KR20210055478A - 차량 탑재형 열차 지진 경보 시스템 및 방법 - Google Patents
차량 탑재형 열차 지진 경보 시스템 및 방법 Download PDFInfo
- Publication number
- KR20210055478A KR20210055478A KR1020190141979A KR20190141979A KR20210055478A KR 20210055478 A KR20210055478 A KR 20210055478A KR 1020190141979 A KR1020190141979 A KR 1020190141979A KR 20190141979 A KR20190141979 A KR 20190141979A KR 20210055478 A KR20210055478 A KR 20210055478A
- Authority
- KR
- South Korea
- Prior art keywords
- train
- unit
- earthquake
- deep learning
- learning model
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000010801 machine learning Methods 0.000 claims abstract description 43
- 238000005259 measurement Methods 0.000 claims abstract description 36
- 238000013135 deep learning Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000013136 deep learning model Methods 0.000 claims description 56
- 230000001133 acceleration Effects 0.000 claims description 50
- 238000001514 detection method Methods 0.000 claims description 21
- 238000001914 filtration Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 claims 1
- 230000006378 damage Effects 0.000 description 20
- 238000004088 simulation Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004579 scanning voltage microscopy Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L25/00—Recording or indicating positions or identities of vehicles or trains or setting of track apparatus
- B61L25/02—Indicating or recording positions or identities of vehicles or trains
- B61L25/021—Measuring and recording of train speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L25/00—Recording or indicating positions or identities of vehicles or trains or setting of track apparatus
- B61L25/02—Indicating or recording positions or identities of vehicles or trains
- B61L25/025—Absolute localisation, e.g. providing geodetic coordinates
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/0202—Child monitoring systems using a transmitter-receiver system carried by the parent and the child
- G08B21/0269—System arrangements wherein the object is to detect the exact location of child or item using a navigation satellite system, e.g. GPS
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B7/00—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00
- G08B7/06—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00 using electric transmission, e.g. involving audible and visible signalling through the use of sound and light sources
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L2205/00—Communication or navigation systems for railway traffic
- B61L2205/04—Satellite based navigation systems, e.g. global positioning system [GPS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Child & Adolescent Psychology (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Mechanical Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Radar, Positioning & Navigation (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
본 발명은 차량 탑재형 열차 지진 경보 시스템 및 방법에 관한 것으로서, 본 발명의 일 실시예에 따르는 차량 탑재형 열차 지진 경보 시스템은, 열차 내부에 설치되며, 열차 진동하중 및 지진하중을 계측하고, 계측된 열차 진동하중 및 지진하중에 대한 데이터를 저장하여 데이터베이스를 구축하는 센서 계측부, 상기 센서 계측부에서 계측된 열차 진동하중 및 지진하중을 식별하기 위한 기계학습 알고리즘을 생성하는 딥러닝 분석부를 포함하는 기계학습 모델 생성부, 상기 딥러닝 분석부의 결과를 토대로 열차 위험여부를 판단하는 열차 위험여부 판단 모델 생성부, 및 상기 열차 진동하중 및 지진하중의 식별 후 설정 시간 이내에 경보를 출력하는 지진조기경보부를 포함한다.
Description
본 발명은 차량 탑재형 열차 지진 경보 시스템 및 방법에 관한 것으로서, 보다 상세하게는 열차 내에 지진진동 감지 센서를 설치하여 실시간 지진진동을 계측하고, 소정 시간 이내에 지진조기경보가 가능하며, 가상현실 테스트를 개발하여 지진감지, 경보, 주행의사판단, 열차정지 절차에 소요되는 시간을 대폭 단축시킬 수 있는 차량 탑재형 열차 지진 경보 시스템 및 방법에 관한 것이다.
지진 시 철도의 구부러짐 및 노반 침하, 산사태 등 지진피해가 일어난다. 만일, 지진피해가 일어난 장소를 열차가 지나가게 될 경우, 열차의 탈선 또는 추돌 등의 심각한 사고가 초래하여 막중한 인명 및 재산피해를 초래할 수 있다. 따라서, 지진의 피해가 예상될 경우, 신속하게 열차의 운행을 서행 또는 정지시킬 수 있는 조기경보 시스템이 필요하다.
현재 국내 고속철도의 경보시스템은 유사 시 유선으로 기관사에게 통보하여 열차의 운행을 결정하는 형식으로 그 반응 시간이 현저히 떨어지며, 지진계가 설치되지 않은 지역에 열차가 통과할 경우 지진 발생을 인지할 수 없다.
예를 들어, 국내 고속철도의 경보시스템은 고속철도가 운행되는 주요 교각과 터널 등에 일정 간격으로 지진가속도 센서를 설치하였으며, 선로 및 교각 구조물과 이격된 자유장에 시추공 가속도 센서를 설치하여, 고속철도의 지진감지 시스템을 구축 및 운영하고 있는 실정이다.
이와 같이, 종래의 지진감지 시스템은 유사시 기관사에게 통보하여 열차의 운행을 결정하여 대응 시간이 신속하지 못한 단점이 있으며, 지진계가 설치되지 않은 지역으로 열차가 운행하는 경우 지진을 인지하기에 어려움이 있다.
본 발명과 관련된 선행문헌으로서 대한민국 등록특허공보 제10-1333002호(2013.11.27. 공고일)는 철도용 지진 조기경보 시스템 및 그 방법에 관하여 개시하고 있다.
종래의 선행문헌(대한민국 등록특허공보 제10-1333002호)에는 지진파가 선로 변에 도달하기 전에 도달 예정인 지진파에 대하여 위험지진 여부를 판단한다. 이어서, 지진의 세기, 위험 영역 등을 최대한 빨리 평가하여, 지진파가 도달하기 전에 운행중인 열차가 서행 또는 정지할 수 있도록 구성된 철도용 지진 조기경보 시스템을 제공한다. 다만, 종래의 선행문헌의 경우 철도 관제 시스템에서 지진 조기경보를 수신하는 방식으로, 대응에 필요한 시간이 지연됨은 물론 열차 내에 지진진동 감지 센서가 설치된 방식이 아니어서 신속하고 능동적인 대응에 어려움이 있다.
본 발명의 목적은 열차 내에 지진진동 감지 센서를 설치하여 실시간 지진진동을 계측하고, 소정 시간 이내에 지진조기경보가 가능한 차량 탑재형 열차 지진 경보 시스템 및 방법을 제공하는 것이다.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
본 발명의 일 실시예에 따른 차량 탑재형 열차 지진 경보 시스템은, 열차 내부에 설치되며, 열차 진동하중 및 지진하중을 계측하고, 계측된 열차 진동하중 및 지진하중에 대한 데이터를 저장하여 데이터베이스를 구축하는 센서 계측부; 상기 센서 계측부에서 계측된 열차 진동하중 및 지진하중을 식별하기 위한 기계학습 알고리즘을 생성하는 딥러닝 분석부를 포함하는 기계학습 모델 생성부; 상기 딥러닝 분석부의 결과를 토대로 열차 위험여부를 판단하는 열차 위험여부 판단 모델 생성부; 및 상기 열차 진동하중 및 지진하중의 식별 후 설정 시간 이내에 경보를 출력하는 지진조기경보부;를 포함한다.
상기 센서 계측부는 열차의 내부에 설치되는 복수의 센서를 포함하며, 상기 복수의 센서는, 열차 내부에 적어도 하나 구비되며, 열차의 위치 정보를 수신하는 GPS 수신기; 및 열차 내부에 적어도 하나 구비되며, 열차의 시간 별 가속도 값을 계측하는 가속도 센서;를 포함한다.
상기 센서 계측부는, 상기 GPS 수신기로부터 수신된 열차의 위치 정보와, 상기 가속도 센서로부터 시간에 따라 계측된 가속도 값을 기록하는 시간이력 기록부; 상기 시간이력 기록부에 기록된 시간이력 데이터를 FFT 분석하여 진동수 도메인으로 추출하는 진동수(Frequency) 추출부; 상기 추출된 FFT 결과를 바탕으로 피쳐 추출을 위한 데이터 변환을 수행하고 속도 대역별로 생성한 데이터를 활용하여 지진 감지 알고리즘을 도출하는 신호처리 필터링부; 및 상기 신호처리 필터링부에서 도출된 결과를 이용하여 상기 기계학습 모델 생성부의 학습에 필요한 피처를 추출하는 피처 생성부;를 포함한다.
상기 딥러닝 분석부는, 외부 인터페이스부를 통해 다수의 딥러닝 모델 중 적어도 하나를 수신하는 딥러닝 모델 수신부; 상기 딥러닝 모델 수신부에서 수신된 적어도 하나의 딥러닝 모델로 상기 피처 생성부에서 추출된 피처를 학습시켜 열차 진동하중 및 지진하중을 식별하고 지진 감지 여부를 예측하는 딥러닝 모델 예측부; 및 상기 딥러닝 모델 예측부에서 지진 감지로 예측한 경우, 지진 이벤트 신호를 출력하는 지진 이벤트 출력부;를 포함한다.
상기 외부 인터페이스부는, 통신망으로 연결되며, 상기 딥러닝 모델 수신부에 딥러닝 모델을 송신하는 무선통신 인터페이스부; 상기 지진 이벤트 출력부에서 출력된 지진 이벤트 신호를 전달 받아 열차 내에 구비된 디스플레이 디바이스를 이용하여 시각적으로 출력하는 화면출력 인터페이스부; 및 상기 지진 이벤트 출력부에서 출력된 지진 이벤트 신호를 전달 받아 열차 내에 설치된 경광봉을 통해 설정 색상의 광을 발광시키고, 열차 내에 설치된 스피커를 통해 경고음을 출력하는 외부장비 인터페이스부;를 포함한다.
상기 외부 인터페이스부는, 상기 지진 이벤트 출력부에서 출력된 지진 이벤트 신호를 전달 받아 지진 이벤트 저장매체에 저장하는 저장매체 인터페이스부;를 더 포함한다.
상기 GPS 수신기는, 열차의 바퀴와 차체 사이의 진동 저감 영역에 위치하며, 상기 가속도 센서는, 열차의 바퀴와 차체 사이의 진동 저감 영역에 위치하되, 상기 GPS 수신기와 단일보드를 통해 일체형 구조로 열차에 설치될 수 있다. 이와 같이, GPS 수신기, 가속도 센서를 포함하는 센서 계측부는 열차 내에 설치되되 최대한 진동이 약한 진동 저감 영역에 설치되는 것이 바람직한데, 구체적으로는 열차의 바퀴와 차체 사이에 위치할 수 있다.
본 발명의 다른 측면에 따르는 열차 지진경보 방법은, 센서 계측부, 딥러닝 분석부를 포함하는 기계학습 모델 생성부, 열차 위험여부 판단 모델 생성부, 및 지진조기경보부를 포함하는 차량 탑재형 열차 지진 경보 시스템을 이용한 열차 지진경보 방법으로서, (a) 열차 내부에 설치되는 상기 센서 계측부에서, 열차 진동하중 및 지진하중을 계측하고, 계측된 열차 진동하중 및 지진하중에 대한 데이터를 저장하여 데이터베이스를 구축하는 단계; (b) 상기 딥러닝 분석부에서, 상기 센서 계측부에서 계측된 열차 진동하중 및 지진하중을 식별하기 위한 기계학습 알고리즘을 생성하는 단계; (c) 상기 열차 위험여부 판단 모델 생성부에서, 상기 딥러닝 분석부의 결과를 토대로 열차 위험여부를 판단하는 단계; 및 (d) 상기 지진조기경보부에서, 상기 열차 진동하중 및 지진하중의 식별 후 설정 시간 이내에 경보를 출력하는 단계;를 포함한다.
상기 (a) 단계에서, 상기 센서 계측부는, 복수의 센서, 시각 가속도 추출부, 및 신호처리 필터링부를 포함하며, 상기 복수의 센서는, 열차 내부에 적어도 하나 구비되며, 열차의 위치 정보를 수신하는 GPS 수신기와, 열차 내부에 적어도 하나 구비되며, 열차의 시간 별 가속도 값을 계측하는 가속도 센서를 포함한다.
상기 (a) 단계는, (a-1) 상기 시각 가속도 추출부에서, 상기 GPS 수신기로부터 수신된 열차의 위치 정보와, 상기 가속도 센서로부터 계측된 가속도 값을 기록하여 시간이력 데이터를 생성하는 단계; (a-2) 시간이력 데이터를 FFT 분석하여 진동수 도메인으로 추출하는 단계; (a-3) 상기 추출된 FFT 결과를 바탕으로 피쳐 추출을 위한 데이터 변환을 수행하고 속도 대역별로 생성한 데이터를 활용하여 지진 감지 알고리즘을 도출하는 단계; 및 (a-4) 상기 피처 생성부에서, 상기 신호처리 필터링부에서 도출된 결과를 이용하여 상기 기계학습 모델 생성부의 학습에 필요한 피처를 추출하는 단계;를 포함한다.
상기 (b) 단계에서, 상기 딥러닝 분석부는, 딥러닝 모델 수신부, 딥러닝 모델 예측부, 및 지진 이벤트 출력부를 포함하고, 상기 (b) 단계는, (b-1) 상기 딥러닝 모델 수신부에서, 외부 인터페이스부를 통해 다수의 딥러닝 모델 중 적어도 하나를 수신하는 단계; (b-2) 상기 딥러닝 모델 예측부에서, 상기 딥러닝 모델 수신부에서 수신된 적어도 하나의 딥러닝 모델로 상기 피처 생성부에서 추출된 피처를 학습시켜 열차 진동하중 및 지진하중을 식별하고 지진 감지 여부를 예측하는 단계; 및 (b-3) 상기 지진 이벤트 출력부에서, 상기 딥러닝 모델 예측부에서 지진 감지로 예측한 경우, 지진 이벤트 신호를 출력하는 단계;를 포함한다.
본 발명에 의하면 열차 내에 지진진동 감지 센서를 설치하여 실시간 지진진동을 계측하고, 비교적 짧은 시간(예: 10초 등) 이내에 지진조기경보가 가능한 장점이 있다.
상술한 효과와 더불어 본 발명의 구체적인 효과는 이하 발명을 실시하기 위한 구체적인 사항을 설명하면서 함께 기술한다.
도 1은 본 발명의 실시예에 따른 차량 탑재형 열차 지진 경보 시스템을 간략히 도시한 블록도이다.
도 2는 본 발명의 실시예에 따른 차량 탑재형 열차 지진 경보 시스템 중에서 센서 계측부, 열차진동 지반진동 기계학습 모델 생성부, 및 인터페이스부를 간략히 도시한 블록도이다.
도 3은 본 발명의 실시예에 따른 열차 지진경보 방법을 간략히 도시한 순서도이다.
도 4 및 도 5는 본 발명의 실시예에 따른 열차 지진경보 방법 중에서 시간 가속도 추출 단계 및 신호처리 필터링 단계를 설명하기 위해 나타낸 결과의 일 예를 보여주는 자료이다.
도 2는 본 발명의 실시예에 따른 차량 탑재형 열차 지진 경보 시스템 중에서 센서 계측부, 열차진동 지반진동 기계학습 모델 생성부, 및 인터페이스부를 간략히 도시한 블록도이다.
도 3은 본 발명의 실시예에 따른 열차 지진경보 방법을 간략히 도시한 순서도이다.
도 4 및 도 5는 본 발명의 실시예에 따른 열차 지진경보 방법 중에서 시간 가속도 추출 단계 및 신호처리 필터링 단계를 설명하기 위해 나타낸 결과의 일 예를 보여주는 자료이다.
이하, 도면을 참조하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다.
본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조 부호를 붙이도록 한다. 또한, 본 발명의 일부 실시예들을 예시적인 도면을 참조하여 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가질 수 있다. 또한, 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략할 수 있다.
본 발명의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질, 차례, 순서 또는 개수 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 다른 구성 요소가 "개재"되거나, 각 구성 요소가 다른 구성 요소를 통해 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.
또한, 본 발명을 구현함에 있어서 설명의 편의를 위하여 구성요소를 세분화하여 설명할 수 있으나, 이들 구성요소가 하나의 장치 또는 모듈 내에 구현될 수도 있고, 혹은 하나의 구성요소가 다수의 장치 또는 모듈들에 나뉘어져서 구현될 수도 있다.
차량 탑재형 열차 지진 경보 시스템
이하, 첨부된 도면을 참조하여 본 발명의 실시예에 따른 차량 탑재형 열차 지진 경보 시스템에 관하여 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 차량 탑재형 열차 지진 경보 시스템을 간략히 도시한 도면이고, 도 2는 센서 계측부, 열차진동 지반진동 기계학습 모델 생성부, 및 외부 인터페이스부를 간략히 도시한 도면이다.
도시된 바와 같이, 본 발명의 일 실시예에 따른 차량 탑재형 열차 지진 경보 시스템(1000)은 센서 계측부(100), 기계학습 모델 생성부(200), 열차 위험여부 판단 모델 생성부(300), 지진조기경보부(400)를 포함한다.
센서 계측부(100)는 열차 내부에 설치된다. 예를 들어, 센서 계측부(100)는 열차의 내부에 설치되는 복수의 센서(110, 130)를 포함한다.
구체적으로는, 복수의 센서(110, 130)는 GPS 수신기(110)와 가속도 센서(130)를 포함한다.
GPS 수신기(110)는 열차 내부에 적어도 하나 이상 구비될 수 있으며, 열차의 실시간 위치 정보를 수신하는 장치이다.
가속도 센서(130)는 GPS 수신기(110)와 함께 열차 내부에 적어도 하나 이상 구비될 수 있다. 가속도 센서(130)는 열차의 시간 별 가속도 값을 계측하는 센서인데, 구체적으로는 MEMS(Micro Electro Mechanical Systems) 가속도 센서(130)를 이용할 수 있다.
본 발명의 실시예에 따르면, GPS 수신기(110)는 열차의 바퀴와 차체 사이에 설치될 수 있다. GPS 수신기(110)가 설치되는 열차의 바퀴와 차체 사이 공간은 열차 내에서 진동이 상대적으로 낮은 위치에 해당하는데, GPS 수신기(110)는 이와 같이 열차 내에의 진동 저감 영역에 설치되어 열차의 실시간 위치정보를 수신할 수 있다.
또한, 본 발명의 실시예에 따르면, 가속도 센서(130)는 열차의 바퀴와 차체 사이의 진동 저감 영역에 위치할 수 있다. 이와 같이 GPS 수신기(110)와 가속도 센서(130)는 열차 내의 진동 저감 영역에 설치되어 계측 정밀도를 향상시킬 수 있으며, 열차 진동 영향을 상대적으로 덜 받을 수 있다.
이에 더하여, GPS 수신기(110)와 가속도 센서(130)는 단일의 보드를 통해 일체형 구조로 열차에 온 보드 방식으로 설치될 수 있는데, 이를 통해 유지 보수가 편리한 장점이 있다.
한편, 센서 계측부(100)는 시간이력 기록부(120), 진동수 추출부(125), 신호처리 필터링부(140), 및 피처 생성부(150)를 더 포함한다.
시간이력 기록부(120)는 GPS 수신기(110)로부터 수신된 열차의 위치 정보와, 가속도 센서(130)로부터 시간에 따라 계측된 가속도 값을 기록하여 시간이력 데이터를 생성한다.
진동수 추출부(125)는 상기 시간이력 기록부(120)에 기록된 시간이력 데이터를 FFT 분석하여 진동수 도메인으로 추출한다.
