KR20220092531A - 표준값 범위로부터 기술 장치의 시스템 거동의 허용할 수 없는 편차를 결정하는 방법 - Google Patents

Abstract

본 발명은 학습 단계에서 기술 장치의 입력 데이터 및 출력 데이터가 제공되는 인공 신경망에 의해 기술 장치의 허용할 수 없는 편차를 결정하는 방법에 관한 것이다. 후속 예측 단계에서는 신경망에 입력 데이터만 제공되고 출력 비교 데이터는 신경망에서 계산되어 기술 장치의 출력 데이터와 비교된다.

Description

표준값 범위로부터 기술 장치의 시스템 거동의 허용할 수 없는 편차를 결정하는 방법

본 발명은 인공 신경망을 사용하여 표준값 범위로부터 기술 장치의 시스템 거동의 허용할 수 없는 편차를 결정하는 방법에 관한 것이다.

DE 10 2018 206 805 B3은 2개의 기계 학습 시스템을 사용하여 물체의 기동(maneuver)을 예측하는 방법을 설명한다. 제 1 기계 학습 시스템은 제 1 입력 변수에 따라 물체를 특징짓는 출력 변수를 결정하고, 제 2 기계 학습 시스템은 제 2 입력 변수에 따라 물체의 상태를 특징짓는 제 2 출력 변수를 결정한다. 출력 변수들에 따라 물체의 미래 움직임이 예측된다. 제 1 기계 학습 시스템은 심층 신경망을 포함하고 제 2 기계 학습 시스템은 확률적 그래픽 모델을 포함한다.

DE 10 2018 209 916 A1은 신경망의 입력층에 제공되는 입력 신호들에 기초하여 신경망의 층들의 시퀀스를 사용하여 출력 신호 시퀀스를 결정하는 방법을 개시한다. 정의된 시점에서 새로운 입력 신호들이 이미 신경망에 제공되는 한편, 이전 입력 신호들은 여전히 신경망을 통해 전파된다.

본 발명에 따른 방법에 의해, 표준값 범위로부터 기술 장치의 시스템 거동의 허용할 수 없는 편차가 결정될 수 있다. 이러한 방식으로 실제로 고장이 발생하기 전에 기술 장치의 전체 또는 부분 고장을 예측할 수 있으므로 적절한 대응 조치들이 적시에 취해질 수 있다. 이러한 방식으로 구현하기 쉬운 조치들을 사용하여 기술 장치의 상태가 모니터링될 수 있다. 시스템 거동의 열화와 시스템 이상이 적시에 감지될 수 있다. 표준값 범위를 지정 및 비교함으로써, 기술 장치의 상태를 지속적으로 모니터링하고, 기술 장치의 적절한 기능이 보장되는 시점과 이후에 적절한 기능이 더 이상 보장될 수 없거나 적어도 더 이상 완전히 보장될 수 없는 시점을 결정할 수 있다.

기술 장치의 허용할 수 없는 편차를 결정하는 방법은 학습 단계에서 기술 장치의 입력 데이터 및 출력 데이터가 제공되는 인공 신경망을 사용한다. 기술 장치의 입력 데이터 및 출력 데이터와의 비교에 의해, 인공 신경망에 해당 링크가 형성되고, 신경망은 기술 장치의 시스템 거동에 대해 훈련된다.

학습 단계 다음의 예측 단계에서는, 신경망에서 장치의 시스템 거동이 안정적으로 예측될 수 있다. 이를 위해 예측 단계에서는 기술 장치의 입력 데이터만 신경망에 제공되고 출력 비교 데이터는 신경망에서 계산되어 기술 장치의 출력 데이터와 비교된다. 이 비교에서, 바람직하게는 측정값으로 감지되는 기술 장치의 출력 데이터와 신경망의 출력 비교 데이터 간의 차이가 너무 커서 한계값을 초과하는 것으로 나타나면, 표준값 범위로부터 기술 장치의 시스템 거동의 허용할 수 없는 편차가 있는 것이다. 그러면, 적절한 조치들이 취해질 수 있다. 예를 들어, 경고 신호가 생성되거나 저장되거나 또는 기술 장치의 부분 기능이 비활성화될 수 있다(기술 장치의 열화). 필요에 따라, 허용할 수 없는 편차의 경우 대안적 기술 장치가 사용될 수 있다.

위에서 설명한 방법에 의해, 실제 기술 장치가 지속적으로 모니터링될 수 있다. 학습 단계에서 신경망에는 입력 측과 출력 측 모두에서 기술 장치에 대한 충분한 정보가 제공되어 기술 장치가 신경망에서 충분한 정확도로 매핑되고 시뮬레이션될 수 있다. 이를 통해, 후속 예측 단계에서 기술 장치를 모니터링하고 시스템 거동의 열화를 예측할 수 있다. 이러한 방식으로 특히 기술 장치의 남은 사용 수명이 예측될 수 있다.

바람직한 실시예에 따르면, 신경망은 함께 신경망을 형성하는 기본 네트워크와 헤드 네트워크로 세분된다. 기본 네트워크와 헤드 네트워크는 각각 다수의 층으로 구성되며, 기본 네트워크와 헤드 네트워크는 협력하지만 서브 네트워크로 세분될 수 있다. 기술 장치의 유형에 따라, 특히 헤드 네트워크에서 다양한 유형의 층, 예를 들어 컨볼루션 층 또는 조밀한 층이 사용될 수 있다.

공통 헤드 네트워크와 상호 작용하는 다수의 기본 네트워크를 제공하는 것이 바람직할 수 있다. 예를 들어, 각각의 고도로 동적인 측정 채널에 대해 기본 네트워크가 사용될 수 있다.

학습 단계에서 기본 네트워크와 헤드 네트워크는 제 1 기술 장치의 시스템 거동에 대해 훈련된다. 이것은 학습 단계의 제 1 섹션이다. 이것에 이어지는, 학습 단계의 제 2 섹션에서는 제 1 기술 장치와 구성이 동일한 제 2 기술 장치에서 트레이닝이 이루어진다. 학습 단계의 제 2 섹션에서는 헤드 네트워크만 훈련되고, 기본 네트워크는 훈련되지 않는다.

이 실시예는 헤드 네트워크가 제2 기술 장치의 특정 시스템 거동에 대해 훈련될 수 있고, 신경망이 구현되는 전자 장치는 상대적으로 적은 컴퓨팅 용량만 가지면 된다는 장점을 갖는다. 대조적으로, 제 1 기술 장치를 사용하는 학습 단계의 제 1 섹션에서의 트레이닝은 더 큰 컴퓨팅 용량을 갖는 다른 전자 장치에서 수행될 수 있다.

학습 단계를 제 1 섹션과 제 2 섹션으로 세분하고 학습 단계의 제 1 섹션에서 기본 네트워크와 헤드 네트워크를 훈련하고 학습 단계의 제 2 섹션에서 헤드 네트워크만 훈련하는 것은 한편으로는 신경망에서 기술 장치의 시스템 거동의 매핑의 정확성에 대한 높은 요구 사항을 충족하고 다른 한편으로는 제한된 컴퓨팅 용량을 갖는 전자 장치에서 신경망의 실행 능력에 대한 요구 사항을 충족한다. 특히, 제 1 기술 장치와 관련된 학습 단계의 제 1 섹션은 작업장이나 개발 환경 등의 중앙에서 수행될 수 있는 한편, 학습 단계의 제 2 섹션은 예를 들어 차량에서 분산적으로 수행된다. 이 경우 학습 단계의 제 2 섹션은 예를 들어 차량의 제어 장치, 예를 들어 ESP 모듈(Electronic Stability Program)의 제어 장치에서 수행된다.

추가의 바람직한 실시예에 따르면, 학습 단계 다음의 예측 단계에서, 기본 네트워크와 헤드 네트워크는 제 2 기술 장치의 허용할 수 없는 편차를 결정하는데 사용된다. 기본 네트워크는 학습 단계의 제 1 섹션으로부터 기술적으로 구성이 동일한 장치에 대해 훈련되고, 헤드 네트워크도 학습 단계의 제 1 섹션으로부터 기술적으로 구성이 동일한 장치에 대해 훈련되며, 또한 학습 단계의 제 2 섹션으로부터 특정 제 2 기술 장치에 대해 훈련된다. 예측 단계에서 기본 네트워크와 헤드 네트워크는 협력하여 제 2 기술 장치의 시스템 거동에서 허용할 수 없는 편차를 결정한다. 예측 단계는 학습 단계보다 적은 컴퓨팅 용량을 필요로 하므로 예측 단계에서 2개의 서브 네트워크(기본 네트워크 및 헤드 네트워크)는 감소된 컴퓨팅 용량을 갖는 전자 장치에서 작동될 수 있다.

추가의 바람직한 실시예에 따르면, 헤드 네트워크의 뉴런의 수는 기본 네트워크의 뉴런의 수보다 작다. 그 차이는 예를 들어 적어도 5배 또는 적어도 10배일 수 있다. 헤드 네트워크가 적어도 10배 더 작더라도, 학습 단계의 제 2 섹션에서 제 2 기술 장치의 시스템 거동에 대한 충분한 조정이 보장된다.

기본 네트워크와 헤드 네트워크는 학습 및 예측 단계에서 기본 네트워크의 출력이 헤드 네트워크의 입력으로 사용되는 방식으로 협력한다. 예측 단계에서 기본 네트워크는 또한 신경망을 사용하여 모니터링되는 기술 장치의 입력 데이터를 수신한다. 또한, 제 2 기술 장치의 입력 데이터의 측정값들, 특히 상대적으로 덜 동적인 측정값들의 평균값이 헤드 네트워크에 제공될 수도 있다. 기본 네트워크에 입력으로 제공되는 제 2 기술 장치의 입력 데이터는 특히 고도로 동적인 범위에서 측정값들일 수 있으며, 이 입력은 시간 영역 또는 주파수 영역에서 기본 네트워크에 제공된다.

입력 데이터의 유형 또는 클래스에 대한 추가 입력 정보가 헤드 네트워크에 제공될 수 있다. 이것은 예를 들어 클러스터 분석의 정보, 바람직하게는 제 2 기술 장치에서 수행될 기동의 유형에 대한 정보이다. 차량의 기술 장치, 특히 브레이크 시스템 또는 브레이크 시스템의 서브 시스템의 경우, 예를 들어 운전 기동의 유형, 예를 들어 제동 과정 또는 교통 체증 운전일 수 있다.

추가의 바람직한 실시예에 따르면, 기본 네트워크 및 경우에 따라 헤드 네트워크에 제공되는 입력 데이터는 전처리될 수 있다. 바람직한 제 1 전처리 단계는 시스템 거동의 허용할 수 없는 편차에 대해 검사되는 기술 장치, 특히 제 2 기술 장치의 사용 가능한 측정값들 또는 상기 사용 가능한 측정값들의 부분 집합을 고정 길이의 시간 세그먼트로 세분하는 것을 제공한다. 추가로 또는 대안으로서, 상기 측정값들 또는 그 부분 집합을 알려진 로직에 따라, 예를 들어 기동별로 세분하는 것도 가능하다. 일시적으로만 활성화된 기술 장치의 경우 활성화별로 세분화가 선택될 수 있다.

추가의 바람직한 전처리 단계는 측정값들이 예를 들어 k-평균 알고리즘을 사용하여 클러스터 분석을 받는 것을 제공한다. 특정 클래스와 관련된 이 정보는 특히 헤드 네트워크에 직접 제공될 수 있으므로 정보의 정확성이 증가한다.

추가의 바람직한 전처리 단계에 따르면, 특히 기본 네트워크에 제공되고 바람직하게는 고도로 동적인 측정값들인 측정값들은 입력 데이터를 시간 영역으로부터 주파수 영역으로 전송하기 위해 푸리에 변환, 특히 고속 푸리에 변환 또는 단시간 푸리에 변환(STFT)된다. STFT를 사용할 때 데이터 양을 줄이기 위해 주파수 범위별 평균값, 최대값, 중앙값 또는 모드 값이 사용될 수 있다. 전처리 단계의 이러한 가능성은 덜 동적인 입력 데이터 또는 측정 데이터에도 적용될 수 있다.

필요한 경우 측정값들의 스캔을 줄여 동적 측정값들의 데이터 양을 줄일 수 있다.

본 발명은 또한 전술한 방법을 수행하기 위한 수단이 장착된 차량의 제어 장치와 같은 전자 장치에 관한 것이다. 이러한 수단은 특히, 필요한 계산을 수행하거나 입력 데이터 및 출력 데이터를 저장하기 위한 적어도 하나의 컴퓨팅 유닛 및 적어도 하나의 메모리 유닛이다.

본 발명은 또한 위에서 설명된 방법 단계들을 수행하도록 설계된 프로그램 코드를 갖는 컴퓨터 프로그램 제품에 관한 것이다. 컴퓨터 프로그램 제품은 기계 판독 가능한 저장 매체에 저장될 수 있고 전술한 전자 장치에서 실행될 수 있다.

방법은 예를 들어 차량의 기술 시스템, 예를 들어 조향 시스템 또는 브레이크 시스템의 상태를 모니터링하는데 사용될 수 있다. 이 경우, 전자 장치는 바람하게는 기술 장치의 부품들을 제어할 수 있는 제어 장치이다. 또한 브레이크 시스템의 ESP 모듈(Electronic Stability Program)과 같이 더 큰 시스템 내에서 하나의 하위 시스템만 기술 장치로서 모니터링할 수도 있다.

추가의 이점들 및 바람직한 실시예들은 추가 청구항들, 실시예 설명 및 도면들에 나타난다.

도 1은 기본 네트워크와 헤드 네트워크로 구성되고 학습 단계의 제 1 섹션에 있는 병렬로 연결된 신경망과 함께, 입력 데이터가 제공되고 출력 데이터를 생성하는 제 1 ESP 모듈을 상징적으로 도시한 블록 다이어그램이다.
도 2는 제 2 ESP 모듈과 학습 단계의 제 2 섹션에 있는 신경망을 갖는, 도 1에 따른 블록 다이어그램이다.
도 3은 제 2 ESP 모듈과 예측 단계에서의 신경망을 갖는, 도 2에 따른 블록 다이어그램이다.
도 4는 신경망의 기본 네트워크와 헤드 네트워크의 상세도이다.

도 1은 입력 데이터 및 출력 데이터와 병렬로 연결된 신경망(4)을 갖는 차량의 브레이크 시스템용 ESP 모듈 형태의 기술 장치(1)의 개략도를 도시한다. 예를 들어 기술 장치로 사용되는 ESP 모듈(1)은 브레이크 시스템에서 원하는 변조된 브레이크 압력을 생성하기 위한 ESP 펌프와 상기 ESP 펌프를 제어하기 위한 제어 장치를 포함한다. ESP 모듈(1)에는 입력 데이터(2), 예를 들어 ESP 모듈(1)의 전기적으로 작동 가능한 ESP 펌프에 대한 입력 전류가 제공되며, ESP 모듈(1)은 입력 데이터(2)에 응답하여, 출력 데이터(3), 예를 들어 유압 브레이크 압력을 생성한다.

신경망(4)은 기술 장치(1)와 병렬로 연결되어, 학습 단계에서 기술 장치(1)의 시스템 거동에 대해 훈련되고, 이를 위해 학습 단계에서 기술 장치(1)의 입력 데이터(2) 및 출력 데이터(3)가 신경망(4)에 제공된다.

신경망(4)은 기본 네트워크와 헤드 네트워크로 세분되며, 이 네트워크들은 각각 다수의 층을 갖고 협력한다. 기본 네트워크(6)의 출력은 헤드 네트워크(7)의 입력이다. 기본 네트워크(6)는 헤드 네트워크(7)보다 훨씬 크며, 기본 네트워크의 뉴런 수는 바람직하게는 헤드 네트워크(7)의 뉴런 수보다 적어도 5배 또는 적어도 10배 더 많다.

도 1은 기본 네트워크(6)와 헤드 네트워크(7)가 기술 장치(1)의 시스템 거동에 대해 훈련되는 학습 단계의 제 1 섹션을 나타낸다. 이를 위해 기술 장치(1)의 입력 데이터(2)와 출력 데이터가 기본 네트워크(6)에 입력으로서 제공되고 기본 네트워크(6)와 헤드 네트워크(7)에 링크가 생성된다.

도 1에 따른 학습 단계의 제 1 섹션은 기술 장치(1)의 개발 단계 중에 수행될 수 있다. 학습 단계의 제 1 섹션의 종료 후, 기본 네트워크(6)에 대한 트레이닝이 종료된다.

도 2는 신경망(4)에 대한 학습 단계의 제 2 섹션을 나타내며, 학습 단계의 제 2 섹션은 제 1 기술 장치(1)와 기술적으로 구성이 동일한 제 2 기술 장치(5)에서 수행된다. 학습 단계의 제 2 섹션은 신경망(4)의 헤드 네트워크(7)에만 관련되고, 기본 네트워크(6)는 학습 단계의 제 2 섹션에서 더 이상 훈련되지 않는다. 이 실시예는 덜 계산 집약적인 구현으로 인해 학습 단계의 제 2 섹션을 상응하게 낮은 성능의 제어 장치에서, 특히 제 2 기술 장치(5)의 설치 장소에서 직접 수행하는 것을 가능하게 한다. ESP 모듈(5)의 경우, 학습 단계의 제 2 섹션은 ESP 모듈의 제어 장치에서 수행될 수 있다.

학습 단계의 제 2 섹션에서도 제 2 기술 장치(5)의 입력 데이터(2)와 출력 데이터(3)가 입력으로서 신경망(4)에 제공되지만 신경망의 헤드 네트워크(7)에만 제공된다.

도 3은 신경망(4)의 예측 단계에서 제 2 기술 장치(5)를 도시한다. 학습 단계가 완료되고, 헤드 네트워크(7)는 제 2 기술 장치(5)로 특정 애플리케이션에 대해 충분히 훈련된다. 도 3에 따른 예측 단계에서, 제 2 기술 장치(5)의 입력 데이터(2)는 입력으로서 신경망(4)에 제공되고, 기본 네트워크(6) 및 헤드 네트워크(7)를 갖는 신경망에서 학습된 거동에 기초하여 출력 비교 데이터가 생성되고, 상기 출력 비교 데이터는 제 2 기술 장치(5)의 출력 데이터(3)와 비교된다. 편차가 너무 커서 기술 장치(5)의 출력 데이터(3)가 주어진 표준값 범위를 벗어나면, 기술 장치(5)의 시스템 거동에 허용할 수 없을 정도로 심한 열화가 있으며, 이로부터 기술 장치(5)의 수명 단축 또는 임박한 부분 고장 또는 완전 고장이 추정될 수 있다. 그런 다음, 경고 신호를 생성하거나 기술 장치(5)의 기능 범위를 줄이는 것과 같은 조치들이 취해질 수 있다.

도 4는 기본 네트워크(6) 및 헤드 네트워크(7)를 갖는 신경망(4)의 구조를 상세히 도시한다. 기본 네트워크(6)는 고도로 동적인 측정 채널의 시간 영역 또는 주파수 영역에서의 측정값들이 입력 데이터로서 제공되는 다수의 개별 기본 네트워크 또는 서브 기본 네트워크(6a, 6b, 6c)를 포함한다. 이들은 학습 단계에서는 기술 장치의 입력 데이터 및 출력 데이터이고 예측 단계에서는 기술 장치의 입력 데이터이다.

출력 측에서 서브 기본 네트워크(6a, 6b, 6c)에서 생성된 데이터는 헤드 네트워크(7)에 입력으로서 제공되며, 상기 헤드 네트워크(7)에서 학습 단계에서 추가 링크가 생성되고 예측 단계에서 고려된 기술 장치의 시스템 거동에 대한 예측이 이루어진다. 학습 단계의 제 2 섹션에서 제 2 기술 장치의 출력 데이터는 헤드 네트워크(7)에 직접 입력으로서, 도 2에 나타나는 바와 같이, 공급될 수 있다.

예측 단계에서 추가 정보, 예를 들어 입력 데이터의 유형 또는 클래스 또는 정적 측정값들 또는 덜 동적인 측정값들의 평균값들에 대한 정보가 추가 입력으로서 헤드 네트워크(7)에 제공될 수 있다.

1, 5: 기술 장치
2: 입력 데이터
3: 출력 데이터
4: 신경망
6: 기본 네트워크
7: 헤드 네트워크

Claims (13)

1. 인공 신경망(4)을 사용하여 표준값 범위로부터 기술 장치(1, 5)의 시스템 거동의 허용할 수 없는 편차를 결정하는 방법으로서, 학습 단계에서 상기 기술 장치(1, 5)의 입력 데이터(2) 및 출력 데이터(3)가 상기 신경망(4)에 제공되고, 상기 학습 단계 다음의 예측 단계에서 상기 신경망(4)에 상기 입력 데이터(2)만 제공되며 출력 비교 데이터는 상기 신경망(4)에서 계산되고, 상기 기술 장치(5)의 상기 출력 데이터(3)가 상기 신경망(4)의 상기 출력 비교 데이터와의 차이로 인해 상기 표준값 범위를 벗어나는 경우, 상기 기술 장치(5)의 허용할 수 없는 편차가 결정되는 것을 특징으로 하는 방법.
2. 제 1 항에 있어서, 상기 신경망(4)은 기본 네트워크(6)와 헤드 네트워크(7)로 세분되고, 상기 학습 단계의 제 1 섹션에서 상기 기본 네트워크(6)와 상기 헤드 네트워크(7)는 제 1 기술 장치(1)에서 훈련되고, 상기 학습 단계의 제 2 섹션에서는 상기 제 1 기술 장치(1)와 구성이 동일한 제 2 기술 장치(5)에서 상기 헤드 네트워크(7)만 훈련되는 것을 특징으로 하는 방법.
3. 제 2 항에 있어서, 상기 예측 단계에서 상기 기본 네트워크(6)와 상기 헤드 네트워크(7)는 상기 제 2 기술 장치(5)의 허용할 수 없는 편차를 결정하는데 사용되는 것을 특징으로 하는 방법.
4. 제 2 항 또는 제 3 항에 있어서, 상기 헤드 네트워크(7)의 뉴런의 수는 상기 기본 네트워크(6)의 뉴런의 수보다 작고, 특히 적어도 5배 또는 10배 더 작은 것을 특징으로 하는 방법.
5. 제 2 항 내지 제 4 항 중 어느 한 항에 있어서, 상기 기본 네트워크(6)의 출력은 상기 헤드 네트워크(7)의 입력으로서 사용되는 것을 특징으로 하는 방법.
6. 제 2 항 내지 제 5 항 중 어느 한 항에 있어서, 상기 제 2 기술 장치(5)의 측정값들이 상기 헤드 네트워크(7)에 입력으로서 제공되는 것을 특징으로 하는 방법.
7. 제 2 항 내지 제 6 항 중 어느 한 항에 있어서, 상기 입력 데이터(2)의 유형 또는 클래스에 대한 정보가 상기 헤드 네트워크(7)에 입력으로서 제공되는 것을 특징으로 하는 방법.
8. 제 2 항 내지 제 7 항 중 어느 한 항에 있어서, 상기 신경망(4)은 상이한 입력 데이터(2)가 제공되는 다수의 기본 네트워크(6)를 포함하는 것을 특징으로 하는 방법.
9. 제 8 항에 있어서, 상이한 기본 네트워크(6)의 출력이 공통 헤드 네트워크(7)에 제공되는 것을 특징으로 하는 방법.
10. 제 2 항 내지 제 9 항 중 어느 한 항에 있어서, 상기 입력 데이터(2)는 상기 신경망(4)에서의 처리가 일어나기 전에 전처리되는 것을 특징으로 하는 방법.
11. 제 1 항 내지 제 10 항 중 어느 한 항에 따른 방법을 수행하도록 설계된 수단을 포함하는 전자 장치, 특히 차량의 제어 장치.
12. 제 1 항 내지 제 10 항 중 어느 한 항에 따른 방법의 단계들을 수행하도록 설계된 프로그램 코드를 갖는 컴퓨터 프로그램 제품.
13. 제 12 항에 따른 컴퓨터 프로그램 제품이 저장된 기계 판독 가능한 저장 매체.

Images