KR20180096075A - Emb 시스템을 이용한 센서 고장 검출 장치 및 그 방법 - Google Patents

Emb 시스템을 이용한 센서 고장 검출 장치 및 그 방법 Download PDF

Info

Publication number
KR20180096075A
KR20180096075A KR1020170022285A KR20170022285A KR20180096075A KR 20180096075 A KR20180096075 A KR 20180096075A KR 1020170022285 A KR1020170022285 A KR 1020170022285A KR 20170022285 A KR20170022285 A KR 20170022285A KR 20180096075 A KR20180096075 A KR 20180096075A
Authority
KR
South Korea
Prior art keywords
sensor
residual
value
output value
output
Prior art date
Application number
KR1020170022285A
Other languages
English (en)
Other versions
KR102617044B1 (ko
Inventor
권수현
금대현
이성훈
홍재승
Original Assignee
재단법인대구경북과학기술원
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 재단법인대구경북과학기술원 filed Critical 재단법인대구경북과학기술원
Priority to KR1020170022285A priority Critical patent/KR102617044B1/ko
Publication of KR20180096075A publication Critical patent/KR20180096075A/ko
Application granted granted Critical
Publication of KR102617044B1 publication Critical patent/KR102617044B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
    • B60T17/00—Component parts, details, or accessories of power brake systems not covered by groups B60T8/00, B60T13/00 or B60T15/00, or presenting other characteristic features
    • B60T17/18—Safety devices; Monitoring
    • B60T17/22—Devices for monitoring or checking brake systems; Signal devices
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
    • B60T8/00—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force
    • B60T8/17—Using electrical or electronic regulation means to control braking
    • B60T8/171—Detecting parameters used in the regulation; Measuring values used in the regulation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
    • B60T8/00—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force
    • B60T8/32—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force responsive to a speed condition, e.g. acceleration or deceleration
    • B60T8/88—Arrangements for adjusting wheel-braking force to meet varying vehicular or ground-surface conditions, e.g. limiting or varying distribution of braking force responsive to a speed condition, e.g. acceleration or deceleration with failure responsive means, i.e. means for detecting and indicating faulty operation of the speed responsive control means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/282—Testing of electronic circuits specially adapted for particular applications not provided for elsewhere
    • G01R31/2829—Testing of circuits in sensor or actuator systems
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02K—DYNAMO-ELECTRIC MACHINES
    • H02K11/00—Structural association of dynamo-electric machines with electric components or with devices for shielding, monitoring or protection
    • H02K11/20—Structural association of dynamo-electric machines with electric components or with devices for shielding, monitoring or protection for measuring, monitoring, testing, protecting or switching
    • H02K11/21—Devices for sensing speed or position, or actuated thereby
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2400/00—Special features of vehicle units
    • B60Y2400/30—Sensors
    • B60Y2400/305—Force sensors
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2400/00—Special features of vehicle units
    • B60Y2400/30—Sensors
    • B60Y2400/308—Electric sensors
    • B60Y2400/3084—Electric currents sensors
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2400/00—Special features of vehicle units
    • B60Y2400/30—Sensors
    • B60Y2400/308—Electric sensors
    • B60Y2400/3086—Electric voltages sensors

Landscapes

  • Engineering & Computer Science (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

본 발명은 EMB 시스템을 이용한 센서 고장 검출 장치 및 그 방법에 관한 것이다. 본 발명에 따르면, 제어 입력이 인가되는 모터 및 상기 모터에 의해 구동되는 브레이크 구조물을 포함하는 EMB(Electro-Mechanical Brake) 시스템을 이용한 센서 고장 검출 방법에 있어서, 상기 EMB 시스템에 장착된 센서로부터 출력 값을 획득하는 단계와, 상기 제어 입력과 상기 출력 값을 기초로 생성한 수학적 모델로부터 상기 센서의 추정 값을 예측하는 단계와, 정상 상태에서 기 수집한 상기 센서의 출력 값과 정상 잔차를 기초로 기 학습시킨 신경망 모델로부터 보상 잔차를 예측하는 단계와, 상기 센서의 출력 값과 상기 추정 값 간의 잔차를 연산한 후, 상기 연산한 잔차에 상기 예측한 보상 잔차를 반영하여 강건한 잔차를 연산하는 단계, 및 상기 강건한 잔차를 기 설정된 임계값과 비교하여 상기 센서의 고장 여부를 검출하는 단계를 포함하는 EMB 시스템에서의 센서 고장 검출 방법을 제공한다.
본 발명에 의하면, 모델 기반의 예측기와 데이터 기반의 예측기를 결합한 하이브리드 예측 기법을 이용하여 더욱 강건한 잔차를 생성할 수 있으며 고장 검출 로직에서 false alarm의 비율을 낮춰줄 수 있다.

Description

EMB 시스템을 이용한 센서 고장 검출 장치 및 그 방법{Apparatus for detecting fault of sensor using EMB system and method using the same}
본 발명은 EMB 시스템을 이용한 센서 고장 검출 장치 및 그 방법에 관한 것으로서, 보다 상세하게는 전기기계식 브레이크(EMB; Electro-Mechanical Brake) 시스템에서 센서의 고장을 효과적으로 검출할 수 있는 EMB 시스템을 이용한 센서 고장 검출 장치 및 그 방법에 관한 것이다.
EMB 시스템은 현재 사용되고 있는 유압 기반의 자동차 브레이크 시스템을 전자장치들로 대신하는 새로운 제동 시스템으로 차량 제동력을 생성하기 위해 유압 시스템 대신 전기모터를 이용한다.
일반적으로 EMB 시스템은 전기 모터, 모터 구동드라이버, 브레이크 구조물 및 센서로 구성된다. 센서는 모터의 속도 및 전류, 압착력을 측정하여 피드백 신호로 보내주고 EMB 시스템 구동부는 이를 바탕으로 시스템을 안전하고 정확하게 구동한다.
EMB 시스템을 수학적 모델링하기 위해서는 시스템이 포함하고 있는 기계적(정적), 전자적(동적), 비선형 특성(외란, 소음, 마찰 등)을 고려해야 한다. 그러나 비선형 특성을 고려하여 수학적 모델을 만드는 것은 매우 어려우며, 실제 EMB 시스템과 수학적 시스템 모델 사이에는 차이점이 발생할 수밖에 없고 모델을 기반으로 한 고장 검출 방법에는 기본적으로 오류와 차이가 존재하게 된다.
또한 고장판별을 위해 널리 쓰이고 있는 모델 기반 고장 검출 방법(model-based fault detection technique)은 시스템의 출력값(센서 측정 값)과 수학적 모델에 기반한 관측기의 예측값을 비교하여 그 둘의 차이값인 잔차(residual)를 생성하고 이 값을 임계치(threshold)와 비교하여 고장을 검출한다. 이론적으로 잔차의 값은, 고장이 없는 경우 0(zero)으로 수렴하고, 고장이 있는 경우 0이 아닌 값을 가지게 된다.
모델 기반 고장 검출 방법에는 시스템 전체의 수학적 모델이 필요하며, 수학적 모델의 정확도에 따라 고장검출 성능이 좌우된다. 시스템의 복잡도가 증가할수록 시스템의 수학적 모델링의 복잡도도 함께 증가하기 때문에 시스템의 정확한 수학적 모델을 만드는 것은 매우 힘든 일이다.
실제 시스템에는 외란(disturbance), 잡음, 마찰(friction) 등과 같은 정확히 예측하기 힘들고, 비선형적인 특성들이 발생하며, 이로 인해 실제 시스템과 수학적 모델 사이의 차이(modeling uncertainties)가 발생하게 된다.
도 1은 종래의 수학적 모델을 이용한 센서 고장 판별 예시를 나타낸 도면이다. 도 1과 같이 센서의 고장을 판별하기 위해 생성된 잔차 값은 임계치와 비교된다. 잔차 값이 임계치 이상일 때 센서 고장을 표시하게 되는데, 동그라미 표시 부분의 경우 실제로 센서의 고장은 아니지만 임계치 이상의 잔차로 인하여 고장 알람을 표시하게 된다(false alarm).
이와 같이 센서의 고장은 아니나 고장 알람이 표시되는 문제는 시스템에 존재하는 여러 가지 비선형적인 특성들(외란, 소음, 마찰, 모델링 에러)에 따른 것으로, 고장 진단의 신뢰성을 높이기 위해 해결해야 할 부분이다.
본 발명의 배경이 되는 기술은 한국공개특허 제2011-0033624호(2011.03.31 공개)에 개시되어 있다.
본 발명은, EMB 시스템에서 모델 기반의 방법과 데이터 기반의 방법을 결합하여 센서의 고장을 효과적으로 검출할 수 있는 EMB 시스템을 이용한 센서 고장 검출 장치 및 그 방법을 제공하는데 목적이 있다.
본 발명은, 제어 입력이 인가되는 모터 및 상기 모터에 의해 구동되는 브레이크 구조물을 포함하는 EMB(Electro-Mechanical Brake) 시스템을 이용한 센서 고장 검출 방법에 있어서, 상기 EMB 시스템에 장착된 센서로부터 출력 값을 획득하는 단계와, 상기 제어 입력과 상기 출력 값을 기초로 생성한 수학적 모델로부터 상기 센서의 추정 값을 예측하는 단계와, 정상 상태에서 기 수집한 상기 센서의 출력 값과 정상 잔차를 기초로 기 학습시킨 신경망 모델로부터 보상 잔차를 예측하는 단계와, 상기 센서의 출력 값과 상기 추정 값 간의 잔차를 연산한 후, 상기 연산한 잔차에 상기 예측한 보상 잔차를 반영하여 강건한 잔차를 연산하는 단계, 및 상기 강건한 잔차를 기 설정된 임계값과 비교하여 상기 센서의 고장 여부를 검출하는 단계를 포함하는 EMB 시스템에서의 센서 고장 검출 방법을 제공한다.
여기서, 상기 센서는, 상기 모터의 전류 및 각속도를 각각 측정하는 전류 센서 및 속도 센서, 및 상기 브레이크 구조물의 제동력을 측정하는 힘 센서를 포함할 수 있다.
또한, 상기 센서의 추정 값을 예측하는 단계는, 상기 전류, 각속도 및 제동력을 상태 변수로 가지는 상태 방정식을 이용하여 구성되는 관측기(observer) 또는 칼만 필터(kalman filter)를 사용하여 상기 추정 값을 예측할 수 있다.
또한, 상기 신경망 모델은, 상기 정상 상태에서 기 수집한 상기 센서의 출력 값과 그에 대응하는 정상 잔차를 입력층에 입력했을 때 설정 오차 이하의 값을 출력층에서 출력하도록 학습시키며, 현재 측정된 상기 센서의 출력 값을 상기 입력층에 입력하면 상기 출력층을 통해 상기 보상 잔차가 출력될 수 있다.
그리고, 본 발명은, 제어 입력이 인가되는 모터 및 상기 모터에 의해 구동되는 브레이크 구조물을 포함하는 EMB(Electro-Mechanical Brake) 시스템을 이용한 센서 고장 검출 장치에 있어서, 상기 EMB 시스템에 장착된 센서로부터 출력 값을 획득하는 데이터 획득부와, 상기 제어 입력과 상기 출력 값을 기초로 생성한 수학적 모델로부터 상기 센서의 추정 값을 예측하는 모델 기반 시스템 예측기와, 정상 상태에서 기 수집한 상기 센서의 출력 값과 정상 잔차를 기초로 기 학습시킨 신경망 모델로부터 보상 잔차를 예측하는 데이터 기반 시스템 예측기와, 상기 센서의 출력 값과 상기 추정 값 간의 잔차를 연산한 후, 상기 연산한 잔차에 상기 예측한 보상 잔차를 반영하여 강건한 잔차를 연산하는 잔차 생성부, 및 상기 강건한 잔차를 기 설정된 임계값과 비교하여 상기 센서의 고장 여부를 검출하는 고장 검출부를 포함하는 EMB 시스템에서의 센서 고장 검출 장치를 제공한다.
본 발명에 따른 EMB 시스템을 이용한 센서 고장 검출 장치 및 그 방법에 따르면, 모델 기반의 예측기와 데이터 기반의 예측기를 결합한 하이브리드 예측 기법을 이용하여 더욱 강건한 잔차를 생성할 수 있으며 고장 검출 로직에서 false alarm의 비율을 낮춰줄 수 있다. 또한, 데이터 기반의 예측기를 추가로 사용하여 고장 이외의 특성을 걸러줄 수 있고 고장에 민감한 잔차를 생성할 수 있으며 고장 검출을 정확도를 높일 수 있다.
도 1은 종래의 수학적 모델을 이용한 센서 고장 판별 예시를 나타낸 도면이다.
도 2는 일반적인 EMB 시스템의 구성을 나타낸 도면이다.
도 3은 본 발명의 실시예에 따른 EMB 시스템을 이용한 센서 고장 검출 장치를 나타낸 도면이다.
도 4는 본 발명의 실시예에서 인공 신경망을 사용한 데이터 기반 시스템 예측기를 설명하는 도면이다.
도 5는 도 3에 도시된 장치를 이용한 센서 고장 검출 방법을 나타낸 도면이다.
그러면 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.
본 발명은 EMB(Electro-Mechanical Brake) 시스템을 이용한 센서 고장 검출 장치 및 그 방법으로서, 센서의 고장을 검출하기 위해 일반적으로 사용되는 모델 기반 센서 고장 검출 방법을 보완하기 위해, 모델 기반 시스템 예측기와 데이터 기반 시스템 예측기를 함께 사용하는 하이브리드 센서 고장 검출 방법을 제안한다.
즉, 본 발명은 EMB 시스템을 구동하여 얻은 데이터를 이용하여 비선형적 특성을 학습한 데이터 기반 시스템 예측기를 함께 사용하여 기존의 모델 기반 센서 고장 검출 방법을 보완하고자 한다.
도 2는 일반적인 EMB 시스템의 구성을 나타낸 도면이다. EMB 시스템(10)은 유압 시스템 대신 전기 모터를 이용하여 차량의 제동력을 생성하는 전기기계식 브레이크 시스템으로, 제어기(11), 모터 드라이버(12), 모터(13), 차량 브레이크 구조물(14), 그리고 각종 센서(15,16,17)를 포함한다.
EMB 시스템(10)에는 사용자가 브레이크 페달 조작 시 가해진 힘에 대응하는 입력이 인가된다. 제어기(11)는 입력된 신호를 바탕으로 모터(13)의 구동 여부, 구동치 등을 포함한 모터 제어 신호를 생성하고 생성한 제어 신호를 모터 드라이버(12)로 전달한다. 이때 제어기(11)는 각 센서(15,16,17)의 측정값을 피드백 신호로 받아 제대로 제동력을 생성하는 지표로 활용할 수 있다.
모터 드라이버(12)는 제어기(11)로부터 받은 제어 신호를 바탕으로 모터(13)를 제어하고, 모터(13)는 제어 신호를 기초로 회전력을 생성하여 전달한다. 차량 브레이크 구조물(14)은 모터(13)의 회전력을 직선 운동으로 변경하여 제동력을 생성한다.
모터 속도 센서(15) 및 모터 전류 센서(16)는 모터(13)에 장착 또는 연결되어 모터의 속도(가속도)와 전류를 각각 측정한다. 힘 센서(17)는 차량 브레이크 구조물(14)에 장착 또는 연결되어 제동력을 측정한다. 이러한 센서(15,16,17)들은 자신의 측정 값을 각각 제어기(11)로 전달할 수 있다.
이와 같이 EMB 시스템은 제어 입력이 인가되는 모터(13)와, 모터(13)에 의해 구동되는 브레이크 구조물(14)을 포함하며, 각각에 모터의 속도 및 전류 측정을 위한 센서(15,16) 및 제동력 측정을 위한 센서(17)가 장착된 것을 알 수 있다.
이하에서는 상술한 EMB 시스템을 이용한 센서 고장 검출 장치에 관하여 설명한다. 도 3은 본 발명의 실시예에 따른 EMB 시스템을 이용한 센서 고장 검출 장치를 나타낸 도면이다.
도 3을 참조하면, 본 발명의 실시예에 따른 EMB 시스템을 이용한 센서 고장 검출 장치(100)는 데이터 획득부(미도시), 모델 기반 시스템 예측기(110), 데이터 기반 시스템 예측기(120), 잔차 생성부(130) 및 고장 검출부(140)를 포함한다.
우선, EMB 시스템(10)은 앞서 상술한 바와 같이, 제어 입력이 인가되는 모터(13) 및 모터(13)에 의해 구동되는 브레이크 구조물(14)을 포함한다.
데이터 획득부(미도시)는 EMB 시스템(10) 내에 장착된 센서로부터 센서의 출력 값을 획득한다. 이하의 실시예에서 센서란, 모터 속도 센서(15), 모터 전류 센서(16) 및 힘 센서(17)를 포함할 수 있다. 이와 같이 데이터 획득부는 EMB 시스템(10)과 잔차 생성부(130) 사이에서 센서의 출력 값을 획득하여 잔차 생성부(130)의 입력으로 제공한다. 물론 데이터 획득부는 잔차 생성부에 포함될 수도 있다.
모델 기반 시스템 예측기(110)는 제어 입력과 출력 값을 기초로 생성한 수학적 모델을 이용하여 센서의 추정 값을 예측한다. 이때, 수학적 모델은, 전류, 각속도 및 제동력을 상태 변수로 가지는 상태 방정식을 이용하여 구현될 수 있다.
데이터 기반 시스템 예측기(120)는 고장 없는 정상 상태에서 기 수집한 센서의 출력 값과 정상 잔차를 기초로 기 학습시킨 인공 신경망 모델을 이용하여 보상 잔차를 예측한다.
잔차 생성부(130)는 데이터 획득부에서 획득한 센서의 출력 값과 모델 기반 시스템 예측기(110)에서 얻은 센서의 추정 값 간의 잔차(Residual)를 계산한 다음, 계산한 잔차에 상술한 보상 잔차를 반영함으로써 강건한(robust) 잔차를 연산한다.
고장 검출부(140)는 강건한 잔차를 기 설정된 임계값(threshold)과 비교하여 센서의 고장 여부를 검출한다.
본 발명의 실시예에서, 모델 기반 시스템 예측기(110)를 이용하여 추정 값을 예측하고, 이를 통해 잔차를 연산하는 것은 다음의 방법을 이용한다.
일반적인 모델 기반의 고장 검출 방법은 시스템의 수학적 모델과 입출력 신호를 바탕으로 관측하고자 하는 값을 예측하고 예측 값을 실제 값과 비교하여 잔차를 생성한다.
본 발명의 실시예에서 수학적 모델 기반 시스템 예측기(110)는 관측기(observer) 또는 칼만 필터(kalman filter) 등을 이용하여 구현한 수학적 모델을 사용할 수 있다. 예를 들어, 전류, 각속도 및 제동력을 상태 변수로 가지는 상태 방정식을 이용하여 칼만 필터를 구성하고 이를 통해 추정 값을 예측한다.
수학적 모델 기반 시스템 예측기(110)는 제어 입력과 출력 값을 기초로 생성한 수학적 모델을 이용하여 센서의 추정 값을 예측한다. 여기서, 수학적 모델은 앞서와 같이 전류, 각속도 및 제동력을 상태 변수로 가진다.
EMB 시스템(10)의 상태 방정식은 수학식 1과 같다.
Figure pat00001
이러한 수학식 1은 상태 방정식, 출력 식, 그리고 상태 변수를 각각 표현하고 있다. 상태 방정식에서 x(t)는 시스템의 상태 변수를 나타내고, u(t)는 제어 입력을 나타내는데 여기서는 모터의 입력 전압을 의미할 수 있다.
출력 식에서 y(t)는 출력 벡터이며 센서의 실제 출력 값을 나타낸다. 상태 변수(상태 벡터)인 x(t)는 모터 전류 ia, 모터 각속도 ωm, 그리고 제동력 Fcl 요소를 포함하여 이루어져 있다. A, B, C는 시스템 행렬을 나타낸다.
수학식 1을 바탕으로 일반적으로 사용되는 루엔버거 관측기(Luenberger observer)는 수학식 2와 같이 정의된다. 이러한 수학식 2는 일반적인 루엔버거 관측기와 동일한 형태를 가진다.
Figure pat00002
수학식 2에서
Figure pat00003
는 상태 변수의 추정 값,
Figure pat00004
는 출력 값의 추정 값, L은 관측기의 이득(gain)이다.
이때, 상태 추정 오차
Figure pat00005
는 수학식 1과 수학식 2에 의해 아래의 수학식 3과 같이 전개된다.
Figure pat00006
여기서 수학식 3의 상태 추정 오차가 0이 되도록 하는 관측기 이득 L을 구하고 관측기를 설계하면 된다.
시스템에서 센서 고장이 발생한 경우, 시스템의 상태방정식인 수학식 1은 수학식 4와 같이 재정의된다.
Figure pat00007
f(t)는 센서의 고장 값을 의미한다. 이때, 잔차 r(t)는 출력 값(y(t))과 출력 값의 추정 값(
Figure pat00008
)의 차이로 정의되며 수학식 5와 같다.
Figure pat00009
여기서 상태 추정 오차 e(t)는 0으로 수렴하도록 디자인되었으므로 r(t)는 센서 오차 f(t)로 수렴한다. 기존의 모델 기반 고장 검출 방법의 경우 이 r(t)를 직접 임계 값과 비교하여 고장을 판별한다.
기존의 경우 이러한 모델 기반 시스템 예측기(110)만을 이용한 것으로, 상술한 바와 같이 출력 값과 추정 값 간의 잔차를 임계 값과 비교하여 센서의 고장 여부를 판별한다. 이에 반해, 본 발명의 실시예는 출력 값과 추정 값 간의 잔차를 다시 데이터 기반의 예측 결과에서 얻은 보상 잔차를 통해 보상하여 더욱 강건하고 신뢰성 있는 잔차를 얻을 수 있다.
즉, 본 발명의 실시예는 데이터 기반 예측 방법을 이용하여 동적 특성을 포함하는 보상 값(보상 잔차)를 생성하여 수학적 모델에 의한 정적인 잔차를 보상함에 따라, 더욱 강건한 잔차를 생성하고 고장 검출 로직에서 잘못된 알람의 비율을 낮춰준다.
데이터 기반 예측 방법은 실제 시스템에서 얻은 데이터를 바탕으로 고장을 검출하는 방법이다. 대표적인 예로 인공신경망, SVM(support vector machine), 퍼지 로직 등이 있다.
인공신경망은 생물학의 뇌신경망의 구조와 특성에서 출발한 통계학적 학습 알고리즘으로 인공 뉴런들이 서로 연결되어 있는 네트워크 구조를 가지며 학습(또는 훈련)에 따라 뉴런 사이의 연결 강도(가중치; weight)가 조정된다. 인공 신경망은 많은 입력들에 의존하면서 일반적으로 비선형 함수를 유추하여 근사치를 생성한다.
도 4는 본 발명의 실시예에서 인공 신경망을 사용한 데이터 기반 시스템 예측기를 설명하는 도면이다. 이러한 도 5는 시스템의 특성 및 외란을 학습하기 위한 인공 신경망 구조의 예시이다.
인공신경망은 입력층(input layer), 숨김층(hidden layer), 출력층(output layer)로 구성되며, 각 망의 노드들은 가중치(weight)를 갖는 통로(channel)로 연결되어있다.
우선, 고장이 없는 정상 상태의 시스템을 다양한 조건의 환경(예를 들면, 잡음, 온도, 마찰, 부하 등)에서 반복 운행시키면서 입출력의 변화와 잔차를 수집하는 정보수집 단계가 선행된다.
정보수집 단계에서 수집된 정보는 인공신경망의 입력층의 노드로 각각 입력되고 입력 변수 정보는 숨김층으로 전달되어 학습을 통해 출력층으로 출력된다. 여기서, 비교 결과 오차가 원하는 오차 범위 안에 들 때까지 학습을 진행한다. 이렇게 학습된 인공신경망은 시스템의 비선형적 특성을 고려한 보상 값을 시스템의 매 입출력마다 생성해준다.
이처럼 정상 상태에서 수집한 센서의 센싱 값인 모터 전류, 각속도, 제동력과, 그에 대응하는 정상 잔차를 입력층에 입력하였을 때 설정 오차 이하의 값을 출력층에서 출력하도록 인공신경망을 학습시킨다. 이를 통해 현재 센서의 출력 값을 신경망의 입력층에 입력하면 보상 잔차가 출력층에서 출력될 수 있다.
본 발명의 실시예는 이와 같이 신경망 모델로 얻어진 보상 잔차를 앞서 수학적 모델에 의해 얻은 잔차에 추가로 반영함으로써 강건한 잔차를 얻으며 이를 임계치와 비교하여 고장 알람을 수행할 수 있다.
다음은 본 발명의 실시예에 따른 EMB 시스템을 이용한 센서 고장 검출 방법을 설명한다. 도 5는 도 3에 도시된 장치를 이용한 센서 고장 검출 방법을 나타낸 도면이다.
먼저, 데이터 획득부는 EMB 시스템(10)에 장착된 센서로부터 출력 값을 획득한다(S510).
그리고, 모델 기반 시스템 예측기(110)는 제어 입력과 출력 값을 기초로 생성한 수학적 모델을 이용하여 센서의 추정 값을 예측한다(S520). 또한, 데이터 기반 시스템 예측기(120)는 정상 상태에서 기 수집한 센서의 출력 값과 정상 잔차를 기초로 기 학습시킨 신경망 모델을 이용하여 보상 잔차를 예측한다(S530).
잔차 생성부(130)는 S510 단계에서 획득한 센서의 출력 값과 S520 단계에서 획득한 센서의 추정 값 간의 잔차를 연산한 후, 연산한 잔차에 S530 단계에서 획득한 보상 잔차를 반영하여 강건한 잔차를 연산한다(S540).
그러면, 고장 검출부(140)는 강건한 잔차를 기 설정된 임계값과 비교하여 센서의 고장 여부를 검출한다(S550).
이상과 같은 본 발명에 따른 EMB 시스템을 이용한 센서 고장 검출 장치 및 그 방법에 따르면, 모델 기반의 예측기와 데이터 기반의 예측기를 결합한 하이브리드 예측 기법을 이용하여 더욱 강건한 잔차를 생성할 수 있으며 고장 검출 로직에서 false alarm의 비율을 낮춰줄 수 있다. 또한, 데이터 기반의 예측기를 추가로 사용하여 고장 이외의 특성을 걸러줄 수 있고 고장에 민감한 잔차를 생성할 수 있으며 고장 검출을 정확도를 높일 수 있다.
본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
10: EMB 시스템 100: 센서 고장 검출 장치
110: 모델 기반 시스템 예측기 120: 데이터 기반 시스템 예측기
130: 잔차 생성부 140: 고장 검출부

Claims (8)

  1. 제어 입력이 인가되는 모터 및 상기 모터에 의해 구동되는 브레이크 구조물을 포함하는 EMB(Electro-Mechanical Brake) 시스템을 이용한 센서 고장 검출 방법에 있어서,
    상기 EMB 시스템에 장착된 센서로부터 출력 값을 획득하는 단계;
    상기 제어 입력과 상기 출력 값을 기초로 생성한 수학적 모델로부터 상기 센서의 추정 값을 예측하는 단계;
    정상 상태에서 기 수집한 상기 센서의 출력 값과 정상 잔차를 기초로 기 학습시킨 신경망 모델로부터 보상 잔차를 예측하는 단계;
    상기 센서의 출력 값과 상기 추정 값 간의 잔차를 연산한 후, 상기 연산한 잔차에 상기 예측한 보상 잔차를 반영하여 강건한 잔차를 연산하는 단계; 및
    상기 강건한 잔차를 기 설정된 임계값과 비교하여 상기 센서의 고장 여부를 검출하는 단계를 포함하는 EMB 시스템에서의 센서 고장 검출 방법.
  2. 청구항 1에 있어서,
    상기 센서는,
    상기 모터의 전류 및 각속도를 각각 측정하는 전류 센서 및 속도 센서; 및
    상기 브레이크 구조물의 제동력을 측정하는 힘 센서를 포함하는 MB 시스템에서의 센서 고장 검출 방법.
  3. 청구항 2에 있어서,
    상기 센서의 추정 값을 예측하는 단계는,
    상기 전류, 각속도 및 제동력을 상태 변수로 가지는 상태 방정식을 이용하여 구성되는 관측기(observer) 또는 칼만 필터(kalman filter)를 사용하여 상기 추정 값을 예측하는 EMB 시스템에서의 센서 고장 검출 방법.
  4. 청구항 2에 있어서,
    상기 신경망 모델은 상기 정상 상태에서 기 수집한 상기 센서의 출력 값과 그에 대응하는 정상 잔차를 입력층에 입력했을 때 설정 오차 이하의 값을 출력층에서 출력하도록 학습시키며,
    현재 측정된 상기 센서의 출력 값을 상기 입력층에 입력하면 상기 출력층을 통해 상기 보상 잔차가 출력되는 EMB 시스템에서의 센서 고장 검출 방법.
  5. 제어 입력이 인가되는 모터 및 상기 모터에 의해 구동되는 브레이크 구조물을 포함하는 EMB(Electro-Mechanical Brake) 시스템을 이용한 센서 고장 검출 장치에 있어서,
    상기 EMB 시스템에 장착된 센서로부터 출력 값을 획득하는 데이터 획득부;
    상기 제어 입력과 상기 출력 값을 기초로 생성한 수학적 모델로부터 상기 센서의 추정 값을 예측하는 모델 기반 시스템 예측기;
    정상 상태에서 기 수집한 상기 센서의 출력 값과 정상 잔차를 기초로 기 학습시킨 신경망 모델로부터 보상 잔차를 예측하는 데이터 기반 시스템 예측기;
    상기 센서의 출력 값과 상기 추정 값 간의 잔차를 연산한 후, 상기 연산한 잔차에 상기 예측한 보상 잔차를 반영하여 강건한 잔차를 연산하는 잔차 생성부; 및
    상기 강건한 잔차를 기 설정된 임계값과 비교하여 상기 센서의 고장 여부를 검출하는 고장 검출부를 포함하는 EMB 시스템에서의 센서 고장 검출 장치.
  6. 청구항 5에 있어서,
    상기 센서는,
    상기 모터의 전류 및 각속도를 각각 측정하는 전류 센서 및 속도 센서; 및
    상기 브레이크 구조물의 제동력을 측정하는 힘 센서를 포함하는 MB 시스템에서의 센서 고장 검출 장치.
  7. 청구항 6에 있어서,
    상기 모델 기반 시스템 예측기는,
    상기 전류, 각속도 및 제동력을 상태 변수로 가지는 상태 방정식을 이용하여 구성되는 관측기(observer) 또는 칼만 필터(kalman filter)를 사용하여 상기 추정 값을 예측하는 EMB 시스템에서의 센서 고장 검출 장치.
  8. 청구항 6에 있어서,
    상기 신경망 모델은 상기 정상 상태에서 기 수집한 상기 센서의 출력 값과 그에 대응하는 정상 잔차를 입력층에 입력했을 때 설정 오차 이하의 값을 출력층에서 출력하도록 학습시키며,
    현재 측정된 상기 센서의 출력 값을 상기 입력층에 입력하면 상기 출력층을 통해 상기 보상 잔차가 출력되는 EMB 시스템에서의 센서 고장 검출 장치.
KR1020170022285A 2017-02-20 2017-02-20 Emb 시스템을 이용한 센서 고장 검출 장치 및 그 방법 KR102617044B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170022285A KR102617044B1 (ko) 2017-02-20 2017-02-20 Emb 시스템을 이용한 센서 고장 검출 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170022285A KR102617044B1 (ko) 2017-02-20 2017-02-20 Emb 시스템을 이용한 센서 고장 검출 장치 및 그 방법

Publications (2)

Publication Number Publication Date
KR20180096075A true KR20180096075A (ko) 2018-08-29
KR102617044B1 KR102617044B1 (ko) 2023-12-26

Family

ID=63434938

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170022285A KR102617044B1 (ko) 2017-02-20 2017-02-20 Emb 시스템을 이용한 센서 고장 검출 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR102617044B1 (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109781399A (zh) * 2019-02-27 2019-05-21 天津大学 一种基于神经网络的风冷式制冷机组传感器故障诊断方法
CN109910865A (zh) * 2019-02-26 2019-06-21 辽宁工业大学 一种基于物联网的车辆预警刹车方法
CN110017857A (zh) * 2019-04-04 2019-07-16 广东工业大学 基于自适应学习与神经网络的非线性传感器故障诊断方法
CN110243405A (zh) * 2019-06-25 2019-09-17 东北大学 一种基于深度学习的航空发动机传感器故障诊断方法
CN110962828A (zh) * 2019-12-23 2020-04-07 奇瑞汽车股份有限公司 预测电动汽车制动压力的方法和设备
WO2020105812A1 (ko) * 2018-11-22 2020-05-28 제주대학교 산학협력단 학습을 통한 파라미터 개선 기반의 예측 시스템 및 방법
CN111505500A (zh) * 2020-04-09 2020-08-07 江南大学 一种工业领域基于滤波的电机智能故障检测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060010595A (ko) * 2004-07-28 2006-02-02 학교법인 울산공업학원 부분 최소 자승법과 잔차 보상기를 이용한 비선형 데이터분류 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060010595A (ko) * 2004-07-28 2006-02-02 학교법인 울산공업학원 부분 최소 자승법과 잔차 보상기를 이용한 비선형 데이터분류 방법

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020105812A1 (ko) * 2018-11-22 2020-05-28 제주대학교 산학협력단 학습을 통한 파라미터 개선 기반의 예측 시스템 및 방법
CN109910865A (zh) * 2019-02-26 2019-06-21 辽宁工业大学 一种基于物联网的车辆预警刹车方法
CN109781399A (zh) * 2019-02-27 2019-05-21 天津大学 一种基于神经网络的风冷式制冷机组传感器故障诊断方法
CN110017857A (zh) * 2019-04-04 2019-07-16 广东工业大学 基于自适应学习与神经网络的非线性传感器故障诊断方法
CN110243405A (zh) * 2019-06-25 2019-09-17 东北大学 一种基于深度学习的航空发动机传感器故障诊断方法
CN110962828A (zh) * 2019-12-23 2020-04-07 奇瑞汽车股份有限公司 预测电动汽车制动压力的方法和设备
CN111505500A (zh) * 2020-04-09 2020-08-07 江南大学 一种工业领域基于滤波的电机智能故障检测方法
CN111505500B (zh) * 2020-04-09 2021-01-29 江南大学 一种工业领域基于滤波的电机智能故障检测方法

Also Published As

Publication number Publication date
KR102617044B1 (ko) 2023-12-26

Similar Documents

Publication Publication Date Title
KR102617044B1 (ko) Emb 시스템을 이용한 센서 고장 검출 장치 및 그 방법
CN110515351B (zh) 异常检测器
CN106409120B (zh) 机械学习方法及机械学习装置、以及故障预知装置及系统
CN105716844B (zh) 建立机电作动器的卡尔曼滤波模型及故障诊断方法
CN108372881A (zh) 用于电动助力转向的故障容错场定向控制
CN104075734B (zh) 水下组合导航故障智能诊断方法
CN110799949A (zh) 用于消除两个或更多个冗余模块的冗余的方法、设备和具有指令的计算机可读存储介质
CN113391621B (zh) 一种电动仿真测试转台的健康状态评估方法
GB2580008A (en) Control system diagnostics
CN113460122B (zh) 电动道岔转辙机系统的状态检测方法、装置、设备及介质
US20230376023A1 (en) Information processing apparatus and information processing method
KR102133385B1 (ko) 유도전동기 실시간 진단 서비스를 제공하는 인공지능장치 및 그 동작방법
KR102182226B1 (ko) 고장 검출 진단 시스템 및 진단방법
CN111897221A (zh) 一种基于组合观测器的航天器故障诊断方法
US20190146471A1 (en) A method for monitoring the operational state of a system
EP3332211A2 (en) Rotorcraft structural fault-detection and isolation using virtual monitoring of loads
CN104913803B (zh) 使用动态阈值检测不稳定传感器的方法和系统
JP2012533470A (ja) 航空機のパイロットに対してパイロット警告信号を提供する方法、コンピュータプログラム製品、及び警告デバイス
Namvar et al. Failure detection and isolation in robotic manipulators using joint torque sensors
US20240051140A1 (en) Diagnostic system
Banerjee et al. Real-time self-learning for control law adaptation in nonlinear systems using encoded check states
Banerjee et al. Alera: Accelerated reinforcement learning driven adaptation to electro-mechanical degradation in nonlinear control systems using encoded state space error signatures
Sundström et al. Diagnostic method combining the lookup tables and fault models applied on a hybrid electric vehicle
KR102538542B1 (ko) 상전류 신호를 이용한 모터 고장 진단 방법 및 장치
KR100527783B1 (ko) 차량 안정성 제어 장치 및 그 방법

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant