KR20220073171A - System for predicting error of the vihicle and method thereof - Google Patents

System for predicting error of the vihicle and method thereof Download PDF

Info

Publication number
KR20220073171A
KR20220073171A KR1020200161009A KR20200161009A KR20220073171A KR 20220073171 A KR20220073171 A KR 20220073171A KR 1020200161009 A KR1020200161009 A KR 1020200161009A KR 20200161009 A KR20200161009 A KR 20200161009A KR 20220073171 A KR20220073171 A KR 20220073171A
Authority
KR
South Korea
Prior art keywords
vehicle
information
pattern data
data
diagnosis
Prior art date
Application number
KR1020200161009A
Other languages
Korean (ko)
Other versions
KR102502394B1 (en
Inventor
정태욱
Original Assignee
(주)볼트마이크로
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)볼트마이크로 filed Critical (주)볼트마이크로
Priority to KR1020200161009A priority Critical patent/KR102502394B1/en
Priority to PCT/KR2021/017332 priority patent/WO2022114750A1/en
Publication of KR20220073171A publication Critical patent/KR20220073171A/en
Application granted granted Critical
Publication of KR102502394B1 publication Critical patent/KR102502394B1/en

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
    • B60W50/0205—Diagnosing or detecting failures; Failure detection models
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
    • B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
    • B60W50/0205—Diagnosing or detecting failures; Failure detection models
    • B60W2050/021—Means for detecting failure or malfunction
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2306/00—Other features of vehicle sub-units
    • B60Y2306/15—Failure diagnostics

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Transportation (AREA)
  • Vehicle Cleaning, Maintenance, Repair, Refitting, And Outriggers (AREA)

Abstract

본 발명은 차량의 불량 예측 시스템 및 그 방법에 관한 것으로서, 일실시예에 따른 불량 예측 시스템은 차량에 대한 진단 정보를 수집하는 데이터 수집부와, 수집된 진단 정보 중 기설정된 시간 이전에 수집된 정보로부터 학습 패턴 데이터를 추출하고, 추출된 학습 패턴 데이터를 입력으로 인공지능 학습을 수행하여 기준 패턴 데이터를 생성하는 기준 데이터 생성부 및 수집된 차량에 대한 진단 정보 중 기설정된 시간 이후에 수집된 정보로부터 발생 패턴 데이터를 추출하고, 추출된 발생 패턴 데이터와 생성된 기준 패턴 데이터에 기초하여 차량에 대한 불량 여부를 판단하는 불량 판단부를 포함한다.The present invention relates to a vehicle failure prediction system and a method thereof, and the failure prediction system according to an embodiment includes a data collection unit for collecting diagnostic information on a vehicle, and information collected before a preset time among the collected diagnostic information. From the information collected after a preset time among the reference data generation unit that extracts the learning pattern data from the , and performs artificial intelligence learning by inputting the extracted learning pattern data to generate the reference pattern data and the diagnostic information about the collected vehicle and a defect determination unit that extracts the occurrence pattern data and determines whether the vehicle is defective based on the extracted occurrence pattern data and the generated reference pattern data.

Description

차량의 불량 예측 시스템 및 그 방법{SYSTEM FOR PREDICTING ERROR OF THE VIHICLE AND METHOD THEREOF}Vehicle failure prediction system and method

본 발명은 차량의 불량 예측 시스템 및 그 방법에 관한 것으로, 보다 상세하게는 차량 진단 코드의 발생 패턴을 분석하여 차량 및 차량 내부의 부품 불량을 예측하는 기술적 사상에 관한 것이다.The present invention relates to a vehicle failure prediction system and method, and more particularly, to a technical idea of predicting vehicle and internal component failures by analyzing a generation pattern of a vehicle diagnostic code.

최근 차량들은 전자적인 기능들이 증가하고 있으며, 이에 따라 차량에는 다양한 전자장치들이 설치되어 사용되고 있다. 이러한 전자장치들은 기존에 차량에 있던 기능들을 대체하는 경우도 있지만 새로운 기능의 구현을 위해 설치되는 경우가 더 많다. Recently, electronic functions are increasing in vehicles, and accordingly, various electronic devices are installed and used in the vehicle. In some cases, these electronic devices replace functions existing in the vehicle, but are more often installed to implement new functions.

즉, 차량에는 기존의 기계장치들과 함께 전자장치들이 부가됨에 따라 고장이 발생할 수 있는 부품들의 수가 크게 늘어나고 있다. That is, as electronic devices are added to the vehicle along with the existing mechanical devices, the number of parts that may be damaged is greatly increased.

이러한 부품의 증가에 따라, 전자장치들이나 기계장치들 중 일부 기능들의 고장을 자동으로 진단할 수 있는 고장진단용 전자제품들이 출시되어 사용되고 있다. With the increase of these parts, electronic products for fault diagnosis capable of automatically diagnosing the failure of some functions of electronic devices or mechanical devices are being released and used.

그러나, 이러한 전자제품들은 일부 부품들의 진단만 가능할 뿐만 아니라, 고장이 발생한 이후에 고장이 발생하였음을 알리게 된다. 또한, 엔진오일, 미션오일, 점화플러그, 타이밍 벨트 등 일반적으로 교환주기가 설정된 차량 소모품의 교환주기를 알려주는 것이 전부이다.However, these electronic products are not only capable of diagnosing some parts, but also notify that a failure has occurred after the failure occurs. In addition, it is all about notifying the replacement cycle of vehicle consumables for which the replacement cycle is generally set, such as engine oil, transmission oil, spark plugs, and timing belt.

즉, 차량이 고장 발생 전까지 차량의 불량 징후를 발견하기 어렵기 때문에 차량에 고장이 발생하여 도로에 멈추거나 사고를 유발할 수 있다. That is, since it is difficult to detect signs of defects in the vehicle until the failure occurs, the vehicle may break down and stop on the road or cause an accident.

이에, 차량의 불량 징후를 보다 정확하게 예측하여 차량의 고장 발생 전에 이를 대비할 수 있는 기술이 필요한 실정이다.Accordingly, there is a need for a technology capable of more accurately predicting the signs of vehicle failure and preparing for the vehicle failure before it occurs.

한국등록특허 제10-1974347호, "차량 고장 진단 시스템 및 그 진단방법"Korean Patent Registration No. 10-1974347, "Vehicle Failure Diagnosis System and Diagnosis Method"

본 발명은 차량 진단 코드의 발생 패턴을 분석하여 차량 및 차량 내부의 부품 불량을 보다 정확하게 예측할 수 있는 차량의 불량 예측 시스템 및 그 방법을 제공하고자 한다.An object of the present invention is to provide a vehicle failure prediction system and method capable of more accurately predicting vehicle and internal component failures by analyzing a generation pattern of vehicle diagnostic codes.

또한, 본 발명은 차량에 물리적으로 액세스하지 않아도 차량에서 진단 정보를 원격으로 송수신할 수 있는 차량의 불량 예측 시스템 및 그 방법을 제공하고자 한다.Another object of the present invention is to provide a vehicle failure prediction system and method capable of remotely transmitting and receiving diagnostic information in a vehicle without physically accessing the vehicle.

본 발명의 일실시예에 따른 차량의 불량 예측 시스템은 차량에 대한 진단 정보를 수집하는 데이터 수집부와, 수집된 진단 정보 중 기설정된 시간 이전에 수집된 정보로부터 학습 패턴 데이터를 추출하고, 추출된 학습 패턴 데이터를 입력으로 인공지능 학습을 수행하여 기준 패턴 데이터를 생성하는 기준 데이터 생성부 및 수집된 차량에 대한 진단 정보 중 기설정된 시간 이후에 수집된 정보로부터 발생 패턴 데이터를 추출하고, 추출된 발생 패턴 데이터와 생성된 기준 패턴 데이터에 기초하여 차량에 대한 불량 여부를 판단하는 불량 판단부를 포함할 수 있다. A vehicle failure prediction system according to an embodiment of the present invention includes a data collection unit for collecting diagnostic information about a vehicle, extracting learning pattern data from information collected before a preset time among the collected diagnostic information, and extracting the extracted A reference data generation unit that generates reference pattern data by performing artificial intelligence learning by inputting learning pattern data and extracts occurrence pattern data from information collected after a preset time among diagnostic information about the collected vehicle, and the extracted occurrence It may include a failure determination unit that determines whether the vehicle is defective based on the pattern data and the generated reference pattern data.

일측에 따르면, 진단 정보는 차량 내에 구비된 적어도 하나의 ECU(electronic control unit)에 대한 진단 결과 데이터, 진단 전실패 횟수 정보, 진단 실패 발생 시간 정보, 진단 성공 발생 횟수 정보 및 진단 성공 발생 시간 정보 중 적어도 하나의 정보를 포함할 수 있다. According to one side, the diagnosis information may be selected from among diagnosis result data for at least one electronic control unit (ECU) provided in the vehicle, information on the number of failures before diagnosis, information on the number of times of diagnosis failure, information on the number of times of successful diagnosis, and information on the number of times when diagnosis succeeds. It may include at least one piece of information.

일측에 따르면, 기준 데이터 생성부는 진단 결과 데이터에 포함된 차량 진단 코드의 발생 패턴에 관한 정보에 기초하여 학습 패턴 데이터 및 발생 패턴 데이터를 추출할 수 있다. According to one side, the reference data generator may extract the learning pattern data and the occurrence pattern data based on the information on the generation pattern of the vehicle diagnostic code included in the diagnosis result data.

일측에 따르면, 기준 데이터 생성부는 적어도 하나의 은닉 계층(hidden layer)을 포함하는 신경망 알고리즘에 기반한 인공지능 학습을 수행하여 기준 패턴 데이터를 생성할 수 있다. According to one side, the reference data generator may generate reference pattern data by performing artificial intelligence learning based on a neural network algorithm including at least one hidden layer.

일측에 따르면, 불량 판단부는 추출된 발생 패턴 데이터와 생성된 기준 패턴 데이터를 비교하고 비교한 결과가 기설정된 유사도 이하인 것으로 나타나면 불량으로 판단할 수 있다. According to one side, the failure determining unit compares the extracted occurrence pattern data with the generated reference pattern data, and when it is found that the comparison result is less than or equal to a predetermined degree of similarity, the failure determination unit may determine the failure.

일측에 따르면, 차량의 불량 예측 시스템은 진단 정보를 생성하고, 생성된 진단 정보를 IP(internet protocol) 기반 통신을 이용하여 데이터 수집부로 제공하는 데이터 제공부를 더 포함할 수 있다. According to one side, the vehicle failure prediction system may further include a data providing unit that generates diagnosis information and provides the generated diagnosis information to a data collection unit using IP (internet protocol)-based communication.

본 발명의 일실시예에 따른 차량의 불량 예측 방법은 데이터 수집부에서, 차량에 대한 진단 정보를 수집하는 단계와, 기준 데이터 생성부에서, 수집된 진단 정보 중 기설정된 시간 이전에 수집된 정보로부터 학습 패턴 데이터를 추출하고, 추출된 학습 패턴 데이터를 입력으로 인공지능 학습을 수행하여 기준 패턴 데이터를 생성하는 단계 및 불량 판단부에서, 수집된 차량에 대한 진단 정보 중 기설정된 시간 이후에 수집된 정보로부터 발생 패턴 데이터를 추출하고, 추출된 발생 패턴 데이터와 생성된 기준 패턴 데이터에 기초하여 차량에 대한 불량 여부를 판단하는 단계를 포함할 수 있다. A vehicle failure prediction method according to an embodiment of the present invention includes the steps of: collecting diagnostic information about the vehicle in a data collection unit; In the step of extracting learning pattern data, generating reference pattern data by performing artificial intelligence learning by inputting the extracted learning pattern data, and information collected after a preset time among diagnostic information about the collected vehicle in the failure determination unit extracting the occurrence pattern data from the , and determining whether the vehicle is defective based on the extracted occurrence pattern data and the generated reference pattern data.

일측에 따르면, 진단 정보는 차량 내에 구비된 적어도 하나의 ECU(electronic control unit)에 대한 진단 결과 데이터, 진단 전실패 횟수 정보, 진단 실패 발생 시간 정보, 진단 성공 발생 횟수 정보 및 진단 성공 발생 시간 정보 중 적어도 하나의 정보를 포함할 수 있다. According to one side, the diagnosis information may be selected from among diagnosis result data for at least one electronic control unit (ECU) provided in the vehicle, information on the number of failures before diagnosis, information on the number of times of diagnosis failure, information on the number of times of successful diagnosis, and information on the number of times when diagnosis succeeds. It may include at least one piece of information.

일측에 따르면, 진단 정보를 수집하는 단계는 진단 결과 데이터에 포함된 차량 진단 코드의 발생 패턴에 관한 정보에 기초하여 학습 패턴 데이터 및 발생 패턴 데이터를 추출할 수 있다. According to one side, the collecting of the diagnostic information may include extracting the learning pattern data and the occurrence pattern data based on the information on the occurrence pattern of the vehicle diagnostic code included in the diagnostic result data.

일측에 따르면, 차량의 불량 예측 방법은 데이터 제공부에서 기 진단 정보를 생성하고, 생성된 진단 정보를 IP(internet protocol) 기반 통신을 이용하여 데이터 수집부로 제공하는 단계를 더 포함할 수 있다.According to one side, the method for predicting failure of a vehicle may further include generating pre-diagnosis information in the data providing unit and providing the generated diagnosis information to the data collecting unit using IP (internet protocol)-based communication.

일실시예에 따르면, 본 발명은 차량 진단 코드의 발생 패턴을 분석하여 차량 및 차량 내부의 부품 불량을 보다 정확하게 예측할 수 있다. According to an embodiment, the present invention may more accurately predict a vehicle and a component defect inside the vehicle by analyzing the generation pattern of the vehicle diagnostic code.

일실시예에 따르면, 본 발명은 차량에 물리적으로 액세스하지 않아도 차량에서 진단 정보를 원격으로 송수신할 수 있다.According to one embodiment, the present invention can remotely transmit and receive diagnostic information in a vehicle without physically accessing the vehicle.

도 1은 일실시예에 따른 차량의 불량 예측 시스템을 설명하기 위한 도면이다.
도 2는 일실시예에 따른 차량의 불량 예측 시스템의 구현예를 설명하기 위한 도면이다.
도 3은 일실시예에 따른 차량의 불량 예측 방법을 설명하기 위한 도면이다.1 is a diagram for describing a system for predicting failure of a vehicle according to an exemplary embodiment.
2 is a diagram for explaining an implementation example of a system for predicting failure of a vehicle according to an exemplary embodiment.
3 is a diagram for describing a method of predicting a vehicle failure according to an exemplary embodiment.

실시 예 및 이에 사용된 용어들은 본 문서에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 해당 실시 예의 다양한 변경, 균등물, 및/또는 대체물을 포함하는 것으로 이해되어야 한다.Examples and terms used therein are not intended to limit the technology described in this document to a specific embodiment, but it should be understood to include various modifications, equivalents, and/or substitutions of the embodiments.

하기에서 다양한 실시 예들을 설명에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.In the following, when it is determined that a detailed description of a known function or configuration related to various embodiments may unnecessarily obscure the gist of the present invention, a detailed description thereof will be omitted.

그리고 후술되는 용어들은 다양한 실시 예들에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.In addition, the terms to be described later are terms defined in consideration of functions in various embodiments, which may vary according to intentions or customs of users and operators. Therefore, the definition should be made based on the content throughout this specification.

도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.In connection with the description of the drawings, like reference numerals may be used for like components.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.The singular expression may include the plural expression unless the context clearly dictates otherwise.

본 문서에서, "A 또는 B" 또는 "A 및/또는 B 중 적어도 하나" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다.In this document, expressions such as “A or B” or “at least one of A and/or B” may include all possible combinations of items listed together.

"제1," "제2," "첫째," 또는 "둘째," 등의 표현들은 해당 구성요소들을, 순서 또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.Expressions such as "first," "second," "first," or "second," can modify the corresponding elements regardless of order or importance, and to distinguish one element from another element. It is used only and does not limit the corresponding components.

어떤(예: 제1) 구성요소가 다른(예: 제2) 구성요소에 "(기능적으로 또는 통신적으로) 연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다.When an (eg, first) component is referred to as being “connected (functionally or communicatively)” or “connected” to another (eg, second) component, a component is referred to as that other component. It may be directly connected to the element, or may be connected through another element (eg, a third element).

본 명세서에서, "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, 하드웨어적 또는 소프트웨어적으로 "~에 적합한," "~하는 능력을 가지는," "~하도록 변경된," "~하도록 만들어진," "~를 할 수 있는," 또는 "~하도록 설계된"과 상호 호환적으로(interchangeably) 사용될 수 있다.As used herein, "configured to (or configured to)" according to the context, for example, hardware or software "suitable for," "having the ability to," "modified to ," "made to," "capable of," or "designed to" may be used interchangeably.

어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다.In some circumstances, the expression “a device configured to” may mean that the device is “capable of” with other devices or parts.

예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(예: CPU 또는 application processor)를 의미할 수 있다.For example, the phrase "a processor configured (or configured to perform) A, B, and C" refers to a dedicated processor (eg, an embedded processor) for performing the corresponding operations, or by executing one or more software programs stored in a memory device. , may refer to a general-purpose processor (eg, a CPU or an application processor) capable of performing corresponding operations.

또한, '또는' 이라는 용어는 배타적 논리합 'exclusive or' 이기보다는 포함적인 논리합 'inclusive or' 를 의미한다.Also, the term 'or' means 'inclusive or' rather than 'exclusive or'.

즉, 달리 언급되지 않는 한 또는 문맥으로부터 명확하지 않는 한, 'x가 a 또는 b를 이용한다' 라는 표현은 포함적인 자연 순열들(natural inclusive permutations) 중 어느 하나를 의미한다.That is, unless stated otherwise or clear from context, the expression 'x employs a or b' means any one of natural inclusive permutations.

상술한 구체적인 실시 예들에서, 발명에 포함되는 구성 요소는 제시된 구체적인 실시 예에 따라 단수 또는 복수로 표현되었다.In the above-described specific embodiments, elements included in the invention are expressed in the singular or plural according to the specific embodiments presented.

그러나, 단수 또는 복수의 표현은 설명의 편의를 위해 제시한 상황에 적합하게 선택된 것으로서, 상술한 실시 예들이 단수 또는 복수의 구성 요소에 제한되는 것은 아니며, 복수로 표현된 구성 요소라 하더라도 단수로 구성되거나, 단수로 표현된 구성 요소라 하더라도 복수로 구성될 수 있다.However, the singular or plural expression is appropriately selected for the situation presented for convenience of description, and the above-described embodiments are not limited to the singular or plural component, and even if the component is expressed in plural, it is composed of a singular or , even a component expressed in the singular may be composed of a plural.

한편 발명의 설명에서는 구체적인 실시 예에 관해 설명하였으나, 다양한 실시 예들이 내포하는 기술적 사상의 범위에서 벗어나지 않는 한도 내에서 여러 가지 변형이 가능함은 물론이다.On the other hand, although specific embodiments have been described in the description of the invention, various modifications are possible without departing from the scope of the technical idea contained in the various embodiments.

그러므로 본 발명의 범위는 설명된 실시 예에 국한되어 정해져서는 아니되며 후술하는 청구범위뿐만 아니라 이 청구범위와 균등한 것들에 의해 정해져야 한다.Therefore, the scope of the present invention should not be limited to the described embodiments, but should be defined by the claims described below as well as the claims and equivalents.

도 1은 일실시예에 따른 차량의 불량 예측 시스템을 설명하기 위한 도면이다. 1 is a diagram for describing a system for predicting failure of a vehicle according to an exemplary embodiment.

도 1을 참조하면, 이하에서 설명하는 일실시예에 따른 불량 예측 시스템(100)은 차량의 내부 또는 외부에 구비되어 차량 및 차량 내부의 부품에 대한 불량 발생을 예측할 수 있다. Referring to FIG. 1 , the failure prediction system 100 according to an embodiment to be described below may be provided inside or outside the vehicle to predict the occurrence of defects in the vehicle and parts inside the vehicle.

구체적으로, 불량 예측 시스템(100)은 차량 진단 코드(diagnostic trouble code, DTC)의 발생 패턴을 분석하여 차량 및 차량 내부의 부품 불량을 보다 정확하게 예측할 수 있다. Specifically, the failure prediction system 100 may analyze the occurrence pattern of a vehicle diagnostic trouble code (DTC) to more accurately predict the failure of the vehicle and parts inside the vehicle.

또한, 불량 예측 시스템(100)은 차량에 물리적으로 액세스하지 않아도 차량에서 진단 정보를 원격으로 송수신할 수 있다. Also, the failure prediction system 100 may remotely transmit/receive diagnostic information from the vehicle without physically accessing the vehicle.

이를 위해, 불량 예측 시스템(100)은 데이터 수집부(110), 기준 데이터 생성부(120) 및 불량 판단부(130)를 포함할 수 있다. 또한, 불량 예측 시스템(100)은 데이터 제공부를 더 포함할 수도 있다.To this end, the failure prediction system 100 may include a data collection unit 110 , a reference data generation unit 120 , and a failure determination unit 130 . Also, the failure prediction system 100 may further include a data providing unit.

일실시예에 따른 데이터 수집부(110)는 차량에 대한 진단 정보를 수집할 수 있다. The data collection unit 110 according to an embodiment may collect diagnostic information about the vehicle.

일측에 따르면, 진단 정보는 차량 내에 구비된 적어도 하나의 ECU(electronic control unit)에 대한 진단 결과 데이터, 진단 전실패 횟수 정보, 진단 실패 발생 시간 정보, 진단 성공 발생 횟수 정보 및 진단 성공 발생 시간 정보 중 적어도 하나의 정보를 포함할 수 있다. According to one side, the diagnosis information may be selected from among diagnosis result data for at least one electronic control unit (ECU) provided in the vehicle, information on the number of failures before diagnosis, information on the number of times of diagnosis failure, information on the number of times of successful diagnosis, and information on the number of times when diagnosis succeeds. It may include at least one piece of information.

일실시예에 따른 기준 데이터 생성부(120)는 수집된 진단 정보 중 기설정된 시간 이전(t ≤ tset)에 수집된 정보로부터 학습 패턴 데이터를 추출하고, 추출된 학습 패턴 데이터를 입력으로 인공지능 학습을 수행하여 기준 패턴 데이터를 생성할 수 있다. The reference data generating unit 120 according to an embodiment extracts learning pattern data from information collected before a preset time (t ≤ t set ) among the collected diagnostic information, and uses the extracted learning pattern data as an input for artificial intelligence. Learning may be performed to generate reference pattern data.

일측에 따르면, 기준 데이터 생성부(120)는 진단 결과 데이터에 포함된 차량 진단 코드의 발생 패턴에 관한 정보에 기초하여 학습 패턴 데이터를 추출할 수 있다. According to one side, the reference data generator 120 may extract learning pattern data based on information about a generation pattern of a vehicle diagnosis code included in the diagnosis result data.

예를 들면, 기준 데이터 생성부(120)는 기설정된 시간 이전까지 차량 진단 프로그램으로부터 출력되는 차량 진단 코드와, 기설정된 시간 이전까지 출력되는 차량 진단 코드에 대응되는 진단 전실패 횟수 정보 및 진단 성공 발생 시간 정보가 반영된 학습 패턴 데이터를 추출할 수 있다.For example, the reference data generator 120 may generate information on the number of failures in diagnosis and diagnosis success corresponding to the vehicle diagnosis code output from the vehicle diagnosis program before the preset time and the vehicle diagnosis code output before the preset time. Learning pattern data in which time information is reflected can be extracted.

또한, 학습 패턴 데이터는 각각의 ECU별 학습 패턴 데이터, ECU간 학습 패턴 데이터, 각각의 ECU를 구성하는 모듈별 학습 패턴 데이터 및 각각의 ECU를 구성하는 모듈간 학습 패턴 데이터 중 적어도 하나를 포함할 수 있다. In addition, the learning pattern data may include at least one of learning pattern data for each ECU, learning pattern data between ECUs, learning pattern data for each module constituting each ECU, and learning pattern data between modules constituting each ECU. have.

일측에 따르면, 기준 데이터 생성부(120)는 적어도 하나의 은닉 계층(hidden layer)을 포함하는 신경망 알고리즘에 기반한 인공지능 학습을 수행하여 기준 패턴 데이터를 생성할 수 있다. According to one side, the reference data generator 120 may generate reference pattern data by performing artificial intelligence learning based on a neural network algorithm including at least one hidden layer.

바람직하게는, 신경망 알고리즘은 멀티 레이어 퍼셉트론(multi-layer perceptron)을 기반으로 하는 알고리즘일 수 있다. Preferably, the neural network algorithm may be an algorithm based on a multi-layer perceptron.

예를 들면, 신경망 알고리즘은 입력 계층, 출력 계층, 입력 계층과 출력 계층 사이에 구비되는 적어도 하나의 은닉 계층으로 구성될 수 있으며, 입력 계층, 적어도 하나의 은닉 계층 및 출력 계층 각각은 적어도 하나의 노드(입력 노드, 은닉 노드 및 출력 노드)를 구비할 수 있다.For example, the neural network algorithm may include an input layer, an output layer, and at least one hidden layer provided between the input layer and the output layer, and each of the input layer, the at least one hidden layer, and the output layer is at least one node. (input node, hidden node and output node).

또한, 신경망 알고리즘은 학습 패턴 데이터가 입력 계층에 입력되면, 적어도 하나의 은닉 계층에 포함된 은닉 노드에 의해 수행된 연산결과가 다음 계층에 있는 은닉 노드의 입력값이 되며, 이러한 과정을 출력 계층까지 수행하여 최종 결과로 기준 패턴 데이터를 출력할 수 있다.In addition, the neural network algorithm, when learning pattern data is input to the input layer, the operation result performed by the hidden node included in at least one hidden layer becomes the input value of the hidden node in the next layer, and this process is carried out to the output layer It is possible to output the reference pattern data as a final result.

일측에 따르면, 신경망 알고리즘은 출력되는 기준 패턴 데이터와 기준 패턴 데이터에 대응되는 예측 패턴 데이터에 기초하여, 신경망 알고리즘의 은닉 계층의 수와 연결 강도를 조절할 수 있다.According to one side, the neural network algorithm may adjust the number of hidden layers and the connection strength of the neural network algorithm based on the output reference pattern data and the prediction pattern data corresponding to the reference pattern data.

예를 들면, 연결강도는 신경망 알고리즘의 각 계층에 있는 노드를 연결시켜주는 역할을 수행하는 것으로, 이 연결은 같은 계층에 있는 노드를 연결할 수 없고 다른 계층에 있는 노드를 연결할 수 있으며, 일반적으로 하나의 노드는 다음 층에 있는 모든 노드와 연결될 수 있다.For example, connection strength plays a role in connecting nodes in each layer of a neural network algorithm, and this connection cannot connect nodes in the same layer, but can connect nodes in different layers. A node in can be connected to any node in the next layer.

또한, 기준 패턴 데이터에 대응되는 예측 패턴 데이터는 전문가 또는 기저장된 빅데이터 정보에 의해 검증된 차량 진단 코드의 발생 패턴일 수 있다. Also, the prediction pattern data corresponding to the reference pattern data may be a generation pattern of a vehicle diagnosis code verified by an expert or pre-stored big data information.

구체적으로, 기준 데이터 생성부(120)는 출력된 기준 패턴 데이터와 기준 패턴 데이터에 대응되는 예측 패턴 데이터를 비교하고, 비교 결과에 따른 차이(오차)를 감소시키는 방향으로 은닉 노드간의 연결강도를 조절할 수 있다. Specifically, the reference data generator 120 compares the output reference pattern data with the prediction pattern data corresponding to the reference pattern data, and adjusts the connection strength between the hidden nodes in a direction to reduce the difference (error) according to the comparison result. can

일실시예에 따른 불량 판단부(130)는 수집된 차량에 대한 진단 정보 중 기설정된 시간 이후(t > tset)에 수집된 정보로부터 발생 패턴 데이터를 추출하고, 추출된 발생 패턴 데이터와 생성된 기준 패턴 데이터에 기초하여 차량에 대한 불량 여부를 판단할 수 있다. The failure determination unit 130 according to an embodiment extracts occurrence pattern data from information collected after a preset time (t > t set ) among the collected diagnostic information on the vehicle, and extracts the occurrence pattern data and the generated Whether or not the vehicle is defective may be determined based on the reference pattern data.

예를 들면, 기준 데이터 생성부(120)는 기설정된 시간 이후부터 현재 시간까지, 즉 인공지능 학습이 수행되지 않은 실시간 진단 정보로부터 발생 패턴 데이터를 추출할 수 있다. For example, the reference data generating unit 120 may extract the occurrence pattern data from the preset time to the current time, that is, from real-time diagnostic information in which artificial intelligence learning is not performed.

일측에 따르면, 기준 데이터 생성부(120)는 진단 결과 데이터에 포함된 차량 진단 코드의 발생 패턴에 관한 정보에 기초하여 발생 패턴 데이터를 추출할 수 있다.According to one side, the reference data generator 120 may extract the occurrence pattern data based on information about the occurrence pattern of the vehicle diagnosis code included in the diagnosis result data.

예를 들면, 기준 데이터 생성부(120)는 기설정된 시간 이후부터 현재 시간까지 차량 진단 프로그램으로부터 실시간으로 출력되는 차량 진단 코드와, 실시간으로 출력되는 차량 진단 코드에 대응되는 진단 전실패 횟수 정보 및 진단 성공 발생 시간 정보가 반영된 발생 패턴 데이터를 추출할 수 있다.For example, the reference data generating unit 120 may include a vehicle diagnosis code output from the vehicle diagnosis program in real time from a preset time to the present time, and information and diagnosis of the total number of failures in diagnosis corresponding to the vehicle diagnosis code output in real time. It is possible to extract the occurrence pattern data in which the success occurrence time information is reflected.

일측에 따르면, 불량 판단부(130)는 추출된 발생 패턴 데이터와 기준 데이터 생성부(120)를 통해 생성된 기준 패턴 데이터를 비교하고 비교한 결과가 기설정된 유사도 이하인 것으로 나타나면 불량으로 판단할 수 있다. According to one side, the failure determination unit 130 compares the extracted occurrence pattern data with the reference pattern data generated through the reference data generation unit 120, and if the comparison result is less than or equal to a preset similarity, it may be determined as defective. .

구체적으로, 불량 판단부(130)는 발생 패턴 데이터와 기준 패턴 데이터의 비교 결과가 기설정된 유사도 이하인 구간의 비율이 기설정된 비율을 초과하면, 차량 및 부품(또는 모듈 등)에 불량이 발생한 것으로 판단하여 알람 신호를 출력하여, 사용자로 하여금 이상 패턴을 보이는 부품 또는 차량에 대한 정밀 점검을 유도할 수 있다. Specifically, the defect determination unit 130 determines that a defect has occurred in the vehicle and parts (or modules, etc.) when the ratio of the section in which the comparison result of the occurrence pattern data and the reference pattern data is less than or equal to a preset similarity exceeds a preset ratio Thus, by outputting an alarm signal, it is possible to induce the user to precisely check a part or vehicle showing an abnormal pattern.

예를 들면, 불량 판단부(130)는 디스플레이, 스피커 및 기설정된 사용자 단말을 통해 알람 신호를 출력할 수 있으며, 여기서 알람 신호는 발생 패턴 데이터에 대응되는 부품의 불량 발생 여부에 관한 정보를 포함할 수 있다. For example, the failure determination unit 130 may output an alarm signal through a display, a speaker, and a preset user terminal, where the alarm signal may include information on whether or not a failure of a component corresponding to the occurrence pattern data has occurred. can

일측에 따르면, 불량 판단부(130)는 추출된 발생 패턴 데이터와 기준 데이터 생성부(120)를 통해 생성된 기준 패턴 데이터에 기초하여 차량의 불량 확률을 생성하고, 생성된 불량 확률이 기설정된 임계 확률을 초과하는 경우 알람 신호를 출력할 수도 있다. According to one side, the failure determining unit 130 generates a failure probability of the vehicle based on the extracted occurrence pattern data and the reference pattern data generated through the reference data generation unit 120, and the generated failure probability is a preset threshold. When the probability is exceeded, an alarm signal may be output.

예를 들면, 불량 판단부(130)는 발생 패턴 데이터에 포함된 차량 진단 코드 중 {B11FF, U2100}이 검출되면, 기준 패턴 데이터에 기초하여 차량이 불량 확률을 '5일 내에 80%'로 생성할 수 있으며, 생성된 불량 확률에 기초하여 알람 신호를 출력할 수 있다. For example, when {B11FF, U2100} is detected among the vehicle diagnostic codes included in the occurrence pattern data, the failure determination unit 130 generates a vehicle failure probability of '80% within 5 days' based on the reference pattern data. and may output an alarm signal based on the generated defective probability.

일측에 따르면, 기준 패턴 데이터는 특정 차량 진단 코드에 따른 불량 발생 확률에 대한 정보를 포함할 수 있으며, 기준 데이터 생성부(120)는 차량의 주행 거리에 관한 정보 및 엔진 부하에 관한 정보를 추가 입력으로 수신하여 불량 발생 확률에 대한 정보가 반영된 기준 패턴 데이터를 생성할 수 있다. According to one side, the reference pattern data may include information on the probability of occurrence of a defect according to a specific vehicle diagnostic code, and the reference data generator 120 additionally inputs information about the mileage of the vehicle and information about the engine load. can be received to generate reference pattern data in which information on the probability of occurrence of a defect is reflected.

한편, 데이터 제공부는 진단 정보를 생성하고, 생성된 진단 정보를 IP(internet protocol) 기반 통신을 이용하여 데이터 수집부(110)로 제공할 수 있다. 즉, 데이터 수집부(110)는 데이터 제공부를 통해 진단 정보를 원격으로 수신할 수 있다. Meanwhile, the data providing unit may generate diagnostic information and provide the generated diagnostic information to the data collection unit 110 using Internet protocol (IP)-based communication. That is, the data collection unit 110 may remotely receive the diagnosis information through the data providing unit.

일실시예에 따른 데이터 제공부는 이후 실시예 도 2를 통해 보다 구체적으로 설명하기로 한다. The data providing unit according to an embodiment will be described in more detail later with reference to FIG. 2 according to the embodiment.

도 2는 일실시예에 따른 차량의 불량 예측 시스템의 구현예를 설명하기 위한 도면이다.2 is a diagram for explaining an implementation example of a system for predicting failure of a vehicle according to an exemplary embodiment.

도 2를 참조하면, 일실시예에 따른 불량 예측 시스템(200)은 진단 장치(210) 및 데이터 제공부(220)를 포함할 수 있다.Referring to FIG. 2 , the failure prediction system 200 according to an embodiment may include a diagnosis apparatus 210 and a data providing unit 220 .

예를 들면, 진단 장치(210)는 도 1의 데이터 수집부, 기준 데이터 생성부 및 불량 판단부를 포함할 수 있으며, 서버(server)의 형태로 구현될 수도 있다. 또한, 데이터 제공부(220)는 도 1의 데이터 제공부일 수 있다. For example, the diagnosis apparatus 210 may include the data collection unit, the reference data generation unit, and the failure determination unit of FIG. 1 , and may be implemented in the form of a server. Also, the data providing unit 220 may be the data providing unit of FIG. 1 .

데이터 제공부(220)는 통신 인터페이스(interface), DoIP(diagnostics over internet protocol) 스택 모듈, USD(unified diagnostic services) 소프트웨어 스택 모듈, 진단(diagnostic) 프로그램 및 FOTA(firmware over the air) 제어부를 포함할 수 있다. The data providing unit 220 may include a communication interface, a diagnostics over internet protocol (DoIP) stack module, a unified diagnostic services (USD) software stack module, a diagnostic program, and a firmware over the air (FOTA) control unit. can

구체적으로, 통신 인터페이스는 통신 인터페이스와의 유선 또는 무선 통신을 지원할 수 있다. 예를 들면, 통신 인터페이스는 이더넷(ethernet), WLAN(wireless LAN) 및 이동통신(3G, LTE 및 5G) 중 적어도 하나에 기반한 인터페이스일 수 있다. Specifically, the communication interface may support wired or wireless communication with the communication interface. For example, the communication interface may be an interface based on at least one of Ethernet, wireless LAN (WLAN), and mobile communication (3G, LTE, and 5G).

DoIP 스택 모듈은 차량의 표준 진단 프로토콜 'ISO 13400'에 기반하는 모듈로, 이더넷 등의 통신 인터페이스를 통해 진단 장치(110)와 연동되어 ECU에 대한 진단(일례로, 불량 예측) 및 진단 프로그램에 대한 소프트웨어 업그레이드의 기능을 지원할 수 있다. The DoIP stack module is a module based on the vehicle's standard diagnostic protocol 'ISO 13400', and is linked to the diagnostic device 110 through a communication interface such as Ethernet to provide diagnostics (eg, failure prediction) and diagnostic programs for the ECU. It can support the function of software upgrade.

USD 소프트웨어 스택 모듈은 차량의 표준 진단 프로토콜 'ISO 14229-5'에 기반하는 모듈로, ECU와의 통신을 지원할 수 있으며 오류를 진단하고 ECU를 다시 프로그램밍하는 기능을 지원할 수도 있다. The USD software stack module is a module based on the vehicle's standard diagnostic protocol 'ISO 14229-5', and can support communication with the ECU, and can also support the ability to diagnose errors and reprogram the ECU.

예를 들면, USD 소프트웨어 스택 모듈은 ECU의 오류 메모리를 읽고 삭제하거나 ECU의 새로운 펌웨어에 대한 플래싱(flashing) 기능을 제공할 수 있다. For example, the USD software stack module can read and clear the ECU's fault memory or provide a flashing function for the ECU's new firmware.

여기서, 플래싱은 ECU에 대응되는 메모리 중 ROM(read only memory)에 데이터(펌웨어 데이터)를 덮어쓰기하는 기술을 의미한다. Here, the flashing refers to a technique of overwriting data (firmware data) in a read only memory (ROM) among memories corresponding to the ECU.

보다 구체적인 예를 들면, 플래싱 기능은 크게 업그레이드 준비 과정, 플래싱 과정 및 플래싱 마무리 과정으로 구분하여 동작할 수 있다. As a more specific example, the flashing function may be largely divided into an upgrade preparation process, a flashing process, and a flashing finishing process and may be operated.

업그레이드 준비 과정에서는 업그레이드에 필요한 바이너리 파일이 무엇인지 파악하고 다운로드하며, 다운로드한 파일의 무결성 검사를 수행할 수 있다. In the process of preparing for upgrade, it is possible to identify and download the binary files required for upgrade, and to check the integrity of the downloaded files.

플래싱 과정에서는 무결성 검사를 완료한 파일에 대한 플래싱을 수행할 수 있다. In the flashing process, flashing can be performed on a file whose integrity has been checked.

플래싱 마무리 과정에서는 플래싱 과정에서 오류가 발생되면 오류 코드를 팝업으로 출력할 수 있으며, 오류가 발생되지 않고 성공적으로 플래싱이 종료되면 다운로드한 임시 파일들을 제거하고 ECU를 재부팅할 수 있다. In the final flashing process, if an error occurs during the flashing process, an error code can be output as a pop-up.

진단 프로그램은 적어도 하나의 ECU에 대한 진단을 수행하여, 진단 정보를 출력할 수 있으며, 진단 정보는 차량 진단 코드에 관한 정보를 포함할 수 있다. The diagnostic program may perform diagnostics on at least one ECU and output diagnostic information, and the diagnostic information may include information about a vehicle diagnostic code.

FOTA 제어부는 진단 장치(110)로부터 다운로드한 펌웨어 업데이트 파일을 저장 및 관리할 수 있다.The FOTA controller may store and manage the firmware update file downloaded from the diagnostic apparatus 110 .

일측에 따르면, FOTA 제어부는 다운로드한 펌웨어 업데이트 파일에 포함된 차분 정보에 기초하여 펌웨어 업데이트 파일에 대한 캐시 가중치를 결정하고, 결정된 캐시 가중치에 기초하여 펌웨어 업데이트 파일에 대한 캐시 용량을 결정하며, 결정된 캐시 용량에 기초하여 캐시 메모리에 펌웨어 업데이트 파일을 캐시할 수 있다. According to one side, the FOTA control unit determines a cache weight for the firmware update file based on difference information included in the downloaded firmware update file, determines a cache capacity for the firmware update file based on the determined cache weight, and determines the cache The firmware update file may be cached in the cache memory based on capacity.

예를 들면, FOTA 제어부는 펌웨어 업데이트 파일에 기저장된 차분 정보의 크기 및 종류 중 적어도 하나에 기초하여 캐시 가중치를 미리 정해진 값으로 결정할 수 있다. For example, the FOTA controller may determine the cache weight as a predetermined value based on at least one of the size and type of difference information pre-stored in the firmware update file.

즉, FOTA 제어부는 차량에 대한 소프트웨어 업데이트 시에 단말기의 캐시 기능을 사용하여 소프트웨어를 업데이트 속도를 향상시킬 수 있다. That is, the FOTA controller may improve the software update speed by using the cache function of the terminal when software is updated for the vehicle.

도 3은 일실시예에 따른 차량의 불량 예측 방법을 설명하기 위한 도면이다. 3 is a diagram for describing a method for predicting a vehicle failure according to an exemplary embodiment.

다시 말해, 도 3은 도 1 내지 도 2를 통해 설명한 일실시예에 따른 차량의 불량 예측 시스템의 동작 방법을 설명하는 도면으로, 이후 도 3을 통해 설명하는 내용 중 도 1 내지 도 2를 통해 설명한 내용과 중복되는 설명은 생략하기로 한다. In other words, FIG. 3 is a view for explaining a method of operating the system for predicting failure of a vehicle according to an exemplary embodiment described with reference to FIGS. 1 and 2 , and among the contents described with reference to FIG. 3 , described with reference to FIGS. 1 and 2 . A description that overlaps with the content will be omitted.

도 3을 참조하면, 310 단계에서 일실시예에 따른 불량 예측 방법은 데이터 제공부에서 차량에 대한 진단 정보를 생성하고, 생성된 진단 정보를 IP(internet protocol) 기반 통신을 이용하여 데이터 수집부로 제공할 수 있다.Referring to FIG. 3 , in step 310, in the failure prediction method according to an embodiment, the data providing unit generates diagnostic information about the vehicle, and provides the generated diagnostic information to the data collection unit using IP (internet protocol)-based communication. can do.

일측에 따르면, 진단 정보는 차량 내에 구비된 적어도 하나의 ECU(electronic control unit)에 대한 진단 결과 데이터, 진단 전실패 횟수 정보, 진단 실패 발생 시간 정보, 진단 성공 발생 횟수 정보 및 진단 성공 발생 시간 정보 중 적어도 하나의 정보를 포함할 수 있다. According to one side, the diagnosis information may be selected from among diagnosis result data for at least one electronic control unit (ECU) provided in the vehicle, information on the number of failures before diagnosis, information on the number of times of diagnosis failure, information on the number of times of successful diagnosis, and information on the number of times when diagnosis succeeds. It may include at least one piece of information.

다음으로, 320 단계에서 일실시예에 따른 불량 예측 방법은 데이터 수집부에서 차량에 대한 진단 정보를 수집할 수 있다.Next, in operation 320 , in the failure prediction method according to an embodiment, the data collection unit may collect diagnostic information about the vehicle.

다음으로, 330 단계에서 일실시예에 따른 불량 예측 방법은 기준 데이터 생성부에서 수집된 진단 정보 중 기설정된 시간 이전(t ≤ tset)에 수집된 정보로부터 학습 패턴 데이터를 추출하고, 추출된 학습 패턴 데이터를 입력으로 인공지능 학습을 수행하여 기준 패턴 데이터를 생성할 수 있다. Next, in step 330, the failure prediction method according to an embodiment extracts learning pattern data from information collected before a preset time (t ≤ t set ) among the diagnostic information collected by the reference data generator, and extracts the extracted learning It is possible to generate reference pattern data by performing artificial intelligence learning by inputting pattern data.

일측에 따르면, 330 단계에서 일실시예에 따른 불량 예측 방법은 진단 결과 데이터에 포함된 차량 진단 코드의 발생 패턴에 관한 정보에 기초하여 학습 패턴 데이터를 추출할 수 있다. According to one side, in operation 330 , the failure prediction method according to an embodiment may extract learning pattern data based on information about a generation pattern of a vehicle diagnosis code included in the diagnosis result data.

예를 들면, 330 단계에서 일실시예에 따른 불량 예측 방법은 기설정된 시간 이전까지 차량 진단 프로그램으로부터 출력되는 차량 진단 코드와, 기설정된 시간 이전까지 출력되는 차량 진단 코드에 대응되는 진단 전실패 횟수 정보 및 진단 성공 발생 시간 정보가 반영된 학습 패턴 데이터를 추출할 수 있다.For example, in step 330 , the failure prediction method according to an exemplary embodiment includes a vehicle diagnosis code output from the vehicle diagnosis program before a preset time, and information on the total number of failures in diagnosis corresponding to the vehicle diagnosis code output before a preset time. And it is possible to extract the learning pattern data in which the diagnosis success occurrence time information is reflected.

또한, 학습 패턴 데이터는 각각의 ECU별 학습 패턴 데이터, ECU간 학습 패턴 데이터, 각각의 ECU를 구성하는 모듈별 학습 패턴 데이터 및 각각의 ECU를 구성하는 모듈간 학습 패턴 데이터 중 적어도 하나를 포함할 수 있다.In addition, the learning pattern data may include at least one of learning pattern data for each ECU, learning pattern data between ECUs, learning pattern data for each module constituting each ECU, and learning pattern data between modules constituting each ECU. have.

일측에 따르면, 330 단계에서 일실시예에 따른 불량 예측 방법은 적어도 하나의 은닉 계층(hidden layer)을 포함하는 신경망 알고리즘에 기반한 인공지능 학습을 수행하여 기준 패턴 데이터를 생성할 수 있다.According to one side, in operation 330 , the failure prediction method according to an embodiment may generate reference pattern data by performing artificial intelligence learning based on a neural network algorithm including at least one hidden layer.

바람직하게는, 신경망 알고리즘은 멀티 레이어 퍼셉트론(multi-layer perceptron)을 기반으로 하는 알고리즘일 수 있다. Preferably, the neural network algorithm may be an algorithm based on a multi-layer perceptron.

예를 들면, 신경망 알고리즘은 입력 계층, 출력 계층, 입력 계층과 출력 계층 사이에 구비되는 적어도 하나의 은닉 계층으로 구성될 수 있으며, 입력 계층, 적어도 하나의 은닉 계층 및 출력 계층 각각은 적어도 하나의 노드(입력 노드, 은닉 노드 및 출력 노드)를 구비할 수 있다.For example, the neural network algorithm may include an input layer, an output layer, and at least one hidden layer provided between the input layer and the output layer, and each of the input layer, the at least one hidden layer, and the output layer is at least one node. (input node, hidden node and output node).

또한, 신경망 알고리즘은 학습 패턴 데이터가 입력 계층에 입력되면, 적어도 하나의 은닉 계층에 포함된 은닉 노드에 의해 수행된 연산결과가 다음 계층에 있는 은닉 노드의 입력값이 되며, 이러한 과정을 출력 계층까지 수행하여 최종 결과로 기준 패턴 데이터를 출력할 수 있다.In addition, the neural network algorithm, when learning pattern data is input to the input layer, the operation result performed by the hidden node included in at least one hidden layer becomes the input value of the hidden node in the next layer, and this process is carried out to the output layer It is possible to output the reference pattern data as a final result.

일측에 따르면, 신경망 알고리즘은 출력되는 기준 패턴 데이터와 기준 패턴 데이터에 대응되는 예측 패턴 데이터에 기초하여, 신경망 알고리즘의 은닉 계층의 수와 연결 강도를 조절할 수 있다.According to one side, the neural network algorithm may adjust the number of hidden layers and the connection strength of the neural network algorithm based on the output reference pattern data and the prediction pattern data corresponding to the reference pattern data.

예를 들면, 연결강도는 신경망 알고리즘의 각 계층에 있는 노드를 연결시켜주는 역할을 수행하는 것으로, 이 연결은 같은 계층에 있는 노드를 연결할 수 없고 다른 계층에 있는 노드를 연결할 수 있으며, 일반적으로 하나의 노드는 다음 층에 있는 모든 노드와 연결될 수 있다.For example, connection strength plays a role in connecting nodes in each layer of a neural network algorithm, and this connection cannot connect nodes in the same layer, but can connect nodes in different layers. A node in can be connected to any node in the next layer.

또한, 기준 패턴 데이터에 대응되는 예측 패턴 데이터는 전문가 또는 기저장된 빅데이터 정보에 의해 검증된 차량 진단 코드의 발생 패턴일 수 있다.Also, the prediction pattern data corresponding to the reference pattern data may be a generation pattern of a vehicle diagnosis code verified by an expert or pre-stored big data information.

구체적으로, 330 단계에서 일실시예에 따른 불량 예측 방법은 출력된 기준 패턴 데이터와 기준 패턴 데이터에 대응되는 예측 패턴 데이터를 비교하고, 비교 결과에 따른 차이(오차)를 감소시키는 방향으로 은닉 노드간의 연결강도를 조절할 수 있다.Specifically, in step 330, the failure prediction method according to an embodiment compares the output reference pattern data and the prediction pattern data corresponding to the reference pattern data, and the difference (error) between the hidden nodes is reduced in the direction of reducing the difference (error) according to the comparison result. Connection strength can be adjusted.

다음으로, 340 단계에서 일실시예에 따른 불량 예측 방법은 불량 판단부에서 수집된 차량에 대한 진단 정보 중 기설정된 시간 이후(t > tset)에 수집된 정보로부터 발생 패턴 데이터를 추출하고, 추출된 발생 패턴 데이터와 생성된 기준 패턴 데이터에 기초하여 차량에 대한 불량 여부를 판단할 수 있다. Next, in step 340, the failure prediction method according to an embodiment extracts the occurrence pattern data from the information collected after a preset time (t > t set ) among the diagnostic information about the vehicle collected by the failure determination unit, and extracts Based on the generated pattern data and the generated reference pattern data, it is possible to determine whether the vehicle is defective.

예를 들면, 340 단계에서 일실시예에 따른 불량 예측 방법은 기설정된 시간 이후부터 현재 시간까지, 즉 인공지능 학습이 수행되지 않은 실시간 진단 정보로부터 발생 패턴 데이터를 추출할 수 있다.For example, in operation 340 , the failure prediction method according to an embodiment may extract occurrence pattern data from real-time diagnostic information from a preset time to a current time, ie, in which artificial intelligence learning is not performed.

일측에 따르면, 340 단계에서 일실시예에 따른 불량 예측 방법은 진단 결과 데이터에 포함된 차량 진단 코드의 발생 패턴에 관한 정보에 기초하여 발생 패턴 데이터를 추출할 수 있다.According to one side, in operation 340 , the failure prediction method according to an embodiment may extract the occurrence pattern data based on information about the occurrence pattern of the vehicle diagnosis code included in the diagnosis result data.

예를 들면, 340 단계에서 일실시예에 따른 불량 예측 방법은 기설정된 시간 이후부터 현재 시간까지 차량 진단 프로그램으로부터 실시간으로 출력되는 차량 진단 코드와, 실시간으로 출력되는 차량 진단 코드에 대응되는 진단 전실패 횟수 정보 및 진단 성공 발생 시간 정보가 반영된 발생 패턴 데이터를 추출할 수 있다.For example, in step 340, the failure prediction method according to an embodiment includes a vehicle diagnostic code output in real time from the vehicle diagnostic program from a preset time to the current time, and a diagnostic total failure corresponding to the vehicle diagnostic code output in real time. It is possible to extract the occurrence pattern data reflecting the number of times information and the diagnosis success occurrence time information.

일측에 따르면, 340 단계에서 일실시예에 따른 불량 예측 방법은 발생 패턴 데이터와 기준 패턴 데이터를 비교하고 비교한 결과가 기설정된 유사도 이하인 것으로 나타나면 불량으로 판단할 수 있다.According to one side, in operation 340 , the failure prediction method according to an embodiment compares the occurrence pattern data and the reference pattern data, and when the comparison result is found to be less than or equal to a preset similarity, the failure may be determined.

구체적으로, 340 단계에서 일실시예에 따른 불량 예측 방법은 발생 패턴 데이터와 기준 패턴 데이터의 비교 결과가 기설정된 유사도 이하인 구간의 비율이 기설정된 비율을 초과하면, 차량 및 부품(또는 모듈 등)에 불량이 발생한 것으로 판단하여 알람 신호를 출력하여, 사용자로 하여금 이상 패턴을 보이는 부품 또는 차량에 대한 정밀 점검을 유도할 수 있다.Specifically, in step 340, the failure prediction method according to the embodiment includes a comparison result between the occurrence pattern data and the reference pattern data. When the ratio of a section having a similarity or less exceeds a preset ratio, the vehicle and parts (or modules, etc.) By determining that a defect has occurred and outputting an alarm signal, the user can induce a detailed inspection of a part or vehicle showing an abnormal pattern.

예를 들면, 340 단계에서 일실시예에 따른 불량 예측 방법은 디스플레이, 스피커 및 기설정된 사용자 단말을 통해 알람 신호를 출력할 수 있으며, 여기서 알람 신호는 발생 패턴 데이터에 대응되는 부품의 불량 발생 여부에 관한 정보를 포함할 수 있다.For example, in step 340, the failure prediction method according to an embodiment may output an alarm signal through a display, a speaker, and a preset user terminal, where the alarm signal is based on whether a component corresponding to the occurrence pattern data is defective. It may contain information about

일측에 따르면, 340 단계에서 일실시예에 따른 불량 예측 방법은 발생 패턴 데이터와 기준 패턴 데이터에 기초하여 차량의 불량 확률을 생성하고, 생성된 불량 확률이 기설정된 임계 확률을 초과하는 경우 알람 신호를 출력할 수도 있다.According to one side, in step 340, the failure prediction method according to an embodiment generates a failure probability of the vehicle based on the occurrence pattern data and the reference pattern data, and generates an alarm signal when the generated failure probability exceeds a preset threshold probability. You can also print

예를 들면, 340 단계에서 일실시예에 따른 불량 예측 방법은 발생 패턴 데이터에 포함된 차량 진단 코드 중 {B11FF, U2100}이 검출되면, 기준 패턴 데이터에 기초하여 차량이 불량 확률을 '5일 내에 80%'로 생성할 수 있으며, 생성된 불량 확률에 기초하여 알람 신호를 출력할 수 있다.For example, in step 340, when {B11FF, U2100} among the vehicle diagnostic codes included in the occurrence pattern data is detected, the failure prediction method according to the embodiment determines the failure probability of the vehicle based on the reference pattern data within '5 days. 80%' can be generated, and an alarm signal can be output based on the generated defective probability.

일측에 따르면, 기준 패턴 데이터는 특정 차량 진단 코드에 따른 불량 발생 확률에 대한 정보를 포함할 수 있으며, 330 단계에서 일실시예에 따른 불량 예측 방법은 차량의 주행 거리에 관한 정보 및 엔진 부하에 관한 정보를 추가 입력으로 수신하여 불량 발생 확률에 대한 정보가 반영된 기준 패턴 데이터를 생성할 수 있다.According to one side, the reference pattern data may include information on the probability of occurrence of a failure according to a specific vehicle diagnostic code, and in step 330 , the failure prediction method according to an embodiment includes information on the mileage of the vehicle and information on the engine load. By receiving the information as an additional input, it is possible to generate reference pattern data in which information about the probability of occurrence of a defect is reflected.

결국, 본 발명을 이용하면, 차량 진단 코드의 발생 패턴을 분석하여 차량 및 차량 내부의 부품 불량을 보다 정확하게 예측할 수 있다.As a result, by using the present invention, it is possible to more accurately predict a vehicle and a component defect inside the vehicle by analyzing the generation pattern of the vehicle diagnostic code.

또한, 본 발명을 이용하면, 차량에 물리적으로 액세스하지 않아도 차량에서 진단 정보를 원격으로 송수신할 수 있다.In addition, by using the present invention, it is possible to remotely transmit and receive diagnostic information in a vehicle without physically accessing the vehicle.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.As described above, although the embodiments have been described with reference to the limited drawings, various modifications and variations are possible by those skilled in the art from the above description. For example, the described techniques are performed in an order different from the described method, and/or the described components of the system, structure, apparatus, circuit, etc. are combined or combined in a different form than the described method, or other components Or substituted or substituted by equivalents may achieve an appropriate result.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents to the claims are also within the scope of the following claims.

100: 불량 예측 시스템 110: 데이터 수집부
120: 기준 데이터 생성부 130: 불량 판단부100: failure prediction system 110: data collection unit
120: reference data generation unit 130: failure determination unit

Claims (10)

차량에 대한 진단 정보를 수집하는 데이터 수집부;
상기 수집된 진단 정보 중 기설정된 시간 이전에 수집된 정보로부터 학습 패턴 데이터를 추출하고, 상기 추출된 학습 패턴 데이터를 입력으로 인공지능 학습을 수행하여 기준 패턴 데이터를 생성하는 기준 데이터 생성부 및
상기 수집된 차량에 대한 진단 정보 중 상기 기설정된 시간 이후에 수집된 정보로부터 발생 패턴 데이터를 추출하고, 상기 추출된 발생 패턴 데이터와 상기 생성된 기준 패턴 데이터에 기초하여 상기 차량에 대한 불량 여부를 판단하는 불량 판단부
를 포함하는 차량의 불량 예측 시스템.a data collection unit that collects diagnostic information about the vehicle;
A reference data generator for extracting learning pattern data from information collected before a preset time among the collected diagnostic information, and performing artificial intelligence learning by inputting the extracted learning pattern data to generate reference pattern data; and
Among the collected diagnostic information on the vehicle, occurrence pattern data is extracted from information collected after the preset time, and whether the vehicle is defective is determined based on the extracted occurrence pattern data and the generated reference pattern data. bad judgment unit
A vehicle failure prediction system comprising a. 제1항에 있어서,
상기 진단 정보는,
상기 차량 내에 구비된 적어도 하나의 ECU(electronic control unit)에 대한 진단 결과 데이터, 진단 전실패 횟수 정보, 진단 실패 발생 시간 정보, 진단 성공 발생 횟수 정보 및 진단 성공 발생 시간 정보 중 적어도 하나의 정보를 포함하는
차량의 불량 예측 시스템.According to claim 1,
The diagnostic information is
At least one of diagnosis result data for at least one electronic control unit (ECU) provided in the vehicle, information on the number of failures before diagnosis, information on the number of times of diagnosis failure, information on the number of times of diagnosis success, and information on the time of diagnosis success. doing
Vehicle failure prediction system. 제2항에 있어서,
상기 기준 데이터 생성부는,
상기 진단 결과 데이터에 포함된 차량 진단 코드의 발생 패턴에 관한 정보에 기초하여 상기 학습 패턴 데이터 및 상기 발생 패턴 데이터를 추출하는
차량의 불량 예측 시스템.3. The method of claim 2,
The reference data generation unit,
extracting the learning pattern data and the occurrence pattern data based on the information on the generation pattern of the vehicle diagnosis code included in the diagnosis result data
Vehicle failure prediction system. 제1항에 있어서,
상기 기준 데이터 생성부는,
적어도 하나의 은닉 계층(hidden layer)을 포함하는 신경망 알고리즘에 기반한 상기 인공지능 학습을 수행하여 상기 기준 패턴 데이터를 생성하는
차량의 불량 예측 시스템.According to claim 1,
The reference data generation unit,
Generating the reference pattern data by performing the artificial intelligence learning based on a neural network algorithm including at least one hidden layer
Vehicle failure prediction system. 제1항에 있어서,
상기 불량 판단부는,
상기 추출된 발생 패턴 데이터와 상기 생성된 기준 패턴 데이터를 비교하고 비교한 결과가 기설정된 유사도 이하인 것으로 나타나면 불량으로 판단하는
차량의 불량 예측 시스템.According to claim 1,
The bad judgment unit,
Comparing the extracted occurrence pattern data with the generated reference pattern data, and if the comparison result is found to be less than or equal to a preset similarity, it is determined as defective
Vehicle failure prediction system. 제1항에 있어서,
상기 진단 정보를 생성하고, 상기 생성된 진단 정보를 IP(internet protocol) 기반 통신을 이용하여 상기 데이터 수집부로 제공하는 데이터 제공부
를 더 포함하는 차량의 불량 예측 시스템.According to claim 1,
A data providing unit that generates the diagnosis information and provides the generated diagnosis information to the data collection unit using IP (internet protocol)-based communication
Failure prediction system of the vehicle further comprising a. 데이터 수집부에서, 차량에 대한 진단 정보를 수집하는 단계;
기준 데이터 생성부에서, 상기 수집된 진단 정보 중 기설정된 시간 이전에 수집된 정보로부터 학습 패턴 데이터를 추출하고, 상기 추출된 학습 패턴 데이터를 입력으로 인공지능 학습을 수행하여 기준 패턴 데이터를 생성하는 단계 및
불량 판단부에서, 상기 수집된 차량에 대한 진단 정보 중 상기 기설정된 시간 이후에 수집된 정보로부터 발생 패턴 데이터를 추출하고, 상기 추출된 발생 패턴 데이터와 상기 생성된 기준 패턴 데이터에 기초하여 상기 차량에 대한 불량 여부를 판단하는 단계
를 포함하는 차량의 불량 예측 방법.Collecting, in the data collection unit, diagnostic information about the vehicle;
In the reference data generator, extracting learning pattern data from information collected before a preset time among the collected diagnostic information, and performing artificial intelligence learning by inputting the extracted learning pattern data to generate reference pattern data and
The failure determination unit extracts occurrence pattern data from information collected after the preset time among the collected diagnostic information on the vehicle, and based on the extracted occurrence pattern data and the generated reference pattern data, to the vehicle Determining whether the product is defective or not
A method of predicting failure of a vehicle comprising a. 제7항에 있어서,
상기 진단 정보는,
상기 차량 내에 구비된 적어도 하나의 ECU(electronic control unit)에 대한 진단 결과 데이터, 진단 전실패 횟수 정보, 진단 실패 발생 시간 정보, 진단 성공 발생 횟수 정보 및 진단 성공 발생 시간 정보 중 적어도 하나의 정보를 포함하는
차량의 불량 예측 방법.8. The method of claim 7,
The diagnostic information is
At least one of diagnosis result data for at least one electronic control unit (ECU) provided in the vehicle, information on the number of failures before diagnosis, information on the number of times of diagnosis failure, information on the number of times of diagnosis success, and information on the time of diagnosis success. doing
How to predict vehicle failure. 제8항에 있어서,
상기 진단 정보를 수집하는 단계는,
상기 진단 결과 데이터에 포함된 차량 진단 코드의 발생 패턴에 관한 정보에 기초하여 상기 학습 패턴 데이터 및 상기 발생 패턴 데이터를 추출하는
차량의 불량 예측 방법.9. The method of claim 8,
Collecting the diagnostic information includes:
extracting the learning pattern data and the occurrence pattern data based on the information on the occurrence pattern of the vehicle diagnostic code included in the diagnosis result data
How to predict vehicle failure. 제7항에 있어서,
데이터 제공부에서, 상기 진단 정보를 생성하고, 상기 생성된 진단 정보를 IP(internet protocol) 기반 통신을 이용하여 상기 데이터 수집부로 제공하는 단계
를 더 포함하는 차량의 불량 예측 방법.
8. The method of claim 7,
Generating the diagnostic information in the data providing unit, and providing the generated diagnostic information to the data collection unit using IP (internet protocol)-based communication
Defect prediction method of the vehicle further comprising a.
KR1020200161009A 2020-11-26 2020-11-26 System for predicting error of the vihicle and method thereof KR102502394B1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200161009A KR102502394B1 (en) 2020-11-26 2020-11-26 System for predicting error of the vihicle and method thereof
PCT/KR2021/017332 WO2022114750A1 (en) 2020-11-26 2021-11-24 Vehicle defect prediction system and method therefor

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200161009A KR102502394B1 (en) 2020-11-26 2020-11-26 System for predicting error of the vihicle and method thereof

Publications (2)

Publication Number Publication Date
KR20220073171A true KR20220073171A (en) 2022-06-03
KR102502394B1 KR102502394B1 (en) 2023-02-23

Family

ID=81754864

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200161009A KR102502394B1 (en) 2020-11-26 2020-11-26 System for predicting error of the vihicle and method thereof

Country Status (2)

Country Link
KR (1) KR102502394B1 (en)
WO (1) WO2022114750A1 (en)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017223534A (en) * 2016-06-15 2017-12-21 株式会社日立製作所 Vehicle diagnosis device
KR20180105850A (en) * 2017-03-16 2018-10-01 주식회사 만도 Fault diagnosis system for vehicle and data security method thereof
KR20190069421A (en) * 2016-10-12 2019-06-19 하만인터내셔날인더스트리스인코포레이티드 System and method for predictive failure detection in a vehicle
KR20190071875A (en) * 2017-12-15 2019-06-25 현대자동차주식회사 Terminal apparatus, vehicle and method for controlling the same
KR20200044225A (en) * 2018-10-12 2020-04-29 가톨릭관동대학교산학협력단 Self-diagnosis System for Autonomous Vehicle based Deep Learning
KR20200052461A (en) * 2018-10-31 2020-05-15 한국철도기술연구원 Apparatus and method for predicting train fault
KR20200086497A (en) * 2019-01-09 2020-07-17 동명대학교산학협력단 Multi-platform intelligent automotive diagnostic system and diagnostic method thereof
JP2020185974A (en) * 2019-05-17 2020-11-19 株式会社東芝 Vehicle air conditioner diagnosis device and method for the same

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101683242B1 (en) * 2015-10-15 2016-12-07 주식회사 카이즈 System for diagnosing vehicle and providing vehicle information for driver

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017223534A (en) * 2016-06-15 2017-12-21 株式会社日立製作所 Vehicle diagnosis device
KR20190069421A (en) * 2016-10-12 2019-06-19 하만인터내셔날인더스트리스인코포레이티드 System and method for predictive failure detection in a vehicle
KR20180105850A (en) * 2017-03-16 2018-10-01 주식회사 만도 Fault diagnosis system for vehicle and data security method thereof
KR101974347B1 (en) 2017-03-16 2019-09-05 주식회사 만도 Fault diagnosis system for vehicle and data security method thereof
KR20190071875A (en) * 2017-12-15 2019-06-25 현대자동차주식회사 Terminal apparatus, vehicle and method for controlling the same
KR20200044225A (en) * 2018-10-12 2020-04-29 가톨릭관동대학교산학협력단 Self-diagnosis System for Autonomous Vehicle based Deep Learning
KR20200052461A (en) * 2018-10-31 2020-05-15 한국철도기술연구원 Apparatus and method for predicting train fault
KR20200086497A (en) * 2019-01-09 2020-07-17 동명대학교산학협력단 Multi-platform intelligent automotive diagnostic system and diagnostic method thereof
JP2020185974A (en) * 2019-05-17 2020-11-19 株式会社東芝 Vehicle air conditioner diagnosis device and method for the same

Also Published As

Publication number Publication date
KR102502394B1 (en) 2023-02-23
WO2022114750A1 (en) 2022-06-02

Similar Documents

Publication Publication Date Title
US11928006B2 (en) System and method for labeling bits of controller area network (CAN) messages
CN110658807A (en) Vehicle fault diagnosis method, device and system
DE102020124693B4 (en) Adaptive forecasting system and forecasting method for vehicles
RU2755354C1 (en) Diagnostic system and method for vehicle data processing
US11868222B2 (en) System and method for integration testing
CN112887304A (en) WEB application intrusion detection method and system based on character-level neural network
CN115080299B (en) Software fault feedback processing method, device, medium and equipment
US11762761B2 (en) Generating synthetic test cases for network fuzz testing
CN110333712A (en) Car fault diagnosis method and system
CN111527387A (en) Method and system for identifying damage to a component
US11474889B2 (en) Log transmission controller
KR102502394B1 (en) System for predicting error of the vihicle and method thereof
CN112606779B (en) Automobile fault early warning method and electronic equipment
CN112650201B (en) Vehicle fault diagnosis method and device, vehicle and storage medium
CN108960220A (en) Signal system communication data analysis method for reliability based on state machine model
CN112884018A (en) Power grid line fault recognition model training method and power grid line inspection method
US20220187789A1 (en) Equipment failure diagnosis apparatus, equipment failure diagnosis method, smart factory system and application agent
CN115407158A (en) Early detection of cable faults in automotive networks
CN115238904A (en) Method, apparatus and computer program for creating training data in a vehicle
FR2927181A1 (en) SECURE CONTROL METHOD AND DEVICE FOR DEPORTE MAINTENANCE TERMINAL.
CN117539674B (en) Exception handling method, device, equipment and storage medium
KR102592309B1 (en) Automatic decision method using partial discharge pulse of underground transmission cable
CN112667671B (en) Road network data processing method and device, computer equipment and storage medium
WO2024004313A1 (en) Malfunction diagnosis system, malfunction diagnosis device, and malfunction diagnosis method
US20230110616A1 (en) Fault model editor and diagnostic tool

Legal Events

Date Code Title Description
AMND Amendment
E90F Notification of reason for final refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)