KR20210074541A - Error detection and visualization method using Automotive Intelligence Knowledge-Base based on Digital Twin - Google Patents
Error detection and visualization method using Automotive Intelligence Knowledge-Base based on Digital Twin Download PDFInfo
- Publication number
- KR20210074541A KR20210074541A KR1020190165318A KR20190165318A KR20210074541A KR 20210074541 A KR20210074541 A KR 20210074541A KR 1020190165318 A KR1020190165318 A KR 1020190165318A KR 20190165318 A KR20190165318 A KR 20190165318A KR 20210074541 A KR20210074541 A KR 20210074541A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- error
- construction equipment
- error detection
- virtual space
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 238000007794 visualization technique Methods 0.000 title 1
- 238000010276 construction Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000007493 shaping process Methods 0.000 claims description 28
- 238000004891 communication Methods 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 10
- 230000002159 abnormal effect Effects 0.000 abstract description 8
- 238000004088 simulation Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/003—Navigation within 3D models or images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Automation & Control Theory (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Component Parts Of Construction Machinery (AREA)
Abstract
Description
본 발명은 에 관한 것으로, 더욱 상세하게는 디지털 트윈 기술을 통해 물리적 현실세계의 건설 장비의 오류를 탐지하고, Automotive Intelligence 서비스 사용자에게 탐지 결과가 형상화된 정보들을 제공하는 방법에 관한 것이다.The present invention relates to, and more particularly, to a method of detecting errors in construction equipment in the physical real world through digital twin technology, and providing information in which the detection results are shaped to an Automotive Intelligence service user.
종래에 위성통신, 위치정보, 웹 솔루션, S/W 등 IT 기술을 접목한 건설 장비의 원격 관리 기술이나, 또는 ICT 기술을 건설 장비에 적용하여 장비 위치와 가동 상황, 엔진과 유압계통 등 주요 시스템의 상태 데이터를 수집하기 위한 텔레매틱스를 구축하는 기술 등은 개발되고 있지만, 수집된 데이터들을 가공하고, 이를 실시간으로 형상화할 수 있도록, 건설 장비에 디지털 트윈을 활용한 응용 서비스가 적용된 사례는 부족한 실정이다.In the past, remote management technology of construction equipment incorporating IT technology such as satellite communication, location information, web solution, and S/W, or by applying ICT technology to construction equipment, major systems such as equipment location and operation status, engine and hydraulic system, etc. Techniques for building telematics to collect state data of the city are being developed, but there are few cases in which application services using digital twins are applied to construction equipment so that the collected data can be processed and shaped in real time. .
따라서, 단순히 건설 장비를 원격 제어하거나 상태 데이터를 수집하는 것에 그치지 않고, 수집된 상태 데이터를 가공하여, 실시간으로 건설 장비의 상태 이상을 탐지하고, 탐지 결과를 형상화하기 위한 방안의 모색이 요구된다. Therefore, it is required not only to remotely control construction equipment or to collect state data, but to process the collected state data to detect abnormal state of construction equipment in real time, and to find a way to shape the detection result.
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은, 건설 장비의 상태 데이터를 가공하여, 디지털 트윈 기술을 통해 물리적 현실세계의 건설 장비의 오류를 탐지하고, 탐지 결과를 형상화하여, 안전한 건설 장비의 활용 환경을 제공할 수 있는 디지털 트윈 기반 Automotive Intelligence 지식베이스를 이용한 오류 탐지 및 형상화 방법을 제공함에 있다.The present invention has been devised to solve the above problems, and an object of the present invention is to process state data of construction equipment, detect errors in construction equipment in the physical real world through digital twin technology, and collect the detection results It is to provide an error detection and shaping method using a digital twin-based Automotive Intelligence knowledge base that can shape and provide a safe construction equipment utilization environment.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른, 오류 탐지 및 형상화 방법은, 건설 장비의 위치 데이터, 작업 데이터 및 상태 데이터를 수집하는 단계; 및 수집된 데이터들을 기반으로 직관적 형상화가 가능한 디지털 트윈 타입으로 구현된 가상공간 모델을 갱신하고, 갱신된 가상공간 모델의 오류 상황을 탐지하는 단계;를 포함한다. According to an embodiment of the present invention for achieving the above object, an error detection and shaping method includes: collecting location data, work data and status data of construction equipment; and updating the virtual space model implemented as a digital twin type that can be intuitively shaped based on the collected data, and detecting an error condition of the updated virtual space model.
또한, 탐지 단계는, 수집된 데이터들을 기반으로 갱신된 가상공간 모델의 엔진 RPM 값 또는 메인 하중(weight) 값이 정상범위를 초과하거나 미달하는 경우, 오류가 발생된 것을 판단할 수 있다. Also, in the detection step, when an engine RPM value or a main weight value of the virtual space model updated based on the collected data exceeds or falls below a normal range, it may be determined that an error has occurred.
한편, 본 발명의 일 실시예에 따른, 오류 탐지 및 형상화 방법은, 오류 발생 여부 및 오류가 발생된 영역의 위치정보를 포함하는 오류 정보가 가상공간 모델에 형상화되는 단계;를 더 포함할 수 있다. Meanwhile, the error detection and shaping method according to an embodiment of the present invention may further include: shaping error information including whether an error has occurred and location information of a region where the error has occurred in the virtual space model. .
그리고 탐지 단계는, 일시적으로 기설정된 정상범위를 초과하거나 미달하는 이상치 데이터를 필터링하기 위해, 데이터의 수집 주기에 따라 연속된 시점(time)에 수집된 데이터들을 연속적으로 검증하여, 오류를 탐지할 수 있다. In the detection step, in order to filter outlier data that temporarily exceeds or falls short of a preset normal range, the data collected at consecutive times according to the data collection cycle is continuously verified to detect an error. have.
또한, 상태 데이터는, 건설 장비의 주요 제원(諸元) 및 성능 지표에 대한 정보를 포함하며, 건설 장비가 크레인인 경우, 엔진 RPM 값 데이터, 크레인의 붐(boom)대가 부담하는 하중 값 데이터, 작업 반경을 산출하기 위한 붐대의 길이 데이터, 붐대의 방위각 데이터 및 붐대의 리프트 각도 데이터를 더 포함할 수 있다. In addition, the state data includes information on main specifications and performance indicators of construction equipment, and when the construction equipment is a crane, engine RPM value data, load value data borne by a boom unit of the crane, The length data of the boom for calculating the working radius, the azimuth data of the boom and the lift angle data of the boom may be further included.
그리고 작업 데이터는, 건설 장비가 수행하고자 하는 작업에 대한 정보가 포함되며, 탐지 단계는, 상태 데이터를 기반으로 오류 탐지 시 이용되는 정상범위가 설정되되, 수집된 작업 데이터의 종류에 따라 설정된 정상범위가 조정될 수 있다. And the work data includes information on the work to be performed by the construction equipment, and in the detection step, a normal range used for error detection based on the state data is set, and the normal range set according to the type of the collected work data can be adjusted.
또한, 위치 데이터는, 위도 데이터, 경도 데이터 및 고도 데이터를 포함할 수 있다. In addition, the location data may include latitude data, longitude data, and altitude data.
한편, 본 발명의 다른 실시예에 따른, 오류 탐지 및 형상화 시스템은, 건설 장비의 위치 데이터, 작업 데이터 및 상태 데이터를 수집하는 통신부; 및 수집된 데이터들을 기반으로 직관적 형상화가 가능한 디지털 트윈 타입으로 구현된 가상공간 모델을 갱신하고, 갱신된 가상공간 모델의 오류 상황을 탐지하는 프로세서;를 포함한다.On the other hand, according to another embodiment of the present invention, an error detection and shaping system, a communication unit for collecting location data, work data and state data of construction equipment; and a processor that updates the virtual space model implemented as a digital twin type that can be intuitively shaped based on the collected data and detects an error condition of the updated virtual space model.
이상 설명한 바와 같이, 본 발명의 실시예들에 따르면, 건설장비의 수집 데이터 종류에 상관없이 정상/비정상 범위만 정해지면 분류할 수 있어, 범용적으로 디지털 트윈 기술을 통해 물리적 현실세계의 건설 장비의 오류를 탐지하고, 탐지 결과를 형상화하여, 안전한 건설 장비의 활용 환경을 제공할 수 있다. As described above, according to the embodiments of the present invention, it is possible to classify only the normal/abnormal range regardless of the type of collected data of construction equipment, so that the general purpose of digital twin technology is that of construction equipment in the physical real world. It is possible to provide a safe application environment for construction equipment by detecting errors and shaping the detection results.
본 발명의 실시예들에 따르면, 3차원 형상화 모사에 따라 각 축을 중심으로 회전하며 오류 상황을 인지할 수 있으며, 대규모 건설 기계장비의 IoT 데이터 수집 지원을 통한 통신 환경에 자유도를 향상시키고, 수집 데이터를 그래프 이미지로 표현해 각 부품의 정상/비정상 상태로 분류하는 학습 모델을 지원할 수 있다.According to embodiments of the present invention, it is possible to recognize an error situation by rotating about each axis according to the three-dimensional modeling simulation, improve the degree of freedom in the communication environment through IoT data collection support of large-scale construction machinery equipment, and collect data can be expressed as a graph image to support a learning model that classifies each part into normal/abnormal state.
도 1은 본 발명의 일 실시예에 따른 디지털 트윈 기반 Automotive Intelligence 지식베이스를 이용한 오류 탐지 및 형상화 방법의 설명에 제공된 흐름도,
도 2는 디지털 트윈 타입으로 구현된 가상공간 모델이 예시된 도면,
도 3은 정상 상태의 가상공간 모델이 예시된 도면,
도 4 내지 도 5는 오류 탐지 시, 오류 정보가 형상화된 가상공간 모델이 예시된 도면,
도 6 내지 도 7은 오류 상황을 탐지하는 과정의 설명에 제공된 도면, 그리고
도 8은 본 발명의 일 실시예에 따른 디지털 트윈 기반 Automotive Intelligence 지식베이스를 이용한 오류 탐지 및 형상화 시스템의 설명에 제공된 도면이다. 1 is a flowchart provided for explaining an error detection and shaping method using a digital twin-based Automotive Intelligence knowledge base according to an embodiment of the present invention;
2 is a diagram illustrating a virtual space model implemented as a digital twin type;
3 is a diagram illustrating a virtual space model in a normal state;
4 to 5 are diagrams illustrating a virtual space model in which error information is shaped when an error is detected;
6 to 7 are diagrams provided for the description of a process for detecting an error condition, and
8 is a diagram provided to explain an error detection and shaping system using a digital twin-based Automotive Intelligence knowledge base according to an embodiment of the present invention.
이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.Hereinafter, the present invention will be described in more detail with reference to the drawings.
도 1은 본 발명의 일 실시예에 따른 디지털 트윈 기반 Automotive Intelligence 지식베이스를 이용한 오류 탐지 및 형상화 방법(이하에서는 '오류 탐지 및 형상화 방법'으로 총칭하기로 함)의 설명에 제공된 흐름도이다. 1 is a flowchart provided for explaining an error detection and shaping method (hereinafter, collectively referred to as 'error detection and shaping method') using a digital twin-based Automotive Intelligence knowledge base according to an embodiment of the present invention.
본 실시예에 따른 오류 탐지 및 형상화 방법은, 건설 장비의 상태 데이터를 가공하여, 디지털 트윈 기술을 통해 물리적 현실세계의 건설 장비의 오류를 탐지하고, 탐지 결과를 형상화할 수 있다.The error detection and shaping method according to the present embodiment may process state data of construction equipment, detect errors in construction equipment in the physical real world through digital twin technology, and shape the detection result.
이를 위해, 본 오류 탐지 및 형상화 방법은, 건설 장비의 위치 데이터, 작업 데이터 및 상태 데이터를 수집하는 수집 단계(S110), 수집된 데이터들을 기반으로 가상공간 모델을 갱신하고, 갱신된 가상공간 모델의 오류 상황을 탐지하는 탐지 단계(S120) 및 오류 발생 여부 및 오류가 발생된 영역의 위치정보를 포함하는 오류 정보가 가상공간 모델에 형상화되는 형상화 단계(S130)로 구성될 수 있다. To this end, the present error detection and shaping method includes a collection step (S110) of collecting location data, work data and state data of construction equipment, updating a virtual space model based on the collected data, and generating the updated virtual space model. It may be composed of a detection step (S120) of detecting an error situation, and a shaping step (S130) in which error information including whether an error has occurred and location information of an area where the error has occurred is formed in the virtual space model.
여기서, 가상공간 모델은, 도 2에 예시된 바와 같이 직관적 형상화가 가능한 디지털 트윈 타입으로 구현되는 가상공간 모델을 의미한다. Here, the virtual space model refers to a virtual space model implemented as a digital twin type that can be intuitively shaped as illustrated in FIG. 2 .
그리고 오류 정보는 색상, 형상, 텍스트 등으로 형상화될 수 있다. In addition, the error information may be formed in a color, shape, text, or the like.
또한, 탐지 단계(S120)에서는, 수집된 데이터들을 기반으로 갱신된 가상공간 모델의 엔진 RPM 값 또는 메인 하중(weight) 값이 정상범위를 초과하거나 미달하는 경우, 오류가 발생된 것을 판단할 수 있다. Also, in the detection step S120, when the engine RPM value or main weight value of the virtual space model updated based on the collected data exceeds or falls below the normal range, it may be determined that an error has occurred. .
즉, 수집된 데이터들을 기반으로 갱신된 가상공간 모델에 오류 발생 여부를 판단하여, 정상 상태인 경우, 도 3과 같이 형상화할 수 있으며, 오류가 발생된 것으로 판단되면, 도 4 내지 도 5에 예시된 바와 같이 가상공간 모델이 갱신되어, 오류 정보가 형상화될 수 있다. That is, it is determined whether an error has occurred in the updated virtual space model based on the collected data, and if it is in a normal state, it can be shaped as shown in FIG. 3, and if it is determined that an error has occurred, it is illustrated in FIGS. 4 to 5 As described above, the virtual space model is updated, and error information can be formed.
더불어, 탐지 단계(S120)에서는, 일시적으로 기설정된 정상범위를 초과하거나 미달하는 이상치 데이터를 필터링하기 위해, 데이터의 수집 주기에 따라 연속된 시점(time)에 수집된 데이터들을 연속적으로 검증하여, 오류를 탐지할 수 있다. In addition, in the detection step ( S120 ), in order to filter outlier data that temporarily exceeds or falls short of a preset normal range, the data collected at successive time points according to the data collection period are continuously verified, can be detected.
다른 예를 들면, 탐지 단계(S120)에서는, 수집된 데이터들을 기반으로 갱신된 가상공간 모델의 엔진 RPM 값 또는 메인 하중(weight) 값이 정상범위를 초과하거나 미달하는 횟수가 기설정된 시간 안에 3회 또는 5회 이상 발생되는 것으로 판단되면, 오류가 발생된 것을 판단할 수 있다. For another example, in the detection step ( S120 ), the number of times the engine RPM value or main weight value of the virtual space model updated based on the collected data exceeds or falls short of the normal range is three times within a preset time. Alternatively, if it is determined that the error occurs five or more times, it may be determined that an error has occurred.
도 6 내지 도 7은 오류 상황을 탐지하는 과정의 설명에 제공된 도면이다. 6 to 7 are diagrams provided to explain a process of detecting an error condition.
본 오류 탐지 및 형상화 방법은, IoT 데이터 프로토콜을 기반으로 건설 장비 데이터의 실시간 수집하고, 수집된 데이터를 가공하여, 디지털 트윈 기술을 통한 물리적 현실세계의 건설 장비의 가상화 방법을 지원하는 것으로, 건설 장비 사용자에게 장비의 상태를 실시간으로 확인 및 오류 내용의 형상화 결과를 시각적으로 제공할 수 있다. This error detection and shaping method supports the virtualization method of construction equipment in the physical real world through digital twin technology by collecting construction equipment data in real time based on the IoT data protocol and processing the collected data. It is possible to visually provide the user with the real-time confirmation of the equipment status and the visualization of error contents.
즉, 오류 탐지 및 형상화 방법은, 도 7에 예시된 바와 같이 각각의 수집된 데이터를 부품에 따라 항목별 그래프 이미지로 표현하고, 각각의 데이터 수치가 기설정된 정상범위를 초과하거나 또는 미달하는지 여부를 탐지하여, 각 부품의 정상/비정상 상태를 분류할 수 있다. That is, the error detection and shaping method expresses each collected data as a graph image for each item according to the parts, as illustrated in FIG. 7, and determines whether each data value exceeds or falls below a preset normal range. By detecting, it is possible to classify the normal/abnormal state of each part.
더불어, 본 오류 탐지 및 형상화 방법을 수행함에 있어서, 수집되는 상태 데이터에는, 기본적으로 건설 장비의 주요 제원(諸元) 및 성능 지표에 대한 정보를 포함될 수 있다. In addition, in performing the present error detection and shaping method, the collected state data may basically include information on major specifications and performance indicators of construction equipment.
그리고 건설 장비가 크레인인 경우, 상태 데이터에는 엔진 RPM 값 데이터, 크레인의 붐(boom)대가 부담하는 하중 값 데이터, 작업 반경을 산출하기 위한 붐대의 길이 데이터, 붐대의 방위각 데이터 및 붐대의 리프트 각도 데이터가 추가적으로 포함될 수 있다. And when the construction equipment is a crane, the state data includes engine RPM value data, load value data borne by the boom of the crane, length data of the boom for calculating the working radius, azimuth data of the boom, and lift angle data of the boom may be additionally included.
작업 데이터에는, 건설 장비가 수행하고자 하는 작업에 대한 정보가 포함될 수 있다.The work data may include information on a work to be performed by the construction equipment.
본 오류 탐지 및 형상화 방법은, 상태 데이터를 기반으로 오류 탐지 시 이용되는 정상범위가 설정되되, 수집된 작업 데이터의 종류에 따라 설정된 정상범위가 조정되어, 특정 건설 장비가 수행하는 작업에 따라, 각 부품의 정상/ 비정상 상태를 효과적으로 분류할 수 있다. In this error detection and shaping method, the normal range used for error detection is set based on the state data, and the set normal range is adjusted according to the type of collected work data, so that each It can effectively classify the normal/abnormal state of a part.
위치 데이터에는 위도 데이터, 경도 데이터 및 고도 데이터가 포함될 수 있다. The location data may include latitude data, longitude data, and altitude data.
이를 통해, 건설 장비의 부품 중 고장 또는 과부하 등의 오류가 발생하면, 이를 즉각적으로 형상화하여, 사용자가 직관적으로 오류 발생 여부를 확인하도록 할 수 있다. Through this, when an error such as a failure or overload occurs among parts of the construction equipment, it is immediately shaped, so that the user can intuitively check whether the error occurs.
도 8은 본 발명의 일 실시예에 따른 디지털 트윈 기반 Automotive Intelligence 지식베이스를 이용한 오류 탐지 및 형상화 시스템의 설명에 제공된 도면이다. 8 is a diagram provided to explain an error detection and shaping system using a digital twin-based Automotive Intelligence knowledge base according to an embodiment of the present invention.
도 8을 참조하면, 본 발명의 일 실시예에 따른 디지털 트윈 기반 Automotive Intelligence 지식베이스를 이용한 오류 탐지 및 형상화 시스템은 통신부(110), 저장부(120) 및 프로세서(130)를 포함할 수 있다.Referring to FIG. 8 , an error detection and shaping system using a digital twin-based Automotive Intelligence knowledge base according to an embodiment of the present invention may include a
통신부(110)는, IoT 플랫폼과 연결되어, 건설 장비의 위치 데이터, 작업 데이터 및 상태 데이터를 수집할 수 있다. The
저장부(120)는, 프로세서(130)가 구동함에 있어 필요한 데이터 및 프로그램을 저장하는 저장매체이다.The
예를 들면, 저장부(120)에는 수집 데이터를 그래프 이미지로 표현해 각 부품의 정상/비정상 상태로 분류하는 딥러닝 학습 모델이 저장될 수 있다. For example, the
프로세서(130)는, 수집된 데이터들을 기반으로 가상공간 모델을 갱신하고, 갱신된 가상공간 모델의 오류 상황을 탐지하며, 오류 발생 여부 및 오류가 발생된 영역의 위치정보를 포함하는 오류 정보를 가상공간 모델에 형상화시킬 수 있다. The
이를 통해, 3차원 형상화 모사에 따라 각 축을 중심으로 회전하며 오류 상황을 인지할 수 있으며, 대규모 건설 기계장비의 IoT 데이터 수집 지원을 통한 통신 환경에 자유도를 향상시키고, 수집 데이터를 그래프 이미지로 표현해 각 부품의 정상/비정상 상태로 분류하는 학습 모델을 지원할 수 있다.Through this, it is possible to recognize error situations by rotating around each axis according to the three-dimensional simulation, improve the degree of freedom in the communication environment by supporting IoT data collection of large-scale construction machinery, and express the collected data as graph images for each It can support a learning model that classifies parts into normal/abnormal states.
한편, 본 실시예에 따른 장치와 방법의 기능을 수행하게 하는 컴퓨터 프로그램을 수록한 컴퓨터로 읽을 수 있는 기록매체에도 본 발명의 기술적 사상이 적용될 수 있음은 물론이다. 또한, 본 발명의 다양한 실시예에 따른 기술적 사상은 컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터로 읽을 수 있는 코드 형태로 구현될 수도 있다. 컴퓨터로 읽을 수 있는 기록매체는 컴퓨터에 의해 읽을 수 있고 데이터를 저장할 수 있는 어떤 데이터 저장 장치이더라도 가능하다. 예를 들어, 컴퓨터로 읽을 수 있는 기록매체는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광디스크, 하드 디스크 드라이브, 등이 될 수 있음은 물론이다. 또한, 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터로 읽을 수 있는 코드 또는 프로그램은 컴퓨터간에 연결된 네트워크를 통해 전송될 수도 있다.On the other hand, it goes without saying that the technical idea of the present invention can also be applied to a computer-readable recording medium containing a computer program for performing the functions of the apparatus and method according to the present embodiment. In addition, the technical ideas according to various embodiments of the present invention may be implemented in the form of computer-readable codes recorded on a computer-readable recording medium. The computer-readable recording medium may be any data storage device readable by the computer and capable of storing data. For example, the computer-readable recording medium may be a ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical disk, hard disk drive, or the like. In addition, the computer-readable code or program stored in the computer-readable recording medium may be transmitted through a network connected between computers.
또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.In addition, although preferred embodiments of the present invention have been illustrated and described above, the present invention is not limited to the specific embodiments described above, and the technical field to which the present invention belongs without departing from the gist of the present invention as claimed in the claims Various modifications are possible by those of ordinary skill in the art, and these modifications should not be individually understood from the technical spirit or prospect of the present invention.
110 : 통신부
120 : 저장부
130 : 프로세서110: communication department
120: storage
130: processor
Claims (8)
수집된 데이터들을 기반으로 직관적 형상화가 가능한 디지털 트윈 타입으로 구현된 가상공간 모델을 갱신하고, 갱신된 가상공간 모델의 오류 상황을 탐지하는 단계;를 포함하는 오류 탐지 및 형상화 방법.
collecting location data, work data and status data of construction equipment; and
An error detection and shaping method comprising: updating a virtual space model implemented as a digital twin type capable of intuitive shaping based on the collected data, and detecting an error condition of the updated virtual space model.
탐지 단계는,
수집된 데이터들을 기반으로 갱신된 가상공간 모델의 엔진 RPM 값 또는 메인 하중(weight) 값이 정상범위를 초과하거나 미달하는 경우, 오류가 발생된 것을 판단하는 것을 특징으로 하는 오류 탐지 및 형상화 방법.
The method according to claim 1,
The detection step is
An error detection and shaping method comprising determining that an error has occurred when the engine RPM value or main weight value of the virtual space model updated based on the collected data exceeds or falls below the normal range.
오류 발생 여부 및 오류가 발생된 영역의 위치정보를 포함하는 오류 정보가 가상공간 모델에 형상화되는 단계;를 더 포함하는 것을 특징으로 하는 오류 탐지 및 형상화 방법.
3. The method according to claim 2,
Error detection and shaping method, characterized in that it further comprises; error information including whether an error has occurred and the location information of the region where the error has occurred is shaped in the virtual space model.
탐지 단계는,
일시적으로 기설정된 정상범위를 초과하거나 미달하는 이상치 데이터를 필터링하기 위해, 데이터의 수집 주기에 따라 연속된 시점(time)에 수집된 데이터들을 연속적으로 검증하여, 오류를 탐지하는 것을 특징으로 하는 오류 탐지 및 형상화 방법.
3. The method according to claim 2,
The detection step is
Error detection characterized in that an error is detected by continuously verifying data collected at consecutive times according to the data collection period in order to filter outlier data that temporarily exceeds or falls short of a preset normal range and shaping methods.
상태 데이터는,
건설 장비의 주요 제원(諸元) 및 성능 지표에 대한 정보를 포함하며,
건설 장비가 크레인인 경우, 엔진 RPM 값 데이터, 크레인의 붐(boom)대가 부담하는 하중 값 데이터, 작업 반경을 산출하기 위한 붐대의 길이 데이터, 붐대의 방위각 데이터 및 붐대의 리프트 각도 데이터를 더 포함하는 것을 특징으로 하는 오류 탐지 및 형상화 방법.
The method according to claim 1,
state data,
Includes information on major specifications and performance indicators of construction equipment;
When the construction equipment is a crane, the engine RPM value data, the load value data borne by the boom of the crane, the length data of the boom for calculating the working radius, azimuth data of the boom, and lift angle data of the boom further comprising Error detection and shaping method, characterized in that.
작업 데이터는,
건설 장비가 수행하고자 하는 작업에 대한 정보가 포함되며,
탐지 단계는,
상태 데이터를 기반으로 오류 탐지 시 이용되는 정상범위가 설정되되, 수집된 작업 데이터의 종류에 따라 설정된 정상범위가 조정되는 것을 특징으로 하는 오류 탐지 및 형상화 방법.
6. The method of claim 5,
work data,
contains information about the work the construction equipment intends to perform;
The detection step is
An error detection and shaping method, characterized in that a normal range used for error detection is set based on the state data, and the set normal range is adjusted according to the type of collected work data.
위치 데이터는,
위도 데이터, 경도 데이터 및 고도 데이터를 포함하는 것을 특징으로 하는 오류 탐지 및 형상화 방법.
The method according to claim 1,
location data,
An error detection and shaping method comprising latitude data, longitude data and altitude data.
수집된 데이터들을 기반으로 직관적 형상화가 가능한 디지털 트윈 타입으로 구현된 가상공간 모델을 갱신하고, 갱신된 가상공간 모델의 오류 상황을 탐지하는 프로세서;를 포함하는 오류 탐지 및 형상화 시스템.a communication unit that collects location data, work data, and status data of construction equipment; and
An error detection and shaping system comprising: a processor that updates a virtual space model implemented in a digital twin type that can be intuitively shaped based on the collected data, and detects an error condition of the updated virtual space model.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190165318A KR102361755B1 (en) | 2019-12-12 | 2019-12-12 | Error detection and visualization method using Automotive Intelligence Knowledge-Base based on Digital Twin |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190165318A KR102361755B1 (en) | 2019-12-12 | 2019-12-12 | Error detection and visualization method using Automotive Intelligence Knowledge-Base based on Digital Twin |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210074541A true KR20210074541A (en) | 2021-06-22 |
| KR102361755B1 KR102361755B1 (en) | 2022-02-11 |
Family
ID=76600495
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190165318A KR102361755B1 (en) | 2019-12-12 | 2019-12-12 | Error detection and visualization method using Automotive Intelligence Knowledge-Base based on Digital Twin |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102361755B1 (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113624439A (en) * | 2021-07-01 | 2021-11-09 | 中汽研（天津）汽车工程研究院有限公司 | Automobile environment wind tunnel simulation method based on digital twinning technology |
| CN114077850A (en) * | 2021-11-22 | 2022-02-22 | 西安交通大学 | Graph data-based rotating mechanical equipment state monitoring method under variable working conditions |
| KR102602842B1 (en) * | 2023-06-20 | 2023-11-17 | 한국건설기술연구원 | the performance evaluating system of ITS device and the performance evaluating method of ITS device using the same |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101531056B1 (en) | 2008-12-04 | 2015-06-23 | 두산인프라코어 주식회사 | Method for monitoring location of a construction machinery |
| KR20180116577A (en) * | 2017-04-17 | 2018-10-25 | 선문대학교 산학협력단 | Method and apparatus for diagnosing building system |
| KR20190123895A (en) * | 2018-04-25 | 2019-11-04 | 전자부품연구원 | Real-Time Data Processing Method for Digital Twin based Construction Machine Intelligence |
-
2019
- 2019-12-12 KR KR1020190165318A patent/KR102361755B1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101531056B1 (en) | 2008-12-04 | 2015-06-23 | 두산인프라코어 주식회사 | Method for monitoring location of a construction machinery |
| KR20180116577A (en) * | 2017-04-17 | 2018-10-25 | 선문대학교 산학협력단 | Method and apparatus for diagnosing building system |
| KR20190123895A (en) * | 2018-04-25 | 2019-11-04 | 전자부품연구원 | Real-Time Data Processing Method for Digital Twin based Construction Machine Intelligence |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113624439A (en) * | 2021-07-01 | 2021-11-09 | 中汽研（天津）汽车工程研究院有限公司 | Automobile environment wind tunnel simulation method based on digital twinning technology |
| CN113624439B (en) * | 2021-07-01 | 2023-11-10 | 中汽研（天津）汽车工程研究院有限公司 | Automobile environment wind tunnel simulation method based on digital twin technology |
| CN114077850A (en) * | 2021-11-22 | 2022-02-22 | 西安交通大学 | Graph data-based rotating mechanical equipment state monitoring method under variable working conditions |
| CN114077850B (en) * | 2021-11-22 | 2023-06-20 | 西安交通大学 | Method for monitoring state of rotary mechanical equipment based on graph data under variable working conditions |
| KR102602842B1 (en) * | 2023-06-20 | 2023-11-17 | 한국건설기술연구원 | the performance evaluating system of ITS device and the performance evaluating method of ITS device using the same |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102361755B1 (en) | 2022-02-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102361755B1 (en) | Error detection and visualization method using Automotive Intelligence Knowledge-Base based on Digital Twin | |
| US10579453B2 (en) | Stream-processing data | |
| CN104392175B (en) | Cloud application attack processing method, apparatus and system in a kind of cloud computing system | |
| CN109116867A (en) | A kind of unmanned plane during flying barrier-avoiding method, device, electronic equipment and storage medium | |
| CN112416323B (en) | Control code generation method, operation method, device, equipment and storage medium | |
| CN117280327B (en) | Detecting data center large scale interruptions through near real time/offline data using machine learning models | |
| CN108446207B (en) | Method, device and system for evaluating disaster tolerance capability of computer system | |
| CN107545178A (en) | The detection method and cloud application detection means of a kind of cloud application | |
| KR20220166760A (en) | Apparatus and method for managing trouble using big data of 5G distributed cloud system | |
| CN109450669A (en) | A kind of method of abnormal alarm, equipment and computer storage medium | |
| CN115952096A (en) | Fault detection method, device, equipment and medium of data center software system | |
| US20180060987A1 (en) | Identification of abnormal behavior in human activity based on internet of things collected data | |
| KR102289531B1 (en) | vehicle safety management system using digital twin include vehicle positional information | |
| CN104112056B (en) | The fault detection method and system of data processing | |
| CN113610008B (en) | Method, device, equipment and storage medium for acquiring state of slag car | |
| KR101876717B1 (en) | Recovery resource management method and system for recovering disasters and accidents | |
| CN112284403A (en) | Positioning method, positioning device, electronic equipment and storage medium | |
| CN107065728B (en) | Sea cable job control method, device and service terminal | |
| CN111832173A (en) | Multi-agent emergency evacuation simulation model based on GAMA platform | |
| CN117311396B (en) | Flight monitoring method, device, equipment and medium | |
| CN108984271A (en) | A kind of method and relevant device of equally loaded | |
| CN116013018B (en) | Forest fire prevention early warning analysis method and system based on unmanned aerial vehicle detection | |
| EP4322134A1 (en) | Method and apparatus for providing flight vehicle operation information | |
| CN105827418B (en) | A kind of communication network warning correlating method and device | |
| CN112836907B (en) | Processing method, device and system for incompatible job information |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |