KR20200104362A

KR20200104362A - 차량 고장 경고 시스템 및 대응하는 차량 고장 경고 방법

Info

Publication number: KR20200104362A
Application number: KR1020207021609A
Authority: KR
Inventors: 지아오윤 장
Original assignee: 로베르트 보쉬 게엠베하
Priority date: 2018-01-19
Filing date: 2018-11-22
Publication date: 2020-09-03
Also published as: JP2021511005A; EP3740405A1; CN110059325A; WO2019141411A1; EP3740405B1; US20210065481A1; JP7315562B2; CN110059325B

Abstract

본 발명은 차량 고장 경고 시스템(2)에 관한 것이며, 여기서, 상기 차량 고장 경고 시스템(2)은 복수의 차량들과 통신 접속하고 차량의 임박한 고장을 경고할 수 있다. 차량 고장 경고 시스템(2)은 데이터 클러스터를 형성하기 위해 시간 범위 내에서 복수의 차량들로부터 차량 데이터를 수집하도록 구성된 데이터 수집 모듈(15); 생성될 고장 예측 모델의 특성들에 기초한 상기 데이터 클러스터로부터 데이터를 선별하도록 구성된 데이터 선별 모듈(18); 빅-데이터 처리 알고리즘을 사용하여 상기 선별된 데이터로부터, 차량 고장을 예측하기 위해 고장 예측 모델을 구축하도록 구성된, 예측 모델 생성 모듈(16); 및 상기 고장 예측 모델이 호출되고 실시간 차량 데이터에 기초하는 상황에서, 상기 차량내에 임박한 고장이 있는지를 예측하도록 구성된 고장 예측 모듈(17)을 포함한다. 본 발명은 또한 대응하는 차량 고장 경고 방법에 관한 것이다.

Description

차량 고장 경고 시스템 및 대응하는 차량 고장 경고 방법

본 발명은 차량 고장 경고 시스템에 관한 것이다. 본 발명은 또한 대응하는 차량 고장 경고 방법에 관한 것이다.

컴퓨터 및 네트워크 기술의 급속한 발전으로, 차량 인터넷 기술의 개발과 응용이 크게 촉진되어 왔다. 현재, 차량 인터넷 기술은 지리적 위치, 속도, 도로 상태 등 차량 정보를 수집함으로써 차량을 연결해 거대한 인터랙티브 네트워크를 형성할 수 있다.

이러한 차량 네트워크에서 차량 고장들에 대한 온라인 모니터링과 진단이 허용되어 왔지만, 선행기술에서 기존의 원격 모니터링과 진단은 후향적이고 느린 경우가 많다.

"후향적(retrospective)"이라는 단어는 선행기술의 원격 모니터링 및 진단 수단이 일반적으로 차량 고장이 실제로 발생한 후에 고장 발생을 결정하므로, 고장이 발생해야만 고장을 진단하고 유지보수 제안을 제공할 수 있다는 사실을 의미한다. 이러한 "후향적" 방식은 종종 차량의 상태가 완전히 인식되지 않은 상태로 특정 문제, 즉 "서브-헬씨(sub-healthy)" 상태로부터 차량 고장, 즉, 되돌릴 수 없는 손상으로 인해 "언헬씨(un-healthy)" 상태로 직접 발전하는 상황을 초래하는데, 이는 복잡하고 비용이 많이 드는 진단 및 유지 보수 작업과 관련이 있을 뿐만 아니라, 사용자가 전혀 의식하지 못한 채 언제든지 고장이 날 수 있는 "서브-헬씨" 차량을 운전하게 되는데, 이 차는 도로변 붕괴의 위험이 있을 뿐만 아니라 심지어 생명을 위협할 수도 있다.

"느린(sluggish)"이라는 단어는 선행기술의 원격 모니터링 및 진단 시스템이 일반적으로 차량 제조업체 또는 관련 제조업체들에 의해 제공되고 있으며, 이러한 시스템은 보수적이고 포괄적이며 데이터 업데이트가 느린 경향이 있어 이러한 원격 모니터링 및 진단 시스템이 민첩하고 즉각적이며 신뢰할 수 있고 정확한 방식으로 차량 고장들을 발견할 수 없다는 것을 의미한다.

따라서, 본 발명의 목적은 고장이 발생하기 전에 차량에서 임박한 고장을 정확하고 즉각적으로 예측할 수 있는 "선제적인(pre-emptive)" 차량 고장 경고 시스템 및 차량 고장 경고 방법을 제공하는 것이며, 이러한 차량 고장 경고 시스템 및 방법은 관련 직원이 고장 발생 이전 및 차량의 가능한 문제들에 관해 개입할 수 있게 하며, 이로써, 유지보수의 비용과 복잡성이 감소될 뿐만 아니라, 차량의 상태의 작은 문제가 있는 것에서 큰 위험과 문제가 있는 차량 고장으로 발전하는 경우를 피할 수 있게 된다.

상기 목적은 복수의 차량들과 통신 접속 상태로 있고 차량들의 긴박한 고장을 경고할 수 있는 차량 고장 경고 시스템에 의해 달성되며, 이 차량 고장 경고 시스템은

- 데이터 수집 모듈로서, 데이터 클러스터를 형성하기 위해 시간 범위 내에서 복수의 차량들로부터 차량 데이터를 수집하도록 구성된, 상기 데이터 수집 모듈;

- 데이터 선별 모듈로서, 생성될 고장 예측 모델의 특성들에 기초한 상기 데이터 클러스터로부터 데이터를 선별하도록 구성된, 상기 데이터 선별 모듈;

- 예측 모델 생성 모듈로서, 빅-데이터 처리 알고리즘을 사용하여 상기 데이터 선별 모듈에 의해 선별된 데이터로부터, 차량 고장을 예측하기 위해 상기 고장 예측 모델을 구축하도록 구성되는, 상기 예측 모델 생성 모듈; 및

- 고장 예측 모듈로서, 상기 고장 예측 모델이 호출되고 실시간 차량 데이터에 기초하는 상황에서, 상기 차량내에 임박한 고장이 있는지를 예측하고, 상기 차량내에 임박한 고장이 있음을 예측할 때 경고를 발령하도록 구성된, 상기 고장 예측 모듈을 포함한다.

본 발명의 양호한 실시예에 따라, 고장 예측 모델은 헬씨 차량들(healthy vehicles)의 데이터로부터 구축되고 상기 헬씨 차량들의 작동 상태를 설명하기 위해 사용되는, 제 1 유형의 모델이며; 또는 상기 고장 예측 모델은 고장이 임박한 차량들의 데이터로부터 구축되고 고장이 임박한 상기 차량들의 작동 상태를 설명하기 위해 사용되는, 제 2 유형의 모델이다.

본 발명의 또다른 양호한 실시예에 따라, 상기 고장 예측 모델은 특정 고장 매개변수와 상기 고장 매개변수에 대한 적어도 하나의 영향 매개변수 사이의 수학 함수로서 표현된다.

본 발명의 또다른 양호한 실시예에 따라, 상기 고장 예측 모듈은 차량내에 임박한 고장이 있는지의 여부를 분석할 때, 상기 적어도 하나의 영향 매개변수의 실시간 측정값을 상기 수학 함수에 치환하여 상기 고장 매개변수의 추정된 값을 계산하며; 상기 고장 매개변수의 상기 추정된 값과 상기 매개변수에 대응하는 실시간 측정값을 비교함으로써 상기 현재 차량내에 임박한 고장이 있는지를 결정하도록 추가로 구성된다.

본 발명의 또다른 양호한 실시예에 따라, 상기 고장 예측 모듈은 상기 제 1 유형의 모델이 호출되는 상황에서, 상기 고장 매개변수의 상기 추정된 값과 상기 고장 매개변수에 대응하는 상기 실시간 측정값 사이의 편차가 사전 설정된 범위를 초과한다면, 상기 고장 매개변수에 의해 특징지어진 고장이 상기 차량내에 임박함을 나타내고; 상기 제 2 유형의 모델이 호출되는 상황에서, 상기 고장 매개변수의 상기 추정된 값과 상기 고장 매개변수에 대응하는 상기 실시간 측정값 사이의 편차가 사전 설정된 범위내에 있다면, 상기 고장 매개변수에 의해 표현된 상기 고장이 상기 차량내에 임박함을 나타내도록 추가로 구성된다.

상기 목적은 또한 차량 고장 경고 방법에 의해 실현되며, 상기 방법은,

a) 데이터 클러스터를 형성하기 위해 시간 범위내에서 복수의 차량들로부터 차량 데이터를 수집하는 단계;

b) 생성될 고장 예측 모델의 특성들에 기초하여 상기 데이터 클러스터로부터 데이터를 선별하는 단계;

c) 빅-데이터 처리 알고리즘을 사용하여 상기 선별된 데이터로부터, 차량 고장을 예측하기 위한 상기 고장 예측 모델을 구축하는 단계;

d) 상기 고장 예측 모델 및 실시간 차량 데이터에 기초하여, 차량내에 임박한 고장이 있는지의 여부를 예측하는 단계; 및

e) 상기 차량내에 임박한 고장이 있음을 예측할 때 경고를 발령하는 단계를 포함한다.

본 발명의 양호한 실시예에 따라, 상기 단계 b)는 다음과 같이 구현된다. 즉, 상기 데이터 클러스터로부터 선별된 데이터는, 헬씨 차량들의 작동 상태를 설명하기 위한 제 1 유형의 모델을 구축 가능하게 하는 헬씨 차량들의 데이터이거나, 고장이 임박한 차량들의 작동 상태를 설명하기 위한 제 2 유형의 모델을 구축 가능하게 하는 고장 임박한 차량들의 데이터이다,

본 발명의 또다른 양호한 실시예에 따라, 단계 c)는 상기 고장 예측 모델을, 특정 고장 매개변수와 상기 고장 매개변수에 대한 적어도 하나의 영향 매개변수 사이의 수학 함수로서 표현하는 것에 의해 구현된다.

본 발명의 또다른 양호한 실시예에 따라, 단계 d)는 상기 고장 매개변수의 추정된 값을 계산하기 위해 상기 적어도 하나의 영향 매개변수의 실시간 측정값을 수학 함수에 치환하고, 상기 고장 매개변수의 상기 추정된 값을 상기 고장 매개변수에 대응하는 상기 실시간 측정값과 비교하고; 상기 제 1 유형의 모델이 사용되는 상황에서, 상기 고장 매개변수의 상기 추정된 값과 상기 고장 매개변수에 대응하는 상기 실시간 측정값 사이의 편차가 사전 설정된 범위를 초과한다면, 상기 고장 매개변수에 의해 표현된 상기 고장이 상기 차량내에 임박함을 나타내고; 상기 제 2 유형의 모델이 사용되는 상황에서, 상기 고장 매개변수의 상기 추정된 값과 상기 고장 매개변수에 대응하는 상기 실시간 측정값 사이의 편차가 사전 설정된 범위내에 있다면, 상기 고장 매개변수에 의해 표현된 고장이 상기 차량내에 임박함을 나타내는 것에 의해 구현된다.

본 발명의 또다른 양호한 실시예에 따라, 다음 단계는 단계 c)후와 단계 d)전에 추가로 실행되는데, 즉, 상기 고장 예측 모델 구축에 사용되지 않은 차량 데이터를 사용하여 상기 고장 예측 모델을 검증하고, 상기 검증이 요건들을 충족하지 못할 경우 상기 고장 예측 모델을 조정하는 단계가 추가로 실행된다.

본 발명의 특성들 및 이점들은 첨부 도면을 참조하여 일부 예시적인 바람직한 실시예들의 후술된 설명을 읽음으로써 더 잘 이해된다.
도 1은 본 발명에 따른 차량 고장 경고 시스템의 개략적인 블록도.
도 2는 본 발명에 따른 차량용 전기 구동 시스템의 개략적인 블록도.
도 3은 본 발명에 따른 차량 고장 경고 시스템의 개략적인 구조 블록도.
도 4는 본 발명에 따른 차량 고장 경고 시스템의 작동 흐름도.
도 5는 본 발명에 따른 제 1 실시예의 차량 고장 경고 방법의 흐름도.
도 6은 본 발명에 따른 제 2 실시예의 차량 고장 경고 방법의 흐름도.

본 출원에서, 동일 참조 부호들은 동일하거나 유사한 구성요소들 또는 소자들을 가리킨다.

도 1은 본 발명의 기본 아이디어에 기초하여 구성된 차량 고장 경고 시스템(1)의 개략적인 블록도를 보여준다. 도 1에 도시된 대로, 본 발명에 따른 차량 고장 경고 시스템은 차량 고장 경고 시스템(2)과 차량 고장 경고 시스템과 통신하는 복수의 차량 고장 경고 시스템(3-1, 3-2, ..., 3-n)을 포함하며, 여기서, 복수의 차량들은 필요한 데이터 전송을 수행하기 위해 상호간에 쌍으로 통신할 수도 있다.

하나의 특정한 실시예에서, 차량은 차량 고장 경고 시스템(2)과 직접 통신하지 않을 수 있지만, 또다른 차량을 중계 스테이션으로 대신 사용하여 차량 고장 경고 시스템(2)에 데이터를 간접적으로 전송한다. 또한, 동일한 차량 고장 경고 시스템과 통신하는 차량들은 임의의 차량일 수 있으며, 동일한 엔진 모델과 같이 동일한 식별을 갖는 차량들에 한정되지 않는다. 차량의 종류도 제한되지 않으며, 전기 차량, 하이브리드 차량 또는 재래식 연료 구동 차량일 수 있다. 이하, 본 발명에 따른 차량 고장 경고 시스템(1)의 레이아웃과 작업 모드는 전기 구동 시스템을 예로 들어 자세히 설명될 것이다.

따라서, 차량 고장 경고 시스템(2)과 복수의 차량들(3-1, 3-2, ..., 및 3-n)은 직접 또는 간접적으로 통신 접속하여, 지리적 및 시간적 제약을 극복하는 네트워킹된 차량 고장 경고 시스템을 공동으로 구축한다.

도 2는 본 발명에 따른 차량용 전기 구동 시스템(4)의 개략적인 블록도를 보여준다. 여기서, 전기 구동 시스템(4)은 차량 고장 경고 시스템(2)에 의해 모니터링되고 경고받는 물체이다. 전기 구동 시스템(4)은 주로 배터리 관리 시스템(BMS)과 배터리 어셈블리를 갖춘 배터리 시스템(6), 배터리 시스템(6)에 의해 구동된 모터(7), 배터리 시스템(6)과 모터(7) 사이에 위치된 인버터(8), 모터(7)에 의해 생성된 토크를 단자 부하(11), 예를 들어 휠에 전달하고 기어 어셈블리와 변속 제어 유닛(TCU)을 포함하는 변속기(9), 및 전기 구동 시스템(4)의 작동을 제어하기 위한 제어 유닛(5)을 구비한다. 제어 유닛(5)은 차량 통신 모듈(14)을 포함하며, 차량 내부에서 차량 통신 모듈은 전기 구동 시스템(4)의 구성 요소들, 특히 배터리 관리 시스템, 인버터(8), 모터(7), 변속 제어 유닛, 및 필요시 제공된 다양한 센서들(10)(휠 속도 센서들과 같은)과 통신하여, 이들 구성 요소들로부터 정보를 수집한다. 수집된 정보는 모터 속도, 모터 온도, 기어박스 온도, 배터리 어셈블리 온도, 관련 부품들의 전류 및 전압 등으로 구성되지만 이에 한정되지는 않는다. 또한, 차량 외부에서, 차량 통신 모듈(14)은 상기 차량 고장 경고 시스템(2)과 통신하여, 수집된 차량 데이터, 그 처리에 의해 발생된 데이터, 또는 다른 데이터, 예를 들어, GPS 정보, 차량 ID, 전기 구동 시스템 ID 등을 차량 고장 경고 시스템(2)에 전송한다.

도 3은 본 발명에 따른 차량 고장 경고 시스템(2)의 개략적인 구조 블록도를 보여준다. 차량 고장 경고 시스템(2)의 아키텍처가 도 3과 함께 자세히 설명되기 전에, 먼저, 본 발명은 임박하지만 아직 발생하지 않은 차량 고장을 발견한 후 경고를 발령하는 "선제적인" 차량 고장 경고 시스템에 관한 것임이 설명되어야 한다. 이 기술적 아이디어의 실현가능성은 다음과 같은 사실에 근거한다: 차량은 한 가지 또는 일부 구성요소들의 문제가 고장으로 발전하기 전에 개발 과정을 거치게 되며, 개발 과정의 차량(즉, 소위 "서브-헬씨" 상태에서)은 "헬씨" 차량의 매개변수들과는 다른 매개변수를 나타내며, 전자의 매개변수들은 시간이 지남에 따라 "헬씨" 매개변수에서 점점 벗어나는 방향으로 발전할 것이다. 따라서, 이러한 매개변수들의 차별화 및 개발 경향은 "서브-헬씨" 차량을 식별하여 선제적인 고장 경고를 달성할 수 있는 가능성을 제공한다.

이러한 고장 발전 과정을 더욱 잘 설명하기 위해, 모터의 과열을 예로 들어 추가 설명을 제공한다. 우선, 심각한 베어링 마모 등 모터의 특정 구성요소에 문제가 있어 모터의 설계 요건들이 충족될 수 없으며, 이때, 모터는 "헬씨" 상태에서 "서브-헬씨" 상태로 바뀐다. 그러나 이러한 문제 자체는 확인하기 어렵고, 초기에는 모터 고장을 일으키지 않는다. 베어링 마모 정도가 증가하고 모터가 설계 요건들을 충족하지 않는 상태에서 계속 작동함에 따라, 모터의 온도 상승은 정격 온도 상승을 초과하여 베어링 파손을 일으킬 때까지 점점 증가하게 되며, 이때 모터는 "서브-헬씨" 상태에서 "언헬씨" 상태로 변하게 된다. 본 발명에 의해 달성되는 것은 아직 과열되어 보이지는 않았지만 과열을 유발하는 경향이 있는 그러한 서브-헬씨 상태를 파악하여, 과열 경고를 발령하고 관련 직원에게 문제가 발생한 모터에 대해 필요한 점검과 유지보수를 하도록 촉구할 수 있는 것이다. 이로써 과열 및 과열에 의해 야기된 더욱 심각한 결과들 및 위험들이 방지된다.

이러한 목적을 달성하기 위해, 본 발명에 따른 고장 경고 달성을 위한 차량 고장 경고 시스템(2)은 데이터 수집 모듈(15), 예측 모델 생성 모듈(16) 및 고장 예측 모듈(17)을 포함한다. 데이터 수집 모듈(15)은 통신 접속 차량의 차량 통신 모듈(14)로부터 데이터를 수집하여 그 수집된 데이터를 예측 모델 생성 모듈(16) 및/또는 고장 예측 모듈(17)에 제공하도록 구성된다. 예측 모델 생성 모듈(16)은 데이터 수집 모듈(15)에 의해 제공된 차량 데이터를 기반으로 한 빅데이터 처리 알고리즘을 사용하여 차량 고장을 예측하기 위한 고장 예측 모델을 생성하고, 고장 예측 모듈(17)은 데이터 수집 모듈(15)에 의해 수집된 실시간 차량 데이터와 예측 모델 생성 모듈(16)에 의해 생성된 고장 예측 모델을 기반으로 하여, 임박했지만 아직 발생하지 않은 고장이 있는지를 예측하는데 사용되며, 이로써, 고장이 발생하기 전에 관련 직원에게 경고를 발령한다.

또한, 예측 모델 생성 모듈(16)은 서로 다른 차량 고장들에 대해 대응하는 고장 예측 모델을 생성하도록 구성된다. 그러나, 모든 차량 데이터가 특정 차량 고장과 관련된 것은 아니다. 특정 타겟 고장과 거의 또는 전혀 관계가 없는 차량 데이터가 예측 모델 생성 모듈(16)에 전송되는 경우, 모델 구축에 전혀 기여하지 않을 뿐만 아니라 오히려 계산 비용을 증가시킨다. 이를 위해 본 발명에 따라, 데이터 수집 모듈(15)이 예측 모델 생성 모듈(16)에 데이터를 전송하기 전에, 데이터는 먼저 선별되고 필터링될 필요가 있다. 이러한 선별 및 필터링은 차량 고장 경고 시스템(2)에 추가로 제공된 데이터 선별 모듈(18)에 의해 실행될 수 있다. 여기서, 데이터 선별 모듈(18)은 연결된 모듈(15, 16 및 17)과 독립적으로 제공될 수 있으며, 예를 들어 도 3에 도시된 것처럼 데이터 수집 모듈(15)과 예측 모델 생성 모듈(16) 사이에 연결될 수 있거나, 이들 모듈들(15 내지 17)중의 임의의 한 모듈내에 서브-모듈로서 통합될 수 있다.

본 발명의 한 특정 실시예에 따라, 예측 모델 생성 모듈(16)은 헬씨 차량들의 데이터에 기초한 고장 예측 모델을 설정하도록 구성된다. 이와같이 설정된 고장 예측 모델은 실제적으로 헬씨 차량의 작동 상태를 설명하는 모델이다. 즉, 어떤 작동 상태들과 작동 파라미터들이 헬씨 차량에 의해 표시되어야 하는지를 설명한다.

이 경우, 고장 예측 모델이 순수한 헬씨 데이터를 기반으로 확립되도록 하기 위해서, 언헬씨 데이터는 데이터 수집 모듈(15)에 의해 제공된 데이터로부터 필터링되어 예측 모델 생성 모듈(16)로 입력되어야 한다. 이와 관련하여, 예를 들어, 데이터 수집 모듈(15)은 예측 모델 생성 모듈(16)에 데이터를 제공할 필요가 있을 때까지 시간 범위 내에서 차량들로부터의 차량 데이터를 지속적으로 수집할 수 있으며, 이때 데이터 수집 모듈(15)은 모든 데이터를 데이터 선별 모듈(18)에 전송하고, 데이터 선별 모듈(18)은 고장이 발생한 차량에 의해 생성된 데이터를 삭제하고 삭제 후 남은 데이터를 예측 모델 생성 모듈(16)에 제공한다.

본 발명의 또다른 특정 실시예에 따라, 예측 모델 생성 모듈(16)은 서브-헬씨 차량들의 데이터를 기반으로 고장 예측 모델을 설정한다. 이 경우, 고장 예측 모델은 실제적으로 고장이 아닌 문제를 경험한 차량의 작동 상태를 설명하는 모델이다. 즉, 고장이 임박한 "서브-헬씨" 차량에 의해 어떤 작동 상태들과 작동 매개 변수들이 표시되어야 하는지를 설명한다. 이를 위해, 데이터 선별 모듈(18)은 고장이 발생한 차량에 의해 서브-헬씨 상태에서 생성된 데이터를, 데이터 수집 모듈(15)에 의해 수집된 데이터로부터 선별하고 이 선별된 서브-헬씨 데이터를 예측 모델 생성 모듈(16)에 제공한다.

즉, 데이터 선별 모듈(18)은 데이터 수집 모듈(15)에 의해 수집된 데이터를 예측 모델 생성 모듈(16)에 의해 설정될 고장 예측 모델의 특성을 바탕으로 필터링 및 선별하도록 구성되어, 설정될 고장 예측 모델과 관련된 데이터만이 예측 모델 생성 모듈(16)에 제공된다.

또한, 고장 예측 모델을 설정하기 위해 예측 모델 생성 모듈(16)에 의해 사용된 빅데이터 처리 알고리즘은, 예를 들어, 선행 기술로부터 알 수 있는 일반 알고리즘이나 신경망 알고리즘이며, 여기에서 더이상 설명되지 않을 것이다. 더욱이 예측 모델 생성 모듈(16)에 의해 타겟팅된 타겟 고장은 모터 온도 및 인버터 온도 등의 측정 가능한 물리적 매개변수로서, 또는 전류 및 전압과 같은 다른 물리적 매개변수들로서 특징지어져야 한다.

하나의 특정 실시예에서, 빅데이터 분석을 의해 예측 모델 생성 모듈(16)에 의해 설정된 고장 예측 모델은 타겟 고장 매개변수와 그에 따른 영향 매개변수 사이의 수학 함수로서 표현된다. 예를 들어, 모터 권선 과열의 고장에 대한 고장 예측 모델은 다음과 같은 수학 함수로서 표현된다.

여기서, T는 모터 권선 온도를 나타내며, n은 주행 시간 동안의 n번째 샘플링을 나타내며, tn은 n번째 샘플링의 시점을 나타내며, FCN은 영향 매개변수들 N, I, V 및 TO로부터 모터 권선 온도 T를 예측하기 위한 모델 함수를 나타내고, 여기서, 영향 매개변수 N은 모터 속도를, 영향 매개변수 I는 모터 전류를 나타내고, 영향 매개변수 V는 배터리 전압을, 영향 매개변수 TO는 모터 토크를 나타낸다. 이들 영향 매개변수들은 전기 구동 시스템의 물리적 분석에 기초하여 선택된다.

도 4는 본 발명에 따른 차량 고장 경고 시스템(1)의 작동 흐름도를 보여준다. 차량 고장 경고 시스템(1)의 작동 모드는 도 4와 함께 아래에 설명된다.

도 4에 도시된 대로, 우선, 단계 S1에서, 차량 고장 경고 시스템(2)과 통신 접속중인 복수의 차량들의 각각의 제어 유닛(5)은 차량의 데이터를 실시간으로 수집하여 차량 고장 경고 시스템(2)의 데이터 수집 모듈(15)에 실시간으로 전송한다.

그후, 단계 S2에서 데이터 수집 모듈(15)은 시간 범위 내에 차량 데이터를 지속적으로 수집하여 데이터 클러스터를 형성하며, 여기서, 데이터 클러스터는 고장 예측 모델을 구축하는 기초가 된다.

그런 다음, 단계 S3에서, 예측 모델 생성 모듈(16)에 의해 생성될 고장 예측 모델의 목적과 특성에 따라, 데이터 클러스터는 데이터 선별 모듈(18)에 의해 필터링 및 선별된 다음 예측 모델 생성 모듈(16)에 제공된다.

다음으로, 단계 S4에서, 예측 모델 생성 모듈(16)에서, 제공된 데이터를 기반으로 한 빅데이터 처리 알고리즘을 사용하여 고장 예측 모델이 구축된다.

그런 다음 단계 S5에서, 설정된 고장 예측 모델은 고장 예측 모델 구축시에 사용되지 않은 차량 데이터를 사용하여 검증된다. 검증이 요건들을 충족하면 다음 단계로 흐름이 진행되고, 검증이 요건을 충족하지 못하면 검증이 기준에 도달할 때까지 고장 예측 모델은 조정된다.

그런 다음, 단계 S6에서, 준수된 고장 예측 모델을 구축한 후, 고장 예측 모듈(17)은 데이터 수집 모듈(15)에 의해 차량으로부터 수신된 실시간 차량 데이터를 수신하고, 예측 모델 생성 모듈(16)에 의해 생성된 고장 예측 모델을 호출해, 실시간 차량 데이터 및 고장 예측 모델에 따라 차량내에 임박한 고장이 있는지의 여부를 분석한다.

마지막으로, 단계 S7에서 차량에 임박한 고장이 있다고 결정될 때, 고장 예측 모듈(17)은 운전자 또는 모니터링 요원 등 관련 직원에게 경고를 보내고 관련 제안을 한다.

도 4는 본 발명에 따른 차량 고장 경고 시스템(1)에 의해 구현된 차량 고장 경고 방법을 거시적으로 보여주며, 도 5 및 도 6은 각각 그러한 차량 고장 경고 방법의 두 가지 특정 실시예를 나타낸다. 두 실시예들은 모두 타겟 고장으로서 모터 과열에 기반하며, 구축된 고장 경고 모델들이 다르다는 점에서 주요한 차이가 있다.

도 5에 도시된 본 발명에 따른 차량 고장 경고 방법의 제 1 실시예에 있어서:

우선, 단계 S11에서, 데이터 수집 모듈(15)은 차량 고장 경고 시스템(2)과 통신 접속 상태에서 시간 범위 내에 복수의 차량들로부터 차량 데이터를 수집하여 데이터 클러스터를 형성할 수 있으며, 여기서 데이터 클러스터는 모터 권선 과열을 예측하기 위한 모델 구축을 위한 기초가 된다.

그런 다음, 단계 S12에서, 데이터 선별 모듈(18)은 모터 권선 과열에 관련된 헬씨 차량의 데이터를 데이터 클러스터로부터 선별하여 예측 모델 생성 모듈(16)에 제공하며, 여기서, 모터 권선 과열에 관련된 차량 데이터는 모터 속도, 모터 전류, 배터리 전압 및 모터 토크 등과 같은, 모터 권선 과열에 대한 물리적 근거들에 기초하여 선택될 수 있다. 또한, 데이터 선별 모듈(18)은 모든 선별된 데이터가 헬씨 차량들의 데이터임을 보장하는데, 이는 데이터 선별 시점까지 시간 범위 내에서 고장들이 발생한 차량들에 의해 생성된 데이터를 필터링하여 달성될 수 있다.

그 다음, 단계 S13에서, 모터 권선 과열을 예측하기 위한 제 1 유형의 예측 모델은 예측 모델 생성 모듈(16)에서 빅데이터 처리 알고리즘을 사용하여 그 제공된 데이터로부터 구성되며, 여기서, 제 1 유형의 예측 모델은 예를 들어, 상기 언급된 수학 함수(1)의 형태와 유사할 수 있는 수학 함수로서 표현될 수 있다.

다음으로, 단계 S14에서, 예측 모델은 제 1 유형의 예측 모델을 구축할 때 사용되지 않은 차량 데이터를 사용하여 검증된다. 상기 단계 S5와 유사하게, 예측 모델은 검증이 요건들을 충족하지 못할 경우 검증이 도달될 때까지 조정된다.

그 다음, 단계 S15에서, 고장 예측 모듈(17)은 데이터 수집 모듈(15)로부터 최신 차량 데이터를 실시간으로 수신하고, 단계 S13에서 구성된 모터 권선 과열에 대한 예측 모델을 호출하여, 이 둘을 바탕으로 차량에 모터 권선 과열이 임박한지 여부를 분석한다. 구체적인 분석 방법은 다음과 같다. 즉, 추정된 모터 권선 온도 치환하는데, 그 추정된 모터 권선 온도 값은 다음과 같은 의미를 갖는다. 즉, 모터 속도 값, 모터 전류 값, 배터리 전압 값, 및 모터 토크 값과 함께 헬씨 전기 구동 시스템이 가져야 하는 모터 권선 온도 값을 가리킨다. 이 추정된 모터 권선 온도 값은 헬씨 전기 구동 시스템의 대량의 데이터를 기반으로 외삽된다. 이것은 다수의 헬씨 전기 구동 시스템들이 출현한 상황에서, 헬씨 전기 구동 시스템들이 이러한 모터 속도 값, 모터 전류 값, 배터리 전압 값, 및 모터 토크 값을 나타낼 때 어떤 모터 권선 온도 값이 나타나는지를 나타낸다.

그 후, 단계 S16에서, 추정된 모터 권선 온도 값은 대응하는 실시간 모터 권선 온도 측정값과 비교된다. 대응하는 실시간 모터 권선 온도 측정값과 추정된 모터 권선 온도 값 사이의 편차가 사전 설정된 범위 내에 있는 경우, 전기 구동 시스템의 현재 작동 상태는 정상 전기 구동 시스템의 작동 상태와 다르지 않음을 표시하며; 현재의 전기 구동 시스템은 건강하고 정상이고 임박한 모터 권선 과열이 없으며; 반대로, 대응하는 실시간 모터 권선 온도 측정값이 사전 설정된 범위를 초과하는 편차에 의해 그 추정된 모터 권선 온도 값보다 높을 경우, 전기 구동 시스템에 특정한 고장들이 있고 임박한 모터 권선 과열이 있음을 나타낸다.

따라서, 후속 단계 S17에서는, 모터 권선이 과열될 것으로 예측될 때 관련 직원에게 경고가 발령되고 관련 제안들이 제공된다.

본 발명의 실시예에 따라 다음과 같은 기술적 효과를 얻을 수 있다. 즉, 관련 직원은 다른 심각한 문제가 발생할 정도로 모터가 과열되기 전에 모터가 과열 될 수 있으므로 문제가 있는 전기 구동 시스템을 조기에 개입할 수 있으므로 유지 보수 비용을 절감할 수 있을 뿐만 아니라, 더 중요하고 더 심각한 위험들, 심지어 생명을 위협하는 위험들이 발생하는 것을 막을 수 있다.

하나의 특정 실시예에서, 상기 단계 S14의 예측 모델의 검증은 다음과 같이 구체적으로 구현될 수 있다. 즉, 적어도 한 세트의 미사용 차량 데이터는 대응하는 모터 권선 온도 값을 계산하기 위해 수학 함수에 치환된 다음, 계산된 모터 권선 온도 값은 대응하는 실시간 모터 권선 온도 측정값과 비교되며; 둘 사이의 편차가 사전 설정된 범위를 초과할 경우 현재 고장 예측 모델이 충분히 정확하지 않고 추가 조정이 필요함을 나타낸다.

도 6에 도시된 본 발명에 따른 차량 고장 경고 방법의 제 2 실시예에 있어서:

먼저, 단계 S21에서, 단계 Sll과 유사하게 데이터 수집 모듈(15)은 시간 범위 내에서 복수의 차량들로부터 차량 데이터를 수집하여 모델링을 위한 데이터 클러스터를 형성할 수 있다.

그런 다음, 단계 S22에서, 데이터 선별 모듈(18)은 데이터 클러스터로부터 모터 과열과 관련된 서브-헬씨 차량들의 데이터를 선별하고 이 선별된 데이터를 예측 모델 생성 모듈(16)에 제공한다. "모터 과열과 관련된" 선별 조건의 이해를 위해, 상기 단계 S12를 참조할 수 있다. 선별 조건 "서브-헬씨"에 대해, 데이터는 다음 두 가지 요건을 동시에 충족시키도록 요구된다. 첫째, 데이터는 모터 과열 전기 구동 시스템의 데이터이어야 하며, 둘째, 데이터는 모터 온도 상승 시작부터 모터 과열 발생까지의 시간 주기내의 데이터이어야 한다.

다음으로, 단계 S23에서 단계 S13와 유사하게, 모터 과열을 예측하기 위한 제 2 유형의 예측 모델은 예측 모델 생성 모듈(16)에서 빅데이터 처리 알고리즘을 사용하여 그 제공된 데이터로부터 구성되며, 여기서, 예측 모델은 예를 들어 수학 함수로서 표현될 수 있고, 그 수학 함수의 형태는 상기 수학 함수 (1)과 유사할 수 있지만 함수 내용은 상기 제 1 실시예에서 구성된 상기 제 1 유형의 고장 예측 함수의 내용과는 다르다. 제 2 유형의 고장 예측 모델은 서브-헬씨 차량들의 대량의 데이터, 즉, 모터 과열 직전의 차량 데이터를 기반으로 설정되므로, 이 예측 모델은 모터 과열이 임박한 차량에 의해 표시된 상태를 설명한다.

그후, 단계 S24에서, 고장 예측 모델을 구축하는데 사용되지 않은 차량 데이터를 사용하여 모델은 검증되며; 상기 단계들 S5 및 S14와 유사한 검증에 도달할 때까지 검증이 요건들을 충족하지 못하면 모델은 조정되며;

그 후, 단계 S25에서 고장 예측 모듈(17)은 데이터 수집 모듈(15)로부터 최신 차량 데이터를 실시간으로 수신하고, 단계 S23에서 구성된 모터 과열 예측 모델을 호출하며, 이 둘을 바탕으로, 차량내에 임박한 모터 과열이 있는지의 여부를 분석한다. 구체적인 분석 방법은 다음과 같다. 즉, 추정된 모터 온도 값을 계산하기 위해 단계 S23에서 구성한 수학 함수에 실시간 모터 속도 값, 실시간 모터 전류 값, 실시간 배터리 전압 값, 및 실시간 모터 토크 값을 치환하며, 여기서 그 추정된 모터 온도 값은 다음과 같은 의미를 갖는다. 즉, 이러한 모터 속도 값, 모터 전류 값, 배터리 전압 값, 및 모터 토크 값을 표시하는 경우, 모터 과열을 유발할 수 있는 특정 문제들을 갖는 서브-헬씨 전기 구동 시스템은 그러한 모터 온도 값을 보임을 나타낸다. 이 추정된 모터 온도 값은 서브-헬씨 전기 구동 시스템들의 대량의 데이터를 바탕으로 외삽하여 얻어진다. 그것은 다수의 서브-헬씨 전기 구동 시스템들이 출현한 상황에서, 서브-헬씨 전기 구동 시스템들이 이러한 모터 속도 값, 모터 전류 값, 배터리 전압 값, 및 모터 토크 값을 나타낼 때 어떤 모터 온도 값이 보여지는지를 나타낸다.

그 후, 단계 S26에서, 추정된 모터 온도 값은 대응하는 실시간 모터 온도 측정값과 비교된다. 대응하는 실시간 모터 온도 측정값이 그 추정된 모터 온도 값과 현저히 다를 경우, 그것은 전기 구동 시스템의 현재 작동 상태가 서브-헬씨 전기 구동 시스템의 작동 상태와 현저히 다르고, 이로써 현재의 전기 구동 시스템은 헬씨 및 정상인 것으로 결정될 수 있으며, 임박한 모터 과열은 없음을 나타낸다. 반대로, 대응하는 실시간 모터 온도 측정값이 그 추정된 모터 온도 값에 근사하거나 같을 경우, 예를 들어, 둘 사이의 편차가 사전 설정된 범위 내에 있는 경우, 그것은 현재 전기 구동 시스템의 작동 상태가 이전에 나타난 서브-헬씨 전기 구동 시스템의 작동 상태의 것과 유사하고, 이로써, 과거의 서브-헬씨 전기 구동 시스템에서와 같이 모터 과열이 발생할 가능성이 매우 높음을 나타낸다. 이 경우, 후속 단계 S27에서 관련 직원에게 과열 경고가 발령되고 관련 제안들이 제공된다.

물론, 본 발명의 아이디어는 모터 과열의 단일 고장에 국한되는 것이 아니라 배터리 팩 고장, 기어박스 고장 등 임의의 다른 차량 고장에 대해서도 적용 가능하다.

또한, 본 발명에 따른 예측 모델 생성 모듈(16)은 상기 언급된 제 1 유형의 고장 예측 모듈과 상기 언급된 제 2 유형의 고장 예측 모델을 또한 동시에 구성할 수 있으며, 고장 예측 모듈(17)은 두 가지 유형의 모델을 함께 호출하여 고장 경고 분석을 수행하고, 두 가지 유형의 모델들이 현재 차량내에 임박한 고장이 있음을 나타낼 때 고장 경고를 발령할 수 있다. 이는 잘못된 경고의 위험을 줄이고 고장 경고의 신뢰성을 증가시킨다.

비록 일부 실시예들이 설명되었지만, 이들 실시예들은 예시를 통해서만 제시된 것이고 본 발명의 범위를 제한하고자 하는 것은 아니다. 첨부된 청구범위 및 다른 등가물들은 본 발명의 범위와 정신내에 있는 모든 수정안들, 대안들 및 변경안을 포함하는 것이다.

Claims

차량 고장 경고 시스템(2)으로서, 상기 차량 고장 경고 시스템(2)은 복수의 차량들과 통신 접속하고 차량에 임박한 고장을 경고할 수 있는, 상기 차량 고장 경고 시스템에 있어서,
데이터 수집 모듈(15)로서, 데이터 클러스터를 형성하기 위해 시간 범위 내에서 복수의 차량들로부터 차량 데이터를 수집하도록 구성된, 상기 데이터 수집 모듈(15);
데이터 선별 모듈(18)로서, 생성될 고장 예측 모델의 특성들에 기초한 상기 데이터 클러스터로부터 데이터를 선별하도록 구성된, 상기 데이터 선별 모듈(18);
예측 모델 생성 모듈(16)로서, 상기 데이터 선별 모듈(18)에 의해 선별된 상기 데이터로부터 차량 고장을 예측하기 위한 고장 예측 모델을 구축하도록 구성된, 상기 예측 모델 생성 모듈(16); 및
고장 예측 모듈(17)로서, 상기 고장 예측 모델이 호출되고 실시간 차량 데이터에 기초하는 상황에서, 상기 차량내에 임박한 고장이 있는지를 예측하고, 상기 차량내에 임박한 고장이 있음을 예측할 때 경고를 발령하도록 구성된, 상기 고장 예측 모듈(17)을 포함하는, 차량 고장 경고 시스템(2).
제1항에 있어서, 상기 구축된 고장 예측 모델은 제 1 유형의 모델 및/또는 제 2 유형의 모델이며, 상기 제 1 유형의 모델은 헬씨 차량들(healthy vehicles)의 데이터에 기초하여 구축되고 상기 헬씨 차량들의 작동 상태를 설명하기 위해 사용되는 고장 예측 모델이며, 상기 제 2 유형의 모델은 고장이 임박한 차량들의 데이터에 기초하여 구축되고 고장이 임박한 상기 차량들의 작동 상태를 설명하기 위해 사용되는 고장 예측 모델인 것을 특징으로 하는, 차량 고장 경고 시스템(2).
제1항 또는 제2항에 있어서,
상기 고장 예측 모델은 특정 고장 매개변수와 상기 고장 매개변수에 대한 적어도 하나의 영향 매개변수 사이의 수학 함수로서 표현되며, 상기 특정 고장 매개변수는 특정 차량 고장을 특징지우는 매개변수를 가리키고/가리키거나;
상기 예측 모델 생성 모듈(16)은 빅데이터 처리 알고리즘을 사용하여 상기 선별된 데이터로부터 상기 고장 예측 모델을 구축하도록 구성되는 것을 특징으로 하는, 차량 고장 경고 시스템(2).
제3항에 있어서, 상기 고장 예측 모듈(17)은 또한
차량내에 임박한 고장이 있는지의 여부를 예측할 때, 상기 고장 매개변수의 추정된 값을 계산하기 위해 상기 적어도 하나의 영향 매개변수의 실시간 측정값을 상기 수학 함수에 치환하고;
상기 고장 매개변수의 상기 추정된 값과 상기 고장 매개변수에 대응하는 실시간 측정값을 비교함으로써 상기 현재 차량내에 임박한 고장이 있는지를 결정하도록 구성되는 것을 특징으로 하는, 차량 고장 경고 시스템(2).
제4항에 있어서, 상기 고장 예측 모듈(17)은 또한
상기 제 1 유형의 모델이 호출되는 상황에서, 상기 고장 매개변수의 상기 추정된 값과 상기 고장 매개변수에 대응하는 상기 실시간 측정값 사이의 편차가 사전 설정된 범위를 초과한다면, 상기 고장 매개변수에 의해 특징지어진 고장이 상기 차량내에 임박함을 나타내고;
상기 제 2 유형의 모델이 호출되는 상황에서, 상기 고장 매개변수의 상기 추정된 값과 상기 고장 매개변수에 대응하는 상기 실시간 측정값 사이의 편차가 사전 설정된 범위내에 있다면, 상기 고장 매개변수에 의해 특징지어진 상기 고장이 상기 차량내에 임박함을 나타내도록 구성되는 것을 특징으로 하는, 차량 고장 경고 시스템(2).
차량 고장 경고 방법에 있어서,
a) 데이터 클러스터를 형성하기 위해 시간 범위내에서 복수의 차량들로부터 차량 데이터를 수집하는 단계;
b) 생성될 고장 예측 모델의 특성들에 기초하여 상기 데이터 클러스터로부터 데이터를 선별하는 단계;
c) 상기 선별된 데이터로부터, 차량 고장을 예측하기 위한 상기 고장 예측 모델을 구축하는 단계;
d) 상기 고장 예측 모델 및 실시간 차량 데이터에 기초하여, 차량내에 임박한 고장이 있는지의 여부를 예측하는 단계; 및
e) 상기 차량내에 임박한 고장이 있음을 예측할 때 경고를 발령하는 단계를 포함하는, 차량 고장 경고 방법.
제6항에 있어서, 상기 단계 b)와 c)는
단계 b)에서, 상기 데이터 클러스터로부터 헬씨 차량들의 데이터를 선별하고, 그후 단계 c)에서, 상기 헬씨 차량들의 작동 상태를 설명하기 위한 제 1 유형의 모델을 구축하고/구축하거나;
단계 b)에서, 상기 데이터 클러스터로부터 고장이 임박한 차량들의 데이터를 선별하고, 그후 단계 c)에서 고장이 임박한 상기 차량들의 작동 상태를 설명하기 위한 제 2 유형의 모델을 구축하는 것에 의해 구현되는 것을 특징으로 하는, 차량 고장 경고 방법.
제6항 또는 제7항에 있어서, 상기 단계 c)는
상기 고장 예측 모델을, 특정 고장 매개변수와 상기 고장 매개변수에 대한 적어도 하나의 영향 매개변수 사이의 수학 함수로서 표현하고, 상기 특정 고장 매개변수는 특정 차량 고장을 특징지우는 매개변수를 가리키고/가리키거나;
빅데이터 처리 알고리즘을 사용하여, 상기 선별된 데이터로부터 상기 고장 예측 모델을 구축하는 것에 의해 구현되는 것을 특징으로 하는, 차량 고장 경고 방법.
제8항에 있어서, 상기 단계 d)는
상기 고장 매개변수의 추정된 값을 계산하기 위해 상기 적어도 하나의 영향 매개변수의 실시간 측정값을 수학 함수에 치환하고, 상기 고장 매개변수의 상기 추정된 값을 상기 고장 매개변수에 대응하는 상기 실시간 측정값과 비교하고;
상기 제 1 유형의 모델이 사용되는 상황에서, 상기 고장 매개변수의 상기 추정된 값과 상기 고장 매개변수에 대응하는 상기 실시간 측정값 사이의 편차가 사전 설정된 범위를 초과한다면, 상기 고장 매개변수에 의해 특징지어진 상기 고장이 상기 차량내에 임박함을 나타내고;
상기 제 2 유형의 모델이 사용되는 상황에서, 상기 고장 매개변수의 상기 추정된 값과 상기 고장 매개변수에 대응하는 상기 실시간 측정값 사이의 편차가 사전 설정된 범위내에 있다면, 상기 고장 매개변수에 의해 특징지어진 고장이 상기 차량내에 임박함을 나타내는 것에 의해 구현되는 것을 특징으로 하는, 차량 고장 경고 방법.
제6항 내지 제9항 중 어느 한 항에 있어서, 상기 단계 c)후와 상기 단계 d)전에
상기 고장 예측 모델 구축에 사용되지 않은 차량 데이터를 사용하여 상기 고장 예측 모델을 검증하고, 상기 검증이 요건들을 충족하지 못할 경우 상기 고장 예측 모델을 조정하는 단계가 추가로 실행되는 것을 특징으로 하는, 차량 고장 경고 방법.