KR102535467B1 - 인공지능 알고리즘 적용 방식의 철도 차량 작동 상태 진단 시스템 - Google Patents

인공지능 알고리즘 적용 방식의 철도 차량 작동 상태 진단 시스템 Download PDF

Info

Publication number
KR102535467B1
KR102535467B1 KR1020210090697A KR20210090697A KR102535467B1 KR 102535467 B1 KR102535467 B1 KR 102535467B1 KR 1020210090697 A KR1020210090697 A KR 1020210090697A KR 20210090697 A KR20210090697 A KR 20210090697A KR 102535467 B1 KR102535467 B1 KR 102535467B1
Authority
KR
South Korea
Prior art keywords
module
variable
information
railway vehicle
matching
Prior art date
Application number
KR1020210090697A
Other languages
English (en)
Other versions
KR20230010302A (ko
Inventor
송영천
윤영태
최기환
Original Assignee
케이티엠엔지니어링(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 케이티엠엔지니어링(주) filed Critical 케이티엠엔지니어링(주)
Priority to KR1020210090697A priority Critical patent/KR102535467B1/ko
Publication of KR20230010302A publication Critical patent/KR20230010302A/ko
Application granted granted Critical
Publication of KR102535467B1 publication Critical patent/KR102535467B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/50—Trackside diagnosis or maintenance, e.g. software upgrades
    • B61L27/57—Trackside diagnosis or maintenance, e.g. software upgrades for vehicles or vehicle trains, e.g. trackside supervision of train conditions
    • 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

Abstract

본 발명은 인공지능 알고리즘 적용 방식의 철도 차량 작동 상태 진단 시스템에 관한 것이다. 철도 차량 작동 상태 진단 시스템은 철도 선로(R), 철도 선로(R)의 주변 또는 철도 차량(T)에 배치된 작동 탐지 수단으로부터 작동 상태 정보를 수집하는 DAQ 모듈(16); DAQ 모듈(16)에서 수집된 정보를 분류하는 수집 변수 분류 모듈(17); 수집 변수 분류 모듈(17)에서 분류된 상태 정보를 매개변수로 변환하여 부품 상태 진단에 대한 매칭 수준을 결정하는 변수 매칭 탐색 모듈(18); 및 변수 매칭 탐색 모듈(18)에 의하여 결정된 매칭 수준에 따라 진단 변수를 결정하는 진단 변수 결정 모듈(19)을 포함하고, 변수 매칭 탐색 모듈(18)은 서로 다른 조건의 가상 운행 상황에서 변수 값의 변화를 측정하여 매칭 수준을 결정한다.

Description

인공지능 알고리즘 적용 방식의 철도 차량 작동 상태 진단 시스템{A System for Detecting an Operating Condition of a Train with an Artificial Intelligence Algorism}
본 발명은 인공지능 알고리즘 적용 방식의 철도 차량 작동 상태 진단 시스템에 관한 것이고, 구체적으로 차량 작동 상태의 탐지를 위한 변수를 인공지능 알고리즘에 기초하여 결정하여 철도 차량의 작동 상태의 진단이 가능하도록 하는 인공지능 알고리즘 적용 방식의 철도 차량 작동 상태 진단 시스템에 관한 것이다.
철도 차량은 다수 개의 차륜, 차축 및 베어링과 같은 다양한 작동 부품을 포함하고, 이와 같은 부품의 오작동 또는 고장은 운행에 지장을 초래하면서 사고를 유발시킬 수 있다. 그러므로 철도 차량의 부품 또는 이상 상태가 미리 탐지되어 그에 따른 적절한 조치가 취해질 필요가 있다. 철도 차량의 부품의 상태 탐지와 관련하여 특허공개번호 10-2020-0064247은 철도차량 대차의 결함진단 장치 및 방법에 대하여 개시한다. 또한 특허공개번호 10-2020-0050012는 압전소자를 이용한 철도 차량 위치검지용 차륜검지 시스템 및 방법에 대하여 개시한다. 철도 차량 부품의 상태 탐지는 다양한 원인으로 인하여 발생될 수 있고, 외관으로 확인되기 어려운 다양한 형태의 결함을 포함할 수 있다. 또한 철도 차량 부품의 결함은 작동 상태에서 발견될 수 있으므로 작동 상태에서 결함이 탐지되는 것이 유리하다. 작동 상태에서 부품 결함이 탐지되는 경우 결함 발생과 관련된 탐지 매개변수가 선택될 필요가 있다. 그리고 이와 같은 매개변수는 선로의 상태에 따라 다양한 형태로 나타나므로 매개변수와 부품 사이의 관련성이 미리 결정되어 선택될 필요가 있다. 이와 같은 작동 상태에서 부품의 작동 상태의 탐지를 위하여 탐지 매개변수가 적절한 방법으로 선택될 필요가 있지만 선행기술은 이와 같은 기술에 대하여 개시하지 않는다.
본 발명은 선행기술의 문제점을 해결하기 위한 것으로 아래와 같은 목적을 가진다.
선행기술 1: 특허공개번호 10-2020-0064247(한국철도기술연구원, 2020.06.08. 공개) 철도차량 대차의 결함진단 장치 및 방법 선행기술 2: 특허공개번호 10-2020-0050012(한국철도기술연구원, 2020.05.11. 공개) 압전 소자를 이용한 철도차량 위치검지용 차륜검지 시스템 및 방법
본 발명의 목적은 철도 차량의 운행 상태에서 적어도 하나의 탐지 수단에 의하여 탐지 매개변수를 결정하여 인공지능 알고리즘에 기초하여 매개변수와 부품의 상관성을 탐지하여 철도 차량 부품의 상태 진단이 가능한 인공지능 알고리즘 적용 방식의 철도 차량 작동 상태 진단 시스템을 제공하는 것이다.
본 발명의 적절한 실시 형태에 따르면, 인공지능 알고리즘 적용 방식의 철도 차량 작동 상태 진단 시스템은 철도 선로, 철도 선로의 주변 또는 철도 차량에 배치된 작동 탐지 수단으로부터 작동 상태 정보를 수집하는 DAQ 모듈; DAQ 모듈에서 수집된 정보를 분류하는 수집 변수 분류 모듈; 수집 변수 분류 모듈에서 분류된 상태 정보를 매개변수로 변환하여 부품 상태 진단에 대한 매칭 수준을 결정하는 변수 매칭 탐색 모듈; 및 변수 매칭 탐색 모듈에 의하여 결정된 매칭 수준에 따라 진단 변수를 결정하는 진단 변수 결정 모듈을 포함하고, 변수 매칭 탐색 모듈은 서로 다른 조건의 가상 운행 상황에서 변수 값의 변화를 측정하여 매칭 수준을 결정한다.
본 발명의 다른 적절한 실시 형태에 따르면, 수집 변수 분류 모듈은 빅데이터 모듈을 참조하여 잡음을 제거하는 잡음 제거 모듈을 포함한다.
본 발명의 또 다른 적절한 실시 형태에 따르면, 변수 매칭 탐색 모듈은 빅데이터 모듈로부터 정보를 탐색하고, 가상 운행 데이터 모듈에 저장된 운행 데이터에 기초하여 매개변수 값에 영향을 미치는 인자를 제거하는 변수 스크리닝 모듈을 포함한다.
본 발명에 따른 인공지능 알고리즘 적용 방식의 철도 차량 작동 상태 진단 시스템은 철도 차량의 운행 과정에서 부품으로부터 발생되는 다양한 상태 정보를 탐지하여 부품 상태 진단의 정확성이 향상되도록 한다. 본 발명에 따른 진단 시스템은 부품 상태 정보와 관련된 매개변수의 선택 및 결정 과정에서 빅데이터 방식 및 인공지능 알고리즘을 적용하여 매개변수 결정의 신뢰성이 향상되도록 하면서 이와 동시에 다양한 운행 조건에서 매개변수 값의 변화를 탐지하여 부품 상태 진단의 정밀도가 향상되도록 한다. 본 발명에 따른 진단 시스템은 고속 철도 차량, 저속 화물 차량, 화물 철도 차량과 같이 다양한 종류의 차량에 적용될 수 있다. 또한 철도 차량의 다양한 부품에 본 발명에 따른 진단 시스템이 적용될 수 있고 이에 의하여 본 발명은 제한되지 않는다.
도 1은 본 발명에 따른 인공지능 알고리즘 적용 방식의 철도 차량 작동 상태 진단 시스템의 실시 예를 도시한 것이다.
도 2는 본 발명에 따른 진단 시스템에서 부품의 상태 정보와 관련된 매개변수가 선택되는 과정의 실시 예를 도시한 것이다.
도 3은 본 발명에 따른 진단 시스템에서 부품의 상태 정보와 관련된 매개변수가 결정되는 과정의 실시 예를 도시한 것이다.
도 4는 본 발명에 따른 진단 시스템에 의하여 철도 차량의 작동 상태가 진단되는 과정의 실시 예를 도시한 것이다.
아래에서 본 발명은 첨부된 도면에 제시된 실시 예를 참조하여 상세하게 설명이 되지만 실시 예는 본 발명의 명확한 이해를 위한 것으로 본 발명은 이에 제한되지 않는다. 아래의 설명에서 서로 다른 도면에서 동일한 도면 부호를 가지는 구성요소는 유사한 기능을 가지므로 발명의 이해를 위하여 필요하지 않는다면 반복하여 설명이 되지 않으며 공지의 구성요소는 간략하게 설명이 되거나 생략이 되지만 본 발명의 실시 예에서 제외되는 것으로 이해되지 않아야 한다.
도 1은 본 발명에 따른 인공지능 알고리즘 적용 방식의 철도 차량 작동 상태 진단 시스템의 실시 예를 도시한 것이다.
도 1을 참조하면, 인공지능 알고리즘 적용 방식의 철도 차량 작동 상태 진단 시스템은 철도 선로(R), 철도 선로(R)의 주변 또는 철도 차량(T)에 배치된 작동 탐지 수단으로부터 작동 상태 정보를 수집하는 DAQ 모듈(16); DAQ 모듈(16)에서 수집된 정보를 분류하는 수집 변수 분류 모듈(17); 수집 변수 분류 모듈(17)에서 분류된 상태 정보를 매개변수로 변환하여 부품 상태 진단에 대한 매칭 수준을 결정하는 변수 매칭 탐색 모듈(18); 및 변수 매칭 탐색 모듈(18)에 의하여 결정된 매칭 수준에 따라 진단 변수를 결정하는 진단 변수 결정 모듈(19)을 포함하고, 변수 매칭 탐색 모듈(18)은 서로 다른 조건의 가상 운행 상황에서 변수 값의 변화를 측정하여 매칭 수준을 결정한다.
철도 차량(T)이 선로(R)를 따라 운행되는 과정에서 부품의 작동 상태가 탐지될 수 있고, 부품은 객차, 차륜, 동력 대차, 모터, 기어, 차축, 베어링 또는 이와 유사한 철도 차량(T)에 사용되는 다양한 부품이 될 수 있다. 또한 철도 차량(T) 자체가 부품이 될 수 있다. 철도 차량(T)의 부품의 작동 상태를 탐지하기 위하여 다양한 종류의 탐지 수단이 선로(R), 선로 주변, 동력 대차, 감소기 또는 베어링에 배치될 수 있다. 이와 같이 탐지 수단은 고정 탐지 수단과 이동 탐지 수단(15)을 포함할 수 있다. 고정 탐지 수단은 선로(R)에 설치되는 선로 고정 탐지 수단 및 선로(R)의 주변에 설치되는 주변 탐지 수단을 포함한다. 선로 고정 탐지 수단은 서로 마주보는 선로(R)의 적어도 하나에 설치되는 선로 작용 탐지 모듈(11a, 11b, 12a, 12b); 및 선로(R)의 주변에 설치되는 위치 탐지 모듈(14a, 14b)을 포함할 수 있다. 또한 탐지 수단은 열차의 이동 방향을 따라 이동되면서 부품의 상태를 탐지하는 방향 이동 탐지 모듈(15)을 포함할 수 있다. 추가로 탐지 수단은 철도 차량(T)의 부품에 설치되어 부품이 철도 차량(T)과 함께 이동되면서 부품의 작동 상태를 탐지하는 부품 결합 탐지 수단을 포함할 수 있다. 서로 작용 탐지 모듈(11a, 11b)은 선로(R)의 제1 위치에 설치되는 제1 위치 탐지 모듈(11a, 11b) 및 선로(R)의 제1 위치와 다른 위치에 해당하는 선로(R)의 제2 위치에 설치되는 제2 위치 탐지 모듈(12a, 12b)을 포함한다. 제1 위치 탐지 모듈(11a, 11b)과 제2 위치 탐지 모듈(12a, 12b)은 적어도 하나의 동일 매개변수 탐지 수단을 포함할 수 있고, 차량(T)의 이동 방향을 따라 선로(R)의 서로 다른 위치에 설치될 수 있다. 제1, 2 위치 탐지 모듈(11a, 11b, 12a, 12b)은 선로(R)의 서로 마주보는 위치에 설치되는 한 쌍으로 이루어질 수 있다. 제1, 2 위치 탐지 모듈(11a, 11b, 12a, 12b)은 예를 들어 진동 센서, 음향 센서, 응력 센서, 로드 셀, 변위 센서 또는 이와 유사한 탐지 센서를 포함할 수 있지만 이에 제한되지 않는다. 정보 탐지 모듈(13)이 제1 위치 탐지 모듈(11a, 11b)과 인접하는 선로(R)의 주변에 설치되어 철도 차량(T)의 정보를 탐색할 수 있다. 예를 들어 정보 탐지 모듈(13)은 차량(T)의 종류, 차량의 속도, 차량의 위치, 차량의 객차 수 또는 이와 유사한 정보를 탐지할 수 있다. 또한 정보 탐지 모듈(13)에 의하여 환경 정보가 탐지될 수 있고, 예를 들어 습도, 온도, 선로의 경사도, 선로의 온도, 날씨 또는 이와 유사한 환경 정보가 탐지될 수 있다. 위치 탐지 모듈(14a, 14b)는 선로(R)를 따라 주변에 설치될 수 있고, 제1, 2 위치 탐지 모듈(14a, 14b)은 적어도 하나의 동일 매개변수의 측정을 위한 센서를 포함할 수 있다. 위치 탐지 모듈(14a, 14b)은 예를 들어 음향 탐지 센서, 초음파 센서, 적외선 센서, 이미지 센서 또는 이와 유사한 센서를 포함할 수 있지만 이에 제한되지 않는다. 이와 같은 운행 과정의 차량(T)으로부터 획득된 작동 탐지 정보가 탐지 정보를 수집하는 DAQ 모듈(16)로 전송될 수 있다. DAQ 모듈(16)은 중계 수단을 통하여 각각의 탐지 수단에 의하여 획득된 작동 탐지 정보를 수신할 수 있고, 중계 수단은 선로(R)의 주변에 또는 차량(T)의 내부에 설치될 수 있다. DAQ 모듈(16)에서 수신된 작동 탐지 정보는 수집 변수 분류 모듈(17)로 전송되어 탐지 수단, 탐지 시각, 탐지 위치 또는 부품 종류에 따라 분류될 수 있다, 수집 변수 분류 모듈(17)은 수집 정보의 유효성을 검증하고, 노이즈를 제거한 후 변수 매칭 탐색 모듈(18)로 전송할 수 있다. 변수 매칭 탐색 모듈(18)은 분류된 각각의 작동 탐지 정보를 분석하여 각각의 부품의 작동 상태 진단에 적합한지 여부를 판단하는 기능을 가질 수 있다. 변수 매칭 탐색 모듈(18)은 인공지능 알고리즘을 적용하여 다양한 작동 환경에서 나타날 수 있는 매개변수의 변화 값을 탐지하여 매개변수와 부품 진단 사이의 매칭 수준을 결정할 수 있다. 예를 들어 변수 매칭 탐색 모듈(18)은 서로 다른 조건의 가상 운행 상황에서 변수 값의 변화를 측정하고, 이에 기초하여 매개변수의 매칭 수준을 결정할 수 있다. 매칭 수준은 부품의 정상 작동 상태에서 매개변수 값의 범위와 이상 상태에서 발생되는 매개변수 값의 차이가 측정 가능한 수준으로 나타나면서 이상 상태가 커질수록 차이가 커지는 경향에 따라 결정될 수 있다. 이와 같은 방법으로 변수 매칭 탐색 모듈(18)에 의하여 매칭 수준이 결정되면 진단 변수 결정 모듈(19)로 전송될 수 있다. 진단 변수 결정 모듈(19)은 매칭 수준, 부품의 종류, 부품의 작동 형태 또는 열차의 종류에 따라 각각의 매개변수의 부품에 대한 진단에 적용할지 여부를 결정할 수 있다. 그리고 진단 매개변수에 대한 결정에 따라 매개변수가 철도 차량(T)의 작동 상태 탐지를 위하여 적용될 수 있다. 매칭 수준은 다양한 방법으로 결정될 수 있고 제시된 실시 예에 제한되지 않는다.
도 2는 본 발명에 따른 진단 시스템에서 부품의 상태 정보와 관련된 매개변수가 선택되는 과정의 실시 예를 도시한 것이다.
도 2를 참조하면, 수집 변수 분류 모듈(17)은 빅데이터 모듈(22)을 참조하여 잡음을 제거하는 잡음 제거 모듈(21)을 포함한다. DAQ 모듈(16)에 의하여 수집된 정보가 분류가 되기 전 잡음 제거 모듈(21)로 전송될 수 있다. 잡음 제거 모듈(21)은 전송된 탐지 정보로부터 다양한 형태의 잡음을 제거할 수 있고, 예를 들어 진동 탐지 센서로부터 탐지된 진동 주파수에 다양한 형태의 진동으로 인한 주파수가 포함될 수 있다. 또한 음향 센서로부터 탐지된 음향 정보에 다양한 종류의 음향이 포함될 수 있다. 잡음 제거 모듈(21)은 전기 신호로 변환되어 전송된 탐지 정보에 포함된 다양한 형태의 잡음을 제거하는 기능을 가질 수 있다. 잡음 제거를 위하여 잡음 제거 모듈(21)은 빅데이터 모듈(22)을 탐색하여 각각의 탐지 수단에 탐지 가능한 탐지 정보와 각각의 부품으로부터 발생 가능한 작동 상태 정보를 결정할 수 있다. 이에 따라 선로(R)의 상태에 따라 발생되는 탐지 정보 또는 운행 주변 환경으로부터 발생되는 탐지 정보가 제거될 수 있다. 이와 같이 잡음이 제거된 탐지 정보가 변수 탐색 모듈(23)로 전송될 수 있다. 변수 탐색 모듈(23)은 잡음이 제거된 각각의 탐지 수단에 의한 탐지 정보에서 각각의 부품 상태 정보 또는 철도 차량의 진단에 적합한 작동 상태 정보를 선택하는 기능을 가질 수 있다. 변수 탐색 모듈(23)은 가상 운행 모듈(24)에서 모의적으로 실행되는 가상 운행을 통하여 철도 차량의 진단 또는 각각의 부품의 작동 상태 진단에 적합한 매개변수를 탐색할 수 있다. 가상 운행은 서로 다른 다양한 조건에서 실행될 수 있고, 서로 다른 실행 조건에서 발생 가능한 매개변수 값의 변화를 측정하여 매개변수의 적합성을 탐색할 수 있고, 하나의 부품에 대하여 적어도 하나의 매개변수를 탐색할 수 있다. 또한 변수 탐색 모듈(23)에 의하여 운행 상태에서 매개변수 값의 범위가 탐색될 수 있다. 이와 같은 방법으로 탐색된 매개변수가 변수 분류 모듈(25)로 전송될 수 있다. 변수 분류 모듈(25)은 각각의 부품의 진단 또는 철도 차량의 진단을 위한 적어도 하나의 매개변수, 정상 상태에서 매개변수 값의 변화 범위 또는 정상 상태에서 매개변수의 형태에 대한 정보를 결정하여 변수 분류 모듈(26)로 전송할 수 있다. 변수 분류 모듈(26)은 각각의 부품의 작동 상태의 탐지를 위한 적어도 하나의 매개변수를 분류할 수 있고, 분류 결과를 검증/범위 설정 모듈(26)로 전송할 수 있다. 검증/범위 설정 모듈(26)은 검증 인공지능 모듈(27)을 참조하여 매개변수를 검증하고, 매개변수 값의 범위를 설정할 수 있다. 검증 인공지능 모듈(27)은 각각의 매개변수를 고유 기능에 따라 탐지되는 값, 서로 다른 속도에서 탐지되는 값, 선로의 환경에 따라 탐지되는 값 또는 이와 유사한 다양한 환경에서 탐지되는 값을 인공지능 알고리즘 모듈(27)을 통하여 검증할 수 있다. 또한 다양한 형태의 고장 또는 오작동 상태에서 측정되는 매개변수 값을 측정할 수 있다. 이에 의하여 각각의 부품의 작동 상태의 진단을 위한 매개변수 및 각각의 매개변수의 정상 작동 상태에서 탐지 정보의 형태와 매개변수 값이 결정될 수 있다. 부품 진단을 위한 매개변수의 결정은 다양한 방법으로 이루어질 수 있고 아래에서 다른 실시 예에 대하여 설명된다.
도 3은 본 발명에 따른 진단 시스템에서 부품의 상태 정보와 관련된 매개변수가 결정되는 과정의 실시 예를 도시한 것이다.
도 3을 참조하면, 변수 매칭 탐색 모듈(18)은 빅데이터 모듈(33)로부터 정보를 탐색하고, 가상 운행 데이터 모듈(34)에 저장된 운행 데이터에 기초하여 매개변수 값에 영향을 미치는 인자를 제거하는 변수 스크리닝 모듈(32)을 포함한다. 탐지 수단에 의하여 다양한 종류의 차량에 대하여 다양한 조건에서 반복적으로 탐지 정보가 획득될 수 있다. 매개변수가 분류되면 분류된 매개변수는 검증/범위 설정 모듈(31)로 전송될 수 있다. 검증/범위 설정 모듈(31)은 각각의 매개변수에 대하여 예비적으로 유효성을 검증하고, 매개변수 값의 범위를 예비적으로 설정할 수 있다. 그리고 예비적으로 검증된 매개변수를 변수 스크리닝 모듈(32)로 전송할 수 있다. 변수 스크리닝 모듈(32)은 매개변수 값에 영향을 미치는 다양한 인자를 확인하고, 매개변수의 결정 및 매개변수 값의 범위에서 이와 같은 인자로 인한 매개변수 값의 변화를 결정하는 기능을 가질 수 있다. 변수 스크리닝 모듈(32)은 철도 차량 운행에서 부품과 관련된 다양한 정보가 저장된 부품 관련 빅데이터 모듈(33)로부터 부품의 작동 과정에서 발생되는 다양한 정보가 탐지될 수 있다. 그리고 탐지 정보에 기초하여 작동에 따라 발생하는 매개변수 인자와 외부 영향에 의하여 발생되는 매개변수 인자를 탐색하여 검증/범위 설정 모듈(31)로부터 전송된 매개변수 또는 매개변수 값을 조절할 수 있다. 그리고 조절된 값에 기초하여 가상 운행 데이터 모듈(34)에서 모의 운행을 하여 조절된 매개변수 값을 검증할 수 있다. 이와 같이 변수 스크리닝 모듈(32)에 의하여 조절 및 검증이 된 매개변수가 변수 상관성 결정 모듈(35)로 전송될 수 있다. 철도 차량의 운행 과정에서 다양한 부품이 서로 관련되어 작동되므로 하나의 매개변수에 다양한 부품의 작동에 따른 값이 인가될 수 있다. 또한 하나의 부품의 작동이 서로 다른 매개변수 값에 영향을 미칠 수 있다. 변수 상관성 결정 모듈(35)에 의하여 이와 같은 서로 다른 부품 사이 또는 서로 다른 매개변수 사이의 상관성이 결정될 수 있다. 이와 같이 상관성이 결정된 매개변수가 변수 매칭 모듈(36)로 전송될 수 있다. 변수 매칭 모듈(36)은 학습 기능을 가진 인공지능 알고리즘 모듈(37)에 의하여 변수 상관성이 결정된 매개변수를 적용하여 가상 운행 상태 또는 실제 운행 상태에서 매개변수의 유효성 및 다양한 작동 인자가 매개변수에 미치는 영향을 확인할 수 있다. 예를 들어 인공지능 알고리즘(37)은 RNN(Recurrent Neutral Networks) 또는 LSTM(Long Term Memory Model)과 같은 학습 알고리즘에 의하여 다양한 환경 조건에서 작동 인자가 매개변수에 미치는 영향을 탐지하여 매칭 수준을 결정할 수 있고, 매칭 수준은 예를 들어 0 내지 100과 같이 수치 값으로 표시될 수 있다. 이와 같이 매칭 수준이 결정된 각각의 매개변수가 진단 변수 결정 모듈(38)로 전송될 수 있다. 이후 결정된 매개변수에 기초하여 철도 차량 또는 철도 차량 부품이 진단될 수 있다. 아래에서 이와 같은 과정이 철도 차량 또는 부품에 적용된 실시 예에 대하여 설명된다.
도 4는 본 발명에 따른 진단 시스템에 의하여 철도 차량의 작동 상태가 진단되는 과정의 실시 예를 도시한 것이다.
도 4를 참조하면, 철도 차량의 작동 상태를 진단하는 과정은 작동 상태의 진단을 위한 탐지 모듈의 설치 위치가 결정되는 단계(P41); 탐지 모듈에 의하여 진단을 위한 작동 상태와 관련된 작동 데이터가 수집되는 단계(P42); 작동 데이터로부터 매개변수가 추출되고, 매개변수 사이의 관련성이 결정되는 단계(P43); 각각의 매개변수의 매칭 수준이 결정되는 단계(P44); 및 매칭 수준에 기초하여 철도 차량 또는 부품의 상태가 진단되는 단계(P45)를 포함하고, 매개변수 관련성을 결정하는 단계(P43)에 철도 차량의 운행 또는 진단을 위한 부품의 작동과 관련된 데이터가 저장된 빅데이터를 탐색하는 단계(P46)를 포함한다.
탐지 모듈은 예를 들어 선로(R)를 따라 서로 다른 위치에 배치된 다수 개의 음향 탐지 센서(41a, 41b, 41c); 및 선로(R)의 서로 다른 위치에 배치된 다수 개의 진동 센서(42a, 42b, 42c)를 포함한다. 또한 선로(R)에 배치된 변위 센서(43a, 43b)를 포함할 수 있고, 선택적으로 감속기(M)에 배치된 온도 센서(44)를 포함할 수 있다. 다양한 탐지 센서가 차축(S) 또는 베어링(B)의 상태를 탐지하기 위하여 동력 대차의 다양한 위치에 설치될 수 있고 이에 의하여 본 발명은 제한되지 않는다. 다양한 탐지 수단의 탐지 위치가 결정되면(P41), 각각의 탐지 수단으로부터 탐지 데이터가 획득될 수 있다(P42). 데이터는 선로(R)의 주변에 배치된 중계기로부터 또는 철도 차량(T)의 내부에 배치된 중계기(45a, 45b, 45c)로부터 획득될 수 있고, 중계기(45a, 45b, 45c)에 의하여 획득된 정보가 철도 차량(T)에 설치된 제어 모듈(46a, 46b)로 전송되거나, 전송 수단(47)에 의하여 분석 모듈로 전송될 수 있다. 분석 모듈에 의하여 매개변수 관련성이 결정될 수 있고(P43), 이에 따라 매칭 수준이 결정될 수 있다(P44). 그리고 이에 기초하여 철도 차량(T) 또는 부품의 상태 진단이 될 수 있고(P45), 이에 따라 철도 차량(T)의 점검 여부, 수리 여부 또는 부품 교체 여부가 결정될 수 있다. 또는 매개변수 관련성 및 매칭 수준이 미리 결정될 수 있고, 이에 기초하여 철도 차량(T)에 설치된 제어 모듈에 의하여 상태 진단이 될 수 있다(P45). 동일한 매개변수의 측정을 위한 다수 개의 센서가 선로(R)를 따라 서로 다른 위치에 배치되어 각각의 매개변수 값의 측정 편차의 측정이 가능하면서 인공지능 알고리즘의 적용 과정에서 매개변수의 매칭 수준이 용이하게 결정되도록 한다. 탐지 모듈은 선로(R), 선로 주변 또는 철도 차량(T)의 다양한 위치에 설치되어 빅데이터 모듈의 적용 과정에서 매개변수 관련성 또는 인공지능 알고리즘의 적용 과정에서 매칭 수준의 결정이 용이하도록 한다. 철도 차량의 다양한 부품의 진단에 본 발명에 따른 시스템 또는 방법이 적용될 수 있고 이에 의하여 본 발명은 제한되지 않는다.
위에서 본 발명은 제시된 실시 예를 참조하여 상세하게 설명이 되었지만 이 분야에서 통상의 지식을 가진 자는 제시된 실시 예를 참조하여 본 발명의 기술적 사상을 벗어나지 않는 범위에서 다양한 변형 및 수정 발명을 만들 수 있을 것이다. 본 발명은 이와 같은 변형 및 수정 발명에 의하여 제한되지 않으며 다만 아래에 첨부된 청구범위에 의하여 제한된다.
16: DAQ 모듈 17: 수집 변수 분류 모듈
18: 변수 매칭 탐색 모듈 19: 진단 변수 결정 모듈
21: 잡음 제거 모듈 22: 빅데이터 모듈
32: 변수 스크리닝 모듈 34: 가상 운행 데이터 모듈

Claims (3)

  1. 철도 선로(R), 철도 선로(R)의 주변 또는 철도 차량(T)에 배치된 작동 탐지 수단으로부터 작동 상태 정보를 수집하는 DAQ 모듈(16);
    DAQ 모듈(16)에서 수집된 정보를 분류하는 수집 변수 분류 모듈(17);
    수집 변수 분류 모듈(17)에서 분류된 상태 정보를 매개변수로 변환하여 부품 상태 진단에 대한 매칭 수준을 결정하는 변수 매칭 탐색 모듈(18); 및
    변수 매칭 탐색 모듈(18)에 의하여 결정된 매칭 수준에 따라 진단 변수를 결정하는 진단 변수 결정 모듈(19)을 포함하고,
    철도 차량 운행 과정에서 부품의 작동과 관련된 정보가 저장된 부품 관련 빅데이터 모듈(33) 및 서로 다른 조건에서 모의적으로 실행되는 가상 운행 상황에 대한 운행 데이터를 저장하는 가상 운행 데이터 모듈(34)를 더 포함하고,
    변수 매칭 탐색 모듈(18)은 빅데이터 모듈(33)로부터 부품의 작동 과정에서 발생되는 정보를 탐색하고, 가상 운행 데이터 모듈(34)에 저장된 운행 데이터에 기초하여 매개변수 값에 영향을 미치는 인자를 제거하는 변수 스크리닝 모듈(32)을 포함하고, 서로 다른 조건의 가상 운행 상황에서 변수 값의 변화를 측정하여 매칭 수준을 결정하는 것을 특징으로 하는 인공지능 알고리즘 적용 방식의 철도 차량 작동 상태 진단 시스템.
  2. 삭제
  3. 삭제
KR1020210090697A 2021-07-12 2021-07-12 인공지능 알고리즘 적용 방식의 철도 차량 작동 상태 진단 시스템 KR102535467B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210090697A KR102535467B1 (ko) 2021-07-12 2021-07-12 인공지능 알고리즘 적용 방식의 철도 차량 작동 상태 진단 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210090697A KR102535467B1 (ko) 2021-07-12 2021-07-12 인공지능 알고리즘 적용 방식의 철도 차량 작동 상태 진단 시스템

Publications (2)

Publication Number Publication Date
KR20230010302A KR20230010302A (ko) 2023-01-19
KR102535467B1 true KR102535467B1 (ko) 2023-05-26

Family

ID=85078307

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210090697A KR102535467B1 (ko) 2021-07-12 2021-07-12 인공지능 알고리즘 적용 방식의 철도 차량 작동 상태 진단 시스템

Country Status (1)

Country Link
KR (1) KR102535467B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019027874A (ja) 2017-07-28 2019-02-21 川崎重工業株式会社 鉄道車両の異常診断システム
KR102111237B1 (ko) 2019-10-07 2020-06-08 한국철도공사 이동 추적 방식의 철도 차량의 상태 검지 시스템

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102155254B1 (ko) 2018-10-30 2020-09-11 한국철도기술연구원 압전소자를 이용한 철도차량 위치검지용 차륜검지 시스템 및 방법
KR102131532B1 (ko) 2018-11-28 2020-07-09 한국철도기술연구원 철도차량 대차의 결함진단 장치 및 방법
KR102235728B1 (ko) * 2019-05-28 2021-04-05 한국철도기술연구원 전동차의 전기식 출입문 고장예측 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019027874A (ja) 2017-07-28 2019-02-21 川崎重工業株式会社 鉄道車両の異常診断システム
KR102111237B1 (ko) 2019-10-07 2020-06-08 한국철도공사 이동 추적 방식의 철도 차량의 상태 검지 시스템

Also Published As

Publication number Publication date
KR20230010302A (ko) 2023-01-19

Similar Documents

Publication Publication Date Title
US10040465B2 (en) Abnormal vehicle dynamics detection
CN104990709B (zh) 用于检测机车轴承故障的方法
JP4298433B2 (ja) 鉄道車両の異常検知装置
CN102549406B (zh) 用于监控轨道车辆的行驶状态的方法和装置
JP6796545B2 (ja) 鉄道車両機器診断装置および鉄道車両機器診断方法
CN105929025B (zh) 一种基于时间与空间连续的车轮踏面与轨道故障检测方法
CN105403420B (zh) 一种融合多传感器的转向架故障诊断方法
Balouchi et al. Development of railway track condition monitoring from multi-train in-service vehicles
Hung et al. Study on detection of the early signs of derailment for railway vehicles
Nowakowski et al. Diagnostics of the drive shaft bearing based on vibrations in the high-frequency range as a part of the vehicle's self-diagnostic system
CN113776760A (zh) 基于整轴振动分析的列车轮对失圆故障监测方法和系统
Lingamanaik et al. Using instrumented revenue vehicles to inspect track integrity and rolling stock performance in a passenger network during peak times
KR102111196B1 (ko) 지상 차량 부품 탐지 시스템
KR102535467B1 (ko) 인공지능 알고리즘 적용 방식의 철도 차량 작동 상태 진단 시스템
CN110171442B (zh) 车轮扁疤的检测系统、检测方法
KR102111237B1 (ko) 이동 추적 방식의 철도 차량의 상태 검지 시스템
KR102094105B1 (ko) 다수 개의 매개변수에 의한 철도 차량의 진단 시스템 및 그에 의한 철도 차량의 안전 진단 방법
KR102558020B1 (ko) 인공지능 알고리즘 적용 방식의 진단 변수 결정 방법 및 이에 의한 철도 차량의 진단 방법
KR102574551B1 (ko) 철도 차량용 감속기 작동 상태 진단 시스템
KR102412379B1 (ko) 철도 차량의 차륜 및 차축 베어링 다중 진단 시스템
KR102082078B1 (ko) 탐지 정보의 컬렉터 처리 구조의 열차 베어링 진단 시스템
KR102558023B1 (ko) 열차 감속기의 작동 상태 탐지에 따른 구조 진단 시스템
KR20230035785A (ko) 인공지능 적용 방식의 감속기 모니터링 시스템
CN210591925U (zh) 轴箱振动的轮径差检测系统
GR1010518B (el) Διαγνωστικη μοναδα για αναρτησεις, τροχους και τροχιες σιδηροδρομικων οχηματων με μετρηση σηματων ταλαντωσης απο το εν λειτουργια οχημα

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