KR20190078705A - 차량의 데이터로부터 부품 노후화 패턴을 분석하여 차량의 고장을 예측하는 시스템 및 그 방법 - Google Patents

차량의 데이터로부터 부품 노후화 패턴을 분석하여 차량의 고장을 예측하는 시스템 및 그 방법 Download PDF

Info

Publication number
KR20190078705A
KR20190078705A KR1020170172566A KR20170172566A KR20190078705A KR 20190078705 A KR20190078705 A KR 20190078705A KR 1020170172566 A KR1020170172566 A KR 1020170172566A KR 20170172566 A KR20170172566 A KR 20170172566A KR 20190078705 A KR20190078705 A KR 20190078705A
Authority
KR
South Korea
Prior art keywords
vehicle
failure
learning
learning model
data
Prior art date
Application number
KR1020170172566A
Other languages
English (en)
Inventor
전정용
Original Assignee
(주)넷케이티아이
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)넷케이티아이 filed Critical (주)넷케이티아이
Priority to KR1020170172566A priority Critical patent/KR20190078705A/ko
Publication of KR20190078705A publication Critical patent/KR20190078705A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/008—Reliability or availability analysis
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 발명은 차량의 데이터로부터 부품 노후화 패턴을 분석하여 차량의 고장을 예측하는 시스템 및 그 방법에 관한 것으로, 차량별 운행기록과 고장내역을 바탕으로 고장의 발생시점에 대한 각 부품의 노후화 패턴을 분석하는 기계학습을 수행하고, 상기 기계학습으로부터 학습모델을 생성하며, 생성한 학습모델에 특정 차량에서 수집한 데이터를 입력하여 해당 차량의 고장을 예측하는 시스템 및 그 방법에 관한 것이다.

Description

차량의 데이터로부터 부품 노후화 패턴을 분석하여 차량의 고장을 예측하는 시스템 및 그 방법{SYSTEM AND METHOD FOR ESTIMATING MALFUNCTION OF A VEHICLE BY ANALYZING DETERIORATION PATTERNS OF COMPONENTS FROM DATA OF THE VEHICLE}
본 발명은 차량의 데이터로부터 부품 노후화 패턴을 분석하여 차량의 고장을 예측하는 시스템 및 그 방법에 관한 것으로, 더욱 상세하게는 차량별 운행기록과 고장내역을 바탕으로 고장의 발생시점에 대한 각 부품의 노후화 패턴을 분석하는 기계학습을 수행하고, 상기 기계학습으로부터 학습모델을 생성하며, 상기 생성한 학습모델에 특정 차량에서 수집한 데이터를 입력하여 해당 차량의 고장을 예측하는 시스템 및 그 방법에 관한 것이다.
일반적으로 차량진단시스템은 차량 내의 각 장치에 대한 현재 시점의 고장여부를 진단할 뿐, 상기 고장을 미리 예측하지는 못한다. 따라서 종래의 차량진단시스템으로는 차량의 고장여부를 미리 진단할 수 없었고, 다만 숙련된 기술자의 직관이나 경험에 의존하거나, 이러한 직관이나 경험 혹은 각 장치(부품)의 내구성에 대한 정보를 이용하여 작성한 유지보수 매뉴얼에 따라 장래의 고장여부나 부품의 교체 주기를 파악할 수 있었다.
사실 차량의 운행조건이나 상태에 따라 각 부품의 내구성은 천차만별이므로, 이를 획일적으로 규정하기는 매우 어려운 실정이다. 따라서 특정 운행조건이나 상태에 따라 각 부품의 노후화 정도를 분석하고, 이를 통해서 차량의 고장 여부에 대한 예측이 가능한 시스템이 필요한 실정이다.
이러한 실정에 따라 본 발명에서는 차량의 운행기록과 고장내역 및 운행조건이나 상태를 수집하여 이로부터 고장이 발생하는 시점에 대한 학습을 인공지능을 통해 학습한 학습모델을 생성하고, 상기 학습된 학습모델에 특정 차량의 운행기록, 고장내역, 운행조건이나 상태를 적용하여 각 부품의 노후화 패턴을 분석함으로써, 해당 차량의 고장을 예측하는 시스템을 제공하고자 한다. 특히 본 발명에서는 다범주 분류 심층 신경망을 구성하여 각 차량의 모델별, 부품별 노후화 패턴을 학습하고, 추정(예측)하는 방법과 시스템을 제공한다.
본 발명에서는 인공지능에 의해서 학습을 수행하는데, 통상 인공지능이란 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것으로서, 인간의 지능으로 할 수 있는 사고, 학습, 자기개발 등을 컴퓨터가 수행할 수 있도록 연구하는 컴퓨터 공학 및 정보기술의 한 분야이다. 이러한 인공지능은 그 자체로 존재하는 것이 아니고 컴퓨터 과학의 다른 분야와 직간접적으로 많은 관련을 맺고 있으며, 특히 정보기술의 여러 분야에서 인공지능적 요소를 도입하여 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다. 즉, 본 발명에서는 이러한 인공지능의 특징을 인간이 직접 수행하기 어려운 차량의 모델별, 부품별 노후화의 패턴을 분석하는데 적용하여, 인간의 직관이나 경험만으로는 예측하기 어려운 고장의 예측을 신속하고, 정확하며, 범용성 있게 수행하고자 한다.
다음으로 본 발명의 기술분야에 존재하는 선행기술에 대하여 간단하게 설명하고, 이어서 본 발명이 상기 선행기술에 비해서 차별적으로 이루고자 하는 기술적 사항에 대해서 기술하고자 한다.
먼저 한국등록특허 제1703163호(2017.01.31.)는 차량의 복합 고장을 예측하기 위한 장치 및 방법을 제공하는 선행기술이다.
상기 선행기술은 차량 모델의 특성에 맞게 다중 인공신경망을 학습시켜 다중 인공신경망을 구축하고, 차량 네트워크 데이터를 임계값 범위에 따라 정규화한 정규화 변화값을 다중 인공신경망 모델에 적용하여 데이터간의 상관관계에 따라 해당 차량의 고장 상태들에 대한 신경망 고장 예측값을 생성하여 즉시 위험을 통지하거나 또는 추이변화를 예측하여 제공함에 따라 차량의 구성요소들 사이에서 발생할 수 있는 위험을 분석하여 복합 고장을 미리 예측하여 대비할 수 있도록 하는 것이다.
반면에 본 발명에서 제시하는 기술적 사상은 기계학습을 통해서 차량별 운행기록과 고장내역을 바탕으로 고장의 발생시점에 대한 각 부품의 노후화 패턴을 분석하는 학습모델을 생성하고, 상기 생성한 학습모델에 특정 차량에서 수집된 데이터를 입력하여 해당 차량의 고장을 예측하는 것이다. 따라서 상기 선행기술에는 본 발명에서 하고자 하는 차량의 각 부품에 대한 노후화 패턴을 분석하여 차량의 고장을 예측하는 기술적 착상이 없으므로, 양 발명의 차이점은 분명하다 할 것이다.
또한 한국등록특허 제1711028호(2017.02.22.)는 운행 중인 차량에 장착된 전자제어장치로부터 수집된 데이터에 클러스터링 방법을 적용하여 차량의 이상상태를 모니터링하는 장치 및 그 방법에 관한 선행기술이다.
상기 선행기술은 운행 중인 차량에 장착된 전자제어장치로부터 수집된 데이터에 클러스터링 방법을 적용하여 차량의 상태를 모니터링함으로써, 모니터링 결과에 따라 운전자 또는 차량을 관리하는 특정 서버에 통지하여 차량에서 발생할 수 있는 이상을 예방하거나 이에 대한 적절한 조치가 가능하도록 하여 차량의 안전 운행과 사고 예방 및 탑승자 생명 보호에 기여하고자 하는 것이다.
반면에 본 발명에서 제시하는 기술적 사상은 기계학습을 통해서 차량별 운행기록과 고장내역을 바탕으로 고장의 발생시점에 대한 각 부품의 노후화 패턴을 분석하는 학습모델을 생성하고, 상기 생성한 학습모델에 특정 차량에서 수집된 데이터를 입력하여 해당 차량의 고장을 예측하는 것이다. 따라서 상기 선행기술에는 본 발명에서 하고자 하는 차량의 각 부품에 대한 노후화 패턴을 분석하여 차량의 고장을 예측하는 기술적 착상이 없으므로, 양 발명의 차이점은 분명하다 할 것이다.
즉 상기 선행기술들은 차량의 고장을 예측하는 것이나, 본원 발명과 같이 차량별 운행기록, 고장내역 및 각 차량의 운행조건 및 상태를 바탕으로, 기계학습을 통해 고장의 발생시점에 대한 각 부품의 노후화 패턴을 분석하는 학습모델의 생성에 대한 기재가 없고, 또한 상기 생성한 학습모델에 특정 차량에서 수집된 데이터를 입력하여 해당 차량의 고장을 예측하는 기술적 특징에 대한 아무런 기재가 없기 때문에 기술적 차이점이 분명한 것이다.
본 발명은 상기와 같은 문제점을 해결하기 위해 창작된 것으로서, 차량의 운행기록, 고장내역, 운행조건 및 상태를 수집하여 이로부터 고장이 발생하는 시점에 대해서 학습하여 인공지능에 따른 기계 학습모델(단순히 학습모델이라고도 함)을 생성하는 방법을 제공하는 것을 그 목적으로 한다.
또한 본 발명은 상기 학습된 학습모델에 특정 차량의 운행기록, 고장내역, 운행조건 및 상태를 적용하여, 각 부품의 노후화 패턴을 분석하는 방법을 제공하는 것을 또 다른 목적으로 한다.
또한 본 발명은 상기 학습모델에 특정 차량에서 수집된 데이터를 적용하여 분석한 각 부품의 노후화 패턴으로부터 해당 차량의 고장을 예측하는 시스템을 제공하는 것을 또 다른 목적으로 한다.
또한 본 발명은 상기 학습모델을 구성함에 있어서, 다범주 분류 심층 신경망을 적용하여 차량의 모델별, 부품별 특징을 고려한 정확하고, 범용적이며, 신속한 예측이 가능하도록 하고자 한다.
본 발명의 일 실시예에 따른 차량의 고장을 예측하는 시스템은, 차량별 운행기록, 고장내역 및 운행조건이나 운행상태를 수집하는 차량 데이터 수집부; 상기 수집한 데이터를 바탕으로 각 차량의 특정 부품에 대한 고장이 발생한 시점을 학습하여 학습모델을 생성하는 학습모델 생성부; 및 상기 생성된 학습모델에 특정 차량에서 수집된 데이터를 적용하여 상기 특정 차량의 각 부품에 대한 고장을 예측하는 고장 예측부;를 포함하며, 상기 학습모델을 통해서 학습하는 것은, 상기 차량의 데이터로부터 부품 노후화 패턴을 학습하는 것을 특징으로 한다.
여기서 상기 학습모델은, 상기 각 차량에서 수집한 데이터를 토대로 딥러닝에 의한 기계학습을 통해서 각 부품의 고장시점에 대한 학습을 수행하고, 각 딥러닝에 의한 노드들의 파라미터를 생성하여 해당 부품의 노후화 패턴에 대한 함수를 추출하는 것을 포함하는 것을 특징으로 하며, 상기 각 부품에 대한 고장을 예측하는 것은, 상기 추출한 함수에 특정 차량에서 수집한 데이터를 적용할 경우, 추출되는 고장시점에 대한 정보를 토대로 해당 부품의 노후화 정도를 판단함으로써, 고장여부를 미리 예측하는 것을 특징으로 한다.
또한 상기 학습모델은, 다범주 분류 심층 신경망(Multi-Input Multi-Output Multi-Layered Deep Neural Network)인 것을 특징으로 하며, 상기 학습모델에 사용되는 활성화 함수는 Sigmoid, ReLU, Softmax 또는 이들의 조합을 포함하며, 손실함수는 MSE(Mean Square Error), CEE(Cross Entropy Error) 또는 이들의 조합을 포함하는 것을 특징으로 한다.
아울러 본 발명의 또 다른 일 실시예에 따른 차량의 고장을 예측하는 방법은, 차량별 운행기록, 고장내역 및 운행조건이나 운행상태를 수집하는 차량 데이터 수집 단계; 상기 수집한 데이터를 바탕으로 각 차량의 특정 부품에 대한 고장이 발생한 시점을 학습하여 학습모델을 생성하는 학습모델 생성 단계; 및 상기 생성된 학습모델에 특정 차량에서 수집된 데이터를 적용하여 상기 특정 차량의 각 부품에 대한 고장을 예측하는 고장 예측 단계;를 포함하며, 상기 학습모델을 통해서 학습하는 것은, 상기 차량의 데이터로부터 부품 노후화 패턴을 학습하는 것을 특징으로 한다.
이상에서와 같이 본 발명의 차량의 데이터로부터 부품 노후화 패턴을 분석하여 차량의 고장을 예측하는 시스템 및 그 방법에 따르면, 인공지능 기계학습을 통해서 차량별 운행기록과 고장내역을 바탕으로 고장의 발생시점에 대한 각 부품의 노후화 패턴을 분석하고, 상기 생성한 학습모델에 특정 차량에서 수집된 데이터를 입력하여 해당 차량의 고장을 예측함으로써, 특정 차량의 과거 운행기록을 통해서 미래에 다가올 고장을 예측할 수 있으며. 이를 통해서 불측의 사고를 미연에 방지할 수 있는 효과가 있다.
도 1은 본 발명이 적용된 차량의 데이터로부터 부품 노후화 패턴을 분석하여 차량의 고장을 예측하는 시스템 및 그 방법을 설명하기 위한 개념도이다.
도 2는 본 발명의 차량의 데이터로부터 부품 노후화 패턴을 분석하여 차량의 고장을 예측하는 시스템 및 그 방법을 설명하기 위한 구체적인 일 실시예를 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 다범주 분류 심층 신경망에 대한 구체적인 내용을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 다범주 분류 심층 신경망에 대한 구체적인 동작을 설명하기 위한 도면이다.
도 5는 본 발명의 일 실시예에 따른 다범주 분류 심층 신경망에서 적용한 활성화 함수, 손실함수 등을 나타낸 설계의 예시도이다.
이하, 첨부한 도면을 참조하여 본 발명의 차량의 데이터로부터 부품 노후화 패턴을 분석하여 차량의 고장을 예측하는 시스템 및 그 방법에 대한 바람직한 실시 예를 상세히 설명한다. 각 도면에 제시된 동일한 참조부호는 동일한 부재를 나타낸다. 또한 본 발명의 실시 예들에 대해서 특정한 구조적 내지 기능적 설명들은 단지 본 발명에 따른 실시 예를 설명하기 위한 목적으로 예시된 것으로, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는 것이 바람직하다.
도 1은 본 발명이 적용된 차량의 데이터로부터 부품 노후화 패턴을 분석하여 차량의 고장을 예측하는 시스템 및 그 방법을 설명하기 위한 개념도이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 차량의 데이터로부터 부품 노후화 패턴을 분석하여 차량의 고장을 예측하는 시스템(10)은 차량별 운행기록, 고장내역 및 운행조건이나 운행상태를 수집하는 차량 데이터 수집부(100), 상기 수집한 데이터를 바탕으로 각 차량의 특정 부품에 대한 고장이 발생한 시점을 학습하여 노후화 패턴을 학습하는 학습모델을 생성하는 학습모델 생성부(200) 및 상기 생성된 학습모델에 특정 차량에서 수집된 데이터를 적용하여 상기 특정 차량의 각 부품에 대한 노후화 정도를 예측하고, 해당 예측결과를 토대로 각 부품의 고장을 예측하는 고장 예측부(300)를 포함한다.
여기서 상기 학습모델을 통해서 학습하는 것은, 상기 차량의 데이터로부터 부품 노후화 패턴이다.
먼저 상기 차량 데이터 수집부(100)는 차량별 운행기록, 고장내역 및 운행조건이나 운행상태를 수집하는데, 차량별 운행기록, 고장내역 및 운행조건이나 운행상태는 OBD(On Board Diagnostic)에 의해서 수집될 수 있다. 또한 차량에서 수집되는 다양한 정보가 CAN(Car Access Network)을 통해서 수집될 수 있으며, 그 밖의 차량에 사용되는 이더넷 기반의 통신을 통해서도 수집될 수 있음이 당연하다.
차량에 부착된 각종 센서, 유량, 속도, 거리 및 차량의 유지보수 정보를 포함하여 전반적인 차량에서 수집될 수 있는 정보를 포함하며, 또한 차량이 운행되고 있는 조건, 즉 날씨, 기온, 습도 등과 같은 환경정보와 차량이 운행되는 운전자의 운전 습관에 대해서도 수집될 수 있다. 예컨대 차량을 운전하는 운전자의 연령과 성별에 따라 차량의 상태가 상이하고, 또한 차량이 주로 주차되어 있는 장소가 지하 주차장과 같은 실내환경 인지 실외환경인지가 변수가 될 수 있다.
또한 차량의 사고율과 사고의 경중에 대한 정보도 각 부품의 노후화 정도에 영향을 미치므로, 이러한 정보를 포함한 차량의 운행조건 및 운행상태에 대한 정보가 가능한 많이 수집될수록 부품의 노후화와 고장에 대한 더욱 정밀한 예측이 가능하다.
또한 상기 학습모델 생성부(200)는 상기 수집한 데이터를 바탕으로 각 차량의 특정 부품에 대한 고장이 발생한 시점을 학습하여 각 부품에 대한 노후화 패턴을 학습한 학습모델을 생성한다.
상기 학습모델의 생성에 대해서는 이하에서 도 2를 참조하여 별도로 자세히 설명하도록 한다. 상기 수집한 데이터는 별도의 서버로 전송되어 상기 서버에서 인공지능에 의한 딥러닝 기계학습을 수행하여 학습모델을 생성할 수 있다.
도 2는 본 발명의 차량의 데이터로부터 부품 노후화 패턴을 분석하여 차량의 고장을 예측하는 시스템 및 그 방법을 설명하기 위한 구체적인 일 실시예를 나타낸 도면이다.
도 2에 도시된 바와 같이, 본 발명의 일 실시예에 따른 차량의 데이터로부터 부품 노후화 패턴을 분석하여 차량의 고장을 예측하는 시스템은 먼저 각 차량에서 수집된 데이터를 토대로 학습을 수행하고, 학습을 수행한 결과 각 부품의 노후화 함수(f(x))를 추출하게 된다.
예컨대 학습 데이터로 배터리에 대한 정보가 입력된다면, 해당 입력신호를 시계열적으로 학습한 결과는 출력신호로 수명에 대한 시간정보가 출력될 수 있다. 출력된 시간 정보는 각 부품(예: 배터리)에 대한 노후화에 대한 정보가 된다.
이러한 시간의 변화에 따른 노후화 정도가 다양한 입력조건(예: 배터리 평균전압, 배터리 잔량, 외기 온도, 배터리 온도, 충전 전류량, 배터리 전압 완충시간, 배터리 사용기간, 등)에 따라 배터리의 노후화에 대한 함수를 도출하게 되는데, 이렇게 도출된 함수는 특정 패턴을 보이게 된다.
따라서 특정 차량의 배터리와 관련한 정보가 입력되면, 이를 입력 데이터로 하여 해당 배터리의 노후화 정도가 시간정보로 출력되고, 이를 토대로 배터리의 노후화 정도를 예측할 수 있으며, 또한 고장여부에 대해서도 판단이 가능하게 된다.
본 발명에 따른 구체적인 학습과정에 대해서는 다범주 분류 심층 신경망(Multi-Input Multi-Output Multi-Layered Deep Neural Network)을 제시하며, 이에 대해서는 도 3을 참조하여 설명하도록 한다.
도 3은 본 발명의 일 실시예에 따른 다범주 분류 심층 신경망에 대한 구체적인 내용을 설명하기 위한 도면이다.
도 3a에 도시된 바와 같이, 다범주 분류 심층 신경망은 다양한 복수의 자동차 모델에 대해서 학습을 개별적으로 학습을 수행하여, 해당 모델에 대한 특정 부품의 노후화에 대한 패턴을 도출할 수 있도록 한다. 자동차 모델마다 부품이 상이할 수 있으며, 또한 부품의 위치가 상이하고, 또한 다른 부품과의 상호 작용도 미미하게 차이가 날 수 있다, 이러한 부품의 차이를 각 모델 간에 혼용하여 학습하는 것에 비해서 각 모델마다 별도로 학습할 필요가 있다. 물론 특정 부품에 대해서는 차량의 모델과 상관없이 차량의 외향적인 조건(예: 배기량 등)만 동일하면 모델간의 차이가 없을 수도 있는데, 이 경우는 별도로 공통적인 범주로 취급하여 학습할 수 있다.
상기 공통적인 범주에 속하는 부분을 별도로 도출하여 학습모델을 더욱 다양하고 효과적으로 구성할 수 있는 것이 본 발명의 특징 중 하나이다. 즉, 공통 범주를 정의한 각 모델별 다범주 분류를 통한 심층 신경망을 구축할 수 있다.
도 3b에 도시된 바와 같이, 발명의 일 실시예에 따른 다범주 분류 심층 신경망에 대한 구체적인 구성은 복수의 입력층, 은닉층, 및 출력층으로 구성된다. 먼저 입력층으로 입력되는 데이터는 정규화될 수 있으며, 사이즈가 미리 지정(예: 7)될 수 있다. 이렇게 지정된 사이즈의 입력층에서 은닉층으로 진행할 때, 활성화 함수를 적용하는데, 예를 들어 Sigmoid, ReLU 등이 활용된다. 출력노드에 대한 활성화 함수는 Softmax를 사용하도록 한다. 물론 상기 활성화 함수의 종류는 한정되지 아니한다. 은닉층에서 학습하는 과정에서 학습속도(learning rate)를 지정할 수 있으며, 학습과정에서 오버피팅이 일어날 수 있는데, 오버피팅은 너무 많이 학습해서 학습 데이터에 대한 에러는 매우 줄어들지만 문제에 대한 일반성이 떨어지는 경우이므로, weight decay를 통해 이를 조정한다.
아울러 손실함수는 MSE(Mean Square Error) 또는 CEE(Cross Entropy Error)를 사용하여 에러가 최소화되도록 학습하도록 한다.
이러한 과정을 통해서 도출되는 것이 각 부품별 노후화를 예측하기 위한 학습된 함수이다. 도 3b의 각 노드에서 수행되는 연산은 도 3c에 나타나 있는 것처럼 이전 노드에 네트워크의 가중치가 적용되고, 이어서 활성함수를 적용하는 것이다. 여기서 가중치는 역전파(back propagation)에 의해서 각 노드간의 미분차 만큼 조정될 수 있으며, 이를 통해서 학습모델이 더욱 강화될 수 있다.
본 발명에서는 순방향 학습에 더하여 역방향 전파를 통한 역방향 학습을 더 수행하고 이는 학습결과를 더욱 강화하는 역할을 한다.
도 4는 본 발명의 일 실시예에 따른 다범주 분류 심층 신경망에 대한 구체적인 동작을 설명하기 위한 도면이다.
도 4a에 도시된 바와 같이, 특정 부품에 대해서 본 발명의 일 실시예에 따른 다범주 분류 심층 신경망에 대한 학습방법은 먼저 ① 부품별 신경망 구조에 대한 메타데이터를 마련한다. 이어서 ② 부품별 학습데이터와 ③ 테스트 데이터를 생성한다. 다음으로 부품별 신경망구조 메타데이터와 학습데이터 및 테스트 데이터를 다범주 분류 심층 신경망에 입력하고 학습을 수행한다. 그 결과 ④ 부품별 신경망 학습모델이 출력된다. 이렇게 각 부품별로 신경망 학습모델이 생성된다.
또한 도 4b에 도시된 바와 같이, 본 발명에 따른 다범주 분류 심층 신경망에서 차량(자동차)에 대한 각 모델별로 부품을 운영하는 데이터베이스를 구비하여야 하는데, 모델별 부품에 대한 저장소를 개별적으로 구비하고 있어야 함을 나타내고 있다.
도 5는 본 발명의 일 실시예에 따른 다범주 분류 심층 신경망에서 학습의 정확성, 범용 적합성, 및 학습속도에 따라 활성화 함수, 손실함수 등을 적용하여 설계한 예시도이다.
도 5a 내지 도 5d에 도시된 바와 같이, 본 발명의 일 실시예에 따른 다범주 분류 심층 신경망은 학습의 정확성, 범용 적합성, 및 학습속도에 대한 시행착오(trade-off)가 있다.
즉, 학습의 정확도와 학습속도 및 범용성이 높은 쪽으로 학습모델의 파라미터를 적용해 나가는 것이 바람직하다. 예를 들어, 학습의 정확도 측면에서 활성화 함수는 Sigmoid, ReLU, Softmax가 적합하고, 손실함수를 MSE, CEE를 적용할 수 있는데, 범용성을 위해서는 오버피팅을 제어할 수 있는 Weight decay가 적용될 필요가 있다. 학습속도에는 ReLU 및 CEE가 우수한 결과를 얻는 것으로 파악되었다.
그밖에 가중치 초기화, 가중치 갱신값 계산, 가중치 최적화에 대한 적용기법이 학습 정확도와 학습속도에 대해서 평가되었다.
또한 신경망에 대한 구조가 도출되었으며, 학습성능변수에 대해서도 도출되었다. 본 발명에서는 이러한 학습의 정확도, 학습속도, 및 범용 적합성에 대해서 평가한 결과를 예시적으로 제시하였으며, 이 결과는 충분히 변경될 수 있으므로, 본 발명의 청구범위를 한정하는 요소로 작용되어서는 아니 된다.
이처럼, 본 발명은 인공지능 기계학습을 통해서 차량별 운행기록과 고장내역을 바탕으로 고장의 발생시점에 대한 각 부품의 노후화 패턴을 분석하고, 상기 생성한 학습모델에 특정 차량에서 수집된 데이터를 입력하여 해당 차량의 고장을 예측함으로써, 특정 차량의 과거 운행기록을 통해서 미래에 다가올 고장을 예측할 수 있으며. 이를 통해서 불측의 사고를 미연에 방지할 수 있는 효과가 있다.
이상으로 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 기술적 보호범위는 아래의 특허청구범위에 의해서 판단되어야 할 것이다.
100 : 데이터 수집부 200 : 학습모델 생성부
300 : 고장 예측부 310 : 부품 노후화 패턴 예측부
320 : 부품 고장 예측부 10 : 고장 예측 시스템

Claims (10)

  1. 차량별 운행기록, 고장내역 및 운행조건이나 운행상태를 수집하는 차량 데이터 수집부;
    상기 수집한 데이터를 바탕으로 각 차량의 특정 부품에 대한 고장이 발생한 시점을 학습하여 학습모델을 생성하는 학습모델 생성부; 및
    상기 생성된 학습모델에 특정 차량에서 수집된 데이터를 적용하여 상기 특정 차량의 각 부품에 대한 고장을 예측하는 고장 예측부;를 포함하며,
    상기 학습모델을 통해서 학습하는 것은, 상기 차량의 데이터로부터 부품 노후화 패턴을 학습하는 것을 특징으로 하는 차량의 고장을 예측하는 시스템.
  2. 청구항 1에 있어서,
    상기 학습모델은,
    상기 각 차량에서 수집한 데이터를 토대로 딥러닝에 의한 기계학습을 통해서 각 부품의 고장시점에 대한 학습을 수행하고, 각 딥러닝에 의한 노드들의 파라미터를 생성하여 해당 부품의 노후화 패턴에 대한 함수를 추출하는 것을 포함하는 것을 특징으로 하는 차량의 고장을 예측하는 시스템.
  3. 청구항 2에 있어서,
    상기 각 부품에 대한 고장을 예측하는 것은,
    상기 추출한 함수에 특정 차량에서 수집한 데이터를 적용할 경우, 추출되는 고장시점에 대한 정보를 토대로 해당 부품의 노후화 정도를 판단함으로써, 고장여부를 미리 예측하는 것을 특징으로 하는 차량의 고장을 예측하는 시스템.
  4. 청구항 2에 있어서,
    상기 학습모델은,
    다범주 분류 심층 신경망(Multi-Input Multi-Output Multi-Layered Deep Neural Network)인 것을 특징으로 하는 차량의 고장을 예측하는 시스템.
  5. 청구항 4에 있어서,
    상기 학습모델에 사용되는 활성화 함수는 Sigmoid, ReLU, Softmax 또는 이들의 조합을 포함하며,
    손실함수는 MSE(Mean Square Error), CEE(Cross Entropy Error) 또는 이들의 조합을 포함하는 것을 특징으로 하는 차량의 고장을 예측하는 시스템.
  6. 차량별 운행기록, 고장내역 및 운행조건이나 운행상태를 수집하는 차량 데이터 수집 단계;
    상기 수집한 데이터를 바탕으로 각 차량의 특정 부품에 대한 고장이 발생한 시점을 학습하여 학습모델을 생성하는 학습모델 생성 단계; 및
    상기 생성된 학습모델에 특정 차량에서 수집된 데이터를 적용하여 상기 특정 차량의 각 부품에 대한 고장을 예측하는 고장 예측 단계;를 포함하며,
    상기 학습모델을 통해서 학습하는 것은, 상기 차량의 데이터로부터 부품 노후화 패턴을 학습하는 것을 특징으로 하는 차량의 고장을 예측하는 방법.
  7. 청구항 6에 있어서,
    상기 학습모델은,
    상기 각 차량에서 수집한 데이터를 토대로 딥러닝에 의한 기계학습을 통해서 각 부품의 고장시점에 대한 학습을 수행하고, 각 딥러닝에 의한 노드들의 파라미터를 생성하여 해당 부품의 노후화 패턴에 대한 함수를 추출하는 것을 포함하는 것을 특징으로 하는 차량의 고장을 예측하는 방법.
  8. 청구항 7에 있어서,
    상기 각 부품에 대한 고장을 예측하는 것은,
    상기 추출한 함수에 특정 차량에서 수집한 데이터를 적용할 경우, 추출되는 고장시점에 대한 정보를 토대로 해당 부품의 노후화 정도를 판단함으로써, 고장여부를 미리 예측하는 것을 특징으로 하는 차량의 고장을 예측하는 방법.
  9. 청구항 7에 있어서,
    상기 학습모델은,
    다범주 분류 심층 신경망(Multi-Input Multi-Output Multi-Layered Deep Neural Network)인 것을 특징으로 하는 차량의 고장을 예측하는 방법.
  10. 청구항 9에 있어서,
    상기 학습모델에 사용되는 활성화 함수는 Sigmoid, ReLU, Softmax 또는 이들의 조합을 포함하며,
    손실함수는 MSE(Mean Square Error), CEE(Cross Entropy Error) 또는 이들의 조합을 포함하는 것을 특징으로 하는 차량의 고장을 예측하는 방법.
KR1020170172566A 2017-12-14 2017-12-14 차량의 데이터로부터 부품 노후화 패턴을 분석하여 차량의 고장을 예측하는 시스템 및 그 방법 KR20190078705A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170172566A KR20190078705A (ko) 2017-12-14 2017-12-14 차량의 데이터로부터 부품 노후화 패턴을 분석하여 차량의 고장을 예측하는 시스템 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170172566A KR20190078705A (ko) 2017-12-14 2017-12-14 차량의 데이터로부터 부품 노후화 패턴을 분석하여 차량의 고장을 예측하는 시스템 및 그 방법

Publications (1)

Publication Number Publication Date
KR20190078705A true KR20190078705A (ko) 2019-07-05

Family

ID=67225406

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170172566A KR20190078705A (ko) 2017-12-14 2017-12-14 차량의 데이터로부터 부품 노후화 패턴을 분석하여 차량의 고장을 예측하는 시스템 및 그 방법

Country Status (1)

Country Link
KR (1) KR20190078705A (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102159817B1 (ko) * 2020-03-30 2020-09-24 주식회사 대건소프트 딥러닝을 통한 에너지저장장치 운영 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램
KR102204199B1 (ko) * 2019-08-28 2021-01-18 주식회사 엔제로 자율주행 대중버스에 대한 차량 고장 진단 및 예측 방법
KR102225923B1 (ko) 2019-09-19 2021-03-09 이도현 차량용 스마트 휠캡을 이용한 빅데이터 및 머신러닝 기술을 활용한 타이어 마모 예측 시스템
KR102295427B1 (ko) * 2020-07-16 2021-08-31 센툼팩토리얼 주식회사 OBD(On Board Diagnostics) 장치를 통해 수집된 데이터 기반의 차량 상태 감지방법 및 시스템
CN113448306A (zh) * 2020-03-26 2021-09-28 本田技研工业株式会社 车辆诊断装置以及车辆诊断系统
US11353861B2 (en) 2020-05-04 2022-06-07 Toyota Motor Engineering & Manufacturing North America, Inc. Autoencoder utilizing vehicle contextual information

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102204199B1 (ko) * 2019-08-28 2021-01-18 주식회사 엔제로 자율주행 대중버스에 대한 차량 고장 진단 및 예측 방법
KR102225923B1 (ko) 2019-09-19 2021-03-09 이도현 차량용 스마트 휠캡을 이용한 빅데이터 및 머신러닝 기술을 활용한 타이어 마모 예측 시스템
CN113448306A (zh) * 2020-03-26 2021-09-28 本田技研工业株式会社 车辆诊断装置以及车辆诊断系统
KR102159817B1 (ko) * 2020-03-30 2020-09-24 주식회사 대건소프트 딥러닝을 통한 에너지저장장치 운영 방법, 이를 구현하기 위한 프로그램이 저장된 기록매체 및 이를 구현하기 위해 매체에 저장된 컴퓨터프로그램
US11353861B2 (en) 2020-05-04 2022-06-07 Toyota Motor Engineering & Manufacturing North America, Inc. Autoencoder utilizing vehicle contextual information
KR102295427B1 (ko) * 2020-07-16 2021-08-31 센툼팩토리얼 주식회사 OBD(On Board Diagnostics) 장치를 통해 수집된 데이터 기반의 차량 상태 감지방법 및 시스템

Similar Documents

Publication Publication Date Title
KR20190078705A (ko) 차량의 데이터로부터 부품 노후화 패턴을 분석하여 차량의 고장을 예측하는 시스템 및 그 방법
US10891406B2 (en) Prediction methods and systems for structural repair during heavy maintenance of aircraft
Zhao et al. Remaining useful life prediction of aircraft engine based on degradation pattern learning
Hong et al. Synchronous multi-parameter prediction of battery systems on electric vehicles using long short-term memory networks
US8306931B1 (en) Detecting, classifying, and tracking abnormal data in a data stream
Byttner et al. Consensus self-organized models for fault detection (COSMO)
US11989983B2 (en) Deep learning of fault detection in onboard automobile systems
Bergmiller Towards functional safety in drive-by-wire vehicles
US20230039073A1 (en) Sensor fault prediction method and apparatus
US20220101666A1 (en) Method and Apparatus for Determining a Residual Service Life based on a Predictive Diagnosis of Components of an Electric Drive System Using Artificial Intelligence Techniques
CN105487009A (zh) 基于k均值的RBF神经网络算法的电机故障诊断方法
CN116610092A (zh) 用于车辆分析的方法和系统
CN112417766B (zh) 一种以无故障数据为主的故障诊断方法
CN113660137A (zh) 车载网络故障检测方法、装置、可读存储介质及电子设备
CN111079348B (zh) 一种缓变信号检测方法和装置
KR102185737B1 (ko) 도로 상태 예측 시스템 및 예측 방법
Nieto González Vehicle fault detection and diagnosis combining an AANN and multiclass SVM
CN104216397B (zh) 智能驱动桥系统故障识别与检测的方法
Liu et al. A divide and conquer approach to anomaly detection, localization and diagnosis
CN111797944A (zh) 一种车门异常诊断方法及装置
CN114298213A (zh) 基于多维特征向量和分类模型的卫通设备故障诊断方法
Wu et al. Understand how CNN diagnoses faults with Grad-CAM
Maroli et al. A Framework for Automated Collaborative Fault Detection in Large-Scale Vehicle Networks
Wang et al. Complex equipment diagnostic reasoning based on neural network algorithm
Alizadeh et al. Abnormal state detection with hybrid ARIMA-WANN in large scale time series vehicle operating data