KR102514398B1 - 철도차량의 출입문 고장 예측 장치 및 그 방법 - Google Patents

철도차량의 출입문 고장 예측 장치 및 그 방법 Download PDF

Info

Publication number
KR102514398B1
KR102514398B1 KR1020210038869A KR20210038869A KR102514398B1 KR 102514398 B1 KR102514398 B1 KR 102514398B1 KR 1020210038869 A KR1020210038869 A KR 1020210038869A KR 20210038869 A KR20210038869 A KR 20210038869A KR 102514398 B1 KR102514398 B1 KR 102514398B1
Authority
KR
South Korea
Prior art keywords
door
failure
current data
unit
control unit
Prior art date
Application number
KR1020210038869A
Other languages
English (en)
Other versions
KR20220133578A (ko
Inventor
안젤라
임완수
Original Assignee
아이엔지전자 주식회사
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 아이엔지전자 주식회사 filed Critical 아이엔지전자 주식회사
Priority to KR1020210038869A priority Critical patent/KR102514398B1/ko
Publication of KR20220133578A publication Critical patent/KR20220133578A/ko
Application granted granted Critical
Publication of KR102514398B1 publication Critical patent/KR102514398B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61D—BODY DETAILS OR KINDS OF RAILWAY VEHICLES
    • B61D19/00—Door arrangements specially adapted for rail vehicles
    • B61D19/02—Door arrangements specially adapted for rail vehicles for carriages
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L15/00—Indicators provided on the vehicle or train for signalling purposes
    • B61L15/0072—On-board train data handling
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L15/00—Indicators provided on the vehicle or train for signalling purposes
    • B61L15/0081—On-board diagnosis or maintenance
    • G—PHYSICS
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

본 발명은 철도차량의 출입문 고장 예측 장치 및 그 방법이 개시된다. 본 발명의 철도차량의 출입문 고장 예측 장치는, 출입문의 고장 유형을 학습하고 예측하기 위해 출입문의 상태에 따른 전류 데이터를 입력받는 데이터 입력부; 데이터 입력부로부터 입력된 전류 데이터 및 학습결과를 저장하는 저장부; 전류 데이터를 전처리하여 고장 유형에 따라 학습하여 저장부에 저장하고, 고장 예측을 위해 입력된 전류 데이터에 대해 학습결과에 기초하여 고장 유형을 예측하는 제어부; 및 제어부에서 예측된 고장 유형을 시각화하여 예측결과를 출력하는 출력부;를 포함하는 것을 특징으로 한다.

Description

철도차량의 출입문 고장 예측 장치 및 그 방법{APPARATUS FOR PREDICTING FAILURE OF DOOR ON RAILWAY VEHICLE AND METHOD THEREOF}
본 발명은 철도차량의 출입문 고장 예측 장치 및 그 방법에 관한 것으로서, 보다 상세하게는 철도차량의 출입문 개폐 상태에 따라 발생되는 전류데이터에 기초하여 딥러닝 기반으로 출입문의 고장 유형을 분류하여 예측하는 철도차량의 출입문 고장 예측 장치 및 그 방법에 관한 것이다.
일반적으로, 철도차량은 지하철이나 전철 등과 같이 선로(線路) 위를 주행하는 교통수단으로서 빠른 운송을 위해 고속 시스템이 요구되고 있으며, 고속 시스템에 부가적으로 정숙함이 요구된다. 이같이 철도차량이 고속화되고 정숙화될 수록 출입문의 높은 기밀성이 유지되고 있다.
이러한 출입문은 각각의 차량에 일정 간격을 유지하며 양측으로 구비되어 승객이 승하차시에 자동으로 개폐된다.
즉, 차량 운전실의 운전자는 전동차가 역사에 정차하는 경우 승객이 승하차 할 수 있도록 출입문 개폐를 조작하게 된다. 이때 출입문 전체가 개폐되는 것이 아니라 열차종합운전제어장치(TCMS)에서 역사정보를 가지고 있기 때문에 해당 역사에 정차 시 역사 정보에 따라서 해당 방향의 출입문 제어장치(DCU ; Door Control Unit)에 도어 개폐신호를 전송하고 이에 따라 출입문 제어장치는 해당 방향의 출입문을 개폐시키게 된다.
본 발명의 배경기술은 대한민국 등록특허공보 제10-1231836호(2013.02.21. 공고, 철도차량 출입문 유지보수를 위한 실시간 모니터링 시스템)에 개시되어 있다.
이와 같이 출입문 제어장치를 통해 철도차량의 출입문의 개폐를 제어할 때 유지보수가 필요한 출입문 또는 그 출입문의 개폐를 제어하는 DCU를 통해 직접 확인할 수 없었다.
특히, 차량 운전실에는 출입문의 열림 또는 닫힘 상태만을 확인할 수 있을 뿐 출입문 고장 시 고장 원인 및 상태 등을 직접 확인할 수 없어 고장 원인의 분석을 위한 인원 및 장비들이 많이 투입되어야 하는 문제점이 있었다.
또한, 출입문 고장 유형에 대한 분석이 어려워 출입문 제어 시스템에 대한 신뢰성 확보가 되지 않을 뿐만 아니라 출입문의 유지 보수를 위한 시간이 오래 소요되는 문제점이 있었다.
본 발명은 상기와 같은 문제점들을 개선하기 위하여 안출된 것으로, 일 측면에 따른 본 발명의 목적은 철도차량의 출입문 개폐 상태에 따라 발생되는 전류데이터에 기초하여 딥러닝 기반으로 출입문의 고장 유형을 분류하여 예측하는 철도차량의 출입문 고장 예측 장치 및 그 방법을 제공하는 것이다.
본 발명의 일 측면에 따른 철도차량의 출입문 고장 예측 장치는, 출입문의 고장 유형을 학습하고 예측하기 위해 출입문의 상태에 따른 전류 데이터를 입력받는 데이터 입력부; 데이터 입력부로부터 입력된 전류 데이터 및 학습결과를 저장하는 저장부; 전류 데이터를 전처리하여 고장 유형에 따라 학습하여 저장부에 저장하고, 고장 예측을 위해 입력된 전류 데이터에 대해 학습결과에 기초하여 고장 유형을 예측하는 제어부; 및 제어부에서 예측된 고장 유형을 시각화하여 예측결과를 출력하는 출력부;를 포함하는 것을 특징으로 한다.
본 발명에서 출입문의 상태에 따른 전류 데이터는, 출입문의 열림상태에서의 전류 데이터인 것을 특징으로 한다.
본 발명에서 제어부는, 출입문의 제조사 모델에 따라 고장 유형을 분류하여 학습하고 예측하는 것을 특징으로 한다.
본 발명에서 제어부는, 데이터 입력부로부터 입력되는 출입문의 전류 데이터에 대해 전처리하는 전처리부; 전처리부에서 전처리된 전류 데이터에 대해 출입문의 제조사 모델에 따른 고장 유형에 기초하여 딥러닝 기반으로 학습하는 고장 학습부; 및 전처리부에서 전처리된 전류 데이터에 대해 출입문의 제조사 모델에 따라 저장부에 저장된 학습결과에 기초하여 딥러닝 기반으로 고장 유형을 예측하는 고장 예측부;를 포함하는 것을 특징으로 한다.
본 발명에서 전처리부는 입력된 전류 데이터에 대해 전류 변화시점이 같고 길이가 같도록 조정하는 것을 특징으로 한다.
본 발명은 고장 유형을 예측하기 위한 출입문의 제조사 모델 및 예측 진행 상황을 선택하는 키입력부를 더 포함하는 것을 특징으로 한다.
본 발명의 다른 측면에 따른 철도차량의 출입문 고장 예측 방법은, 제어부가 데이터 입력부로부터 출입문의 상태에 따른 전류 데이터를 입력받아 저장부에 저장하는 단계; 제어부가 전류 데이터에 대해 전처리하여 딥러닝 기반으로 출입문의 고장 유형을 학습하여 저장부에 저장하는 단계; 제어부가 고장 유형을 예측하기 위해 출입문의 상태에 따른 전류 데이터를 입력받는 단계; 제어부가 전류데이터를 전처리한 후 학습결과에 기초하여 딥러닝 기반으로 고장 유형을 예측하는 단계; 및 제어부가 예측한 고장 유형을 시각화하여 예측결과를 출력하는 단계;를 포함하는 것을 특징으로 한다.
본 발명에서 출입문의 상태에 따른 전류 데이터는, 출입문의 열림상태에서의 전류 데이터인 것을 특징으로 한다.
본 발명에서 전류 데이터에 대해 전처리할 때 제어부가 입력된 전류 데이터에 대해 전류 변화시점이 같고 길이가 같도록 조정하는 것을 특징으로 한다.
본 발명에서 고장 유형을 예측하는 단계는, 제어부가 키입력부를 통해 선택된 출입문의 제조사 모델에 따른 고장 유형으로 분류하여 예측하는 것을 특징으로 한다.
본 발명에서 출입문의 고장 유형을 학습하여 저장부에 저장하는 단계는, 제어부가 출입문의 제조사 모델에 따라 고장 유형에 기초하여 딥러닝 기반으로 학습하는 것을 특징으로 한다.
본 발명의 일 측면에 따른 철도차량의 출입문 고장 예측 장치 및 그 방법은 철도차량의 출입문 개폐 상태에 따라 발생되는 전류데이터에 기초하여 딥러닝 기반으로 출입문의 고장 유형을 분류하여 예측할 수 있어 출입문 고장 유형에 대한 분석이 쉬워져 유지 보수를 위한 시간을 단축시킬 수 있다.
도 1은 본 발명의 일 실시예에 따른 철도차량의 출입문 고장 예측 장치를 나타낸 블록 구성도이다.
도 2는 본 발명의 일 실시예에 따른 철도차량의 출입문 고장 예측 장치에서 정상상태와 고장 유형에 따른 전류 데이터를 비교한 그래프이다.
도 3은 본 발명의 일 실시예에 따른 철도차량의 출입문 고장 예측 장치에서 출력부의 화면을 나타낸 예시도이다.
도 4는 본 발명의 일 실시예에 따른 철도차량의 출입문 고장 예측 방법을 설명하기 위한 흐름도이다.
이하, 첨부된 도면들을 참조하여 본 발명에 따른 철도차량의 출입문 고장 예측 장치 및 그 방법을 설명한다. 이 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 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 본 발명의 일 실시예에 따른 철도차량의 출입문 고장 예측 장치를 나타낸 블록 구성도이고, 도 2는 본 발명의 일 실시예에 따른 철도차량의 출입문 고장 예측 장치에서 정상상태와 고장 유형에 따른 전류 데이터를 비교한 그래프이며, 도 3은 본 발명의 일 실시예에 따른 철도차량의 출입문 고장 예측 장치에서 출력부의 화면을 나타낸 예시도이다.
도 1에 도시된 바와 같이 본 발명의 일 실시예에 따른 철도차량의 출입문 고장 예측 장치는, 데이터 입력부(10), 저장부(40), 제어부(30) 및 출력부(50)를 비롯하여 키입력부(20)를 포함할 수 있다.
데이터 입력부(10)는 출입문의 고장 유형을 학습하고 예측하기 위해 출입문의 상태에 따른 전류 데이터를 입력받을 수 있다.
여기서, 출입문의 상태는 전류 데이터에 기초하여 고장 유형을 분류하기 위한 특징점을 찾을 수 있는 열림상태에서의 전류 데이터인 것이 바람직하다.
예를 들어, 도 2에 도시된 비교 그래프에서와 같이 빨간색이 정상상태이고, 파란색이 패널 수평 불량이며, 초록색이 V형 갭 고장을 나타낼 경우, 정상상태와 비교하면 패널 불량은 전류의 0~500ms에서의 초반 흐름은 비슷하지만 1000ms 이후부터 2000ms 부분에서 전류의 상승이 전체적으로 높게 나타나고, V형 고장은 0~500ms의 전류 흐름 초반 상승폭이 정상상태일 때보다 높게 나타나 두드러진 특징을 보이고 있다.
저장부(40)는 데이터 입력부(10)로부터 입력된 전류 데이터 및 학습결과를 저장할 수 있다.
제어부(30)는 전류 데이터를 전처리하여 고장 유형에 따라 학습하여 저장부(40)에 저장하고, 고장 예측을 위해 입력된 전류 데이터에 대해 학습결과에 기초하여 고장 유형을 예측할 수 있다.
여기서 제어부(30)는 전처리부(310), 고장 학습부(320) 및 고장 예측부(330)를 포함하여 구성할 수 있다.
전처리부(310)는 데이터 입력부(10)로부터 입력되는 출입문의 전류 데이터에 대해 전처리하여 학습 및 예측 효과를 높일 수 있다.
이때 전처리부(310)는 딥러닝 기반으로 학습하기 위해 입력된 전류 데이터에 대해 전류 변화시점이 같고 길이가 같도록 조정할 수 있다.
즉, 전류 데이터의 수집시간의 차이로 인해 입력된 전류 데이터의 길이가 다를 경우 전류 변화시점이 같고 길이가 같도록 전처리를 통해 조정할 수 있다.
고장 학습부(320)는 전처리부(310)에서 전처리된 전류 데이터에 대해 출입문의 제조사 모델에 따라 고장 유형에 기초하여 정답 데이터와 함께 딥러닝 기반으로 학습할 수 있다.
여기서 고장 유형은 제조사 모델에 따라 출입문의 패널 수평 불량, 장애물 및 V형 갭 고장에 대해 각각 세분화하여 분류할 수 있다.
예를 들어, 제조사가 A사의 출입문인 경우, 정상상태와 패널 불량 4mm(panel_4), 패널 불량 6mm(panel_6), 패널 불량 8mm(panel_8), V형 고장 5cm(v_gap_5), V형 고장 7cm(v_gap_7) 및 V형 고장 8.5cm(v_gap_8)으로 분류할 수 있다.
또한, 제조사가 B사의 출입문인 경우, 정상상태와 장애물 16mm(obstacle_16), 장애물 18mm(obstacle_18), 장애물 20mm(obstacle_20), 장애물 22mm(obstacle_22), V형 고장 5cm(v_gap_5), V형 고장 8cm(v_gap_8)으로 분류할 수 있다.
여기서, 패널 불량은 출입문 패널의 수평 불량 상태이고, V형 고장은 출입문이 외부 충격으로 인해 출입문과 차체 프레임간의 간격이 각각 cm단위로 벌어져 있는 상태를 나타낸다.
고장 예측부(330)는 전처리부(310)에서 전처리된 전류 데이터에 대해 출입문의 제조사 모델에 따라 저장부(40)에 저장된 학습결과에 기초하여 딥러닝 기반으로 고장 유형을 예측할 수 있다.
출력부(50)는 제어부(30)에서 예측된 고장 유형을 시각화하여 예측결과를 출력할 수 있다.
또한, 키입력부(20)는 고장 유형을 예측하기 위한 제조사 모델 및 예측 진행 상황을 선택할 수 있다.
예를 들어, 출력부(50)의 화면은 도 3에 도시된 바와 같이 ① File Info 파트, ② Visualization 파트, ③ Multi Classification 파트 및 ④ Description 파트로 구성할 수 있다.
먼저, ① File Info 파트에서 키입력부(20)를 통해 제조사 모델을 선택하고 고장 예측을 위해 저장부(40)에 저장된 전류 데이터를 선택하여 예측을 진행하고, 데이터 시각화를 누르면 Visualization 파트가 활성화되고, 분류 실행을 하게 되면 Multi Classification 파트 및 Description 파트가 활성화된다.
② Visualization 파트는 File Info 파트에서 시각화를 위해 Visualization 버튼을 눌러 활성화하는 화면으로, 정상 데이터 및 선택한 데이터에 대한 전류 값이 mA 단위로 나타나며 분류에 사용될 각 데이터 포인트의 분류에 사용될 전류 값을 그래프 형태로 나타내 고장 유형에 따라 전류의 특징을 파악할 수 있도록 제공한다.
③ Multi Classification 파트는 File Info 파트에서 Classification 버튼을 눌러 활성화하는 화면으로, 선택한 데이터의 분류별 정확도를 확인할 수 있도록 선택한 제조사 모델에 따라 다르게 표현되며, 분류별 정확도는 선택된 전류 데이터에 대해 학습한 모델로 고장 분류하여 각 타입 별 확률을 %단위로 표시한다.
④ Description 파트는 Classification 버튼을 눌러 활성화하는 화면으로, 타입에는 제조사 모델이 표기되며, 예측 고장 분류와 두번째 고장 분류를 통해 고장 분류 결과에 따라 가장 높은 결과와 두 번째로 높은 결과를 이름과 확률로 표기한다.
상술한 바와 같이, 본 발명의 실시예에 의한 철도차량의 출입문 고장 예측 장치에 따르면, 철도차량의 출입문 개폐 상태에 따라 발생되는 전류데이터에 기초하여 딥러닝 기반으로 출입문의 고장 유형을 분류하여 예측할 수 있어 출입문 고장 유형에 대한 분석이 쉬워져 유지 보수를 위한 시간을 단축시킬 수 있다.
도 4는 본 발명의 일 실시예에 따른 철도차량의 출입문 고장 예측 방법을 설명하기 위한 흐름도이다.
도 4에 도시된 바와 같이 본 발명의 일 실시예에 따른 철도차량의 출입문 고장 예측 방법에서는 먼저, 고장 유형에 대한 학습을 위해 제어부(30)가 데이터 입력부(10)로부터 출입문의 상태에 따른 전류 데이터를 입력받아 저장부(40)에 저장한다(S10).
여기서, 출입문의 상태는 전류 데이터에 기초하여 고장 유형을 분류하기 위한 특징점을 찾을 수 있는 열림상태에서의 전류 데이터인 것이 바람직하다.
S10 단계에서 학습을 위한 전류 데이터를 입력받은 후 제어부(30)는 입력된 전류 데이터에 대해 전처리 한다(S20).
여기서 제어부(30)는 딥러닝 기반으로 학습하기 위해 입력된 전류 데이터에 대해 전류 변화시점이 같고 길이가 같도록 조정할 수 있다.
즉, 전류 데이터의 수집시간의 차이로 인해 입력된 전류 데이터의 길이가 다를 경우 전류 변화시점이 같고 길이가 같도록 전처리를 통해 조정할 수 있다.
S20 단계에서 학습을 위한 전류 데이터에 대해 전처리한 후 제어부(30)는 딥러닝 기반으로 출입문의 제조사 모델에 따라 고장 유형을 학습하여 저장부(40)에 저장한다(S30).
여기서, 고장 유형은 제조사 모델에 따라 출입문의 패널 수평 불량, 장애물 및 V형 갭 고장에 대해 각각 세분화하여 분류할 수 있다.
예를 들어, 제조사가 A사의 출입문인 경우, 정상상태와 패널 불량 4mm(panel_4), 패널 불량 6mm(panel_6), 패널 불량 8mm(panel_8), V형 고장 5cm(v_gap_5), V형 고장 7cm(v_gap_7) 및 V형 고장 8.5cm(v_gap_8)으로 분류할 수 있다.
또한, 제조사가 B사의 출입문인 경우, 정상상태와 장애물 16mm(obstacle_16), 장애물 18mm(obstacle_18), 장애물 20mm(obstacle_20), 장애물 22mm(obstacle_22), V형 고장 5cm(v_gap_5), V형 고장 8cm(v_gap_8)으로 분류할 수 있다.
S30 단계에서 학습한 후 제어부(30)는 고장 유형을 예측하기 위해 출입문의 상태에 따른 전류 데이터를 입력받아 전처리한다(S40).
S40 단계에서 전처리된 전류 데이터에 대해 제어부(30)는 입력된 전류 데이터에 대해 키입력부(20)를 통해 출입문의 제조사 모델을 입력받는다(S50).
S50 단계에서 출입문의 제조사 모델이 선택되면 제어부(30)는 딥러닝 기반으로 학습결과에 기초하여 제조사 모델에 따른 고장 유형으로 세분화하여 분류하여 예측한다(S60).
S60 단계에서 고장 유형을 예측한 후 제어부(30)는 예측한 고장 유형을 시각화하여 도 3에 도시된 출력화면과 같이 예측결과를 출력한다(S70).
상술한 바와 같이, 본 발명의 실시예에 의한 철도차량의 출입문 고장 예측 방법에 따르면, 철도차량의 출입문 개폐 상태에 따라 발생되는 전류데이터에 기초하여 딥러닝 기반으로 출입문의 고장 유형을 분류하여 예측할 수 있어 출입문 고장 유형에 대한 분석이 쉬워져 유지 보수를 위한 시간을 단축시킬 수 있다.
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 프로그래밍 가능한 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 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다.
따라서 본 발명의 진정한 기술적 보호범위는 아래의 청구범위에 의해서 정하여져야 할 것이다.
10 : 데이터 입력부 20 : 키입력부
30 : 제어부 40 : 저장부
50 : 출력부
310 : 전처리부 320 : 고장 학습부
330 : 고장 예측부

Claims (11)

  1. 출입문의 고장 유형을 학습하고 예측하기 위해 상기 출입문의 상태에 따른 전류 데이터를 입력받는 데이터 입력부;
    상기 데이터 입력부로부터 입력된 상기 전류 데이터 및 학습결과를 저장하는 저장부;
    상기 전류 데이터를 전처리하여 상기 고장 유형에 따라 학습하여 상기 저장부에 저장하고, 고장 예측을 위해 입력된 상기 전류 데이터에 대해 학습결과에 기초하여 상기 고장 유형을 예측하는 제어부; 및
    상기 제어부에서 예측된 상기 고장 유형을 시각화하여 예측결과를 출력하는 출력부;를 포함하되,
    상기 출입문의 상태에 따른 상기 전류 데이터는, 상기 출입문의 열림상태에서의 전류 데이터이고,
    상기 제어부는, 상기 출입문의 제조사 모델에 따라 상기 고장 유형을 분류하여 학습하고 예측하는 것을 특징으로 하는 철도차량의 출입문 고장 예측 장치.
  2. 삭제
  3. 삭제
  4. 제 1항에 있어서, 상기 제어부는,
    상기 데이터 입력부로부터 입력되는 상기 출입문의 상기 전류 데이터에 대해 전처리하는 전처리부;
    상기 전처리부에서 전처리된 상기 전류 데이터에 대해 상기 출입문의 제조사 모델에 따른 상기 고장 유형에 기초하여 딥러닝 기반으로 학습하는 고장 학습부; 및
    상기 전처리부에서 전처리된 상기 전류 데이터에 대해 상기 출입문의 제조사 모델에 따라 상기 저장부에 저장된 학습결과에 기초하여 딥러닝 기반으로 상기 고장 유형을 예측하는 고장 예측부;를 포함하는 것을 특징으로 하는 철도차량의 출입문 고장 예측 장치.
  5. 제 4항에 있어서, 상기 전처리부는 입력된 상기 전류 데이터에 대해 전류 변화시점이 같고 길이가 같도록 조정하는 것을 특징으로 하는 철도차량의 출입문 고장 예측 장치.
  6. 제 1항에 있어서, 상기 고장 유형을 예측하기 위한 상기 출입문의 제조사 모델 및 예측 진행 상황을 선택하는 키입력부를 더 포함하는 것을 특징으로 하는 철도차량의 출입문 고장 예측 장치.
  7. 제어부가 데이터 입력부로부터 출입문의 상태에 따른 전류 데이터를 입력받아 저장부에 저장하는 단계;
    상기 제어부가 전류 데이터에 대해 전처리하여 딥러닝 기반으로 상기 출입문의 고장 유형을 학습하여 저장부에 저장하는 단계;
    상기 제어부가 고장 유형을 예측하기 위해 상기 출입문의 상태에 따른 전류 데이터를 입력받는 단계;
    상기 제어부가 전류데이터를 전처리한 후 학습결과에 기초하여 딥러닝 기반으로 고장 유형을 예측하는 단계; 및
    상기 제어부가 예측한 고장 유형을 시각화하여 예측결과를 출력하는 단계;를 포함하되,
    상기 출입문의 상태에 따른 전류 데이터는, 상기 출입문의 열림상태에서의 전류 데이터이고,
    상기 고장 유형을 예측하는 단계는, 상기 제어부가 키입력부를 통해 선택된 상기 출입문의 제조사 모델에 따른 상기 고장 유형으로 분류하여 예측하는 것을 특징으로 하는 것을 특징으로 하는 철도차량의 출입문 고장 예측 방법.
  8. 삭제
  9. 제 7항에 있어서, 전류 데이터에 대해 전처리할 때 상기 제어부가 입력된 전류 데이터에 대해 전류 변화시점이 같고 길이가 같도록 조정하는 것을 특징으로 하는 철도차량의 출입문 고장 예측 방법.
  10. 삭제
  11. 제 7항에 있어서, 상기 출입문의 상기 고장 유형을 학습하여 상기 저장부에 저장하는 단계는, 상기 제어부가 상기 출입문의 제조사 모델에 따라 상기 고장 유형에 기초하여 딥러닝 기반으로 학습하는 것을 특징으로 하는 철도차량의 출입문 고장 예측 방법.
KR1020210038869A 2021-03-25 2021-03-25 철도차량의 출입문 고장 예측 장치 및 그 방법 KR102514398B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210038869A KR102514398B1 (ko) 2021-03-25 2021-03-25 철도차량의 출입문 고장 예측 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210038869A KR102514398B1 (ko) 2021-03-25 2021-03-25 철도차량의 출입문 고장 예측 장치 및 그 방법

Publications (2)

Publication Number Publication Date
KR20220133578A KR20220133578A (ko) 2022-10-05
KR102514398B1 true KR102514398B1 (ko) 2023-03-29

Family

ID=83596511

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210038869A KR102514398B1 (ko) 2021-03-25 2021-03-25 철도차량의 출입문 고장 예측 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR102514398B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023068755A1 (ko) 2021-10-18 2023-04-27 주식회사 사피엔스바이오 신규한 화합물 및 이를 포함하는 약학적 조성물

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102320334B1 (ko) * 2016-06-30 2021-11-02 한국전자기술연구원 철도차량용 dcu 호환성 제고를 위한 표준 인터페이스 시스템 및 방법
KR102235728B1 (ko) * 2019-05-28 2021-04-05 한국철도기술연구원 전동차의 전기식 출입문 고장예측 장치

Also Published As

Publication number Publication date
KR20220133578A (ko) 2022-10-05

Similar Documents

Publication Publication Date Title
CN111976727B (zh) 一种自动驾驶等级调整方法及相关设备
Carvalho et al. Exploiting the use of recurrent neural networks for driver behavior profiling
KR102235728B1 (ko) 전동차의 전기식 출입문 고장예측 장치
KR102514398B1 (ko) 철도차량의 출입문 고장 예측 장치 및 그 방법
KR101944070B1 (ko) 빅데이터를 활용한 승강장안전문 관리시스템 및 방법
CN114374565A (zh) 车辆can网络的入侵检测方法、装置、电子设备和介质
CN110714684B (zh) 一种车门控制方法及装置
CN111046940A (zh) 一种基于决策树与神经网络的车门故障诊断方法
CN103670114B (zh) 列车车门控制方法及装置
US20230391357A1 (en) Methods and apparatus for natural language based scenario discovery to train a machine learning model for a driving system
CN105480262A (zh) 用于全自动驾驶的联动控制系统及方法
US11263837B2 (en) Automatic real-time detection of vehicular incidents
CN113085882A (zh) 一种故障处理方法、装置、电子设备和存储介质
CN107539038A (zh) 一种车辆胎压状态监控方法及装置
CN115324443B (zh) 一种基于在线检测的车门自动对位隔离系统及方法
CN116416796A (zh) 无人驾驶车辆交通事故责任认定方法、装置、介质及设备
JP2007230732A (ja) エレベータの運転制御装置
KR102470520B1 (ko) 국제표준(sae j1739) 기반의 잠재적 고장 영향 분석 방법
CN115199174B (zh) 车窗调控方法、介质、电子设备、调控系统及车辆
JP6671610B1 (ja) プラットホーム用ゲートシステム及びその制御方法
Pimentel et al. Numerical Evaluation of the Safety of Self-Driving Vehicles: Functionality Involving Vehicle Detection
CN108990089B (zh) 移动通信网络多探测窗口联合检测分析方法
KR20200073032A (ko) 철도차량의 출도착 자동 검지 방법 및 장치
CN106370436A (zh) 汽车定损方法
KR100977314B1 (ko) 네트워크 데이터 관리 장치 및 관리 방법

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant