KR102669406B1 - A System for Monitering a Reducer Uing an Artificial Intelligence Algorism - Google Patents
A System for Monitering a Reducer Uing an Artificial Intelligence Algorism Download PDFInfo
- Publication number
- KR102669406B1 KR102669406B1 KR1020210118210A KR20210118210A KR102669406B1 KR 102669406 B1 KR102669406 B1 KR 102669406B1 KR 1020210118210 A KR1020210118210 A KR 1020210118210A KR 20210118210 A KR20210118210 A KR 20210118210A KR 102669406 B1 KR102669406 B1 KR 102669406B1
- Authority
- KR
- South Korea
- Prior art keywords
- reducer
- module
- diagnostic
- detection
- bogie
- Prior art date
Links
- 239000003638 chemical reducing agent Substances 0.000 title claims abstract description 89
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 60
- 238000012544 monitoring process Methods 0.000 claims abstract description 27
- 230000036541 health Effects 0.000 claims abstract description 4
- 238000010219 correlation analysis Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 2
- 238000000034 method Methods 0.000 description 21
- 238000003745 diagnosis Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007849 functional defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000314 lubricant Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007847 structural defect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61C—LOCOMOTIVES; MOTOR RAILCARS
- B61C9/00—Locomotives or motor railcars characterised by the type of transmission system used; Transmission systems specially adapted for locomotives or motor railcars
- B61C9/38—Transmission systems in or for locomotives or motor railcars with electric motor propulsion
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Transportation (AREA)
- Artificial Intelligence (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
본 발명은 인공지능 적용 방식의 감속기 모니터링 시스템에 관한 것이다. 인공지능 적용 방식의 감속기 모니터링 시스템은 철도 차량의 대차에 설치되는 적어도 하나의 감지 센서를 포함하는 감속기 상태 감지 모듈(11); 감속기 상태 감지 모듈(11)에서 측정되는 감지 변수로부터 진단 지표를 생성하는 진단 지표 생성 모듈(12); 생성된 진단 지표로부터 작동 상태를 표시하는 상태 지수 생성 모듈(13); 및 감속기 상태 감지 모듈(11)의 작동 조건을 설정하는 웨이크 업 설정 모듈(14)을 포함한다.The present invention relates to a reducer monitoring system using artificial intelligence. The reducer monitoring system using artificial intelligence includes a reducer status detection module 11 including at least one detection sensor installed on a bogie of a railway vehicle; a diagnostic index generation module (12) that generates a diagnostic index from the detection variables measured by the reducer state detection module (11); a health index generation module 13 that displays an operating state from the generated diagnostic index; and a wake-up setting module 14 that sets the operating conditions of the reducer status detection module 11.
Description
본 발명은 인공지능 적용 방식의 감속기 모니터링 시스템에 관한 것이고, 구체적으로 열차 운행 과정에서 실시간으로 감속기의 작동 상태를 탐지하여 인공지능 알고리즘을 적용하여 작동 상태를 진단하는 인공지능 적용 방식의 감속기 모니터링 시스템에 관한 것이다.The present invention relates to a reducer monitoring system using artificial intelligence, and specifically, to a reducer monitoring system using artificial intelligence that detects the operating status of the reducer in real time during train operation and diagnoses the operating status by applying an artificial intelligence algorithm. It's about.
기어와 베어링을 포함하는 감속기는 축에 결합되어 커플링에 의하여 견인 전동기와 연결될 수 있다. 고속 차량용 모터의 감속기는 차축에 결합된 베어링을 작은 마찰력으로 회전 운동을 시키면서 동력을 전달하는 기능을 가질 필요가 있다. 이와 같은 감속기에 구조적 또는 기능적 결함이 발생되는 경우 차축의 작동 오류를 발생시키면서 동력 대차의 작동을 불안정하도록 만들 수 있다. 동력 대차, 차축 베어링 및 감속기는 서로 관련되어 작동되므로 하나의 부품에서 발생되는 결함은 다른 부품의 작동에 직접적으로 영향을 미칠 수 있다. 그러므로 이와 같은 기능을 가지는 감속기의 상태가 미리 그리고 작동 과정에서 탐지될 필요가 있다. 감속기 탐지와 관련된 선행기술로 특허공개번호 10-2018-0092447은 하모닉 감속기의 구동시 발생하는 소음을 측정하여 주파수 영역의 연속 데이터를 수집하는 하모닉 감속기의 내구성에 따른 소음 측정 장치에 대하여 개시한다. 또한 국제공개번호 WO 2018/124182는 감속기의 고장 진단 장치 및 고장 진단 방법에 대하여 개시한다. 감속기는 차축에 결합되어 운반 대차를 작동시키는 기능을 가진다. 그러므로 감속기의 상태 진단은 관련되어 작동되는 다른 부품의 작동 상태와 함께 탐지되어 진단될 필요가 있다. 이와 같은 진단을 실시간으로 이루어져 열차 운행 관련 기관 또는 철도 관리 기관으로 알려질 필요가 있다. 그러나 선행기술은 이와 같은 진단 시스템에 대하여 개시하지 않는다.A reducer including gears and bearings can be coupled to a shaft and connected to a traction motor by a coupling. The reducer of a high-speed vehicle motor needs to have the function of transmitting power while rotating the bearing coupled to the axle with low friction. If a structural or functional defect occurs in such a reducer, it may cause an operation error in the axle and make the operation of the power bogie unstable. Power bogies, axle bearings and reducers work in conjunction with each other, so a defect in one part can directly affect the operation of other parts. Therefore, the status of the reducer with this function needs to be detected in advance and during operation. As a prior art related to reducer detection, Patent Publication No. 10-2018-0092447 discloses a noise measurement device according to the durability of a harmonic reducer that measures noise generated when the harmonic reducer is driven and collects continuous data in the frequency domain. Additionally, International Publication No. WO 2018/124182 discloses a failure diagnosis device and a failure diagnosis method for a reducer. The reducer is coupled to the axle and has the function of operating the transport cart. Therefore, the status diagnosis of the reducer needs to be detected and diagnosed together with the operating status of other parts operating in relation to it. Such diagnosis needs to be made in real time and made known to train operation related organizations or railroad management organizations. However, the prior art does not disclose such a diagnostic system.
본 발명은 선행기술의 문제점을 해결하기 위한 것으로 아래와 같은 목적을 가진다. The present invention is intended to solve the problems of the prior art and has the following purposes.
본 발명의 목적은 운행 과정의 열차에서 감속기의 작동 상태를 실시간으로 분석하여 안전 수준의 탐지가 가능하도록 하는 인공지능 적용 방식의 감속기 모니터링 시스템을 제공하는 것이다.The purpose of the present invention is to provide a reducer monitoring system using artificial intelligence that enables detection of safety levels by analyzing the operating status of the reducer in a train in operation in real time.
본 발명의 적절한 실시 형태에 따르면, 인공지능 적용 방식의 감속기 모니터링 시스템은 철도 차량의 대차에 설치되는 적어도 하나의 감지 센서를 포함하는 감속기 상태 감지 모듈; 감속기 상태 감지 모듈에서 측정되는 감지 변수로부터 진단 지표를 생성하는 진단 지표 생성 모듈; 생성된 진단 지표로부터 작동 상태를 표시하는 상태 지수 생성 모듈; 및 감속기 상태 감지 모듈의 작동 조건을 설정하는 웨이크 업 설정 모듈을 포함한다.According to a preferred embodiment of the present invention, an artificial intelligence-applied reducer monitoring system includes a reducer status detection module including at least one detection sensor installed on a bogie of a railway vehicle; A diagnostic index generation module that generates a diagnostic index from the detection variables measured in the reducer state detection module; a health index generation module that displays an operating state from the generated diagnostic indicators; and a wake-up setting module that sets the operating conditions of the reducer status detection module.
본 발명의 다른 적절한 실시 형태에 따르면, 웨이크 업 설정 모듈은 철도 차량의 작동 조건 또는 작동 환경에 따라 미리 생성된 웨이크 업 데이터 모듈에 저장된 웨이크 업 데이터에 기초하여 작동된다.According to another suitable embodiment of the present invention, the wake-up setting module operates based on wake-up data stored in the wake-up data module generated in advance according to the operating conditions or operating environment of the railway vehicle.
본 발명의 또 다른 적절한 실시 형태에 따르면, 서로 다른 진단 지표 사이의 상관성을 분석하는 상관성 분석 모듈을 포함하고, 상관성 분석 모듈은 인공지능 지표 분석/추적 모듈의 분석 또는 추적 결과에 기초하여 상관성의 유효성을 결정한다.According to another suitable embodiment of the present invention, it includes a correlation analysis module that analyzes the correlation between different diagnostic indicators, and the correlation analysis module determines the validity of the correlation based on the analysis or tracking results of the artificial intelligence indicator analysis/tracking module. decide.
본 발명의 또 다른 적절한 실시 형태에 따르면, 미리 결정된 진단 지표 범위를 벗어나는 진단 지표를 탐색하는 영역 이탈 지표 탐지 수단을 포함한다. According to another suitable embodiment of the present invention, the device includes area deviation indicator detection means for searching for diagnostic indicators that fall outside a predetermined diagnostic indicator range.
본 발명에 따른 인공지능 적용 방식의 감속기 모니터링 시스템은 고속 철도와 같은 열차의 감속기에서 발생되는 온도, 진동, 소음 또는 윤활유 상태와 같은 다양한 형태의 작동 신호를 감시하여 실시간으로 분석 및 진단이 되도록 한다. 그리고 분석 및 진단 결과로부터 이상 현상이 발생되는 경우 기관사에 즉시 통보되어 철도 차량의 안전 운행이 확보되도록 한다. 본 발명에 따른 모니터링 시스템은 실시간 매개변수 탐지 및 진단 표지의 분석에 의하여 감속기의 실시간 상태 감시가 가능하도록 한다. 본 발명에 따른 시스템은 고속열차의 속도에 따라 변환하는 감속기 진동을 감시하여 이상 상태를 진단하는 진단 방법 및 진단 표준 데이터베이스의 확보가 가능하도록 한다. 본 발명에 따른 모니터링 시스템은 감속기의 효율적 관리를 통한 유지 보수 기술 및 안전성 향상이 가능하도록 한다.The reducer monitoring system using artificial intelligence according to the present invention monitors various types of operating signals such as temperature, vibration, noise, or lubricant status generated from the reducer of a train such as a high-speed railway, and enables analysis and diagnosis in real time. And if an abnormality occurs as a result of analysis and diagnosis, the driver is immediately notified to ensure safe operation of the railway vehicle. The monitoring system according to the present invention enables real-time status monitoring of the reducer by real-time parameter detection and analysis of diagnostic signs. The system according to the present invention monitors the vibration of the reducer that changes depending on the speed of the high-speed train, making it possible to secure a diagnostic method and a diagnostic standard database for diagnosing abnormal conditions. The monitoring system according to the present invention enables improvement of maintenance technology and safety through efficient management of the reducer.
도 1은 본 발명에 따른 인공지능 적용 방식의 감속기 모니터링 시스템의 실시 예를 도시한 것이다.
도 2는 본 발명에 따른 모니터링 시스템의 작동 구조의 실시 예를 도시한 것이다.
도 3은 본 발명에 따른 모니터링 시스템이 적용된 실시 예를 도시한 것이다.
도 4는 본 발명에 따른 모니터링 시스템에 의하여 철도 차량의 운행 상태가 진단되는 실시 예를 도시한 것이다.
도 5는 본 발명에 따른 모니터링 시스템에 의하여 철도 차량의 감속기의 작동 상태를 진단하는 방법의 실시 예를 도시한 것이다.Figure 1 shows an embodiment of a reducer monitoring system using artificial intelligence according to the present invention.
Figure 2 shows an embodiment of the operating structure of the monitoring system according to the present invention.
Figure 3 shows an example in which the monitoring system according to the present invention is applied.
Figure 4 shows an embodiment in which the operating status of a railway vehicle is diagnosed by the monitoring system according to the present invention.
Figure 5 shows an embodiment of a method for diagnosing the operating state of a reducer of a railway vehicle by a monitoring system according to the present invention.
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. Below, the present invention will be described in detail with reference to the embodiments shown in the attached drawings, but the examples are for a clear understanding of the present invention and the present invention is not limited thereto. In the description below, components having the same reference numerals in different drawings have similar functions, so unless necessary for understanding the invention, the description will not be repeated, and well-known components will be briefly described or omitted, but the present invention It should not be understood as being excluded from the embodiments.
도 1은 본 발명에 따른 인공지능 적용 방식의 감속기 모니터링 시스템의 실시 예를 도시한 것이다. Figure 1 shows an embodiment of a reducer monitoring system using artificial intelligence according to the present invention.
도 1을 참조하면, 인공지능 적용 방식의 감속기 모니터링 시스템은 철도 차량의 대차에 설치되는 적어도 하나의 감지 센서를 포함하는 감속기 상태 감지 모듈(11); 감속기 상태 감지 모듈(11)에서 측정되는 감지 변수로부터 진단 지표를 생성하는 진단 지표 생성 모듈(12); 생성된 진단 지표로부터 작동 상태를 표시하는 상태 지수 생성 모듈(13); 및 감속기 상태 감지 모듈(11)의 작동 조건을 설정하는 웨이크 업 설정 모듈(14)을 포함한다. Referring to FIG. 1, the reducer monitoring system using artificial intelligence includes a reducer status detection module 11 including at least one detection sensor installed on a bogie of a railway vehicle; a diagnostic index generation module (12) that generates a diagnostic index from the detection variables measured by the reducer state detection module (11); a health index generation module 13 that displays an operating state from the generated diagnostic index; and a wake-up setting module 14 that sets the operating conditions of the reducer status detection module 11.
감속기는 동력 대차에 설치되어 모터의 구동력을 차륜에 전달하는 기능을 가질 수 있고, 동력 대차는 예를 들어 300 내지 600 ㎞/h의 고속 철도를 위한 대차가 될 수 있지만 이에 제한되지 않는다. 다수 개의 동력 대차가 하나의 철도 차량에 설치될 수 있고, 각각의 동력 대차에 결합된 차축, 차축 베어링, 기어 또는 모터와 같은 감속기 관련 작동 부품 또는 감속기의 작동 상태가 진단 시스템에 의하여 진단될 수 있다. 적어도 하나의 감지 센서는 진동 센서를 포함할 수 있고, 또한 온도 센서 또는 소음 센서를 포함할 수 있다. 추가로 초음파 센서, 응력 센서, 하중 센서 또는 이와 유사한 센서가 설치될 수 있고, 이와 같은 센서의 종류에 의하여 본 발명은 제한되지 않는다. 감속기 상태 감지 모듈(11)이 대차에 설치될 수 있고, 진동 센서와 같은 탐지 센서에 의하여 감속기의 작동 과정에서 발생되는 다양한 형태의 진동이 탐지될 수 있다. 감속기 상태 감지 모듈(11)에 의하여 측정되는 진동, 온도, 소음, 변위 또는 이와 유사한 상태 변수가 감지 매개변수 될 수 있다. 매개변수가 탐지되어 진단 지표 생성 모듈(12)로 전송될 수 있다. 진단 지표 생성 모듈(12)은 측정된 매개변수로부터 또는 매개변수 값으로부터 진단 지표를 생성할 수 있다. 진단 지표는 기준 값에 해당하는 0(zero)을 기준으로 양 및 음의 값으로 설정되는 진단 지표 범위를 가질 수 있고, 서로 다른 매개변수는 서로 다른 진단 지표 범위를 가질 수 있다. 또한 매개변수 값은 서로 다른 영역에서 서로 다른 지수 경사도를 가질 수 있다. 이와 같은 방법으로 또는 매개변수가 감속기의 작동 상태를 표시할 수 있는 적절한 표시 방법에 따라 진단 지표가 생성되면, 진단 지표는 상태 지수 생성 모듈(13)로 전송될 수 있다. 진단 진수는 각각의 매개변수에 대하여 생성되고, 상대 지수는 각각의 매개변수에 대한 진단 지표를 기초로 감속기 전체 작동 상태에 대하여 생성될 수 있다. 상태 지수는 각각의 진단 지표 값에 기초하여 감속기의 상태를 기준 값에 해당하는 0(zero)을 기준으로 양 또는 음의 값으로 표시될 수 있다. 그리고 이와 같은 상태 지수에 의하여 감속기의 작동 상태가 진단될 수 있다.The reducer may be installed on the power bogie and have the function of transmitting the driving force of the motor to the wheels, and the power bogie may be, for example, a bogie for a high-speed railway of 300 to 600 km/h, but is not limited thereto. Multiple power bogies can be installed in one railway vehicle, and the operating status of the reducer or reducer-related operating parts such as axles, axle bearings, gears, or motors coupled to each power bogie can be diagnosed by the diagnostic system. . At least one detection sensor may include a vibration sensor, and may also include a temperature sensor or a noise sensor. Additionally, an ultrasonic sensor, stress sensor, load sensor, or similar sensor may be installed, and the present invention is not limited by the type of sensor. The reducer status detection module 11 may be installed on the bogie, and various types of vibrations generated during the operation of the reducer may be detected by a detection sensor such as a vibration sensor. Vibration, temperature, noise, displacement, or similar state variables measured by the reducer state detection module 11 may be detection parameters. Parameters may be detected and transmitted to the diagnostic indicator generation module 12. The diagnostic index generation module 12 may generate a diagnostic index from measured parameters or from parameter values. The diagnostic index may have a diagnostic index range set to positive and negative values based on 0 (zero) corresponding to the reference value, and different parameters may have different diagnostic index ranges. Additionally, parameter values may have different exponential slopes in different regions. Once the diagnostic index is generated in this way or according to a suitable display method whose parameters can indicate the operating state of the reducer, the diagnostic index can be transmitted to the condition index generation module 13. A diagnostic index can be generated for each parameter, and a relative index can be generated for the overall operating state of the reducer based on the diagnostic index for each parameter. The condition index may be displayed as a positive or negative value based on 0 (zero), which corresponds to the reference value of the condition of the reducer based on each diagnostic index value. And the operating state of the reducer can be diagnosed based on this condition index.
감속기의 작동 상태는 열차의 운행 과정에서 실시간으로 진단될 수 있고, 감속기의 작동 상태의 감시는 운행 과정에서 감속기 상태 감시 모듈(11)은 정해진 시간에 주기적으로 작동되거나, 이상 상태가 발생할 가능성이 있는 경우 작동되는 것이 유리하다. 예를 들어 감속기 상태 감시 모듈(11)은 소극 작동 상태와 적극 작동 상태로 나누어져 작동되는 것이 유리하다. 이와 같은 소극 작동 상태와 적극 작동 상태는 웨이크 업 설정 모듈(14)에 의하여 설정될 수 있다. 웨이크 업 설정 모듈(14)은 열차의 작동 상태, 작동 조건 또는 환경 상태에 따라 항상 탐지되는 기본 매개변수를 설정할 수 있다. 그리고 다른 매개변수의 경우 미리 결정된 범위를 벗어나는 값이 탐지되는 경우 적극 작동 신호를 발생시키도록 설정될 수 있다. 이와 같은 기본 매개변수 또는 미리 설정된 범위는 웨이크 업 데이터 모듈(15)에 저장될 수 있다.The operating status of the reducer can be diagnosed in real time during the train's operation, and the reducer's operating status can be monitored during the operation. The reducer status monitoring module 11 is operated periodically at a set time or detects the possibility of an abnormal condition occurring. It is advantageous to operate in this case. For example, it is advantageous for the reducer status monitoring module 11 to be divided into a passive operation state and an active operation state. These passive operating states and active operating states can be set by the wake-up setting module 14. The wake-up setting module 14 can set basic parameters that are always detected according to the operating state of the train, operating conditions or environmental conditions. And for other parameters, they can be set to generate an active activation signal if a value outside a predetermined range is detected. These basic parameters or preset ranges may be stored in the wake-up data module 15.
본 발명의 하나의 실시 예에 따른 진단 지표의 생성을 위하여 인공지능 알고리즘이 적용될 수 있다. 인공지능 알고리즘은 예를 들어 RNN(Recurrent Neutral Networks) 또는 LSTM(Long Term Memory Model)과 같은 학습 알고리즘이 될 수 있지만 이에 제한되지 않는다. 인공지능 알고리즘의 적용을 위하여 반복적으로 감지 센서로부터 매개변수 데이터가 획득될 수 있고, 이를 기초로 서로 다른 작동 조건에서 각각의 매개변수 데이터 값의 변화가 탐지될 수 있다. 구체적으로 다수 개의 매개변수 데이터의 변화를 탐지하기 위한 매개변수 맵이 생성될 수 있다. 감속기의 작동 조건을 다양하게 설정하면서 서로 다른 매개변수 데이터 사이 또는 하나의 매개변수 데이터에 포함된 작동 정보 사이의 상관성이 탐색될 수 있다. 매개변수 데이터 또는 부품의 탐지 정보 사이의 상관성이 탐색되면 감속기의 작동 상태에 따른 각각의 매개변수에 대한 진단 지표가 생성될 수 있다. 아래에서 이와 같은 과정에 대하여 설명된다. An artificial intelligence algorithm may be applied to generate a diagnostic index according to an embodiment of the present invention. Artificial intelligence algorithms can be, but are not limited to, learning algorithms such as, for example, Recurrent Neutral Networks (RNN) or Long Term Memory Model (LSTM). For the application of artificial intelligence algorithms, parameter data can be repeatedly acquired from detection sensors, and based on this, changes in each parameter data value can be detected under different operating conditions. Specifically, a parameter map may be created to detect changes in multiple parameter data. Correlations between different parameter data or between operating information contained in one parameter data can be explored while variously setting the operating conditions of the reducer. When correlations between parameter data or component detection information are explored, diagnostic indicators can be generated for each parameter according to the operating state of the reducer. This process is explained below.
도 2는 본 발명에 따른 모니터링 시스템의 작동 구조의 실시 예를 도시한 것이다.Figure 2 shows an embodiment of the operating structure of the monitoring system according to the present invention.
도 2를 참조하면, 서로 다른 진단 지표 사이의 상관성을 분석하는 상관성 분석 모듈(22)을 포함하고, 상관성 분석 모듈(22)은 인공지능 지표 분석/추적 모듈(24)의 분석 또는 추적 결과에 기초하여 상관성의 유효성을 결정한다.Referring to FIG. 2, it includes a correlation analysis module 22 that analyzes the correlation between different diagnostic indicators, and the correlation analysis module 22 is based on the analysis or tracking results of the artificial intelligence indicator analysis/tracking module 24. This determines the validity of the correlation.
작동 진단 지표 결정 모듈(21)에 의하여 진단 지표가 결정될 수 있고, 진단 지표는 감속기에 설치된 각각의 센서에서 탐지되는 물리량에 기초하여 결정될 수 있다. 진단 지표가 결정되면, 진단 지표 상관성 분석 모듈(22)에 의하여 진단 지표의 상관성이 분석될 수 있다. 진단 지표의 상관성은 서로 다른 진단 지표 사이의 관련 수준을 말하고, 예를 들어 진동 주파수와 온도 변화 사이의 관련성, 서로 다른 온도 범위에서 나타나는 주파수 또는 소음 특성 또는 감속기를 형성하는 서로 다른 부품 사이에서 동일 매개변수의 상관성을 의미한다. 진단 지표 상관성 분석 모듈(22)은 서로 다른 진단 변수 사이의 관련성을 분석하면서 이와 함께 하나의 진단 변수에서 서로 다른 측정 범위에서 기울기를 분석하는 기능을 가질 수 있다. 상관성 분석 모듈(22)은 작동/환경 조건 탐지 모듈(23)에 의하여 탐지된 정보에 기초하여 상관성을 분석할 수 있다. 작동/환경 조건 탐지 모듈(23)은 감속기의 커플링, 기어 또는 모터의 작동 구조, 회전 속도, 외부 온도, 습도, 선로 상태 또는 이와 유사한 연결 구조 또는 환경 조건을 탐지하는 기능을 가질 수 있고, 탐지 정보가 상관성 분석 모듈(22)로 전송될 수 있다. 상관성 분석 모듈(22)은 이와 같은 작동/환경 조건과 진단 지표의 상관성을 분석할 수 있다. 본 발명의 하나의 실시 예에 따르면, 인공지능 지표 분석/추적 모듈(24)에 의하여 다양한 진단 지표의 상관성이 인공지능 알고리즘에 의하여 가정되어 시험될 수 있다. 또한 시험된 상관성이 추적이 되어 검증이 되면서 다양한 작동 조건 또는 환경 조건에서 진단 지표의 변화가 학습될 수 있다. 인공지능 알고리즘은 예를 들어 RNN(Recurrent Neutral Networks) 또는 LSTM(Long Term Memory Model)과 같은 학습 알고리즘이 될 수 있지만 이에 제한되지 않는다. 지표 분석/추적 모듈(24)에 의하여 진단 지표에 대한 검증이 되면 저장이 되어 진단 지표 산출 모듈(25)로 전송될 수 있다. 진단 지표 산출 모듈(25)에 의하여 감속기 상태 감지 모듈(11)에서 측정되어 전송된 매개변수 값에 진단 지표 상관성 분석 결과를 적용하여 진단 지표를 산출할 수 있다. 진단 지표는 열차의 운행 과정에서 실시간으로 산출될 수 있고, 산출된 진단 지표가 안전 지수 산출 모듈(26)로 전송될 수 있다. 안전 지수는 도 1에서 설명된 상태 지수에 기초하여 산출될 수 있고, 안전 지수의 산출을 표준 데이터베이스(27)가 참조될 수 있다. 표준 데이터베이스(27)는 다양한 작동 조건에서 열차 운행의 안전 상태에 대한 데이터를 저장할 수 있고, 안전 지수 산출 모듈(26)은 표준 데이터베이스(27)를 참조하여 운행되고 있는 열차의 안전 지수를 산출하여 열차의 기관실로 전송할 수 있다. 또한 안전 지수는 선로를 따라 운행되고 있는 열차를 관리하는 열차 관리 서버로 전송될 수 있다. 산출된 안전 지수는 위험 영역 또는 점검 영역에 해당될 수 있고, 이에 따른 적절한 조치가 취해질 수 있다.A diagnostic index may be determined by the operation diagnostic index determination module 21, and the diagnostic index may be determined based on a physical quantity detected by each sensor installed in the reducer. Once the diagnostic index is determined, the correlation of the diagnostic index can be analyzed by the diagnostic index correlation analysis module 22. Correlation of diagnostic indicators refers to the level of relationship between different diagnostic indicators, for example, the relationship between vibration frequencies and temperature changes, the frequency or noise characteristics exhibited in different temperature ranges, or the same parameters between different parts forming a reducer. It refers to the correlation of variables. The diagnostic index correlation analysis module 22 may have a function of analyzing the slope of one diagnostic variable in different measurement ranges while analyzing the relationship between different diagnostic variables. The correlation analysis module 22 may analyze the correlation based on the information detected by the operating/environmental condition detection module 23. The operating/environmental condition detection module 23 may have the function of detecting the coupling structure of the reducer, the operating structure of the gear or motor, rotational speed, external temperature, humidity, line condition, or similar connection structure or environmental conditions, and the detection Information may be transmitted to correlation analysis module 22. The correlation analysis module 22 can analyze the correlation between such operating/environmental conditions and diagnostic indicators. According to one embodiment of the present invention, the correlation between various diagnostic indicators can be assumed and tested by the artificial intelligence algorithm by the artificial intelligence indicator analysis/tracking module 24. Additionally, as the tested correlations are tracked and verified, changes in diagnostic indicators can be learned under various operating or environmental conditions. Artificial intelligence algorithms can be, but are not limited to, learning algorithms such as, for example, Recurrent Neutral Networks (RNN) or Long Term Memory Model (LSTM). Once the diagnostic index is verified by the index analysis/tracking module 24, it can be saved and transmitted to the diagnostic index calculation module 25. The diagnostic indicator correlation analysis result can be applied to the parameter values measured and transmitted by the reducer state detection module 11 by the diagnostic indicator calculation module 25 to calculate the diagnostic indicator. The diagnostic index can be calculated in real time during the operation of the train, and the calculated diagnostic index can be transmitted to the safety index calculation module 26. The safety index can be calculated based on the condition index described in FIG. 1, and the standard database 27 can be referred to for calculation of the safety index. The standard database 27 can store data on the safety status of train operation under various operating conditions, and the safety index calculation module 26 refers to the standard database 27 to calculate the safety index of the train in operation. It can be transmitted to the engine room of . Additionally, the safety index can be transmitted to a train management server that manages trains running along the track. The calculated safety index may correspond to a risk area or inspection area, and appropriate measures may be taken accordingly.
도 3은 본 발명에 따른 모니터링 시스템이 적용된 실시 예를 도시한 것이다.Figure 3 shows an example in which the monitoring system according to the present invention is applied.
도 3을 참조하면, 열차의 대차(31)에 감속기 상태 감지 모듈(11)이 설치될 수 있고, 감속기 상태 감지 모듈(11)은 대차(31)의 서로 다른 위치에 설치된 센서 모듈(32a, 32b, 32c, 32d)로부터 탐지된 탐지 정보를 전기 신호로 변환하여 전송 가능한 상태로 처리할 수 있다. 상태 감지 모듈(11)의 밀폐된 박스 형상 또는 이와 유사한 구조가 될 수 있고, 자석 부착 방식 또는 볼트 고정 방식으로 대차에 고정될 수 있다. 적어도 하나의 센서 모듈(32a, 32b, 32c, 32d)이 감속기로부터 발생되는 다양한 물리량의 측정을 위하여 적절한 위치에 배치될 수 있고, 적어도 하나의 센서 모듈(32a, 32b, 32c, 32d)의 각각의 적어도 진동 센서 또는 가속도 센서를 포함할 수 있다. 각각의 센서 모듈(32a, 32b, 32c, 32d)은 예를 들어 자석 부착 방식 또는 핀 고정 방식으로 대차에 분리 가능하도록 결합될 수 있고, 각각의 센서 모듈(32a, 32b, 32c, 32d)은 유선(33)에 의하여 감속기 상태 감지 모듈(11)과 데이터 통신이 가능하도록 연결될 수 있다. 감속기 상태 감지 모듈(11)은 실시간으로 각각의 센서 모듈(32a, 32b, 32c, 32d)로부터 탐지 정보를 수신할 수 있고, 안테나(34)를 통하여 중계기 또는 열차 내부에 설치된 운행 서버로 전송할 수 있다. 본 발명의 하나의 실시 예에 따르면, 대차(31)의 상태를 탐지하는 적어도 두 개의 대차 탐지 센서(35a, 35b)가 설치될 수 있고, 이에 의하여 대차(31)의 수평도, 하중, 선로에 의한 충격 또는 응력과 같은 대차 상태가 탐지될 수 있다. 이와 같은 대차 탐지 센서(35a, 35b)는 환경 탐지 수단과 결합될 수 있다.Referring to FIG. 3, the reducer status detection module 11 may be installed on the bogie 31 of the train, and the reducer status detection module 11 may be installed at different positions of the bogie 31. Sensor modules 32a and 32b , 32c, 32d), the detection information can be converted into an electrical signal and processed into a transmittable state. The state detection module 11 may have a sealed box shape or a similar structure, and may be fixed to the truck using a magnetic attachment method or a bolt fixing method. At least one sensor module (32a, 32b, 32c, 32d) can be placed in an appropriate position to measure various physical quantities generated from the reducer, and each of the at least one sensor module (32a, 32b, 32c, 32d) It may include at least a vibration sensor or an acceleration sensor. Each sensor module (32a, 32b, 32c, 32d) may be detachably coupled to the bogie, for example, by using a magnetic attachment method or a pin fixation method, and each sensor module (32a, 32b, 32c, 32d) can be connected to a wired It can be connected to enable data communication with the reducer status detection module 11 by (33). The reducer status detection module 11 can receive detection information from each sensor module 32a, 32b, 32c, and 32d in real time and transmit it to a repeater or operation server installed inside the train through the antenna 34. . According to one embodiment of the present invention, at least two bogie detection sensors 35a and 35b may be installed to detect the state of the bogie 31, thereby determining the horizontality, load, and track of the bogie 31. Bogie conditions such as shock or stress can be detected. Such vehicle detection sensors 35a, 35b may be combined with environmental detection means.
대차(31)에 탐지된 감속기 상태 감지 모듈(11)에 의한 감속기 상태 진단 과정은 웨이크 업 신호가 발생되는 단계(P31); 웨이크 업 신호의 발생에 의하여 각각의 센서 모듈(32a 내지 32d) 및 대차 탐지 센서(35a, 35b)가 작동되어 감속기의 상태 및 대차 상태와 관련된 매개변수가 측정되는 단계(P32); 열차의 운행 조건, 환경 조건 또는 감속기의 작동 조건이 탐지되는 단계(P33); 측정된 매개변수 및 작동 조건에 따라 진단 지표 값이 산출되는 단계(P34); 및 진단 지표 값이 기초하여 상태 지수가 생성되는 단계(P35)를 포함한다. 그리고 이와 같이 생성된 상태 지수에 기초하여 안전 지수가 결정되어 운행 서버로 전송될 수 있다.The process of diagnosing the condition of the reducer by the reducer condition detection module 11 detected by the bogie 31 includes the step of generating a wake-up signal (P31); A step (P32) in which each sensor module (32a to 32d) and the bogie detection sensors (35a, 35b) are activated by the generation of a wake-up signal to measure parameters related to the status of the reducer and the bogie state; A step in which the operating conditions of the train, environmental conditions, or operating conditions of the reducer are detected (P33); A step in which diagnostic indicator values are calculated according to measured parameters and operating conditions (P34); and a step (P35) in which a condition index is generated based on the diagnostic index value. And based on the status index generated in this way, the safety index can be determined and transmitted to the operation server.
도 4는 본 발명에 따른 모니터링 시스템에 의하여 철도 차량의 운행 상태가 진단되는 실시 예를 도시한 것이다. Figure 4 shows an embodiment in which the operating status of a railway vehicle is diagnosed by the monitoring system according to the present invention.
도 4를 참조하면, 미리 결정된 진단 지표 범위를 벗어나는 진단 지표를 탐색하는 영역 이탈 지표 탐지 수단을 포함한다.Referring to FIG. 4, it includes area deviation indicator detection means that searches for a diagnostic indicator that falls outside a predetermined diagnostic indicator range.
운행 과정의 열차(41)에 다수 개의 수신기(44a 내지 44k)가 배치될 수 있고, 수신기(44a 내지 44k)는 적어도 하나의 운행 서버(42a, 42)와 데이터 통신이 가능하도록 연결될 수 있다. 각각의 대차에 감속기 상태 탐지 모듈(11a 내지 11k)이 설치될 수 있고, 감속기 상태 탐지 모듈(11a 내지 11k)은 유선 또는 무선으로 적어도 데이터 수집 기기(43)와 연결되어 감속기 상태 정보를 전송할 수 있다. 적어도 하나의 데이터 수집 기기(43)는 적어도 하나의 수신기(44a 내지 44k)와 데이터 통신이 가능하도록 설정될 수 있다. 또한 운행 서버(42a, 42b)는 철도 차량의 운행을 관리하는 관리 서버(45)와 무선으로 통신 가능하도록 연결될 수 있다. 열차(41)는 다양한 속도로 운행될 수 있고, 운행 과정에서 실시간으로 안전진단이 될 수 있다. 운행 과정의 열차(41)의 안전 진단 방법은 진단 지표가 산출되는 단계(P41); 산출된 진단 지표가 검증되어 필터링이 되는 단계(P42); 운행 중인 열차의 작동/환경과 진단 지표의 상관성이 탐지되는 단계(44); 안전 지수가 산출되어 안전 수준이 결정되는 단계(P47); 및 안전 수준과 관련된 리포터가 생성되어 운행 서버(42a, 42b) 또는 관리 서버(45)로 전송되는 단계(P48)를 포함한다. 산출된 진단 지표의 검증은 지표 표준 데이터베이스를 참조하여 진행될 수 있다(P43). 본 발명의 하나의 실시 예에 따르면, 영역 이탈 지표가 있는지 여부를 탐색하는 단계(P45)를 포함할 수 있고, 영역 이탈 지표가 일시적인 외부 충격으로 인한 것인지 또는 감속기의 이상 상태로 인한 것인지 여부를 확인하기 위하여 영역 이탈 지표가 작동 구조 또는 작동 환경에 영향을 미치는지 여부가 확인될 수 있다(P45). 또한 이와 같은 과정에서 인공지능 학습 알고리즘이 적용될 수 있다(P46). 구체적으로 그와 같은 영역 이탈 지표가 발생될 가능성이 인공지능 학습 알고리즘에 의하여 확인될 수 있다(P46). 필터링 과정(P42)은 탐지 오류를 제거하는 과정을 의미하고, 영역 이탈 탐지 과정(P45)은 실제로 측정된 진단 지표 값이 감속기의 이상 상태와 관련성을 가지는지 여부를 탐지하는 과정을 의미한다. 다양한 종류의 열차에 본 발명에 따른 진단 방법이 적용될 수 있고 이에 의하여 본 발명은 제한되지 않는다. A plurality of receivers 44a to 44k may be placed on the train 41 during operation, and the receivers 44a to 44k may be connected to at least one operation server 42a or 42 to enable data communication. Reducer status detection modules 11a to 11k may be installed in each bogie, and the reducer status detection modules 11a to 11k may be connected to at least the data collection device 43 by wire or wirelessly to transmit reducer status information. . At least one data collection device 43 may be set to enable data communication with at least one receiver 44a to 44k. Additionally, the operation servers 42a and 42b may be connected to enable wireless communication with the management server 45 that manages the operation of the railway vehicle. The train 41 can be operated at various speeds, and safety diagnosis can be performed in real time during the operation process. The safety diagnosis method of the train 41 during operation includes the step of calculating a diagnostic index (P41); A step in which the calculated diagnostic index is verified and filtered (P42); A step (44) in which the correlation between the operation/environment of the train in operation and the diagnostic index is detected; A step in which the safety index is calculated and the safety level is determined (P47); and a step (P48) in which a reporter related to the safety level is generated and transmitted to the operation servers 42a and 42b or the management server 45. Verification of the calculated diagnostic index can be carried out by referring to the index standard database (P43). According to one embodiment of the present invention, it may include a step (P45) of searching whether there is an area deviation indicator, and whether the area deviation indicator is due to a temporary external shock or an abnormal state of the reducer is checked. In order to do this, it can be confirmed whether the area deviation indicator affects the operating structure or operating environment (P45). Additionally, artificial intelligence learning algorithms can be applied in this process (P46). Specifically, the possibility of such area departure indicators occurring can be confirmed by an artificial intelligence learning algorithm (P46). The filtering process (P42) refers to the process of removing detection errors, and the area deviation detection process (P45) refers to the process of detecting whether the actually measured diagnostic index value is related to the abnormal state of the reducer. The diagnostic method according to the present invention can be applied to various types of trains, and the present invention is not limited thereby.
도 5는 본 발명에 따른 모니터링 시스템에 의하여 철도 차량의 감속기의 작동 상태를 진단하는 방법의 실시 예를 도시한 것이다.Figure 5 shows an embodiment of a method for diagnosing the operating state of a reducer of a railway vehicle by a monitoring system according to the present invention.
도 5를 참조하면, 철도 차량의 감속기의 작동 상태를 진단하는 방법은 감속기의 상태를 탐지하는 감속기 감지 모듈이 배치되는 단계(P51); 인공지능 알고리즘이 적용되어 진단 지표가 결정되는 단계(P52); 운행 과정에 있는 열차의 감속기 상태가 측정되는 단계(P53); 운행 과정의 작동 변수 또는 환경 변수가 탐지되는 단계(P54); 진단 지표가 산출되어 검증이 되는 단계(P55); 진단 지표에서 이탈 지표가 있는지 여부가 판단되는 단계(P56); 인공지능 알고리즘이 적용되어 이탈 지표의 원인이 탐색되는 단계(P57); 표준 데이터베이스에 저장된 표준 데이터를 참조하여 안전 지수가 산출되는 단계(P58); 안전 수준 리포터가 생성되어 운행 서버 또는 관리 서버로 전송되는 단계(P59); 및 운행 서버에 설치된 스크린에 운행 상태가 표시되거나, 만약 안전 지수가 미리 결정된 범위를 벗어나면 경보가 발생되는 단계(P60)을 포함한다. 위에서 설명된 것처럼, 이탈 지표가 발견되지 않는다면(P56, N), 실시간 탐지가 다시 개시될 수 있다(P53). 이에 비하여 이탈 지표가 발견되면(P56, Y), 이탈 지표의 발생 원인에 따라(P57), 경보가 발생될 수 있다(P60). 다양한 종류의 인공지능 알고리즘이 본 발명에 따른 방법에 적용될 수 있고 이에 의하여 본 발명은 제한되지 않는다.Referring to Figure 5, the method of diagnosing the operating state of the reducer of a railway vehicle includes the steps of deploying a reducer detection module to detect the state of the reducer (P51); A step in which an artificial intelligence algorithm is applied to determine diagnostic indicators (P52); A step in which the condition of the reducer of the train in operation is measured (P53); A step in which operating variables or environmental variables of the driving process are detected (P54); Step in which diagnostic indicators are calculated and verified (P55); A step in which it is determined whether there is a deviation indicator from the diagnostic indicator (P56); A step in which an artificial intelligence algorithm is applied to search for the cause of the dropout indicator (P57); A step in which the safety index is calculated by referring to standard data stored in a standard database (P58); A safety level reporter is created and transmitted to the operation server or management server (P59); and a step (P60) in which the driving status is displayed on a screen installed in the driving server or an alarm is generated if the safety index is outside a predetermined range. As described above, if no deviation indicators are found (P56, N), real-time detection can be initiated again (P53). In comparison, when a deviation indicator is found (P56, Y), an alarm may be generated (P60) depending on the cause of the deviation indicator (P57). Various types of artificial intelligence algorithms can be applied to the method according to the present invention, and the present invention is not limited thereby.
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.Although the present invention has been described in detail above with reference to the presented embodiments, those skilled in the art will be able to make various variations and modifications without departing from the technical spirit of the present invention by referring to the presented embodiments. . The present invention is not limited by such variations and modifications, but is limited by the claims appended below.
11: 감속기 상태 감지 모듈 12: 진단 지표 생성 모듈
13: 상태 지수 생성 모듈 14: 웨이크 업 설정 모듈
22: 상관성 분석 모듈 24: 인공지능 지표 분석/추적 모듈11: Reducer status detection module 12: Diagnostic index generation module
13: Status index generation module 14: Wake-up setting module
22: Correlation analysis module 24: Artificial intelligence indicator analysis/tracking module
Claims (5)
감속기 상태 감지 모듈(11)에서 측정되는 감지 변수로부터 진단 지표를 생성하는 진단 지표 생성 모듈(12);
생성된 진단 지표로부터 작동 상태를 표시하는 상태 지수 생성 모듈(13); 및
감속기 상태 감지 모듈(11)의 작동 조건을 설정하는 웨이크 업 설정 모듈(14)을 포함하고,
적어도 하나의 감지 센서는, 대차(31)의 서로 다른 위치에 설치된 복수의 센서 모듈에 포함되고 센서 모듈이 설치된 위치에서의 진동을 측정하는 진동 센서 또는 가속도 센서; 대차(31)의 수평도, 하중, 선로에 의한 충격 또는 응력을 포함하는 대차 상태를 탐지하는 적어도 두 개의 대차 탐지 센서; 및 대차 탐지 센서에 결합되는 환경 탐지 수단에 포함되어 외부 온도를 탐지하는 온도 센서를 포함하고,
서로 다른 진단 지표 사이의 상관성을 분석하는 상관성 분석 모듈(22)을 더 포함하고, 상관성 분석 모듈(22)은 인공지능 지표 분석/추적 모듈(24)의 분석 또는 추적 결과에 기초하여 상관성의 유효성을 결정하고,
서로 다른 진단 지표 사이의 상관성은 진동 주파수와 온도 변화 사이의 관련성, 서로 다른 온도 범위에서 나타나는 주파수 또는 소음 특성 및 감속기를 형성하는 서로 다른 부품 사이에서 동일 매개변수의 상관성을 포함하는 것을 특징으로 하는 인공지능 적용 방식의 감속기 모니터링 시스템.A reducer status detection module 11 including at least one detection sensor installed on a bogie of a railway vehicle;
a diagnostic index generation module (12) that generates a diagnostic index from the detection variables measured by the reducer state detection module (11);
a health index generation module 13 that displays an operating state from the generated diagnostic index; and
It includes a wake-up setting module (14) that sets the operating conditions of the reducer status detection module (11),
At least one detection sensor is a vibration sensor or an acceleration sensor included in a plurality of sensor modules installed at different positions of the bogie 31 and measuring vibration at the position where the sensor modules are installed; At least two bogie detection sensors that detect the bogie condition including the levelness of the bogie 31, load, impact or stress due to the track; and a temperature sensor included in the environmental detection means coupled to the truck detection sensor to detect the external temperature,
It further includes a correlation analysis module 22 that analyzes the correlation between different diagnostic indicators, and the correlation analysis module 22 determines the validity of the correlation based on the analysis or tracking results of the artificial intelligence indicator analysis/tracking module 24. decide,
The correlation between different diagnostic indicators includes the correlation between vibration frequency and temperature changes, the frequency or noise characteristics exhibited in different temperature ranges, and the correlation of the same parameters between different parts forming the reducer. Intelligent reducer monitoring system.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210118210A KR102669406B1 (en) | 2021-09-06 | 2021-09-06 | A System for Monitering a Reducer Uing an Artificial Intelligence Algorism |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210118210A KR102669406B1 (en) | 2021-09-06 | 2021-09-06 | A System for Monitering a Reducer Uing an Artificial Intelligence Algorism |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230035785A KR20230035785A (en) | 2023-03-14 |
| KR102669406B1 true KR102669406B1 (en) | 2024-05-27 |
Family
ID=85502786
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210118210A KR102669406B1 (en) | 2021-09-06 | 2021-09-06 | A System for Monitering a Reducer Uing an Artificial Intelligence Algorism |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102669406B1 (en) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019139375A (en) * | 2018-02-07 | 2019-08-22 | 株式会社Ｙｅ Ｄｉｇｉｔａｌ | Failure prediction method, failure prediction system and failure prediction program |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101635918B1 (en) * | 2014-06-18 | 2016-07-08 | 케이티엠엔지니어링(주) | System for Preventing Risk From Occurring by Analyzing Vibration |
| JP6144404B1 (en) | 2016-12-27 | 2017-06-07 | 川崎重工業株式会社 | Reduction gear failure diagnosis device, failure diagnosis method, and mechanical device including the failure diagnosis device |
| KR20180092447A (en) | 2017-02-09 | 2018-08-20 | 고등기술연구원연구조합 | Noise measuring apparatus for harmonic drives |
| KR20180110783A (en) * | 2017-03-30 | 2018-10-11 | 한국철도공사 | A System for Diagnosing a Rail Train Based on a Plural of Parameters and a Method for Diagnosing the Same |
| KR102140365B1 (en) * | 2018-01-24 | 2020-07-31 | 케이티엠엔지니어링(주) | A System for Processing an Operation Information of a Train |
-
2021
- 2021-09-06 KR KR1020210118210A patent/KR102669406B1/en active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019139375A (en) * | 2018-02-07 | 2019-08-22 | 株式会社Ｙｅ Ｄｉｇｉｔａｌ | Failure prediction method, failure prediction system and failure prediction program |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230035785A (en) | 2023-03-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN201575927U (en) | Bogie condition monitoring device | |
| CN103852271A (en) | High-speed train running gear fault diagnosis and remote monitoring system based on Internet of Things | |
| AU2008314720A1 (en) | Determining the remaining service life of a vehicle component | |
| US11932050B2 (en) | Wheel hub | |
| CN109278796A (en) | A kind of vehicular wheel out of round degree detection system | |
| CN110901695A (en) | Train stability detection system and method | |
| EP4008603B1 (en) | System for monitoring and predictive maintening the state of wear of mechanical components and operation method thereof | |
| EP3964735B1 (en) | Vehicle sensor system | |
| CN201965028U (en) | Running-in test diagnostic system of metro vehicle traveling part | |
| KR101827116B1 (en) | An Apparatus for Detecting a Wheel and a Bearing | |
| KR102383001B1 (en) | A System for Investigating A Reducer Condition of a Train | |
| KR102669406B1 (en) | A System for Monitering a Reducer Uing an Artificial Intelligence Algorism | |
| CN211642196U (en) | Train stationarity detecting system | |
| KR20180110783A (en) | A System for Diagnosing a Rail Train Based on a Plural of Parameters and a Method for Diagnosing the Same | |
| KR20190089583A (en) | A System for Detecting an Element of a Train | |
| KR102094105B1 (en) | A System for Diagnosing a Rail Train Based on a Plural of Parameters and a Method for Diagnosing the Same | |
| Makarova et al. | Improvement of the Vehicle's Onboard Diagnostic System by Using the Vibro-Diagnostics Method | |
| KR102574551B1 (en) | A System for Diagnosing an Operating Condition of Reducer in a Train | |
| CN209878248U (en) | Bridge structure health monitoring system based on CAN bus and wireless communication | |
| Milovancevic et al. | Evaluation of vibration spectrums of railway vehicles | |
| CN108981818B (en) | Online detection device and method for high-speed wheel set | |
| CN112131279A (en) | Automobile data management method based on big data, computer equipment and storage medium | |
| KR102535467B1 (en) | A System for Detecting an Operating Condition of a Train with an Artificial Intelligence Algorism | |
| KR102409770B1 (en) | A System for Investigating a Condition of a Motor Car | |
| KR102558020B1 (en) | A Method for Determining a Diagnosing Parameter with an Artificial Intelligence Algorism and a Method for Diagnosing an Operating Condition of a Train Part Using the Same |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E90F | Notification of reason for final refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |