KR20220075915A - 딥러닝을 기반으로 하는 자동차 부품의 잔여수명 예측장치 및 그 예측방법 - Google Patents

딥러닝을 기반으로 하는 자동차 부품의 잔여수명 예측장치 및 그 예측방법 Download PDF

Info

Publication number
KR20220075915A
KR20220075915A KR1020200164532A KR20200164532A KR20220075915A KR 20220075915 A KR20220075915 A KR 20220075915A KR 1020200164532 A KR1020200164532 A KR 1020200164532A KR 20200164532 A KR20200164532 A KR 20200164532A KR 20220075915 A KR20220075915 A KR 20220075915A
Authority
KR
South Korea
Prior art keywords
data
remaining life
response signal
deep learning
unit
Prior art date
Application number
KR1020200164532A
Other languages
English (en)
Inventor
강종수
Original Assignee
한국자동차연구원
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 한국자동차연구원 filed Critical 한국자동차연구원
Priority to KR1020200164532A priority Critical patent/KR20220075915A/ko
Publication of KR20220075915A publication Critical patent/KR20220075915A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/006—Indicating maintenance
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/12—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time in graphical form

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Medical Informatics (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

딥러닝을 기반으로 하는 자동차 부품의 잔여수명 예측장치 및 그 예측방법이 개시된다. 본 발명에 따른 딥러닝을 기반으로 하는 자동차 부품의 잔여수명 예측장치는, 자동차 부품에 대한 내구시험 중 변위 또는 하중의 응답신호를 주기적으로 수집하는 응답신호 수집부; 응답신호 수집부에 의해 수집되는 응답신호에 대하여, 시간에 따른 단조 증가 또는 단조 감소하는 특징 데이터를 추출하는 특징데이터 추출부; 및 특징데이터 추출부에 의해 추출되는 특징 데이터를 인공신경망(Artificial Neural Network) 모델에 적용하며, 딥러닝(deep learning) 기법을 통해 잔여수명을 예측하는 잔여수명 예측부;를 포함하는 것을 특징으로 한다.

Description

딥러닝을 기반으로 하는 자동차 부품의 잔여수명 예측장치 및 그 예측방법{RESIDUAL LIFE PREDICTION APPARATUS AND METHOD FOR VEHICLE COMPONENT BASED ON DEEP LEARNING}
본 발명은 자동차 부품의 잔여수명 예측장치 및 그 예측방법에 관한 것으로서, 보다 상세하게는 자동차 부품의 내구시험 시에 균열발생 및 이상유무를 시험하는 장비 또는 센서의 응답신호를 이용하여 딥러닝 기법을 통해 자동차 부품의 잔여수명을 예측할 수 있는, 딥러닝을 기반으로 하는 자동차 부품의 잔여수명 예측장치 및 그 예측방법에 관한 것이다.
자동차 부품은 주행 중 지면으로부터의 진동 및 하중을 지지하는 역할을 하기 때문에 내구성이 중요하다.
일반적으로 자동차 부품의 수명을 예측하기 위해서는 자동차 부품에 설정된 하중을 가하면서 흔들림 정도, 충격 정도, 강도 변화 등을 측정하여 그 이력을 기록한다.
이후, 기록된 각 데이터를 별도의 분석장치에 입력하여 아날로그 상태의 신호를 디지털 상태의 신호로 변화시킨 다음 설정된 연산 알고리즘을 통해 자동차 또는 각 부품의 강도와 내구성을 평가하여 수명을 예측한다.
그런데, 일반적인 자동차 부품의 수명 예측방법은 유한해석 모델의 구성요소 및 해석방법에 따라 결과치가 많이 달라지며, 재료 물성치 등의 다양한 시험데이터가 필요하다.
또한, 일반적인 자동차 부품의 수명 예측방법은 고무 등과 같이 비선형적인 물성 특성을 갖는 부품에 대해서는 그 잔여수명을 예측하기 어려울 뿐만 아니라, 실제로 시험을 진행하는 동안에는 해당 자동차 부품의 잔여수명을 알 수가 없어 육안으로 자동차 부품의 상태를 수시로 확인하여야 하는 문제점이 있다.
공개특허공보 제10-2017-0067292호 (공개일자: 2017.06.16)
본 발명은 전술한 문제점을 해결하기 위하여 창안된 것으로서, 자동차 부품의 내구시험 시에 균열발생 및 이상유무를 시험하는 장비 또는 센서의 응답신호를 이용하여 딥러닝 기법을 통해 자동차 부품의 잔여수명을 예측할 수 있는, 딥러닝을 기반으로 하는 자동차 부품의 잔여수명 예측장치 및 그 예측방법을 제공하는 것을 목적으로 한다.
전술한 목적을 달성하기 위한 본 발명의 일 측면에 따른, 자동차부품의 잔여수명 예측장치는, 자동차 부품에 대한 내구시험 중 변위 또는 하중의 응답신호를 주기적으로 수집하는 응답신호 수집부; 상기 응답신호 수집부에 의해 수집되는 응답신호에 대하여, 시간에 따른 단조 증가 또는 단조 감소하는 특징 데이터를 추출하는 특징데이터 추출부; 및 상기 특징데이터 추출부에 의해 추출되는 특징 데이터를 인공신경망(Artificial Neural Network) 모델에 적용하며, 딥러닝(deep learning) 기법을 통해 잔여수명을 예측하는 잔여수명 예측부;를 포함하는 것을 특징으로 한다.
전술한 자동차부품의 잔여수명 예측장치는, 상기 응답신호 수집부에 의해 수집되는 응답신호를 절대값으로 변환하는 절대값 변환부; 및 상기 절대값 변환부에 의해 절대값으로 변환된 데이터를 내림차순으로 정렬하며, 설정된 순위까지의 데이터를 선택하여 평균화하는 데이터 평균화부; 를 더 포함할 수 있다. 이 경우, 상기 특징데이터 추출부는 상기 절대값 변환부에 의해 변환된 절대값을 평균화한 값에 대하여 각각의 주기마다 특징 데이터를 추출한다.
전술한 자동차 부품의 잔여수명 예측장치는, 상기 특징데이터 추출부에 의해 추출되는 특징 데이터 중 적어도 셋 이상의 연속적인 데이터를 선택하여 상기 인공신경망 모델에 입력하는 데이터 입력부;를 더 포함할 수도 있다.
전술한 목적을 달성하기 위한 본 발명의 일 측면에 따른 자동차부품의 잔여수명 예측방법은, 자동차 부품의 잔여수명 예측장치에 의해 수행되는 자동차 부품의 잔여수명 예측방법에 있어서, 상기 자동차 부품에 대한 내구시험 중 변위 또는 하중의 응답신호를 주기적으로 수집하는 단계; 상기 수집되는 응답신호에 대하여, 시간에 따른 단조 증가 또는 단조 감소하는 특징데이터를 추출하는 단계; 및 상기 추출되는 특징 데이터를 인공신경망(Artificial Neural Network) 모델에 적용하며, 딥러닝(deep learning) 기법을 통해 잔여수명을 예측하는 단계;를 포함하는 것을 특징으로 한다.
전술한 자동차부품의 잔여수명 예측방법은, 상기 수집되는 응답신호를 절대값으로 변환하는 단계; 및 상기 절대값으로 변환된 데이터를 내림차순으로 정렬하며, 설정된 순위까지의 데이터를 선택하여 평균화하는 단계;를 더 포함할 수 있다. 이 경우, 상기 특징데이터를 추출하는 단계는 상기 변환된 절대값을 평균화한 값에 대하여 각각의 주기마다 특징 데이터를 추출한다.
전술한 자동차부품의 잔여수명 예측방법은, 상기 추출되는 특징데이터 중 적어도 셋 이상의 연속적인 데이터를 선택하여 상기 인공신경망 모델에 입력하는 단계;를 더 포함할 수도 있다.
본 발명에 따르면, 자동차 부품의 내구시험 시에 균열발생 및 이상유무를 시험하는 장비 또는 센서의 응답신호를 이용하여 딥러닝 기법을 통해 자동차 부품의 잔여수명을 예측할 수 있게 된다. 이를 통해, 정확하고 간편하게 자동차 부품의 잔여수명을 예측하고, 해당 부품의 내구성을 정확하게 평가할 수 있게 된다.
도 1은 본 발명의 실시예에 따른, 딥러닝을 기반으로 하는 자동차부품의 잔여수명 예측장치의 구성을 개략적으로 도시한 도면이다.
도 2는 내구시험의 예를 나타낸 도면이다.
도 3은 자동차 부품에 대한 내구시험 중 변위의 응답신호를 주기적으로 획득한 예를 나타낸 도면이다.
도 4는 자동차 부품에 대한 내구시험 중 변위의 응답신호를 절대값으로 변환한 예를 나타낸 도면이다.
도 5는 시간에 따라 단조 증가하는 특징데이터의 예를 나타낸 도면이다.
도 6은 본 발명의 실시예에 따른, 딥러닝을 기반으로 하는 자동차부품의 잔여수명 예측방법을 나타낸 흐름도이다.
이하, 본 발명의 일부 실시 예들을 예시적인 도면을 통해 설명한다. 각 도면의 구성요소들에 참조부호를 기재함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호로 표시한다. 또한, 본 발명의 실시 예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 실시 예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.
또한, 본 발명의 실시 예의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결, 결합 또는 접속될 수 있지만, 그 구성 요소와 그 다른 구성요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.
도 1은 본 발명의 실시예에 따른, 딥러닝을 기반으로 하는 자동차부품의 잔여수명 예측장치의 구성을 개략적으로 도시한 도면이다.
도 1을 참조하면, 자동차부품의 잔여수명 예측장치(100)는 응답신호 수신부(110), 절대값 변환부(120), 특징데이터 추출부(130), 데이터 평균화부(140), 데이터 입력부(150) 및 잔여수명 예측부(160)를 포함할 수 있다.
응답신호 수집부(110)는 자동차 부품에 대한 내구시험 중 변위 또는 하중의 응답신호를 주기적으로 수집한다. 이때, 자동차 부품에 대한 내구시험은 동일하중이 반복적으로 진행된다. 예를 들어, 도 2에 도시한 바와 같이, 자동차의 서브 프레임(subframe)을 지그에 고정하며, LCA(Low Control Arms) 볼 조인트 부위에 ㅁ513kgf 의 하중을 시험속도 1Hz로 x축, y축 또는 z축 방향으로 반복적으로 부가하여 LCA에 대한 내구시험을 수행할 수 있다. 이 경우, 응답신호 수집부(110)는 도 3의 (a)에 나타낸 바와 같이, 일정 주기(1,000cycles) 별로 LCA의 내구시험에 대한 변위데이터를 획득하며, 획득한 변위데이터에 대한 피로수명을 예측하기 위해 도 3의 (b)에 나타낸 바와 같이 일부분을 확대할 수 있다.
여기에 도시 및 기재된 내구시험 및 응답신호의 수집은 본 발명의 이해를 돕기 위한 예를 나타낸 것일 뿐이며, 내구시험은 다양한 자동차 부품에 대하여 수행될 수 있다. 또한, 응답신호 수집부(110)는 수행되는 내구시험에 대응하여 변위 또는 하중의 응답신호를 수집한다.
절대값 변환부(120)는 응답신호 수집부(110)에 의해 수집되는 응답신호를 절대값으로 변환한다. 예를 들어, 절대값 변환부(120)는 응답신호 수집부(110)에 의해 수집되는 LCA의 내구시험에 대한 변위의 응답신호를 도 4에 도시한 바와 같이, 절대값으로 변환할 수 있다.
특징데이터 추출부(130)는 응답신호 수집부(110)에 의해 수집되는 응답신호에 대하여, 시간에 따른 단조 증가 또는 단조 감소하는 특징데이터를 추출한다. 이때, 특징데이터 추출부(130)는 절대값 변환부(120)에 의해 변환된 절대값을 평균화한 값에 대하여, 각각의 주기마다 특징데이터를 추출할 수 있다.
데이터 평균화부(140)는 절대값 변환부(120)에 의해 절대값으로 변환된 데이터를 내림차순으로 정렬하며, 설정된 순위까지의 데이터를 선택하여 평균화한다. 이때, 데이터 평균화부(140)는 특징데이터 추출부(130)에 의해 추출된 특징데이터를 내림차순으로 정렬하며, 설정된 순위까지의 데이터를 선택하여 평균화할 수도 있다. 데이터 평균화부(140)에 의해 평균화되는 데이터는 내구시험이 지속됨에 따라 도 5에 도시한 바와 같이 단조 증가하거나, 단조 감소하는 형태를 나타내게 된다.
데이터 입력부(150)는 특징데이터 추출부(130)에 의해 추출되는 특징데이터 중, 추출선도의 강건성을 위해 적어도 셋 이상의 연속적인 데이터(k-2 번째, k-1 번째, k 번째 등, 여기서 k는 3 이상의 자연수)를 선택하여 인공신경망 모델에 입력한다. 이때, 데이터 입력부(150)는 데이터 평균화부(140)에 의해 평균화되는 데이터 중에서 적어도 셋 이상의 연속적인 데이터를 선택하여 인공신경망 모델에 입력할 수도 있다. 이 경우, 데이터 입력부(150)는 인공신경망 모델에 입력되는 데이터의 개수를 적어도 셋 이상으로 임의로 지정할 수 있다. 또한, 데이터 입력부(150)는 인공신경망 모델에 입력되는 데이터를 학습 데이터, 검증 데이터, 테스트 데이터로 구분할 수 있다. 여기서, 학습 데이터는 잔여수명 예측을 위해 딥러닝 모델 학습용으로 사용되는 데이터이며, 검증 데이터는 학습된 딥러닝 모델의 각종 하이퍼 파라미터(Hyper parameter) 평가 및 튜닝용으로 사용되는 데이터이고, 테스트 데이터는 딥러닝 모델의 최종 성능 평가용으로 활용되는 데이터이다.
잔여수명 예측부(160)는 특징데이터 추출부(130)에 의해 추출되는 특징데이터를 인공신경망 모델에 적용하며, 딥러닝(deep learning) 기법을 통해 잔여수명을 예측한다. 이때, 잔여수명 예측부(160)는 시그모이드(sigmoid) 함수로 Pure linear 선형함수를 이용하며, 원하는 신뢰구간을 지정하여 자동차 부품의 잔여수명을 예측할 수 있다.
또한, 잔여수명 예측부(160)는 응력-수명(stress-life) 방법이나 변형률-수명(strain-life) 방법을 이용하여 해당 자동차 부품에 대한 내구성을 해석할 수 있다. 이때, 동일한 하중이 가해지는 방향의 단위하중 하에서 정적 해석을 수행하며, 동역학 해석을 통해 동일한 하중 이력을 구한 후 이들을 통해 동응력 이력을 계산하고, 계산되는 동응력 이력을 딥러닝 기법으로 학습하여 자동차 부품의 잔여수명을 예측할 수도 있다.
도 6은 본 발명의 실시예에 따른, 딥러닝을 기반으로 하는 자동차부품의 잔여수명 예측방법을 나타낸 흐름도이다. 본 발명의 실시예에 따른 자동차부품의 잔여수명 예측방법은 도 1에 나타낸 자동차부품의 잔여수명 예측장치(100)에 의해 수행될 수 있다.
도 1 내지 도 6을 참조하면, 자동차부품의 잔여수명 예측장치(100)는 자동차 부품에 대한 내구시험 중 변위 또는 하중의 응답신호를 주기적으로 수집한다(S110). 이때, 자동차 부품에 대한 내구시험은 동일하중이 반복적으로 진행된다. 예를 들어, 자동차의 서브 프레임(subframe)을 지그에 고정하며, LCA(Low Control Arms) 볼 조인트 부위에 ㅁ513kgf 의 하중을 시험속도 1Hz로 x축, y축 또는 z축 방향으로 반복적으로 부가하여 LCA에 대한 내구시험을 수행할 수 있다. 이 경우, 자동차부품의 잔여수명 예측장치(100)는 일정 주기(1,000cycles) 별로 LCA의 내구시험에 대한 변위데이터를 획득하며, 획득한 변위데이터에 대한 피로수명을 예측하기 위해 일부분을 확대할 수 있다.
여기에 기재된 내구시험 및 응답신호의 수집은 본 발명의 이해를 돕기 위한 예를 나타낸 것일 뿐이며, 내구시험은 다양한 자동차 부품에 대하여 수행될 수 있다. 또한, 자동차부품의 잔여수명 예측장치(100)는 수행되는 내구시험에 대응하여 변위 또는 하중의 응답신호를 수집한다.
자동차부품의 잔여수명 예측장치(100)는 응답신호 수집부(110)에 의해 수집되는 응답신호를 절대값으로 변환한다(S120). 예를 들어, 자동차부품의 잔여수명 예측장치(100)는 수집되는 LCA의 내구시험에 대한 변위의 응답신호를 절대값으로 변환할 수 있다.
자동차부품의 잔여수명 예측장치(100)는 절대값으로 변환된 데이터를 내림차순으로 정렬하며, 설정된 순위까지의 데이터를 선택하여 평균화한다(S130). 이때, 자동차부품의 잔여수명 예측장치(100)는 추출된 특징데이터를 내림차순으로 정렬하며, 설정된 순위까지의 데이터를 선택하여 평균화할 수도 있다. 이때, 평균화되는 데이터는 내구시험이 지속됨에 따라 단조 증가하거나, 단조 감소하는 형태를 나타내게 된다.
자동차부품의 잔여수명 예측장치(100)는 수집되는 응답신호에 대하여, 시간에 따른 단조 증가 또는 단조 감소하는 특징데이터를 추출한다(S140). 이때, 자동차부품의 잔여수명 예측장치(100)는 변환된 절대값을 평균화한 값에 대하여, 각각의 주기마다 특징데이터를 추출할 수 있다.
자동차부품의 잔여수명 예측장치(100)는 추출되는 특징데이터 중, 추출선도의 강건성을 위해 적어도 셋 이상의 연속적인 데이터(k-2 번째, k-1 번째, k 번째 등, 여기서 k는 3 이상의 자연수)를 선택하여 인공신경망 모델에 입력한다(S150). 이때, 자동차부품의 잔여수명 예측장치(100)는 평균화되는 데이터 중에서 적어도 셋 이상의 연속적인 데이터를 선택하여 인공신경망 모델에 입력할 수도 있다. 이 경우, 자동차부품의 잔여수명 예측장치(100)는 인공신경망 모델에 입력되는 데이터의 개수를 적어도 셋 이상의 연속된 데이터로 임의로 지정할 수 있다. 또한, 자동차부품의 잔여수명 예측장치(100)는 인공신경망 모델에 입력되는 데이터를 학습 데이터, 검증 데이터, 테스트 데이터로 구분할 수 있다. 여기서, 학습 데이터는 잔여수명 예측을 위해 딥러닝 모델 학습용으로 사용되는 데이터이며, 검증 데이터는 학습된 딥러닝 모델의 각종 하이퍼 파라미터 평가 및 튜닝용으로 사용되는 데이터이고, 테스트 데이터는 딥러닝 모델의 최종 성능 평가용으로 활용되는 데이터이다.
자동차부품의 잔여수명 예측장치(100)는 추출되는 특징데이터를 인공신경망 모델에 적용하며, 딥러닝(deep learning) 기법을 통해 잔여수명을 예측한다(S160). 이때, 자동차부품의 잔여수명 예측장치(100)는 시그모이드(sigmoid) 함수로 Pure linear 선형함수를 이용하며, 원하는 신뢰구간을 지정하여 자동차 부품의 잔여수명을 예측할 수 있다.
또한, 자동차부품의 잔여수명 예측장치(100)는 응력-수명(stress-life) 방법이나 변형률-수명(strain-life) 방법을 이용하여 해당 자동차 부품에 대한 내구성을 해석할 수 있다. 이때, 동일한 하중이 가해지는 방향의 단위하중 하에서 정적 해석을 수행하며, 동역학 해석을 통해 동일한 하중 이력을 구한 후 이들을 통해 동응력 이력을 계산하고, 계산되는 동응력 이력을 딥러닝 기법으로 학습하여 자동차 부품의 잔여수명을 예측할 수도 있다.
이상에서 본 발명에 따른 실시예들이 설명되었으나, 이는 예시적인 것에 불과하며, 당해 분야에서 통상적 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 범위의 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 보호 범위는 다음의 특허청구범위뿐만 아니라 이와 균등한 것들에 의해 정해져야 한다.

Claims (6)

  1. 자동차 부품에 대한 내구시험 중 변위 또는 하중의 응답신호를 주기적으로 수집하는 응답신호 수집부;
    상기 응답신호 수집부에 의해 수집되는 응답신호에 대하여, 시간에 따른 단조 증가 또는 단조 감소하는 특징 데이터를 추출하는 특징데이터 추출부; 및
    상기 특징데이터 추출부에 의해 추출되는 특징 데이터를 인공신경망(Artificial Neural Network) 모델에 적용하며, 딥러닝(deep learning) 기법을 통해 잔여수명을 예측하는 잔여수명 예측부;
    를 포함하는 것을 특징으로 하는, 딥러닝을 기반으로 하는 자동차 부품의 잔여수명 예측장치.
  2. 제1항에 있어서,
    상기 응답신호 수집부에 의해 수집되는 응답신호를 절대값으로 변환하는 절대값 변환부; 및
    상기 절대값 변환부에 의해 절대값으로 변환된 데이터를 내림차순으로 정렬하며, 설정된 순위까지의 데이터를 선택하여 평균화하는 데이터 평균화부;
    를 더 포함하며,
    상기 특징데이터 추출부는 상기 절대값 변환부에 의해 변환된 절대값을 평균화한 값에 대하여 각각의 주기마다 특징 데이터를 추출하는 것을 특징으로 하는, 딥러닝을 기반으로 하는 자동차 부품의 잔여수명 예측장치.
  3. 제1항에 있어서,
    상기 특징데이터 추출부에 의해 추출되는 특징 데이터 중 적어도 셋 이상의 연속적인 데이터를 선택하여 상기 인공신경망 모델에 입력하는 데이터 입력부;
    를 더 포함하는 것을 특징으로 하는, 딥러닝을 기반으로 하는 자동차 부품의 잔여수명 예측장치.
  4. 자동차 부품의 잔여수명 예측장치에 의해 수행되는 자동차 부품의 잔여수명 예측방법에 있어서,
    상기 자동차 부품에 대한 내구시험 중 변위 또는 하중의 응답신호를 주기적으로 수집하는 단계;
    상기 수집되는 응답신호에 대하여, 시간에 따른 단조 증가 또는 단조 감소하는 특징데이터를 추출하는 단계; 및
    상기 추출되는 특징 데이터를 인공신경망(Artificial Neural Network) 모델에 적용하며, 딥러닝(deep learning) 기법을 통해 잔여수명을 예측하는 단계;
    를 포함하는 것을 특징으로 하는, 딥러닝을 기반으로 하는 자동차 부품의 잔여수명 예측방법.
  5. 제4항에 있어서,
    상기 수집되는 응답신호를 절대값으로 변환하는 단계; 및
    상기 절대값으로 변환된 데이터를 내림차순으로 정렬하며, 설정된 순위까지의 데이터를 선택하여 평균화하는 단계;
    를 더 포함하며,
    상기 특징데이터를 추출하는 단계는 상기 변환된 절대값을 평균화한 값에 대하여 각각의 주기마다 특징 데이터를 추출하는 것을 특징으로 하는, 딥러닝을 기반으로 하는 자동차 부품의 잔여수명 예측방법.
  6. 제4항에 있어서,
    상기 추출되는 특징데이터 중 적어도 셋 이상의 연속적인 데이터를 선택하여 상기 인공신경망 모델에 입력하는 단계;
    를 더 포함하는 것을 특징으로 하는, 딥러닝을 기반으로 하는 자동차 부품의 잔여수명 예측방법.


KR1020200164532A 2020-11-30 2020-11-30 딥러닝을 기반으로 하는 자동차 부품의 잔여수명 예측장치 및 그 예측방법 KR20220075915A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200164532A KR20220075915A (ko) 2020-11-30 2020-11-30 딥러닝을 기반으로 하는 자동차 부품의 잔여수명 예측장치 및 그 예측방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200164532A KR20220075915A (ko) 2020-11-30 2020-11-30 딥러닝을 기반으로 하는 자동차 부품의 잔여수명 예측장치 및 그 예측방법

Publications (1)

Publication Number Publication Date
KR20220075915A true KR20220075915A (ko) 2022-06-08

Family

ID=81981318

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200164532A KR20220075915A (ko) 2020-11-30 2020-11-30 딥러닝을 기반으로 하는 자동차 부품의 잔여수명 예측장치 및 그 예측방법

Country Status (1)

Country Link
KR (1) KR20220075915A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170067292A (ko) 2015-12-08 2017-06-16 한양대학교 산학협력단 기계 시스템의 잔여 수명 예측 장치 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170067292A (ko) 2015-12-08 2017-06-16 한양대학교 산학협력단 기계 시스템의 잔여 수명 예측 장치 및 방법

Similar Documents

Publication Publication Date Title
Sohn et al. Damage diagnosis using time series analysis of vibration signals
JP2010048680A (ja) 振動試験方法および装置
US20190332936A1 (en) Additional learning method for deterioration diagnosis system
US20140012461A1 (en) Method for performing diagnostics of a structure subject to loads and system for implementing said method
CN112214934B (zh) 一种基于多传感器的悬浮系统寿命预测方法及相关装置
US20220058481A1 (en) Abnormality determination apparatus, signal feature value predictor, method of determining abnormality, method of generating learning model, method of training learning model and computer-readable medium
WO2016016956A1 (ja) 装置劣化の発生原因推定方法、及びその装置
KR20220075915A (ko) 딥러닝을 기반으로 하는 자동차 부품의 잔여수명 예측장치 및 그 예측방법
CN116052813B (zh) 一种全数值驱动的实时蠕变疲劳损伤监测方法
KR101754165B1 (ko) 비주기 가속도 데이터를 병합한 구조물 이상거동 검출 및 안전성 평가 시스템
KR101865270B1 (ko) 다양한 진동 스펙트럼 패턴에 대응 가능한 주파수 영역의 피로 손상도 계산방법
US20200003653A1 (en) Analyzing device, diagnosing device, analysis method, and computer-readable recording medium
Lynch Damage characterization of the IASC-ASCE structural health monitoring benchmark structure by transfer function pole migration
CN113168739B (zh) 用于检查至少一台车辆的方法以及电子计算装置
CN115219216A (zh) 一种排气系统的寿命评价方法
Achiche et al. Adaptive neuro-fuzzy inference system models for force prediction of a mechatronic flexible structure
CN118332473B (zh) 一种基于人工智能的汽车悬架强度测试方法
CN111931407A (zh) 一种基于长期监测数据的结构可靠度评估预测方法及系统
CN118504437B (zh) 一种装配式钢木组合结构的抗震性能检测方法及系统
RU2772086C1 (ru) Способ мониторинга в условиях вибрационных испытаний переменной нагруженности и усталостной повреждаемости конструкции беспилотных воздушных судов вертолетного типа
CN118278225B (zh) 基于结构振动试验的材料振动s-n特性识别方法及装置
Farroni et al. Physical modeling of a dynamic dial indicator for the non-destructive evaluation of tire tread viscoelastic characteristics
Zhang et al. Rainflow Counting Based Block Cycle Development for Fatigue Analysis using Nonlinear Stress Approach
KR102594205B1 (ko) 리니어 모션 가이드 건전성 평가 시스템 및 방법
CN114778040B (zh) 一种桥梁随机荷载试验安全评估方法、系统及可存储介质