
    적어도 하나의 은닉 계층(hidden layer)을 포함하는 신경망 알고리즘에 기반한 상기 인공지능 학습을 수행하여 상기 기준 패턴 데이터를 생성하며,
    상기 불량 판단부는,
    상기 기설정된 시간 이후부터 현재 시간까지 상기 차량 진단 프로그램으로부터 실시간으로 출력되는 차량 진단 코드와, 상기 실시간으로 출력되는 차량 진단 코드에 대응되는 진단 전실패 횟수 및 진단 성공 발생 시간 정보가 반영된 상기 발생 패턴 데이터를 추출하고,
    상기 신경망 알고리즘은,
    상기 생성된 기준 패턴 데이터와, 상기 기준 패턴 데이터에 대응되는 예측 패턴 데이터에 기초하여 상기 은닉 계층의 연결 강도가 조절되는
    차량의 불량 예측 방법.
  8. 삭제
  9. 제7항에 있어서,
    상기 진단 정보를 수집하는 단계는,
    상기 진단 결과 데이터에 포함된 차량 진단 코드의 발생 패턴에 관한 정보에 기초하여 상기 학습 패턴 데이터 및 상기 발생 패턴 데이터를 추출하는
    차량의 불량 예측 방법.
  10. 제7항에 있어서,
    상기 진단 정보를 생성하는 단계는,
    상기 데이터 제공부에서, 상기 생성된 진단 정보를 IP(internet protocol) 기반 통신을 이용하여 상기 데이터 수집부로 제공하는
    차량의 불량 예측 방법.
KR1020200161009A 2020-11-26 2020-11-26 차량의 불량 예측 시스템 및 그 방법 KR102502394B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200161009A KR102502394B1 (ko) 2020-11-26 2020-11-26 차량의 불량 예측 시스템 및 그 방법
PCT/KR2021/017332 WO2022114750A1 (ko) 2020-11-26 2021-11-24 차량의 불량 예측 시스템 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200161009A KR102502394B1 (ko) 2020-11-26 2020-11-26 차량의 불량 예측 시스템 및 그 방법

Publications (2)

Publication Number Publication Date
KR20220073171A KR20220073171A (ko) 2022-06-03
KR102502394B1 true KR102502394B1 (ko) 2023-02-23

Family

ID=81754864

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200161009A KR102502394B1 (ko) 2020-11-26 2020-11-26 차량의 불량 예측 시스템 및 그 방법

Country Status (2)

Country Link
KR (1) KR102502394B1 (ko)
WO (1) WO2022114750A1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017223534A (ja) * 2016-06-15 2017-12-21 株式会社日立製作所 車両診断装置
JP2020185974A (ja) 2019-05-17 2020-11-19 株式会社東芝 車両用空調装置の診断装置及び診断方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101683242B1 (ko) * 2015-10-15 2016-12-07 주식회사 카이즈 차량 상태 진단 및 운전자 정보 제공 시스템
CN109844666B (zh) * 2016-10-12 2023-04-04 哈曼国际工业有限公司 用于车内预测性故障检测的系统和方法
KR101974347B1 (ko) * 2017-03-16 2019-09-05 주식회사 만도 차량 고장 진단 시스템 및 그 진단방법
KR102420667B1 (ko) * 2017-12-15 2022-07-14 현대자동차주식회사 단말기, 차량 및 그 제어방법
KR102160140B1 (ko) * 2018-10-12 2020-09-25 가톨릭관동대학교산학협력단 딥러닝을 기반으로 한 자율차량을 위한 통합진단 시스템
KR102168218B1 (ko) * 2018-10-31 2020-10-20 한국철도기술연구원 열차 고장 예측 장치 및 방법
KR102186297B1 (ko) * 2019-01-09 2020-12-03 동명대학교산학협력단 멀티플랫폼 지능형 자동차 진단 시스템

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017223534A (ja) * 2016-06-15 2017-12-21 株式会社日立製作所 車両診断装置
JP2020185974A (ja) 2019-05-17 2020-11-19 株式会社東芝 車両用空調装置の診断装置及び診断方法

Also Published As

Publication number Publication date
WO2022114750A1 (ko) 2022-06-02
KR20220073171A (ko) 2022-06-03

Similar Documents

Publication Publication Date Title
US10990383B2 (en) Constructing software delta updates for controller software and abnormality detection based on toolchain
US8676432B2 (en) Fault prediction framework using temporal data mining
US20190278647A1 (en) Fault tree analysis for technical systems
FR2936071A1 (fr) Procede et dispositif pour automatiser des procedures de verification d'equipements dans un aeronef.
CN111971545A (zh) 用于处理机动车辆的数据的诊断系统和方法
CN111783104B (zh) 一种漏洞检查方法、持续集成代码的漏洞检查方法及装置
US11762761B2 (en) Generating synthetic test cases for network fuzz testing
CN112988437B (zh) 一种故障预测方法、装置及电子设备和存储介质
KR102502394B1 (ko) 차량의 불량 예측 시스템 및 그 방법
FR2952258A1 (fr) Procede et dispositif pour acceder a des fonctions de maintenance d'un aeronef a partir d'un terminal mobile de maintenance
CN108960220A (zh) 基于状态机模型的信号系统通信数据可靠性分析方法
CN112606779A (zh) 一种汽车故障预警方法及电子设备
CN115031994B (zh) 一种车辆耐久试验方法和系统
CN115827024A (zh) 车载程序的更新方法及系统
US20220391312A1 (en) Machine learning test result analyzer for identifying and triggering remedial actions
FR2927181A1 (fr) Procede et dispositif de commande securises pour terminal de maintenance deporte.
CN114968827B (zh) 车辆总线信号信息校验方法及系统
CN113359657B (zh) Ecu诊断配置码校验方法及其系统、电子控制单元
CN113011989B (zh) 对象核验方法、装置、设备及存储介质
US11321451B2 (en) Method and system for detection of post compilation modification of binary images
CN112996026B (zh) 一种无线网络设备的双备份升级方法及系统
US20220187789A1 (en) Equipment failure diagnosis apparatus, equipment failure diagnosis method, smart factory system and application agent
CN117573171A (zh) 车辆系统自动化升级方法、装置、电子设备和存储介质
CN116957402A (zh) 基于目标缺陷的处理方法、装置及计算机可读存储介质
CN117272319A (zh) 基于人工智能的自动化漏洞修复方法、装置及电子设备

Legal Events

Date Code Title Description
AMND Amendment
E90F Notification of reason for final refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)