신호처리 필터링부(140)는 상기 추출된 FFT 결과를 바탕으로 피쳐 추출을 위한 데이터 변환을 수행하고 속도 대역별로 생성한 데이터를 활용하여 지진 감지 알고리즘을 도출한다. 예를 들어, 신호처리 필터링부(140)는 이동 평균(Moving average) 기법을 적용하여 기준시간, 예를 들면 5초 평균에 대한 FFT 결과를 결합시켜 이미지(이하, 이미지 데이터라 함)를 생성하고, 이미지 데이터를 속도 대역별로 생성하여 지진 감지 알고리즘을 도출해 낼 수 있다.
예를 들어, 도 4는 KTX 열차 진동 가속도(속도 대역 200km/h)의 이미지를 예시적으로 나타낸 것이며, 도 5는 KTX 열차 진동 가속도+지진 가속도(속도 대역 200km/h)의 이미지를 예시적으로 나타낸 것이다. 다만, 도 4 및 도 5는 본 발명의 지진 감지 알고리즘을 도출하는데 필요한 이미지 생성과 관련된 예시적 자료이며, 본 발명의 범주를 한정하지 않는다.
한편, 피처 생성부(150)는 상기 신호처리 필터링부(140)에서 도출된 결과를 이용하여 기계학습 모델 생성부(200)의 학습에 필요한 피처를 추출할 수 있다.
이와 같이 구성된 센서 계측부(100)는 열차 내에 설치되어 열차 진동하중 및 지진하중을 실시간으로 계측할 수 있다. 그리고 센서 계측부(100)에서 계측된 열차 진동하중 및 지진하중에 대한 데이터를 저장하여 데이터베이스를 구축할 수 있다.
예를 들어, 이때 구축되는 데이터베이스에는 열차 진동하중 데이터베이스와 지진하중 데이터베이스가 포함된다. 이에 더하여, 기계학습용 동적하중-시간이력 데이터베이스가 더 구축될 수 있는데, 이는 후술할 기계학습 모델 생성부(200)에서 이용될 수 있다.
기계학습 모델 생성부(200)는 센서 계측부(100)에서 계측된 열차 진동하중 및 지진하중을 식별하기 위한 기계학습 알고리즘을 생성한다. 이를 위해 기계학습 모델 생성부(200)는 딥러닝 분석부를 포함할 수 있다.
딥러닝 분석부는, 외부 인터페이스부(250)를 통해 다수의 딥러닝 모델 중 적어도 하나를 수신하는 딥러닝 모델 수신부(210)를 포함한다.
또한, 딥러닝 분석부는 딥러닝 모델 수신부(210)에서 수신된 적어도 하나의 딥러닝 모델로 상기 피처 생성부(150)에서 추출된 피처를 학습시켜 열차 진동하중 및 지진하중을 식별하고 지진 감지 여부를 예측하는 딥러닝 모델 예측부(220)를 포함한다.
또한, 딥러닝 분석부는 지진 이벤트 출력부(230)를 더 포함한다. 지진 이벤트 출력부(230)는 딥러닝 모델 예측부(220)에서 지진 감지로 예측한 경우, 지진 이벤트 신호를 다양한 방식으로 출력한다.
한편, 본 발명에 따르는 외부 인터페이스부(250)는 무선통신 인터페이스부(251), 화면출력 인터페이스부(253), 외부장비 인터페이스부(255), 저장매체 인터페이스부(255)를 포함한다.
무선통신 인터페이스부(251)는 통신망으로 연결되며, 상기 딥러닝 모델 수신부(210)에 딥러닝 모델을 송신하는데 이용될 수 있다.
화면출력 인터페이스부(253)는 상기 지진 이벤트 출력부(230)에서 출력된 지진 이벤트 신호를 전달 받아 열차 내에 구비된 디스플레이 디바이스(260)를 이용하여 시각적으로 출력하는데 이용될 수 있다.
외부장비 인터페이스부(255)는 상기 지진 이벤트 출력부(230)에서 출력된 지진 이벤트 신호를 전달 받아 열차 내에 설치된 경광봉(270)을 통해 설정 색상의 광을 발광시키고, 열차 내에 설치된 스피커를 통해 경고음을 출력하는데 이용될 수 있다.
저장매체 인터페이스부(255)는 상기 지진 이벤트 출력부(230)에서 출력된 지진 이벤트 신호를 전달 받아 지진 이벤트 저장매체(280)에 저장하는데 이용될 수 있다.
한편, 바람직한 예로서, 기계학습 모델 생성부(200)에서는 지진-열차 진동 하중 판별 기계학습 베이스라인 모델이 구현될 수 있다. 예를 들어, 스냅샷(Snapshot) 데이터를 처리하는 지진-열차 진동 하중 판별 기계학습 모델을 구현한다. 이를 위해, Logistic Regression, SVM, Random Forest, XGBoost, LightGBM 등 다양한 기계학습 모델이 이용될 수 있다.
그리고 지진-열차 진동 하중 판별 기계학습 실시간 모델이 구현될 수 있다. 예를 들어, 실시간으로 입력되는 데이터를 연속적으로 처리하는 지진-열차 진동 하중 판별 기계학습 모델이 구현될 수 있다. 이를 위해, LSTM과 같은 딥러닝 기반 기계학습 모델이 구현될 수 있다.
그리고 생성된 기계학습 모델에 대한 성능 평가 및 하이퍼 파라미터 튜닝이 이루어질 수 있다. 예를 들어, 다양한 데이터 연속 입력 상황에 대해서 각 기계학습 모델의 성능 평가(예: 소요 시간, 판별 정확도 등)이 수행될 수 있으며, 성능과 소요 시간 및 리소스를 고려한 최적의 Time Window 탐색이 이루어진다.
그리고 앙상블 알고리즘을 통한 기계학습 모델의 고도화 작업이 진행될 수 있다. 예를 들어, 여러 모델들을 조합하여 학습 모델의 판별 정확도를 개선할 수 있다.
열차 위험여부 판단 모델 생성부(300)는 딥러닝 분석부의 결과를 토대로 열차 위험여부를 판단할 수 있다.
예를 들어, 열차 위험여부 판단 모델 생성부(300)는 지진 유발 열차 피해 유형을 분석한다. 이때, 지반 붕괴, 구조물 붕괴, 산사태, 철로 변형, 열차 전복 등 열차의 주행을 불가능하게 하는 피해 원인을 유형별로 분석할 수 있다.
또한, 열차 위험여부 판단 모델 생성부(300)는 지진에 의한 열차 피해 모델을 생성할 수 있다. 이때, 규모 및 진앙거리에 따라 발생할 수 있는 철도 파괴 취약성 모델과, 규모, 진앙거리, 주변환경에 따른 열차 피해 및 탈선 확률 모델을 생성할 수 있다.
또한, 열차 위험여부 판단 모델 생성부(300)는 철도 피해정도 예측모델을 생성할 수 있다. 이때, 센서 계측부(100)에서 계측된 지진하중 데이터와, 열차 피해 모델을 이용하여 진동 계측 시 열차 위치로부터 설정거리(예: 10km 등) 단위별 철도 피해정도 및 확률 기초모델을 생성할 수 있다.
지진조기경보부(400)는 상기 열차 진동하중 및 지진하중의 식별 후 설정 시간(예: 5초, 10초 등) 이내에 경보를 출력할 수 있다.
예를 들어, 지진조기경보부(400)는 실시간 경보 메시지 전달체계를 생성하고, 지진 이벤트 발생에 따른 메시지 전파를 자동화 방식으로 구현할 수 있다.
구체적으로는, 진동 감지 후 10초 이내 경보가 가능하며, 열차의 서행 및 정지 경보를 출력할 수 있다.
또한, 본 발명에 실시예에 따르는 차량 탑재형 열차 지진 경보 시스템은 시뮬레이션부(500)를 더 포함한다. 시뮬레이션부(500)는 선행연구를 통한 시뮬레이션에 필요한 UI 및 UX 아이디어를 토대로 준비될 수 있다. 예를 들어, 주행 의사판단 가상현실의 배경으로 활용할 열차 운행의 다양한 시뮬레이션 환경을 촬영 및 편집하여 영상 데이터베이스를 구축할 수 있다. 또한, 촬영한 영상 데이터베이스를 기반으로 평상시 열차 주행 가상현실 시뮬레이션을 생성할 수 있다. 또한, 촬영한 영상 데이터베이스를 기반으로 지진발생시 열차 주행 가상현실 시뮬레이션을 생성할 수 있다. 이와 같이 생성된 가상현실 시뮬레이션에 전술한 차량 탑재형 열차 지진 경보 시스템을 연계할 수 있다. 이로써, 차량 탑재형 열차 지진 경보 시스템을 이용하여 주행 의사판단 가상현실 시뮬레이션이 가능하며, 사용자의 평가를 통해 시스템을 보완 및 개선할 수 있다
열차 지진경보 방법
이하, 본 발명의 실시예에 따른 열차 지진경보 방법에 관하여 설명하기로 한다. 도 3은 본 발명의 실시예에 따른 열차 지진경보 방법을 간략히 도시한 순서도이다. 본 발명의 실시예에 따른 열차 지진경보 방법은 전술한 차량 탑재형 열차 지진 경보 시스템을 이용하는 방법으로서, 필요할 경우 도 1 및 도 2를 병행 참조하여 설명하기로 한다.
도시된 바와 같이, 본 발명의 실시예에 따른 열차 지진경보 방법은 센서 계측 단계(S100), 기계학습 모델 생성단계(S200), 열차 위험여부 판단 모델 생성 단계(S300), 지진조기경보단계(S400)를 포함한다.
센서 계측 단계(S100)는 열차 내부에 설치되는 센서 계측부(100)에서, 열차 진동하중 및 지진하중을 계측하고, 계측된 열차 진동하중 및 지진하중에 대한 데이터를 저장하여 데이터베이스를 구축한다.
이 단계(S100)에서, 센서 계측부(100)는, 복수의 센서, 시각 가속도 추출부, 및 신호처리 필터링부(140)를 포함한다.
이때, 복수의 센서(110, 130)는 GPS 수신기(110)와 가속도 센서(130)를 포함한다.
GPS 수신기(110)는 열차 내부에 적어도 하나 이상 구비될 수 있으며, 열차의 실시간 위치 정보를 수신한다. 가속도 센서(130)는 GPS 수신기(110)와 함께 열차 내부에 적어도 하나 이상 구비되며, 열차의 시간 별 가속도 값을 계측한다. 가속도 센서(130)는 MEMS(Micro Electro Mechanical Systems) 가속도 센서(130)를 이용할 수 있다.
GPS 수신기(110)는 열차의 바퀴와 차체 사이에 설치될 수 있다. GPS 수신기(110)가 설치되는 열차의 바퀴와 차체 사이 공간은 열차 내에서 진동이 상대적으로 낮은 위치에 해당하는데, GPS 수신기(110)는 이와 같이 열차 내에의 진동 저감 영역에 설치되어 열차의 실시간 위치정보를 수신할 수 있다.
가속도 센서(130)는 열차의 바퀴와 차체 사이의 진동 저감 영역에 위치할 수 있다. 이와 같이 GPS 수신기(110)와 가속도 센서(130)는 열차 내의 진동 저감 영역에 설치되어 계측 정밀도를 향상시킬 수 있으며, 열차 진동 영향을 상대적으로 덜 받을 수 있다.
예컨대, GPS 수신기(110)와 가속도 센서(130)는 단일의 보드를 통해 일체형 구조로 열차에 온 보드 방식으로 설치될 수 있는데, 이를 통해 유지 보수가 편리한 장점이 있다.
또한, 이 단계(S100)는 상기 시간이력 기록부(120)에서, 상기 GPS 수신기(110)로부터 수신된 열차의 위치 정보와, 상기 가속도 센서(130)로부터 계측된 가속도 값을 기록하여 시간이력 데이터를 생성하는 단계를 포함한다. 또한, 이 단계(S100)는 상기 진동수 추출부(125)에서 시간이력 데이터를 FFT 분석하여 진동수 도메인으로 추출하는 단계를 더 포함한다.
나아가, 이 단계(S100)는 신호처리 필터링부(140)에서, 상기 추출된 FFT 결과를 바탕으로 피쳐 추출을 위한 데이터 변환을 수행하고 속도 대역별로 생성한 데이터를 활용하여 지진 감지 알고리즘을 도출하는 단계를 더 포함한다.
예를 들어, 신호처리 필터링부(140)에서는 상기 추출된 결과를 이동 평균(Moving average) 기법에 적용하여 기준시간 평균에 대한 FFT 결과를 결합시켜 이미지 데이터를 생성하고, 상기 생성된 이미지 데이터를 속도 대역별로 생성하여 지진 감지 알고리즘을 도출할 수 있다.
그리고 한편, 이 단계(S100)는 피처 생성부(150)에서, 상기 신호처리 필터링부(140)에서 도출된 결과를 이용하여 상기 기계학습 모델 생성부(200)의 학습에 필요한 피처를 추출하는 단계를 더 포함한다.
이와 같이, 이 단계(S100)에서, 센서 계측부(100)는 열차 내에 설치되어 열차 진동하중 및 지진하중을 실시간으로 계측하고, 계측된 열차 진동하중 및 지진하중에 대한 데이터를 저장하여 데이터베이스를 구축할 수 있다. 여기서, 데이터베이스는 열차 진동하중 데이터베이스와 지진하중 데이터베이스는 물론, 이에 더하여 기계학습용 동적하중-시간이력 데이터베이스를 포함한다. 기계학습용 동적하중-시간이력 데이터베이스는 후술할 기계학습 모델 생성 단계(S200)에서 이용될 수 있다.
기계학습 모델 생성 단계(S200)는 딥러닝 분석부에서 센서 계측부(100)로부터 계측된 열차 진동하중 및 지진하중을 식별하기 위한 기계학습 알고리즘을 생성한다.
이를 위해 기계학습 모델 생성부(200)는 딥러닝 분석부를 포함할 수 있다. 딥러닝 분석부는, 딥러닝 모델 수신부(210), 딥러닝 모델 예측부(220), 및 지진 이벤트 출력부(230)를 포함한다.
구체적으로, 이 단계(S200)는 딥러닝 모델 수신 단계, 딥러닝 모델 예측 단계, 지진 이벤트 출력 단계를 포함한다. 딥러닝 모델 수신 단계는 딥러닝 모델 수신부(210)에서, 외부 인터페이스부(250)를 통해 다수의 딥러닝 모델 중 적어도 하나를 수신할 수 있다. 딥러닝 모델 예측 단계는 딥러닝 모델 예측부(220)에서, 상기 딥러닝 모델 수신부(210)에서 수신된 적어도 하나의 딥러닝 모델로 상기 피처 생성부(150)에서 추출된 피처를 학습시켜 열차 진동하중 및 지진하중을 식별하고 지진 감지 여부를 예측할 수 있다. 지진 이벤트 출력 단계는 지진 이벤트 출력부(230)에서, 상기 딥러닝 모델 예측부(220)에서 지진 감지로 예측한 경우, 지진 이벤트 신호를 출력할 수 있다.
외부 인터페이스부(250)는 무선통신 인터페이스부(251), 화면출력 인터페이스부(253), 외부장비 인터페이스부(255), 저장매체 인터페이스부(255)를 포함한다. 무선통신 인터페이스부(251)는 통신망으로 연결되며, 상기 딥러닝 모델 수신부(210)에 딥러닝 모델을 송신하는데 이용될 수 있다. 화면출력 인터페이스부(253)는 상기 지진 이벤트 출력부(230)에서 출력된 지진 이벤트 신호를 전달 받아 열차 내에 구비된 디스플레이 디바이스(260)를 이용하여 시각적으로 출력하는데 이용될 수 있다. 외부장비 인터페이스부(255)는 상기 지진 이벤트 출력부(230)에서 출력된 지진 이벤트 신호를 전달 받아 열차 내에 설치된 경광봉(270)을 통해 설정 색상의 광을 발광시키고, 열차 내에 설치된 스피커를 통해 경고음을 출력하는데 이용될 수 있다. 저장매체 인터페이스부(255)는 상기 지진 이벤트 출력부(230)에서 출력된 지진 이벤트 신호를 전달 받아 지진 이벤트 저장매체(280)에 저장하는데 이용될 수 있다.
열차 위험여부 판단 모델 생성 단계(S300)는 열차 위험여부 판단 모델 생성부(300)에서, 상기 딥러닝 분석부의 결과를 토대로 열차 위험여부를 판단한다.
예를 들어, 이 단계(S300)에서는 지진 유발 열차 피해 유형을 분석할 수 있다. 이때, 지반 붕괴, 구조물 붕괴, 산사태, 철로 변형, 열차 전복 등 열차의 주행을 불가능하게 하는 피해 원인을 유형별로 분석할 수 있다. 또한, 이 단계(S300)에서는 지진에 의한 열차 피해 모델을 생성할 수 있다. 이때, 규모 및 진앙거리에 따라 발생할 수 있는 철도 파괴 취약성 모델과, 규모, 진앙거리, 주변환경에 따른 열차 피해 및 탈선 확률 모델을 생성할 수 있다. 또한, 이 단계(S300)에서는 철도 피해정도 예측모델을 생성할 수 있다. 이때, 센서 계측부(100)에서 계측된 지진하중 데이터와, 열차 피해 모델을 이용하여 진동 계측 시 열차 위치로부터 설정거리(예: 10km 등) 단위별 철도 피해정도 및 확률 기초모델을 생성할 수 있다.
지진조기경보단계(S400)는 지진조기경보부(400)에서, 열차 진동하중 및 지진하중의 식별 후 설정 시간 이내에 경보를 출력한다. 예를 들어, 이 단계(S400)에서는 실시간 경보 메시지 전달체계를 생성하고, 지진 이벤트 발생에 따른 메시지 전파를 자동화 방식으로 구현할 수 있다. 구체적으로는, 진동 감지 후 설정 시간(예: 5초, 10초 등) 이내에 경보가 가능하며, 열차의 서행 및 정지 경보를 출력할 수 있다.
상술한 바와 같이, 본 발명의 구성 및 작용에 따르면, 열차 내에 지진진동 감지 센서를 설치하여 실시간 지진진동을 계측하고, 비교적 짧은 시간(예: 10초 등) 이내에 지진조기경보가 가능한 유리한 효과를 가져올 수 있다.
이상과 같이 본 발명에 대해서 예시한 도면을 참조로 하여 설명하였으나, 본 명세서에 개시된 실시예와 도면에 의해 본 발명이 한정되는 것은 아니며, 본 발명의 기술사상의 범위 내에서 통상의 기술자에 의해 다양한 변형이 이루어질 수 있음은 자명하다. 아울러 앞서 본 발명의 실시예를 설명하면서 본 발명의 구성에 따른 작용 효과를 명시적으로 기재하여 설명하지 않았을지라도, 해당 구성에 의해 예측 가능한 효과 또한 인정되어야 함은 당연하다.
S100: 센서 계측 단계
S200: 기계학습 모델 생성 단계
S300: 열차 위험여부 판단 모델 생성 단계
S400: 지진조기경보단계
1000: 차량 탑재형 열차 지진 경보 시스템
100: 센서 계측부
110: GPS 수신기
120: 시간이력 기록부
125: 진동수 추출부
130: 가속도 센서
140: 신호처리 필터링부
150: 피처 생성부
200: 기계학습 모델 생성부
210: 딥러닝 모델 수신부
220: 딥러닝 모델 예측부
230: 지진 이벤트 출력부
250: 외부 인터페이스부
251: 무선통신 인터페이스부
253: 화면출력 인터페이스부
255: 외부장비 인터페이스부
257: 저장매체 인터페이스부
260: 디스플레이 디바이스
270: 경광봉
280: 저장매체
300: 열차 위험여부 판단 모델 생성부
400: 지진조기경보부
500: 시뮬레이션부
S200: 기계학습 모델 생성 단계
S300: 열차 위험여부 판단 모델 생성 단계
S400: 지진조기경보단계
1000: 차량 탑재형 열차 지진 경보 시스템
100: 센서 계측부
110: GPS 수신기
120: 시간이력 기록부
125: 진동수 추출부
130: 가속도 센서
140: 신호처리 필터링부
150: 피처 생성부
200: 기계학습 모델 생성부
210: 딥러닝 모델 수신부
220: 딥러닝 모델 예측부
230: 지진 이벤트 출력부
250: 외부 인터페이스부
251: 무선통신 인터페이스부
253: 화면출력 인터페이스부
255: 외부장비 인터페이스부
257: 저장매체 인터페이스부
260: 디스플레이 디바이스
270: 경광봉
280: 저장매체
300: 열차 위험여부 판단 모델 생성부
400: 지진조기경보부
500: 시뮬레이션부
Claims (11)
- 열차 내부에 설치되며, 열차 진동하중 및 지진하중을 계측하고, 계측된 열차 진동하중 및 지진하중에 대한 데이터를 저장하여 데이터베이스를 구축하는 센서 계측부;
상기 센서 계측부에서 계측된 열차 진동하중 및 지진하중을 식별하기 위한 기계학습 알고리즘을 생성하는 딥러닝 분석부를 포함하는 기계학습 모델 생성부;
상기 딥러닝 분석부의 결과를 토대로 열차 위험여부를 판단하는 열차 위험여부 판단 모델 생성부; 및
상기 열차 진동하중 및 지진하중의 식별 후 설정 시간 이내에 경보를 출력하는 지진조기경보부;
를 포함하는 차량 탑재형 열차 지진 경보 시스템.
- 제1항에 있어서,
상기 센서 계측부는 열차의 내부에 설치되는 복수의 센서를 포함하며,
상기 복수의 센서는,
열차 내부에 적어도 하나 구비되며, 열차의 위치 정보를 수신하는 GPS 수신기; 및
열차 내부에 적어도 하나 구비되며, 열차의 시간 별 가속도 값을 계측하는 가속도 센서;
를 포함하는 차량 탑재형 열차 지진 경보 시스템.
- 제2항에 있어서,
상기 센서 계측부는,
상기 GPS 수신기로부터 수신된 열차의 위치 정보와, 상기 가속도 센서로부터 계측된 가속도 값을 기록하는 시간이력 기록부;
상기 시간이력 기록부에 기록된 시간이력 데이터를 FFT 분석하여 진동수 도메인으로 추출하는 진동수 추출부;
상기 추출된 FFT 결과를 바탕으로 피쳐 추출을 위한 데이터 변환을 수행하고 속도 대역별로 생성된 데이터를 활용하여 지진 감지 알고리즘을 도출하는 신호처리 필터링부; 및
상기 신호처리 필터링부에서 도출된 결과를 이용하여 상기 기계학습 모델 생성부의 학습에 필요한 피처를 추출하는 피처 생성부;
를 포함하는 차량 탑재형 열차 지진 경보 시스템.
- 제3항에 있어서,
상기 딥러닝 분석부는,
외부 인터페이스부를 통해 다수의 딥러닝 모델 중 적어도 하나를 수신하는 딥러닝 모델 수신부;
상기 딥러닝 모델 수신부에서 수신된 적어도 하나의 딥러닝 모델로 상기 피처 생성부에서 추출된 피처를 학습시켜 열차 진동하중 및 지진하중을 식별하고 지진 감지 여부를 예측하는 딥러닝 모델 예측부; 및
상기 딥러닝 모델 예측부에서 지진 감지로 예측한 경우, 지진 이벤트 신호를 출력하는 지진 이벤트 출력부;
를 포함하는 차량 탑재형 열차 지진 경보 시스템.
- 제4항에 있어서,
상기 외부 인터페이스부는,
통신망으로 연결되며, 상기 딥러닝 모델 수신부에 딥러닝 모델을 송신하는 무선통신 인터페이스부;
상기 지진 이벤트 출력부에서 출력된 지진 이벤트 신호를 전달 받아 열차 내에 구비된 디스플레이 디바이스를 이용하여 시각적으로 출력하는 화면출력 인터페이스부; 및
상기 지진 이벤트 출력부에서 출력된 지진 이벤트 신호를 전달 받아 열차 내에 설치된 경광봉을 통해 설정 색상의 광을 발광시키고, 열차 내에 설치된 스피커를 통해 경고음을 출력하는 외부장비 인터페이스부;
를 포함하는 차량 탑재형 열차 지진 경보 시스템.
- 제2항에 있어서,
상기 외부 인터페이스부는,
상기 지진 이벤트 출력부에서 출력된 지진 이벤트 신호를 전달 받아 지진 이벤트 저장매체에 저장하는 저장매체 인터페이스부;
를 더 포함하는 차량 탑재형 열차 지진 경보 시스템.
- 제6항에 있어서,
상기 GPS 수신기는,
열차의 바퀴와 차체 사이의 진동 저감 영역에 위치하며,
상기 가속도 센서는,
열차의 바퀴와 차체 사이의 진동 저감 영역에 위치하되, 상기 GPS 수신기와 단일보드를 통해 일체형 구조로 열차에 설치되는 것을 특징으로 하는
차량 탑재형 열차 지진 경보 시스템.
- 센서 계측부, 딥러닝 분석부를 포함하는 기계학습 모델 생성부, 열차 위험여부 판단 모델 생성부, 및 지진조기경보부를 포함하는 차량 탑재형 열차 지진 경보 시스템을 이용한 열차 지진경보 방법으로서,
(a) 열차 내부에 설치되는 상기 센서 계측부에서, 열차 진동하중 및 지진하중을 계측하고, 계측된 열차 진동하중 및 지진하중에 대한 데이터를 저장하여 데이터베이스를 구축하는 단계;
(b) 상기 딥러닝 분석부에서, 상기 센서 계측부에서 계측된 열차 진동하중 및 지진하중을 식별하기 위한 기계학습 알고리즘을 생성하는 단계;
(c) 상기 열차 위험여부 판단 모델 생성부에서, 상기 딥러닝 분석부의 결과를 토대로 열차 위험여부를 판단하는 단계; 및
(d) 상기 지진조기경보부에서, 상기 열차 진동하중 및 지진하중의 식별 후 설정 시간 이내에 경보를 출력하는 단계;
를 포함하는 열차 지진경보 방법.
- 제8항에 있어서,
상기 (a) 단계에서, 상기 센서 계측부는, 복수의 센서, 시각 가속도 추출부, 및 신호처리 필터링부를 포함하며, 상기 복수의 센서는, 열차 내부에 적어도 하나 구비되며, 열차의 위치 정보를 수신하는 GPS 수신기와, 열차 내부에 적어도 하나 구비되며, 열차의 시간 별 가속도 값을 계측하는 가속도 센서를 포함하는
열차 지진경보 방법.
- 제9항에 있어서,
상기 (a) 단계는,
(a-1) 상기 시간이력 기록부에서, 상기 GPS 수신기로부터 수신된 열차의 위치 정보와, 상기 가속도 센서로부터 계측된 가속도 값을 기록하여 시간이력 테이터를 생성하는 단계;
(a-2) 상기 진동수 추출부에서, 상기 시간이력 데이터를 FFT 분석하여 진동수 도메인으로 추출하는 단계;
(a-3) 상기 신호처리 필터링부에서, 상기 추출된 FFT 결과를 바탕으로 피쳐 추출을 위한 데이터 변환을 수행하고 속도 대역별로 생성된 데이터를 활용하여 지진 감지 알고리즘을 도출하는 단계; 및
(a-4) 상기 피처 생성부에서, 상기 신호처리 필터링부에서 도출된 결과를 이용하여 상기 기계학습 모델 생성부의 학습에 필요한 피처를 추출하는 단계;
를 포함하는 열차 지진경보 방법.
- 제10항에 있어서,
상기 (b) 단계에서, 상기 딥러닝 분석부는, 딥러닝 모델 수신부, 딥러닝 모델 예측부, 및 지진 이벤트 출력부를 포함하고,
상기 (b) 단계는,
(b-1) 상기 딥러닝 모델 수신부에서, 외부 인터페이스부를 통해 다수의 딥러닝 모델 중 적어도 하나를 수신하는 단계;
(b-2) 상기 딥러닝 모델 예측부에서, 상기 딥러닝 모델 수신부에서 수신된 적어도 하나의 딥러닝 모델로 상기 피처 생성부에서 추출된 피처를 학습시켜 열차 진동하중 및 지진하중을 식별하고 지진 감지 여부를 예측하는 단계; 및
(b-3) 상기 지진 이벤트 출력부에서, 상기 딥러닝 모델 예측부에서 지진 감지로 예측한 경우, 지진 이벤트 신호를 출력하는 단계;
를 포함하는 열차 지진 경보 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190141979A KR102264039B1 (ko) | 2019-11-07 | 2019-11-07 | 차량 탑재형 열차 지진 경보 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190141979A KR102264039B1 (ko) | 2019-11-07 | 2019-11-07 | 차량 탑재형 열차 지진 경보 시스템 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210055478A true KR20210055478A (ko) | 2021-05-17 |
| KR102264039B1 KR102264039B1 (ko) | 2021-06-11 |
Family
ID=76158222
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190141979A KR102264039B1 (ko) | 2019-11-07 | 2019-11-07 | 차량 탑재형 열차 지진 경보 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102264039B1 (ko) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3106965B2 (ja) * | 1996-07-03 | 2000-11-06 | 松下電器産業株式会社 | 感震装置 |
| KR101333002B1 (ko) * | 2012-05-24 | 2013-11-27 | 한국철도기술연구원 | 철도용 지진 조기경보 시스템 및 그 방법 |
| JP2016156712A (ja) * | 2015-02-25 | 2016-09-01 | Kddi株式会社 | 学習による地震判定が可能な地震判定装置、システム、プログラム及び方法 |
| KR20190080712A (ko) * | 2017-12-28 | 2019-07-08 | (주)대우건설 | 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법 및 이에 의한 진도예측 시스템 |
-
2019
- 2019-11-07 KR KR1020190141979A patent/KR102264039B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3106965B2 (ja) * | 1996-07-03 | 2000-11-06 | 松下電器産業株式会社 | 感震装置 |
| KR101333002B1 (ko) * | 2012-05-24 | 2013-11-27 | 한국철도기술연구원 | 철도용 지진 조기경보 시스템 및 그 방법 |
| JP2016156712A (ja) * | 2015-02-25 | 2016-09-01 | Kddi株式会社 | 学習による地震判定が可能な地震判定装置、システム、プログラム及び方法 |
| KR20190080712A (ko) * | 2017-12-28 | 2019-07-08 | (주)대우건설 | 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법 및 이에 의한 진도예측 시스템 |
Non-Patent Citations (1)
| Title |
|---|
| 비특허 1 * |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102264039B1 (ko) | 2021-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10928546B2 (en) | Optic fibre sensing | |
| CN108603785B (zh) | 用于监视铁路网络的分布式光纤感测 | |
| US9908543B2 (en) | System and method for inspecting a route during movement of a vehicle system over the route | |
| US10377397B2 (en) | Detection of anomalies in rail wheelsets | |
| CN104203713B (zh) | 检测列车分离 | |
| CN109641604A (zh) | 用于列车中力监控的分布式光纤感测 | |
| KR101820805B1 (ko) | 지표 투과 레이더 탐사장치 | |
| US20210253149A1 (en) | Methods and systems for monitoring a transportation path with acoustic or vibration sensing | |
| Kalra et al. | Analyzing driver behavior using smartphone sensors: a survey | |
| KR20190064035A (ko) | 분산음향광센서 기반 철도운행 상태 감시 시스템 및 그 방법 | |
| JP2023553479A (ja) | 分散型インテリジェントｓｎａｐインフォマティクス | |
| JP2023538474A (ja) | ケーブル切断防止のための統計的画像処理に基づく異常検出 | |
| Sharma et al. | S-road assist: Road surface conditions and driving behavior analysis using smartphones | |
| JP2024514865A (ja) | 電柱の危険事象の位置特定 | |
| KR102264039B1 (ko) | 차량 탑재형 열차 지진 경보 시스템 및 방법 | |
| US11846569B2 (en) | Utility pole integrity assessment by distributed acoustic sensing and machine learning | |
| Entezami et al. | Lineside and on-board monitoring techniques for infrastructure and rolling stock on high-speed lines | |
| Morais et al. | Continuous monitoring and evaluation of railway tracks: system description and assessment | |
| JPH09264766A (ja) | 岩石崩落監視装置及び岩石崩壊監視交通システム | |
| KR20140085905A (ko) | 철도차량의 주행소음을 이용한 선로 진단 방법 및 장치 | |
| Chraim et al. | Monitoring track health using rail vibration sensors | |
| CN113286735A (zh) | 铁路监视系统、铁路监视设备、铁路监视方法和非暂时性计算机可读介质 | |
| KR20180123770A (ko) | 열차 진동 측정 앱을 탑재한 스마트폰 | |
| US20240199095A1 (en) | Abnormality detection device, abnormality detection method, and storage medium | |
| Shrestha et al. | A classification tree-based system for multi-sensor train approach detection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |