KR20220073574A - 고장 진단 장치 및 그 방법 - Google Patents

고장 진단 장치 및 그 방법 Download PDF

Info

Publication number
KR20220073574A
KR20220073574A KR1020200161763A KR20200161763A KR20220073574A KR 20220073574 A KR20220073574 A KR 20220073574A KR 1020200161763 A KR1020200161763 A KR 1020200161763A KR 20200161763 A KR20200161763 A KR 20200161763A KR 20220073574 A KR20220073574 A KR 20220073574A
Authority
KR
South Korea
Prior art keywords
classification
preset
state
class
sensing information
Prior art date
Application number
KR1020200161763A
Other languages
English (en)
Other versions
KR102437043B1 (ko
Inventor
김영호
남내현
오세웅
이성우
Original Assignee
에스넷시스템(주)
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 에스넷시스템(주) filed Critical 에스넷시스템(주)
Priority to KR1020200161763A priority Critical patent/KR102437043B1/ko
Publication of KR20220073574A publication Critical patent/KR20220073574A/ko
Application granted granted Critical
Publication of KR102437043B1 publication Critical patent/KR102437043B1/ko

Links

Images

Classifications

    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61D—BODY DETAILS OR KINDS OF RAILWAY VEHICLES
    • B61D19/00—Door arrangements specially adapted for rail vehicles
    • B61D19/02—Door arrangements specially adapted for rail vehicles for carriages
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L15/00—Indicators provided on the vehicle or train for signalling purposes
    • B61L15/0081—On-board diagnosis or maintenance
    • 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
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Economics (AREA)
  • Biomedical Technology (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

본 발명은 고장 진단 장치 및 그 방법을 개시한다. 즉, 본 발명은 철도차량의 출입문 장치의 센싱 정보를 수집하고, 수집된 센싱 정보로부터 미리 설정된 통계 인자를 산출하고, 상기 산출된 통계 인자를 근거로 미리 설정된 복수의 분류 알고리즘을 이용해서 분류 기능을 수행하고, 미리 설정된 복수의 클래스별로 분류 결과를 제공함으로써, 철도차량의 현재 상태에 대한 고장 유무, 불량 여부 등에 대한 빠른 검사 결과를 제공하고, 검사 결과에 따라 실시간으로 철도차량의 상태를 모니터링할 수 있다.

Description

고장 진단 장치 및 그 방법{Apparatus for fault diagnosis method thereof}
본 발명은 고장 진단 장치 및 그 방법에 관한 것으로서, 특히 철도차량의 출입문 장치의 센싱 정보를 수집하고, 수집된 센싱 정보로부터 미리 설정된 통계 인자를 산출하고, 상기 산출된 통계 인자를 근거로 미리 설정된 복수의 분류 알고리즘을 이용해서 분류 기능을 수행하고, 미리 설정된 복수의 클래스별로 분류 결과를 제공하는 고장 진단 장치 및 그 방법에 관한 것이다.
철도는 열차를 이용한 운송 수단 또는 열차가 다니도록 철제를 두 줄로 깔아 놓은 길을 의미한다.
이러한 열차에 대한 관리는 해당 열차가 차량 기지에 입차하는 경우, 전문가의 검사에 의해, 해당 열차의 이상 여부에 대해 판단하고 있으나, 이러한 열차 검수 과정은 전문가의 지식이나 경험에 의존하여, 정확한 고장 진단 여부나 빠른 검사 결과 제공에 한계가 있다.
한국공개특허 제10-2019-0091868호 [제목: 철도 차량의 부품 및 운영 환경 특징 벡터 정보 기반의 기계 학습 고장 진단 시스템 및 그 방법]
본 발명의 목적은 철도차량의 출입문 장치의 센싱 정보를 수집하고, 수집된 센싱 정보로부터 미리 설정된 통계 인자를 산출하고, 상기 산출된 통계 인자를 근거로 미리 설정된 복수의 분류 알고리즘을 이용해서 분류 기능을 수행하고, 미리 설정된 복수의 클래스별로 분류 결과를 제공하는 고장 진단 장치 및 그 방법을 제공하는 데 있다.
본 발명의 실시예에 따른 고장 진단 장치는 철도차량의 출입문 장치의 센싱 정보를 수집하는 통신부; 상기 수집된 출입문 장치의 센싱 정보를 근거로 미리 설정된 복수의 통계 인자를 산출하고, 상기 산출된 복수의 통계 인자를 근거로 미리 설정된 복수의 분류 알고리즘을 이용해서 분류 기능을 수행하는 제어부; 및 상기 제어부의 제어에 의해 각 분류 알고리즘의 성능 평가를 위해서 미리 설정된 복수의 클래스별로 분류 결과를 표시하는 표시부를 포함할 수 있다.
본 발명과 관련된 일 예로서 상기 출입문 장치의 센싱 정보는, 출입문 장치의 개방(open) 또는 닫힘(close)에 따라 발생하는 정보로, 미리 설정된 시간 항목, 배터리 항목, 모터 전압 항목, 모터 전류 항목, 모터 속도 항목 및 도어 위치 항목과 관련해서 정상 상태, 이물질끼임 상태, 재닫힘 상태, 만차 상태, 스핀들(spindle) 상태 및 스트레스(stress) 상태와 관련한 복수의 데이터를 포함할 수 있다.
본 발명과 관련된 일 예로서 상기 통계 인자는, 평균(mean), 실효값(root-mean-square: RMS), 표준편차(standard deviation), 피크(peak), 왜도(또는 비대칭도, skewness), 첨도(kurtosis), 파고율(crest factor), 클리언스 팩터(clearance factor), 형상계수(shape factor), 임펄스 팩터(impulse factor), 피크 투 피크(peak-to-peak) 및 공차분석(root sum of square) 중 적어도 하나를 포함할 수 있다.
본 발명과 관련된 일 예로서 상기 제어부는, 상기 클래스별 분류 결과를 근거로 상기 철도차량의 현재 상태에 대한 모니터링 결과를 표시하도록 상기 표시부를 제어할 수 있다.
본 발명의 실시예에 따른 고장 진단 방법은 통신부에 의해, 철도차량의 출입문 장치의 센싱 정보를 수집하는 단계; 제어부에 의해, 상기 수집된 출입문 장치의 센싱 정보를 근거로 미리 설정된 복수의 통계 인자를 산출하는 단계; 상기 제어부에 의해, 상기 산출된 복수의 통계 인자를 근거로 미리 설정된 복수의 분류 알고리즘을 이용해서 분류 기능을 수행하는 단계; 상기 제어부에 의해, 각 분류 알고리즘의 성능 평가를 위해서 미리 설정된 복수의 클래스별로 분류 결과를 표시하도록 표시부를 제어하는 단계; 및 상기 제어부에 의해, 상기 클래스별 분류 결과를 근거로 상기 철도차량의 현재 상태에 대한 모니터링 결과를 표시하도록 상기 표시부를 제어하는 단계를 포함할 수 있다.
본 발명과 관련된 일 예로서 상기 분류 기능을 수행하는 단계는, 상기 산출된 복수의 통계 인자 중에서 미리 설정된 비율의 통계 인자를 데이터 셋으로 설정하고, 상기 데이터 셋을 입력값으로 상기 복수의 분류 알고리즘을 이용해서 각각 분류 기능을 수행하는 과정; 및 상기 산출된 복수의 통계 인자 중에서 상기 데이터 셋에 포함된 통계 인자를 제외하고 남은 적어도 하나의 통계 인자를 테스트 셋으로 설정하고, 상기 테스트 셋을 입력값으로 학습된 복수의 분류 알고리즘을 이용해서 각각 분류 기능을 수행하는 과정을 포함할 수 있다.
본 발명과 관련된 일 예로서 상기 분류 기능을 수행하는 단계는, 미리 설정된 복수의 클래스별로 상기 복수의 분류 알고리즘을 통해 분류 기능을 수행하며, 상기 복수의 클래스는, 정상 상태 클래스, 이물질끼임 상태 클래스, 재닫힘 상태 클래스, 만차 상태 클래스, 스핀들 상태 클래스 및 스트레스 상태 클래스 중 적어도 하나를 포함할 수 있다.
본 발명과 관련된 일 예로서 상기 분류 기능을 수행하는 단계는, 상기 산출된 복수의 통계 인자를 이용한 상기 수집된 출입문 장치의 센싱 정보에 대한 중요 특성 분석 시, 출입문의 개방 및 닫힘 각각의 신호 데이터 전체를 사용하여 특성을 분석할 수 있다.
본 발명과 관련된 일 예로서 상기 분류 기능을 수행하는 단계는, 상기 산출된 복수의 통계 인자를 이용한 상기 수집된 출입문 장치의 센싱 정보에 대한 중요 특성 분석 시, 개방 신호에서 가속과 감속 구간으로 분할하여 구간별 신호의 특성을 분석할 수 있다.
본 발명과 관련된 일 예로서 상기 복수의 클래스별 분류 결과는, 상기 미리 설정된 복수의 클래스별로 산출된 정확도, 정밀도, 재현율 및 F1 점수 중 적어도 하나를 포함할 수 있다.
본 발명은 철도차량의 출입문 장치의 센싱 정보를 수집하고, 수집된 센싱 정보로부터 미리 설정된 통계 인자를 산출하고, 상기 산출된 통계 인자를 근거로 미리 설정된 복수의 분류 알고리즘을 이용해서 분류 기능을 수행하고, 미리 설정된 복수의 클래스별로 분류 결과를 제공함으로써, 철도차량의 현재 상태에 대한 고장 유무, 불량 여부 등에 대한 빠른 검사 결과를 제공하고, 검사 결과에 따라 실시간으로 철도차량의 상태를 모니터링할 수 있는 효과가 있다.
도 1은 본 발명의 실시예에 따른 고장 진단 장치의 구성을 나타낸 블록도이다.
도 2는 본 발명의 실시예에 따른 출입문의 개방 상태 또는 닫힘 상태에서의 항목별 정상과 비정상 신호 특성의 예를 나타낸 도이다.
도 3은 본 발명의 실시예에 따른 철도차량의 출입문 장치의 센싱 정보를 이용한 고장 진단 방법을 나타낸 흐름도이다.
도 4 내지 도 21은 본 발명의 실시예에 따른 분석 결과의 예를 나타낸 도이다.
본 발명에서 사용되는 기술적 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 발명에서 사용되는 기술적 용어는 본 발명에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 발명에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 발명에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.
또한, 본 발명에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다. 본 발명에서 "구성된다" 또는 "포함한다" 등의 용어는 발명에 기재된 여러 구성 요소들 또는 여러 단계를 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.
또한, 본 발명에서 사용되는 제 1, 제 2 등과 같이 서수를 포함하는 용어는 구성 요소들을 설명하는데 사용될 수 있지만, 구성 요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성 요소는 제 2 구성 요소로 명명될 수 있고, 유사하게 제 2 구성 요소도 제 1 구성 요소로 명명될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다.
도 1은 본 발명의 실시예에 따른 고장 진단 장치(100)의 구성을 나타낸 블록도이다.
도 1에 도시한 바와 같이, 고장 진단 장치(100)는 통신부(110), 저장부(120), 표시부(130), 음성 출력부(140) 및 제어부(150)로 구성된다. 도 1에 도시된 고장 진단 장치(100)의 구성 요소 모두가 필수 구성 요소인 것은 아니며, 도 1에 도시된 구성 요소보다 많은 구성 요소에 의해 고장 진단 장치(100)가 구현될 수도 있고, 그보다 적은 구성 요소에 의해서도 고장 진단 장치(100)가 구현될 수도 있다.
상기 고장 진단 장치(100)는 스마트폰(Smart Phone), 휴대 단말기(Portable Terminal), 이동 단말기(Mobile Terminal), 폴더블 단말기(Foldable Terminal), 개인 정보 단말기(Personal Digital Assistant: PDA), PMP(Portable Multimedia Player) 단말기, 텔레매틱스(Telematics) 단말기, 내비게이션(Navigation) 단말기, 개인용 컴퓨터(Personal Computer), 노트북 컴퓨터, 슬레이트 PC(Slate PC), 태블릿 PC(Tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(Wearable Device, 예를 들어, 워치형 단말기(Smartwatch), 글래스형 단말기(Smart Glass), HMD(Head Mounted Display) 등 포함), 와이브로(Wibro) 단말기, IPTV(Internet Protocol Television) 단말기, 스마트 TV, 디지털방송용 단말기, AVN(Audio Video Navigation) 단말기, A/V(Audio/Video) 시스템, 플렉시블 단말기(Flexible Terminal), 디지털 사이니지 장치 등과 같은 다양한 단말기에 적용될 수 있다.
상기 통신부(110)는 유/무선 통신망을 통해 내부의 임의의 구성 요소 또는 외부의 임의의 적어도 하나의 단말기와 통신 연결한다. 이때, 상기 외부의 임의의 단말기는 철도차량(미도시), 서버(미도시) 등을 포함할 수 있다. 여기서, 무선 인터넷 기술로는 무선랜(Wireless LAN: WLAN), DLNA(Digital Living Network Alliance), 와이브로(Wireless Broadband: Wibro), 와이맥스(World Interoperability for Microwave Access: Wimax), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), IEEE 802.16, 롱 텀 에볼루션(Long Term Evolution: LTE), LTE-A(Long Term Evolution-Advanced), 광대역 무선 이동 통신 서비스(Wireless Mobile Broadband Service: WMBS) 등이 있으며, 상기 통신부(110)는 상기에서 나열되지 않은 인터넷 기술까지 포함한 범위에서 적어도 하나의 무선 인터넷 기술에 따라 데이터를 송수신하게 된다. 또한, 근거리 통신 기술로는 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association: IrDA), UWB(Ultra Wideband), 지그비(ZigBee), 인접 자장 통신(Near Field Communication: NFC), 초음파 통신(Ultra Sound Communication: USC), 가시광 통신(Visible Light Communication: VLC), 와이 파이(Wi-Fi), 와이 파이 다이렉트(Wi-Fi Direct) 등이 포함될 수 있다. 또한, 유선 통신 기술로는 전력선 통신(Power Line Communication: PLC), USB 통신, 이더넷(Ethernet), 시리얼 통신(serial communication), 광/동축 케이블 등이 포함될 수 있다.
또한, 상기 통신부(110)는 유니버설 시리얼 버스(Universal Serial Bus: USB)를 통해 임의의 단말과 정보를 상호 전송할 수 있다.
또한, 상기 통신부(110)는 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 상기 철도차량, 상기 서버 등과 무선 신호를 송수신한다.
또한, 상기 통신부(110)는 상기 제어부(150)의 제어에 의해, 상기 철도차량, 상기 서버 등으로부터 전송되는 해당 철도차량과 관련한 출입문 장치의 센싱 정보 등을 수신(또는 수집)한다.
상기 저장부(120)는 다양한 사용자 인터페이스(User Interface: UI), 그래픽 사용자 인터페이스(Graphic User Interface: GUI) 등을 저장한다.
또한, 상기 저장부(120)는 상기 고장 진단 장치(100)가 작동하는데 필요한 데이터와 프로그램 등을 저장한다.
즉, 상기 저장부(120)는 상기 고장 진단 장치(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 고장 진단 장치(100)의 작동을 위한 데이터들, 명령어들을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는 무선 통신을 통해 외부 서버로부터 다운로드 될 수 있다. 또한, 이러한 응용 프로그램 중 적어도 일부는 고장 진단 장치(100)의 기본적인 기능을 위하여 출고 당시부터 고장 진단 장치(100) 상에 존재할 수 있다. 한편, 응용 프로그램은 상기 저장부(120)에 저장되고, 고장 진단 장치(100)에 설치되어, 제어부(150)에 의하여 상기 고장 진단 장치(100)의 작동(또는 기능)을 수행하도록 구동될 수 있다.
또한, 상기 저장부(120)는 플래시 메모리 타입(Flash Memory Type), 하드 디스크 타입(Hard Disk Type), 멀티미디어 카드 마이크로 타입(Multimedia Card Micro Type), 카드 타입의 메모리(예를 들면, SD 또는 XD 메모리 등), 자기 메모리, 자기 디스크, 광디스크, 램(Random Access Memory: RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory: ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory) 중 적어도 하나의 저장매체를 포함할 수 있다. 또한, 고장 진단 장치(100)는 인터넷(internet)상에서 저장부(120)의 저장 기능을 수행하는 웹 스토리지(web storage)를 운영하거나, 또는 상기 웹 스토리지와 관련되어 작동할 수도 있다.
또한, 상기 저장부(120)는 상기 제어부(150)의 제어에 의해 상기 수신된 철도차량과 관련한 출입문장치의 센싱 정보 등을 저장한다.
상기 표시부(또는 디스플레이부)(130)는 상기 제어부(150)의 제어에 의해 상기 저장부(120)에 저장된 사용자 인터페이스 및/또는 그래픽 사용자 인터페이스를 이용하여 다양한 메뉴 화면 등과 같은 다양한 콘텐츠를 표시할 수 있다. 여기서, 상기 표시부(130)에 표시되는 콘텐츠는 다양한 텍스트 또는 이미지 데이터(각종 정보 데이터 포함)와 아이콘, 리스트 메뉴, 콤보 박스 등의 데이터를 포함하는 메뉴 화면 등을 포함한다. 또한, 상기 표시부(130)는 터치 스크린 일 수 있다.
또한, 상기 표시부(130)는 액정 디스플레이(Liquid Crystal Display: LCD), 박막 트랜지스터 액정 디스플레이(Thin Film Transistor-Liquid Crystal Display: TFT LCD), 유기 발광 다이오드(Organic Light-Emitting Diode: OLED), 플렉시블 디스플레이(Flexible Display), 3차원 디스플레이(3D Display), 전자잉크 디스플레이(e-ink display), LED(Light Emitting Diode) 중에서 적어도 하나를 포함할 수 있다.
또한, 상기 표시부(130)는 상기 제어부(150)의 제어에 의해 상기 수신된 철도차량과 관련한 출입문장치의 센싱 정보 등을 표시한다.
상기 음성 출력부(140)는 상기 제어부(150)에 의해 소정 신호 처리된 신호에 포함된 음성 정보를 출력한다. 여기서, 상기 음성 출력부(140)에는 리시버(receiver), 스피커(speaker), 버저(buzzer) 등이 포함될 수 있다.
또한, 상기 음성 출력부(140)는 상기 제어부(150)에 의해 생성된 안내 음성을 출력한다.
또한, 상기 음성 출력부(140)는 상기 제어부(150)의 제어에 의해 상기 표시부(130)에 표시되는 철도차량과 관련한 출입문 장치의 센싱 정보 등에 대응하는 음성 정보(또는 음향 정보) 등을 출력한다.
상기 제어부(controller, 또는 MCU(microcontroller unit)(150)는 상기 고장 진단 장치(100)의 전반적인 제어 기능을 실행한다.
또한, 상기 제어부(150)는 상기 저장부(120)에 저장된 프로그램 및 데이터를 이용하여 고장 진단 장치(100)의 전반적인 제어 기능을 실행한다. 상기 제어부(150)는 RAM, ROM, CPU, GPU, 버스를 포함할 수 있으며, RAM, ROM, CPU, GPU 등은 버스를 통해 서로 연결될 수 있다. CPU는 상기 저장부(120)에 액세스하여, 상기 저장부(120)에 저장된 O/S를 이용하여 부팅을 수행할 수 있으며, 상기 저장부(120)에 저장된 각종 프로그램, 콘텐츠, 데이터 등을 이용하여 다양한 작동을 수행할 수 있다.
또한, 상기 제어부(150)는 상기 통신부(110)를 통해 수신한(또는 수집한) 해당 철도차량의 출입문 장치의 센싱 정보를 상기 저장부(120)에 저장한다. 여기서, 상기 철도차량(rolling stock/railroad vehicle)은 기관차 및 동력을 가진 여객차 화물차를 총칭하며, 해당 철도차량의 출입문 일측에 구비된 센서부(미도시)를 통해서 상기 출입문 장치와 관련한 다양한 정보를 측정(또는 센싱)한다. 또한, 상기 출입문 장치의 센싱 정보(또는 센싱 데이터)는 해당 출입문 장치(또는 도어)의 개방(open) 또는 닫힘(close)에 따라 발생하는 정보로, 미리 설정된 시간 항목, 배터리 항목, 모터 전압 항목, 모터 전류 항목, 모터 속도 항목, 도어 위치 항목 등과 관련해서 정상 상태, 이물질끼임 상태, 재닫힘 상태, 만차 상태, 스핀들(spindle) 상태, 스트레스(stress) 상태 등과 관련한 복수의 데이터를 포함한다.
또한, 상기 제어부(150)는 상기 수신된(또는 수집된) 출입문 장치의 센싱 정보를 근거로 미리 설정된 복수의 통계 인자를 산출(또는 추출)한다. 여기서, 상기 통계 인자는 고장 진단 분야에서 대표적으로 사용하는 인자일 수 있으며, 평균(mean), 실효값(root-mean-square: RMS), 표준편차(standard deviation), 피크(peak), 왜도(또는 비대칭도, skewness), 첨도(kurtosis), 파고율(crest factor), 클리언스 팩터(clearance factor), 형상계수(shape factor), 임펄스 팩터(impulse factor), 피크 투 피크(peak-to-peak), 공차분석(root sum of square) 등을 포함한다.
즉, 상기 제어부(150)는 상기 수신된 출입문 장치의 센싱 정보에 대해서 상기 복수의 통계 인자를 각각 산출한다.
또한, 상기 제어부(150)는 상기 산출된(또는 추출된) 복수의 통계 인자를 근거로 미리 설정된 복수의 분류 알고리즘을 이용해서 분류 기능(또는 분석 기능)을 수행한다. 여기서, 상기 분류 알고리즘(또는 분석 알고리즘/모델)은 랜덤 포레스트(random forest) 모델, K-최근접 이웃(K-Nearest Neighbor: KNN) 모델, 앙상블(ensemble) 모델 등을 포함한다.
이때, 상기 랜덤 포레스트 모델은 복수의 결정 트리(decision tree)를 학습하는 앙상블 기법으로, 결측치(missing value)를 다루기 쉬우며, 대용량 데이터 처리에 효과적이고, 오버피팅(overfitting) 문제를 회피하며, 모델 정확도를 향상시키고, 분류 모델(classification model)에서 상대적으로 중요한 변수의 선정 및 랭킹(ranking)이 가능한 모델이다.
또한, 상기 K-최근접 이웃(K-Nearest Neighbor: KNN) 모델은 단순하지만 높은 정확성을 특징으로 분류 문제에 많이 사용되며, 사용할 수 있는 모든 경우를 저장하고 거리 측정(distance measure) 등의 유사성에 기반하여 새로운 정보를 분류하며, k개의 최근접 이웃 사이에서 가장 공통적인 항목에 할당되는 객체로 과반수 투표에 의해 분류하는 모델이다. 여기서, 상기 K는 자연수일 수 있다.
또한, 상기 앙상블 모델은 하나의 모델만을 학습시켜 사용하지 않고, 여러 모델(예를 들어 랜덤 포레스트, KNN, SVM(support vector machine) 등 포함)을 학습시켜 결합하는 방식으로, 개별로 학습한 여러 모델을 조합하여 일반화(generalization) 성능을 향상시키고, 오버피팅을 감소시키는 모델이다.
즉, 상기 제어부(150)는 상기 산출된 복수의 통계 인자를 입력값으로 상기 복수의 분류 알고리즘을 이용해서 각각의 분류 기능을 수행한다.
이때, 상기 제어부(150)는 해당 분류 알고리즘의 학습을 위해서, 상기 산출된 복수의 통계 인자 중에서 미리 설정된 개수(또는 비율)의 통계 인자를 데이터 셋으로 설정하고, 상기 데이터 셋을 입력값으로 상기 복수의 분류 알고리즘을 이용해서 각각 분류 기능(또는 분류에 따른 학습 기능)을 수행한다.
또한, 상기 제어부(150)는 학습을 수행한 분류 알고리즘에 대해서, 상기 산출된 복수의 통계 인자 중에서 상기 미리 설정된 개수(또는 비율)의 통계 인자를 제외하고 남은 적어도 하나의 통계 인자를 테스트 셋으로 설정하고, 상기 테스트 셋을 입력값으로 상기 복수의 분류 알고리즘(또는 상기 학습을 수행한 분류 알고리즘)을 이용해서 각각 분류 기능을 수행한다. 이때, 상기 제어부(150)는 미리 설정된 복수의 클래스별로 상기 복수의 분류 알고리즘을 통해 분류 기능을 수행할 수 있다. 여기서, 상기 복수의 클래스는 정상 상태 클래스, 이물질끼임 상태 클래스, 재닫힘 상태 클래스, 만차 상태 클래스, 스핀들 상태 클래스, 스트레스 상태 클래스 등을 포함한다.
또한, 상기 제어부(150)는 상기 산출된 복수의 통계 인자를 이용한 상기 수신된(또는 수집된) 출입문 장치의 센싱 정보에 대한 중요 특성 분석 시, 출입문의 개방/닫힘 각각의 신호 데이터 전체를 사용하여 특성을 분석하고, 개방 신호에서 가속과 감속 구간으로 분할하여 구간별 신호의 특성을 분석하고, 상기 수신된 출입문 장치의 센싱 정보를 그대로 이용하는 대신에 전류와 속도 인자 데이터를 사용하여 신규 생성한 통계 인자를 기반으로 모델의 중요 특성을 분석한다. 이때, 상기 제어부(150)는 데이터 수집 파일 단위로, 도어 위치를 기준으로 모터 전류의 최대값에 따라 가속 구간/감속 구간으로 분할하며, 전류 기준으로 속도 인자도 분할할 수 있다. 여기서, 닫힘 신호 데이터(또는 닫힘 신호)의 경우, 가속 구간과 감속 구간을 구분할 수 있는 기준이 없을 수도 있다.
또한, 도 2에 도시된 바와 같이, 상기 제 1 제어부는 출입문의 개방 상태 또는 닫힘 상태에 대해서 모터 전류(예를 들어 도 2에서 파란색으로 표시), 모터 속도(예를 들어 빨간색으로 표시), 모터 전압(예를 들어 녹색으로 표시) 등의 항목에 대해서 정상 상태, 만차 상태, 이물질끼임 상태 등의 정상과 비정상 신호 특성을 확인할 수 있다.
또한, 상기 제어부(150)는 각 분류 알고리즘의 성능 평가를 위해서 미리 설정된 복수의 클래스별로 분류 결과를 표시부(130) 및/또는 음성 출력부(140)를 통해 출력한다. 여기서, 상기 클래스별 분류 결과(또는 클래스별 분류 기능 수행 결과/다중 클래스 분류 결과)는 혼동 행렬(confusion matrix)을 근거로 상기 미리 설정된 복수의 클래스별로(예를 들어 정상 상태 클래스, 이물질끼임 상태 클래스, 재닫힘 상태 클래스, 만차 상태 클래스, 스핀들 상태 클래스, 스트레스 상태 클래스 등 포함) 산출된 정확도(accuracy), 정밀도(precision), 재현율(recall), F1 점수(F1 score, F-measure) 등을 포함한다.
이때, 상기 혼동 행렬은 분류 모델의 성능을 설명하기 위한 것으로, 학습된 분류 모델이 예측을 수행하면서 얼마나 헷갈리고 있는지 함께 보여주는 지표로, 분류의 예측 오류가 얼마인지와 더불어 어떠한 유형의 예측 오류가 발생하고 있는지를 나타내는 지표이다.
또한, 상기 정확도는 실제 데이터에서 예측 데이터가 얼마나 같은지를 판단하는 지표(또는 전체 샘플 중 맞게 예측한 샘플 수의 비율)이다.
또한, 상기 정밀도는 예측을 포지티브(positive)로 한 대상 중에 예측값과 실제값이 포지티브로 일치한 비율을 나타낸 지표(또는 분류 모델이 트루(true)라고 분류한 것 중 실제 트루인 비율)이다.
또한, 상기 재현율은 실제값이 포지티브인 대상 중에 예측값과 실제값이 포지티브로 일치한 비율을 나타낸 지표(또는 실제 트루인 것 중에서 분류 모델이 트루라고 예측한 비율)이다.
또한, 상기 F1 점수는 정밀도와 재현율을 결합한 지표(또는 정밀도와 재현율의 조화 평균)이다.
또한, 상기 제어부(150)는 상기 클래스별 분류 결과를 근거로 해당 철도차량의 현재 상태(예를 들어 고장 유무, 불량 여부 등 포함)에 대한 모니터링 결과를 상기 표시부(130) 및/또는 상기 음성 출력부(140)를 통해 출력한다.
이와 같이, 상기 제어부(150)는 차량기지에 입차하는 철도차량 또는 운행 중인 철도차량으로부터 제공되는 해당 철도차량의 출입문 장치의 센싱 정보를 근거로 복수의 분류 알고리즘을 통해 해당 철도차량의 출입문 장치의 상태를 모니터링하고, 모니터링 결과를 관리자가 확인할 수 있도록 상기 표시부(130) 및/또는 상기 음성 출력부(140)를 통해 출력할 수 있다.
또한, 운행 중인 철도차량으로부터 실시간으로 해당 철도차량의 출입문 장치의 센싱 정보를 수신하는 경우, 상기 제어부(150)는 해당 센싱 정보를 근거로 복수의 분류 알고리즘을 통해 해당 철도차량의 출입문 장치의 상태를 모니터링하고, 모니터링 결과를 운행 중인 철도차량에 근무 중인 기관사, 해당 철도차량의 운행을 관리하는 관리자 등이 확인할 수 있도록 해당 모니터링 결과를 상기 통신부(110)를 통해 상기 철도차량, 상기 서버 등에 전송할 수도 있다.
이와 같이, 철도차량의 출입문 장치의 센싱 정보를 수집하고, 수집된 센싱 정보로부터 미리 설정된 통계 인자를 산출하고, 상기 산출된 통계 인자를 근거로 미리 설정된 복수의 분류 알고리즘을 이용해서 분류 기능을 수행하고, 미리 설정된 복수의 클래스별로 분류 결과를 제공할 수 있다.
이하에서는, 본 발명에 따른 철도차량의 출입문 장치의 센싱 정보를 이용한 고장 진단 방법을 도 1 내지 도 21을 참조하여 상세히 설명한다.
도 3은 본 발명의 실시예에 따른 철도차량의 출입문 장치의 센싱 정보를 이용한 고장 진단 방법을 나타낸 흐름도이다.
먼저, 통신부(110)는 철도차량(미도시), 서버(미도시) 등으로부터 전송되는 해당 철도차량의 출입문 장치의 센싱 정보를 수신(또는 수집)한다. 여기서, 상기 철도차량(rolling stock/railroad vehicle)은 기관차 및 동력을 가진 여객차 화물차를 총칭하며, 해당 철도차량의 출입문 일측에 구비된 센서부(미도시)를 통해서 상기 출입문 장치와 관련한 다양한 정보를 측정(또는 센싱)한다. 또한, 상기 출입문 장치의 센싱 정보(또는 센싱 데이터)는 해당 출입문 장치(또는 도어)의 개방(open) 또는 닫힘(close)에 따라 발생하는 정보로, 미리 설정된 시간 항목, 배터리 항목, 모터 전압 항목, 모터 전류 항목, 모터 속도 항목, 도어 위치 항목 등과 관련해서 정상 상태, 이물질끼임 상태, 재닫힘 상태, 만차 상태, 스핀들(spindle) 상태, 스트레스(stress) 상태 등과 관련한 복수의 데이터를 포함한다.
일 예로, 제 1 통신부(110)는 제 1 철도차량으로부터 전송되는 해당 제 1 철도차량에 구비된 복수의 출입문에서 측정된 미리 설정된 시간 항목, 배터리 항목, 모터 전압 항목, 모터 전류 항목, 모터 속도 항목, 도어 위치 항목 등과 관련해서 정상 상태와 관련한 650개의 센싱 정보, 이물질끼임 상태와 관련한 100개의 센싱 정보, 재닫힘 상태와 관련한 50개의 센싱 정보, 만차 상태와 관련한 100개의 센싱 정보, 스핀들 상태와 관련한 50개의 센싱 정보, 스트레스 상태와 관련한 50개의 센싱 정보 등을 포함하는 1000개의 센싱 정보를 수신한다(S310).
이후, 제어부(150)는 상기 수신된(또는 수집된) 출입문 장치의 센싱 정보를 근거로 미리 설정된 복수의 통계 인자를 산출(또는 추출)한다. 여기서, 상기 통계 인자는 고장 진단 분야에서 대표적으로 사용하는 인자일 수 있으며, 평균, 실효값, 표준편차, 피크(peak), 왜도(또는 비대칭도), 첨도, 파고율, 클리언스 팩터, 형상계수, 임펄스 팩터, 피크 투 피크, 공차분석 등을 포함한다.
즉, 상기 제어부(150)는 상기 수신된 출입문 장치의 센싱 정보에 대해서 상기 복수의 통계 인자를 각각 산출한다.
일 예로, 제 1 제어부(150)는 상기 수신된 1000개의 센싱 정보에 대해 평균, 실효값, 표준편차, 피크, 왜도, 첨도, 파고율, 클리언스 팩터, 형상계수, 임펄스 팩터, 피크 투 피크, 공차분석 등의 통계 인자를 각각 산출한다(S320).
이후, 상기 제어부(150)는 상기 산출된(또는 추출된) 복수의 통계 인자를 근거로 미리 설정된 복수의 분류 알고리즘을 이용해서 분류 기능(또는 분석 기능)을 수행한다. 여기서, 상기 분류 알고리즘(또는 분석 알고리즘/모델)은 랜덤 포레스트(random forest) 모델, K-최근접 이웃(K-Nearest Neighbor: KNN) 모델, 앙상블(ensemble) 모델 등을 포함한다.
즉, 상기 제어부(150)는 상기 산출된 복수의 통계 인자를 입력값으로 상기 복수의 분류 알고리즘을 이용해서 각각의 분류 기능을 수행한다.
이때, 상기 제어부(150)는 해당 분류 알고리즘의 학습을 위해서, 상기 산출된 복수의 통계 인자 중에서 미리 설정된 개수(또는 비율)의 통계 인자를 데이터 셋으로 설정하고, 상기 데이터 셋을 입력값으로 상기 복수의 분류 알고리즘을 이용해서 각각 분류 기능(또는 분류에 따른 학습 기능)을 수행한다.
또한, 상기 제어부(150)는 학습을 수행한 분류 알고리즘에 대해서, 상기 산출된 복수의 통계 인자 중에서 상기 미리 설정된 개수(또는 비율)의 통계 인자를 제외하고 남은 적어도 하나의 통계 인자를 테스트 셋으로 설정하고, 상기 테스트 셋을 입력값으로 상기 복수의 분류 알고리즘(또는 상기 학습을 수행한 분류 알고리즘)을 이용해서 각각 분류 기능을 수행한다. 이때, 상기 제어부(150)는 미리 설정된 복수의 클래스별로 상기 복수의 분류 알고리즘을 통해 분류 기능을 수행할 수 있다. 여기서, 상기 복수의 클래스는 정상 상태 클래스, 이물질끼임 상태 클래스, 재닫힘 상태 클래스, 만차 상태 클래스, 스핀들 상태 클래스, 스트레스 상태 클래스 등을 포함한다.
또한, 상기 제어부(150)는 상기 산출된 복수의 통계 인자를 이용한 상기 수신된(또는 수집된) 출입문 장치의 센싱 정보에 대한 중요 특성 분석 시, 출입문의 개방/닫힘 각각의 신호 데이터 전체를 사용하여 특성을 분석하고, 개방 신호에서 가속과 감속 구간으로 분할하여 구간별 신호의 특성을 분석하고, 상기 수신된 출입문 장치의 센싱 정보를 그대로 이용하는 대신에 전류와 속도 인자 데이터를 사용하여 신규 생성한 통계 인자를 기반으로 모델의 중요 특성을 분석한다. 이때, 상기 제어부(150)는 데이터 수집 파일 단위로, 도어 위치를 기준으로 모터 전류의 최대값에 따라 가속 구간/감속 구간으로 분할하며, 전류 기준으로 속도 인자도 분할할 수 있다. 여기서, 닫힘 신호 데이터(또는 닫힘 신호)의 경우, 가속 구간과 감속 구간을 구분할 수 있는 기준이 없을 수도 있다.
일 예로, 상기 제 1 제어부는 상기 산출된 1000개의 복수의 통계 인자 중에서 미리 설정된 비율인 70%에 해당하는 700개의 통계 인자를 입력값으로 상기 랜덤 포레스트 모델, K-최근접 이웃 모델, 앙상블 모델 등을 학습한다.
또한, 상기 제 1 제어부는 상기 산출된 1000개의 복수의 통계 인자 중에서 상기 700개의 통계 인자를 제외한 나머지 300개의 통계 인자를 입력값으로 상기 랜덤 포레스트 모델, K-최근접 이웃 모델, 앙상블 모델 등을 이용해서 분류 기능을 수행한다.
여기서, 도 4 및 도 5에 도시된 바와 같이, 상기 제 1 제어부는 개방 신호 전체 및 닫힘 신호 전체를 사용해서 중요 특성 분석 기능을 수행한다.
또한, 도 6에 도시된 바와 같이, 상기 제 1 제어부는 모터 전류의 최대값을 기준으로 개방 신호를 가속 구간 신호와 감속 구간 신호로 분할하고, 도 7 및 도 8에 도시된 바와 같이, 분할된 개방 신호의 가속 구간 신호와 분할된 개방 신호의 감속 구간 신호에 대해서 중요 특성 분석 기능을 수행한다(S330).
이후, 상기 제어부(150)는 각 분류 알고리즘의 성능 평가를 위해서 미리 설정된 복수의 클래스별로 분류 결과를 표시부(130) 및/또는 음성 출력부(140)를 통해 출력한다. 여기서, 상기 클래스별 분류 결과(또는 클래스별 분류 기능 수행 결과/다중 클래스 분류 결과)는 혼동 행렬(confusion matrix)을 근거로 상기 미리 설정된 복수의 클래스별로(예를 들어 정상 상태 클래스, 이물질끼임 상태 클래스, 재닫힘 상태 클래스, 만차 상태 클래스, 스핀들 상태 클래스, 스트레스 상태 클래스 등 포함) 산출된 정확도(accuracy), 정밀도(precision), 재현율(recall), F1 점수(F1 score, F-measure) 등을 포함한다.
또한, 상기 제어부(150)는 상기 클래스별 분류 결과를 근거로 해당 철도차량의 현재 상태(예를 들어 고장 유무, 불량 여부 등 포함)에 대한 모니터링 결과를 상기 표시부(130) 및/또는 상기 음성 출력부(140)를 통해 출력한다.
일 예로, 도 9에 도시된 바와 같이, 상기 제 1 제어부는 랜덤 포레스트 모델을 이용한 신호 데이터 전체를 사용한 개방 데이터에 대해 클래스별 정확도, 정밀도, 재현율 및 F1 점수를 포함하는 제 1 분석 결과를 제 1 표시부(130)에 표시한다. 여기서, 해당 랜덤 포레스트 모델의 하이퍼 파라미터는 파라미터 시뮬레이션을 실시하여 최적의 파라미터 값(예를 들어 n_estimators=20)을 사용하였다. 또한, 상기 제 1 분석 결과는 클래스별 정확도, 정밀도 및 재현율에서 평균적으로 90% 이상의 안적정인 결과를 나타내며, 클래스 2(또는 도어 재닫힘) 상황 예측에서는 비교적 낮은 점수를 나타내며, k-폴드 교차 검증(k-fold cross validation) 결과도 동일한 정확도를 나타낸다.
또한, 도 10에 도시된 바와 같이, 상기 제 1 제어부는 랜덤 포레스트 모델을 이용한 신호 데이터 전체를 사용한 닫힘 데이터에 대해 클래스별 정확도, 정밀도, 재현율 및 F1 점수를 포함하는 제 2 분석 결과를 상기 제 1 표시부에 표시한다. 여기서, 해당 랜덤 포레스트 모델의 하이퍼 파라미터는 파라미터 시뮬레이션을 실시하여 최적의 파라미터 값(예를 들어 n_estimators=20)을 사용하였다. 또한, 상기 제 2 분석 결과는 클래스별 정확도, 정밀도 및 재현율에서 평균적으로 90% 이상의 안적정인 결과를 나타내며, 클래스 4(또는 스핀들) 상황 예측에서는 전체 예측에 비해 낮은 점수를 보이나 93% 예측으로 양호한 상태를 나타내며, k-폴드 교차 검증 결과도 동일한 정확도(97.5%)를 나타낸다. 이때, 개방 신호 예측보다 닫힘 신호 예측 정확성이 더 높은 상태임을 확인할 수 있다.
또한, 도 11에 도시된 바와 같이, 상기 제 1 제어부는 KNN 모델을 이용한 신호 데이터 전체를 사용한 개방 데이터에 대해 클래스별 정확도, 정밀도, 재현율 및 F1 점수를 포함하는 제 3 분석 결과를 상기 제 1 표시부에 표시한다. 여기서, 해당 KNN 모델의 하이퍼 파라미터는 파라미터 시뮬레이션을 실시하여 최적의 파라미터 값(예를 들어 n_estimators=4)을 사용하였다. 또한, 상기 제 3 분석 결과는 클래스별 정확도, 정밀도 및 재현율에서 평균적으로 90% 이상의 안적정인 결과를 나타내나, 랜덤 포레스트 모델의 예측률보다 조금 낮은 상태이며, 클래스 2(또는 도어 재닫힘) 상황 예측에서는 전체 예측에 비해 낮은 점수(앞선 랜덤 포레스트 모델과 동일)를 나타낸다.
또한, 도 12에 도시된 바와 같이, 상기 제 1 제어부는 KNN 모델을 이용한 신호 데이터 전체를 사용한 닫힘 데이터에 대해 클래스별 정확도, 정밀도, 재현율 및 F1 점수를 포함하는 제 4 분석 결과를 상기 제 1 표시부에 표시한다. 여기서, 해당 KNN 모델의 하이퍼 파라미터는 파라미터 시뮬레이션을 실시하여 최적의 파라미터 값(예를 들어 n_estimators=4)을 사용하였다. 또한, 상기 제 4 분석 결과는 클래스별 정확도, 정밀도 및 재현율에서 평균적으로 90% 이상의 안적정인 결과를 나타내나, 랜덤 포레스트 모델의 예측률보다 조금 낮은 상태이며, 클래스 5(또는 스트레스) 상황 예측에서는 전체 예측에 비해 낮은 상태를 나타낸다. 이때, 개방 신호 예측보다 닫힘 신호 예측 정확성이 더 높은 상태임을 확인할 수 있다.
또한, 도 13에 도시된 바와 같이, 상기 제 1 제어부는 앙상블 모델을 이용한 신호 데이터 전체를 사용한 개방 데이터에 대해 클래스별 정확도를 포함하는 제 5 분석 결과를 상기 제 1 표시부에 표시한다. 여기서, 해당 앙상블 모델은 랜덤 포레스트 모델, SVM 모델, KNN 모델을 사용하였으며, 랜덤 포레스트 예측률은 95%, SVM 예측률은 92%, KNN 예측률은 94%를 나타낸다.
또한, 도 14에 도시된 바와 같이, 상기 제 1 제어부는 앙상블 모델을 이용한 신호 데이터 전체를 사용한 닫힘 데이터에 대해 클래스별 정확도를 포함하는 제 6 분석 결과를 상기 제 1 표시부에 표시한다. 여기서, 해당 앙상블 모델은 랜덤 포레스트 모델, SVM 모델, KNN 모델을 사용하였으며, 랜덤 포레스트 예측률보다 낮은 94%의 결과를 나타낸다. 이때, 개방 신호 예측보다 닫힘 신호 예측 정확성이 더 높은 상태임을 확인할 수 있다.
또한, 도 15에 도시된 바와 같이, 상기 제 1 제어부는 랜덤 포레스트 모델을 이용한 개방 데이터 신호 중 가속 구간에 대해 클래스별 정확도, 정밀도, 재현율 및 F1 점수를 포함하는 제 7 분석 결과를 상기 제 1 표시부에 표시한다. 여기서, 해당 랜덤 포레스트 모델의 하이퍼 파라미터는 파라미터 시뮬레이션을 실시하여 최적의 파라미터 값(예를 들어 n_estimators=50)을 사용하였다. 또한, 상기 제 7 분석 결과는 클래스 2(또는 도어 재닫힘) 상황 예측과 클래스 4(또는 스핀들) 상황 예측에서는 낮은 점수를 나타내며, 전체 신호 데이터를 사용하는 것보다 낮은 예측률을 나타낸다.
또한, 도 16에 도시된 바와 같이, 상기 제 1 제어부는 KNN 모델을 이용한 개방 데이터 신호 중 가속 구간에 대해 클래스별 정확도, 정밀도, 재현율 및 F1 점수를 포함하는 제 8 분석 결과를 상기 제 1 표시부에 표시한다. 여기서, 해당 KNN 모델의 하이퍼 파라미터는 파라미터 시뮬레이션을 실시하여 최적의 파라미터 값(예를 들어 n_estimators=4)을 사용하였다. 또한, 상기 제 8 분석 결과는 클래스 2(또는 도어 재닫힘) 상황 예측과 클래스 4(또는 스핀들) 상황 예측에서는 낮은 점수를 나타내며, 전체 신호 데이터를 사용하는 것보다 낮은 예측률을 나타낸다.
또한, 도 17에 도시된 바와 같이, 상기 제 1 제어부는 랜덤 포레스트 모델을 이용한 개방 데이터 신호 중 감속 구간에 대해 클래스별 정확도, 정밀도, 재현율 및 F1 점수를 포함하는 제 9 분석 결과를 상기 제 1 표시부에 표시한다. 여기서, 해당 랜덤 포레스트 모델의 하이퍼 파라미터는 파라미터 시뮬레이션을 실시하여 최적의 파라미터 값(예를 들어 n_estimators=40)을 사용하였다. 또한, 상기 제 9 분석 결과는 클래스 2(또는 도어 재닫힘) 상황 예측에서는 낮은 점수를 나타내며, 전체 신호 데이터를 사용하는 것보다 낮은 예측률을 나타낸다.
또한, 도 18에 도시된 바와 같이, 상기 제 1 제어부는 KNN 모델을 이용한 개방 데이터 신호 중 감속 구간에 대해 클래스별 정확도, 정밀도, 재현율 및 F1 점수를 포함하는 제 10 분석 결과를 상기 제 1 표시부에 표시한다. 여기서, 해당 KNN 모델의 하이퍼 파라미터는 파라미터 시뮬레이션을 실시하여 최적의 파라미터 값(예를 들어 n_estimators=2)을 사용하였다. 또한, 상기 제 10 분석 결과는 클래스 2(또는 도어 재닫힘) 상황 예측에서는 낮은 점수를 나타내며, 전체 신호 데이터를 사용하는 것보다 낮은 예측률을 나타내고, 동일 조건의 랜덤 포레스트 모델보다 낮은 예측률을 나타낸다.
또한, 도 19에 도시된 바와 같이, 상기 제 1 제어부는 랜덤 포레스트 모델, KNN 모델, 앙상블 모델 등에 대해서 개방 신호, 닫힘 신호, 개방 신호로부터 분할된 가속 구간 신호, 개방 신호로부터 분할된 감속 구간 신호 등에 대한 예측률을 포함하는 제 11 분석 결과를 상기 제 1 표시부에 표시한다. 이때, 상기 제 11 분석 결과에 표시된 바와 같이, 개방 신호 및/또는 닫힘 신호 전체를 사용할 때 예측률이 더 좋은 상태임을 확인할 수 있으며, 닫힘 신호의 가속 구간과 감속 구간에 대한 기준 정의가 필요함을 확인할 수 있다.
또한, 상기 제 1 제어부는 도 20에 도시된 상기 제 1 철도차량에 대한 정상 여부 확인 절차에 따라, 도 21에 도시된 바와 같이, 정상/고장에 따른 위치 정보(2110)와, 전류, 전압 및 속도 그래프(2120)를 상기 제 1 표시부에 표시한다(S340).
본 발명의 실시예는 앞서 설명된 바와 같이, 철도차량의 출입문 장치의 센싱 정보를 수집하고, 수집된 센싱 정보로부터 미리 설정된 통계 인자를 산출하고, 상기 산출된 통계 인자를 근거로 미리 설정된 복수의 분류 알고리즘을 이용해서 분류 기능을 수행하고, 미리 설정된 복수의 클래스별로 분류 결과를 제공하여, 철도차량의 현재 상태에 대한 고장 유무, 불량 여부 등에 대한 빠른 검사 결과를 제공하고, 검사 결과에 따라 실시간으로 철도차량의 상태를 모니터링할 수 있다.
전술된 내용은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 고장 진단 장치 110: 통신부
120: 저장부 130: 표시부
140: 음성 출력부 150: 제어부

Claims (10)

  1. 철도차량의 출입문 장치의 센싱 정보를 수집하는 통신부;
    상기 수집된 출입문 장치의 센싱 정보를 근거로 미리 설정된 복수의 통계 인자를 산출하고, 상기 산출된 복수의 통계 인자를 근거로 미리 설정된 복수의 분류 알고리즘을 이용해서 분류 기능을 수행하는 제어부; 및
    상기 제어부의 제어에 의해 각 분류 알고리즘의 성능 평가를 위해서 미리 설정된 복수의 클래스별로 분류 결과를 표시하는 표시부를 포함하는 고장 진단 장치.
  2. 제 1 항에 있어서,
    상기 출입문 장치의 센싱 정보는,
    출입문 장치의 개방(open) 또는 닫힘(close)에 따라 발생하는 정보로, 미리 설정된 시간 항목, 배터리 항목, 모터 전압 항목, 모터 전류 항목, 모터 속도 항목 및 도어 위치 항목과 관련해서 정상 상태, 이물질끼임 상태, 재닫힘 상태, 만차 상태, 스핀들(spindle) 상태 및 스트레스(stress) 상태와 관련한 복수의 데이터를 포함하는 것을 특징으로 하는 고장 진단 장치.
  3. 제 1 항에 있어서,
    상기 통계 인자는,
    평균(mean), 실효값(root-mean-square: RMS), 표준편차(standard deviation), 피크(peak), 왜도(또는 비대칭도, skewness), 첨도(kurtosis), 파고율(crest factor), 클리언스 팩터(clearance factor), 형상계수(shape factor), 임펄스 팩터(impulse factor), 피크 투 피크(peak-to-peak) 및 공차분석(root sum of square) 중 적어도 하나를 포함하는 것을 특징으로 하는 고장 진단 장치.
  4. 제 1 항에 있어서,
    상기 제어부는,
    상기 클래스별 분류 결과를 근거로 상기 철도차량의 현재 상태에 대한 모니터링 결과를 표시하도록 상기 표시부를 제어하는 것을 특징으로 하는 고장 진단 장치.
  5. 통신부에 의해, 철도차량의 출입문 장치의 센싱 정보를 수집하는 단계;
    제어부에 의해, 상기 수집된 출입문 장치의 센싱 정보를 근거로 미리 설정된 복수의 통계 인자를 산출하는 단계;
    상기 제어부에 의해, 상기 산출된 복수의 통계 인자를 근거로 미리 설정된 복수의 분류 알고리즘을 이용해서 분류 기능을 수행하는 단계;
    상기 제어부에 의해, 각 분류 알고리즘의 성능 평가를 위해서 미리 설정된 복수의 클래스별로 분류 결과를 표시하도록 표시부를 제어하는 단계; 및
    상기 제어부에 의해, 상기 클래스별 분류 결과를 근거로 상기 철도차량의 현재 상태에 대한 모니터링 결과를 표시하도록 상기 표시부를 제어하는 단계를 포함하는 고장 진단 방법.
  6. 제 5 항에 있어서,
    상기 분류 기능을 수행하는 단계는,
    상기 산출된 복수의 통계 인자 중에서 미리 설정된 비율의 통계 인자를 데이터 셋으로 설정하고, 상기 데이터 셋을 입력값으로 상기 복수의 분류 알고리즘을 이용해서 각각 분류 기능을 수행하는 과정; 및
    상기 산출된 복수의 통계 인자 중에서 상기 데이터 셋에 포함된 통계 인자를 제외하고 남은 적어도 하나의 통계 인자를 테스트 셋으로 설정하고, 상기 테스트 셋을 입력값으로 학습된 복수의 분류 알고리즘을 이용해서 각각 분류 기능을 수행하는 과정을 포함하는 것을 특징으로 하는 고장 진단 방법.
  7. 제 5 항에 있어서,
    상기 분류 기능을 수행하는 단계는,
    미리 설정된 복수의 클래스별로 상기 복수의 분류 알고리즘을 통해 분류 기능을 수행하며,
    상기 복수의 클래스는,
    정상 상태 클래스, 이물질끼임 상태 클래스, 재닫힘 상태 클래스, 만차 상태 클래스, 스핀들 상태 클래스 및 스트레스 상태 클래스 중 적어도 하나를 포함하는 것을 특징으로 하는 고장 진단 방법.
  8. 제 5 항에 있어서,
    상기 분류 기능을 수행하는 단계는,
    상기 산출된 복수의 통계 인자를 이용한 상기 수집된 출입문 장치의 센싱 정보에 대한 중요 특성 분석 시, 출입문의 개방 및 닫힘 각각의 신호 데이터 전체를 사용하여 특성을 분석하는 것을 특징으로 하는 고장 진단 방법.
  9. 제 5 항에 있어서,
    상기 분류 기능을 수행하는 단계는,
    상기 산출된 복수의 통계 인자를 이용한 상기 수집된 출입문 장치의 센싱 정보에 대한 중요 특성 분석 시, 개방 신호에서 가속과 감속 구간으로 분할하여 구간별 신호의 특성을 분석하는 것을 특징으로 하는 고장 진단 방법.
  10. 제 5 항에 있어서,
    상기 복수의 클래스별 분류 결과는,
    상기 미리 설정된 복수의 클래스별로 산출된 정확도, 정밀도, 재현율 및 F1 점수 중 적어도 하나를 포함하는 것을 특징으로 하는 고장 진단 방법.
KR1020200161763A 2020-11-26 2020-11-26 고장 진단 장치 및 그 방법 KR102437043B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200161763A KR102437043B1 (ko) 2020-11-26 2020-11-26 고장 진단 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200161763A KR102437043B1 (ko) 2020-11-26 2020-11-26 고장 진단 장치 및 그 방법

Publications (2)

Publication Number Publication Date
KR20220073574A true KR20220073574A (ko) 2022-06-03
KR102437043B1 KR102437043B1 (ko) 2022-08-29

Family

ID=81982539

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200161763A KR102437043B1 (ko) 2020-11-26 2020-11-26 고장 진단 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR102437043B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170128672A (ko) * 2016-05-12 2017-11-23 주식회사 글로비즈 철도 차량의 도어 모니터링 장치 및 도어 모니터링 방법
KR20190083029A (ko) * 2018-01-02 2019-07-11 주식회사 글로비즈 철도 차량 부품들의 결함을 진단하는 방법 및 장치
KR20190091868A (ko) 2018-01-29 2019-08-07 한국전자통신연구원 철도 차량의 부품 및 운영 환경 특징 벡터 정보 기반의 기계 학습 고장 진단 시스템 및 그 방법
KR20200058132A (ko) * 2018-11-19 2020-05-27 주식회사 글로비즈 철도차량 주요부품 및 시스템 진단장치

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170128672A (ko) * 2016-05-12 2017-11-23 주식회사 글로비즈 철도 차량의 도어 모니터링 장치 및 도어 모니터링 방법
KR20190083029A (ko) * 2018-01-02 2019-07-11 주식회사 글로비즈 철도 차량 부품들의 결함을 진단하는 방법 및 장치
KR20190091868A (ko) 2018-01-29 2019-08-07 한국전자통신연구원 철도 차량의 부품 및 운영 환경 특징 벡터 정보 기반의 기계 학습 고장 진단 시스템 및 그 방법
KR20200058132A (ko) * 2018-11-19 2020-05-27 주식회사 글로비즈 철도차량 주요부품 및 시스템 진단장치

Also Published As

Publication number Publication date
KR102437043B1 (ko) 2022-08-29

Similar Documents

Publication Publication Date Title
CN103863220B (zh) 机动车数据的监测方法和系统
AU2013359159B2 (en) Analyzing flight data using predictive models
CN108628282B (zh) 分析传感器数据以检测异常阀操作的数据驱动无监督算法
CN111115400A (zh) 检测电梯井道中的电梯维护行为的系统和方法
US20230112783A1 (en) Subject matter expert knowledge mapping using dynamic clustering
KR101944070B1 (ko) 빅데이터를 활용한 승강장안전문 관리시스템 및 방법
JP7308717B2 (ja) ホームドア診断装置、ホームドアシステム、及びホームドア診断プログラム
KR20220088389A (ko) 운전훈련 과정 조정방법, 장치, 전자기기, 저장매체 및 컴퓨터 프로그램
US20230048386A1 (en) Method for detecting defect and method for training model
CN111915026A (zh) 故障处理方法、装置、电子设备及存储介质
KR20170013279A (ko) 휴대폰 음성 방식을 기반으로 한 자동차 진단 방법
KR102380541B1 (ko) 소리 스펙트로그램 이미지를 이용한 설비 고장 진단 장치 및 그 방법
CN111459692A (zh) 用于预测驱动器故障的方法、设备和计算机程序产品
KR102437043B1 (ko) 고장 진단 장치 및 그 방법
Ellis et al. A future In-time Aviation Safety Management System (IASMS) perspective for commercial air carriers
CN116432397A (zh) 一种基于数据模型的轨道交通故障预警方法
US20230391357A1 (en) Methods and apparatus for natural language based scenario discovery to train a machine learning model for a driving system
CN113835413A (zh) 联锁自动化测试系统、方法、设备以及存储介质
CN113326889A (zh) 用于训练模型的方法和装置
CN111651530B (zh) 一种智能化港口监测系统
Scholz et al. Models for onboard train diagnostics data to improve condition-based maintenance
CN113177077B (zh) 用于自动驾驶的异常事件确定方法、装置及电子设备
Myers et al. People Centred Intelligent Predict and Prevent (PCIPP) A novel approach to Remote Condition Monitoring
KR20240060963A (ko) Rf 플라스마 전력 시스템에서의 고장 진단 장치 및 그 방법
CN108732971B (zh) 基于车联网的环境数据采集系统

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant