KR20220125689A - 차량 구성 요소들의 작동 상태를 결정하기 위한 방법 - Google Patents

차량 구성 요소들의 작동 상태를 결정하기 위한 방법 Download PDF

Info

Publication number
KR20220125689A
KR20220125689A KR1020220026593A KR20220026593A KR20220125689A KR 20220125689 A KR20220125689 A KR 20220125689A KR 1020220026593 A KR1020220026593 A KR 1020220026593A KR 20220026593 A KR20220026593 A KR 20220026593A KR 20220125689 A KR20220125689 A KR 20220125689A
Authority
KR
South Korea
Prior art keywords
vehicle
knowledge graph
vehicle component
state
operating state
Prior art date
Application number
KR1020220026593A
Other languages
English (en)
Inventor
펠릭스 뢰쉬
Original Assignee
로베르트 보쉬 게엠베하
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 로베르트 보쉬 게엠베하 filed Critical 로베르트 보쉬 게엠베하
Publication of KR20220125689A publication Critical patent/KR20220125689A/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
    • G07C5/006—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
    • G07C5/08—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/60—Software deployment
    • G06F8/65—Updates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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
    • G07C5/02—Registering or indicating driving, working, idle, or waiting time only
    • G07C5/06—Registering or indicating driving, working, idle, or waiting time only in graphical form
    • 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
    • G07C5/0816—Indicating performance data, e.g. occurrence of a malfunction
    • 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

  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Security & Cryptography (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Eletrric Generators (AREA)
  • Arrangement And Driving Of Transmission Devices (AREA)
  • Steering Control In Accordance With Driving Conditions (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

본 개시 내용의 일 양태는 차량의 차량 구성 요소의 작동 상태를 결정하기 위한 방법에 관한 것이다. 이러한 방법은 차량의 복수의 차량 구성 요소들에 대한 정보를 포함하는 제1 지식 그래프를 제공하는 단계를 포함하고, 각각의 차량 구성 요소는 하나 이상의 신호를 제공한다. 이러한 방법은 복수의 차량 구성 요소들 중 하나의 차량 구성 요소의 작동 상태를 결정하는 단계를 더 포함하고, 이러한 결정 단계는, 제1 지식 그래프의 사용 하에, 차량 구성 요소의 작동 상태의 결정을 위해 필요한 복수의 신호들 및 하나 이상의 상태 파라미터를 선택하는 단계를 포함한다. 이러한 결정 단계는, 선택된 복수의 신호들에 기초하여 차량 구성 요소의 하나 이상의 상태 파라미터를 계산하는 단계를 더 포함한다. 마지막으로, 차량 구성 요소의 작동 상태를 결정하는 단계는, 제1 지식 그래프 내에 포함된 정보에 의해 그리고 계산된 하나 이상의 상태 파라미터에 기초하여 차량 구성 요소의 작동 상태를 결정하는 단계를 포함한다.

Description

차량 구성 요소들의 작동 상태를 결정하기 위한 방법{METHOD OF DETERMINING THE OPERATIONAL CONDITION OF VEHICLE COMPONENTS}
본 발명은 차량의 차량 구성 요소의 작동 상태를 결정하기 위한 기술들에 관한 것이다. 관련 양태들은 전자식 차량 시스템 및 데이터 클라우드 시스템에 관한 것이다.
차량 구성 요소들의 작동 상태를 사전 검사할 때의 전형적인 문제는 공급 업체, 주문자 상표 부착 제조사(OEM 또는 Original Equipment Manufacturer), 차량 소유자 또는 정비소에서 사용 가능한 진단 정보의 양이 제한된다는 것이다. 종래 기술에 따른 몇몇 방법에서는, 차량 신호들로부터의 데이터가 일반적으로 차량 내에서만 사용 가능하고, 전자식 차량 제어 장치들 내의 제한된 저장 용량으로 인하여 추가 분석을 위해 저장될 수 없다. 따라서, 차량 구성 요소들의 고장 또는 오작동 시에, 종래 기술의 방법에서는 상위 수준의 진단 오류 코드(DTC 또는 high-level "diagnostic trouble codes")들이 생성되고 오류 프로토콜 내에 로컬 저장될 뿐인 경우가 빈번하다. 이러한 진단 오류 코드들은 현재 문제의 핵심과 관련하여 설득력이 제한될 수 있다. 더욱이 그리고 언급된 제한 사항들로 인하여, 차량 진단은 일반적으로 문제가 발생한지 한참 후에야 정비소(DTC 코드가 판독될 수 있는 곳)에서 실행된다. 많은 경우들에, 문제의 원인을 식별하기 위하여 높은 복잡성과 추가적인 전문 지식이 필요하다. 이는, 어떤 차량 구성 요소를 통해 그리고 어떠한 이유로 문제가 실제로 발생하였는지를 알지 못하는 채로 차량 수리 시에 차량 구성 요소들이 교체되는 일을 야기할 수 있다. 또한, 많은 경우들에서, 차량 구성 요소들에 더욱 큰 손상이 야기되기 이전에 문제를 인식하는 것이 불가능하다.
본 개시 내용의 일반적인 제1 양태는 차량의 차량 구성 요소의 작동 상태를 결정하기 위한 방법에 관한 것이다. 이러한 방법은 차량의 복수의 차량 구성 요소들에 대한 정보를 포함하는 제1 지식 그래프를 제공하는 단계를 포함하고, 각각의 차량 구성 요소는 하나 이상의 신호를 제공한다. 이러한 방법은 복수의 차량 구성 요소들 중 하나의 차량 구성 요소의 작동 상태를 결정하는 단계를 더 포함하고, 이러한 결정 단계는, 제1 지식 그래프의 사용 하에, 차량 구성 요소의 작동 상태의 결정을 위해 필요한 복수의 신호들 및 하나 이상의 상태 파라미터를 선택하는 단계를 포함한다. 이러한 결정 단계는, 선택된 복수의 신호들에 기초하여 차량 구성 요소의 하나 이상의 상태 파라미터를 계산하는 단계를 더 포함한다. 마지막으로, 차량 구성 요소의 작동 상태를 결정하는 단계는, 제1 지식 그래프 내에 포함된 정보에 의해 그리고 계산된 하나 이상의 상태 파라미터에 기초하여 차량 구성 요소의 작동 상태를 결정하는 단계를 포함한다.
본 개시 내용의 일반적인 제2 양태는, 본 개시 내용의 일반적인 제1 양태에 따른 방법을 실행하도록 구성된, 제1 전자 장치 및 제2 전자 장치를 포함하는 전자식 차량 시스템에 관한 것이다. 이러한 시스템은 제1 지식 그래프를 사용하기 위한 제1 전자 장치를 포함한다. 제2 전자 장치는 차량의 복수의 차량 구성 요소들로부터의 신호들을 모니터링 및 수신하도록 구성된다. 또한, 제2 전자 장치는 복수의 차량 구성 요소들의 상태 파라미터들을 결정하도록 구성된다.
본 개시 내용의 일반적인 제3 양태는, 일반적인 제2 양태에 따른 제2 장치의 정보를 수신하고, 제2 지식 그래프의 개념적 모델을 업데이트하기 위해 본 개시 내용의 일반적인 제1 양태에 따른 방법을 실행하도록 구성된 데이터 클라우드 시스템에 관한 것이다. 또한, 이러한 데이터 클라우드 시스템은 제2 지식 그래프의 업데이트된 개념적 모델 내에 포함된 업데이트 정보를 복수의 차량들 중 각각의 차량의 제2 장치에 전송하도록 구성된다.
일반적인 제1 양태 내지 제3 양태의 기술들은 하기 장점들 중 하나 이상의 장점을 가질 수 있다.
첫째, 본 개시 내용의 기술들은, 차량 구성 요소들에 대한 전문 지식, 그의 잠재적인 문제점들/오작동들, 그리고 상태 파라미터들의 계산을 위해 요구되는 관련 차량 신호 데이터를, 차량의 작동 중에 접근 가능하고 호출 가능한 형태로 차량 지식 그래프(vehicle knowledge graph)를 통해 제공할 가능성을 제공한다. 따라서, 이는 종래 기술의 몇몇 기술들과 비교하여, 작동 중에 차량 구성 요소들의 상세한 차량 진단을 구현할 수 있는데, 이는 종래 기술에서 공지된 온보드 진단(On-Board-Diagnose: OBD)과 비교하여, 차량 구성 요소의 작동 상태에 대한 이해가 개선되도록 할 수 있다.
둘째, 본 기술들은, 각각의 차량 구성 요소에 대한 작동 상태가 사전에 제공되고 제어됨으로써, 차량 구성 요소들의 진단을 위한 복잡성이 효과적으로 절감되도록 하는데 기여할 수 있다. 작동 상태가 악화되는 경우, 차량은 사전에 차량의 사용자 또는 제3 자에게 [예를 들어, 데이터 클라우드 시스템, 즉 클라우드 컴퓨팅 시스템(Cloud-Computing-System)을 통해] 보고될 수 있다. 이와 같이, 예를 들어 문제점이 더욱 신속하게 인식될 수 있고, 정비소에서의 진단 시에 복잡성과 시간이 절감될 수 있는데, 이는 문제점이 발생한 이후 처음 수 시간동안 제한적인 정보를 사용하여 진단이 실행될 필요가 없기 때문이다. 또한, 본 기술들은 차량이 실제로 정비소에 도달하기 이전에 차량 구성 요소들의 건강 상태에 관한 모든 관련 데이터에 대한 개관을 제공할 수 있다.
셋째, 본 개시 내용의 기술들은, 복수의 차량들(예를 들어, 하나의 모델의 차량 또는 특정 구성 요소들을 구비한 차량)에 대한 작동 상태들 및 다른 관련 차량 데이터들을 저장하는 데이터 클라우드 차량 지식 그래프(Cloud Vehicle Knowledge Graph)를 통한 차량 구성 요소들의 작동 상태의 분석을 구현할 수 있다. 특히, 본 기술들은 "차량들의 무리(fleet)"(예를 들어, 1000대를 초과하는 차량 또는 10000대를 초과하는 차량)에 대한 데이터 클라우드 차량 지식 그래프의 통계적 분석 및 학습을 포함한다. 이에 따라, (예를 들어, 차량 구성 요소들의 작동 상태를 평가하기 위해 어떤 상태 파라미터들이 필요한지에 대해) 지식 그래프는 연속적으로 개선된다. 종래 기술의 복수의 방법들에서 이러한 데이터는 사용 가능하지도 않고 분석되지도 않는데, 이는 차량들이 각각의 차량 구성 요소에 대한 작동 상태 데이터를 전송하지도 않고, 이러한 데이터 및 다른 관련 데이터가 데이터 클라우드 차량 지식 그래프 내에 수집되지도 않기 때문이다.
몇몇 용어들은 본 개시 내용에서 하기 방식으로 사용된다.
"차량"이라는 용어는 승객 및/또는 화물의 운송을 위해 구성된 각각의 장치를 포함한다. 차량은 자동차(예를 들어, 적어도 부분적으로 자율적으로 작동하는/보조되는 자동차, 특히 승용차 또는 화물차)일 수 있다. 그러나, 차량은 선박, 기차, 항공기 또는 우주선일 수도 있다.
"차량 구성 요소"라는 용어는 차량의 어떤 내부 구성 요소들을 의미한다. 차량 구성 요소는 엔진(예를 들어, 내연 기관, 전기 모터, 하이브리드 엔진 또는 연료 전지 또는 터보 차저와 같은 엔진 부품들), 제어 장치(예를 들어, 엔진 제어 장치), 배터리 또는 기타 에너지 소비 시스템들, 파워트레인의 구성 요소들(예를 들어, 변속기), 보조 시스템들(예를 들어, 제동 보조 장치, 차선 유지 보조 장치, 주차 보조 장치), 공조 시스템들, 센서들 또는 센서 시스템들(예를 들어, 카메라 기반 시스템들, LIDAR 시스템들, RADAR 시스템들, 초음파 센서 시스템들), 또는 차실 내부의 기능들을 제어하기 위한 전자 시스템들일 수 있다. 차량 구성 요소는 상술한 시스템들 중 일부이거나, 상술한 시스템들 중 복수의 시스템들(또는 그들의 일부)의 조합일 수도 있다.
그에 상응하게, "차량 파라미터"라는 용어는, 차량 구성 요소의 작동 상태를 결정하는 역할을 할 수 있는 다양한 파라미터들, 즉 하나 이상의 차량 구성 요소의 작동 상태를 특성화할 수 있는 다양한 파라미터들을 포함한다. 이러한 파라미터들의 포괄적이지 않은 목록은 온도(예를 들어, 내부 온도 또는 외부 온도), 압력(예를 들어, 기압), 회전수, 토크, 질량 흐름, 마모 파라미터, 마찰 파라미터, 전류 세기, 전압, 출력, 효율, 압력비, 속도, 가속도 등을 포함한다.
"신호들"이라는 용어는 차량에 대하여 차량 작동 중에 감지되거나 과거에 감지되었던 모든 신호들을 포함할 수 있다. 이러한 신호들은, 예를 들어 차량 구성 요소들에 제공되거나 각각의 차량 구성 요소들 부근에 위치한 상응하는 센서들을 통해 생성되는, 차량들의 차량 구성 요소들로부터의 신호들이다.
하기에서, "지식 그래프"라는 용어는, 데이터 포인트들(예를 들어, 차량 구성 요소들의 각각의 신호들을 맵핑하는 데이터들)을 의미론적 수준에서 설명하는 모든 접근 방법들, 즉 데이터 포인트들을 사용 가능하도록 하기 위해 데이터 포인트들 자체가 의미론적 모델들 내로 전송되는 접근 방법들을 의미한다. 데이터 포인트들은, 서로에 대한 상응하는 관계들을 갖는 개념적 모델 내에서 정의되는 개념들의 데이터 인스턴스들로서 해석될 수 있다. 또한, 개념들에는 속성들이 할당될 수 있다. 이 경우, 지식 그래프는 자신의 개념적 모델과, 개념적 모델 내에서 정의되는 개념들의 데이터 인스턴스들로 구성된다. 추가적인 설명들은 추가적으로 하기에서 찾아볼 수 있다.
"데이터 클라우드 시스템" 또는 클라우드 컴퓨팅 시스템(Cloud-Computing-System)이라는 용어는, 네트워크를 통해, 예를 들어 인터넷을 통해 사용 가능하게 되는 인프라 구조이다. 데이터 클라우드 시스템은 일반적으로 메모리 공간, 컴퓨팅 성능 및/또는 서비스로서의 애플리케이션 소프트웨어를 포함한다(즉, 사용자는 네트워크를 통해 이러한 리소스들을 사용할 수 있음). 다시 말해, "데이터 클라우드 시스템"은 로컬 시스템 상에 존재할/설치될 필요없이 네트워크를 통해 사용 가능한 인프라 구조이다. "데이터 클라우드 시스템들"은 (예를 들어, 다양한 위치들에 있는 복수의 컴퓨팅 시스템들의) 분산 리소스들을 포함할 수 있다. 이 경우, "데이터 클라우드 시스템"의 리소스들의 제공 및 사용은 기술 인터페이스들 및 프로토콜들을 통해, 예를 들어 웹 브라우저에 의해 실행된다.
도 1은 제1 지식 그래프(10)에 기초하여 차량의 차량 구성 요소의 작동 상태를 결정하기 위한 방법(140)의 일 예시를 개략적으로 도시한 도면이다.
도 2는 각각 2개의 신호(S-CA-1, S-CA-2 및 S-CB-1, S-CB-2)들을 생성하는 2개의 차량 구성 요소(구성 A, 구성 B)들을 구비한 차량의 제1 지식 그래프(1)의 구조를 개략적으로 도시한 도면이다. 2개의 신호(S-CA-2 및 S-CB-2)들로부터는 파라미터(파라-H1)가 계산되고, 이러한 파라미터는 차량 구성 요소(구성 B)의 작동 상태를 결정하기 위해 추가 사용된다.
도 3은 차량의 차량 구성 요소의 작동 상태를 결정하기 위한 방법의 가능한 구성들 및 추가 양태들을 개략적으로 도시한 도면(20)이다.
우선, 도 1에 의해서는 차량의 차량 구성 요소의 작동 상태를 결정하기 위한 기술들이 설명된다. 그 다음, 제1 지식 그래프(10)의 예시적인 구조가 도 2에 의해 설명된다. 마지막으로, 도 3을 참조하여 본 개시 내용의 가능한 구성들 및 추가 양태들이 도시된다.
도 1에 개략적으로 설명된 바와 같이, 일반적인 제1 양태는 차량의 차량 구성 요소의 작동 상태를 결정하기 위한 방법(140)에 관한 것이다. 이러한 방법은 차량(FA)의 복수의 차량 구성 요소(구성 A, 구성 B)들에 대한 정보를 포함하는(마찬가지로 도 2 참조) 제1 지식 그래프(10)의 제공 단계(100)를 포함한다. "제1 지식 그래프"라는 용어는, 반드시 제2 지식 그래프도 존재한다는 것을 의미하지는 않는다. 이러한 용어는 복수의 지식 그래프들이 사용되는 경우들에서 지식 그래프들을 구별하기 위해서만 사용된다. 예를 들어, 제1 지식 그래프(10)는 차량 진단 시스템의 단위체 또는 차량의 다른 단위체에 구현된(즉, 차량 내에 저장된) 로컬 차량 지식 그래프일 수 있다. 다른 예시들에서, 지식 그래프(10)는 분리된 시스템에(즉, 차량 외부에) 저장될 수 있고, 적절한 통신 인터페이스들을 통해 차량과 연결될 수 있다(하기에 더 상세히 설명됨).
상술한 바와 같이, 지식 그래프는 개념들, 속성들 및 각각의 개념들 간의 관계들을 포함할 수 있으며, 예를 들어 각각의 개념은 차량 구성 요소를 맵핑한다(차량 구성 요소를 모델링한다). 따라서, 몇몇 예시들에서 제1 지식 그래프는 상태 파라미터들을 계산하기 위해 그리고/또는 차량 구성 요소의 작동 상태를 결정하기 위해 사용될 수 있다. 또한, 예를 들어 차량 구성 요소 각각은 하나 이상의 신호(S-CA-1, S-CA-2, S-CB-1, S-CB-2)를 제공할 수 있다. 여러 예시들에서, 상술한 바와 같이 이러한 신호들은 상응하는 센서들에 의해 생성될 수 있다. 도 2의 예시에는 2개의 차량 구성 요소(구성 A, 구성 B)들을 구비한 차량의 제1 지식 그래프(10)의 구조가 개략적으로 도시되어 있다(이러한 구조는 도시를 위하여 많은 "실제의 경우들"에 비해 매우 단순화됨). 이러한 예시에서 2개의 구성 요소들은 각각 2개의 신호(S-CA-1, S-CA-2 및 S-CB-1, S-CB-2)들을 생성한다. 다른 예시들에서, 차량은 지식 그래프 내에서 맵핑되는 더 많은 차량 구성 요소들(예를 들어, 10개를 초과하는 또는 100개를 초과하는 차량 구성 요소들)을 포함할 수 있다. 이러한 구성 요소들 각각은 다시 하나 이상의 신호(예를 들어, 5개를 초과하는 또는 10개를 초과하는 신호들)를 생성할 수 있다. 따라서, 도 2는 제1 지식 그래프(10)의 단순화된 구조만을 도시하거나, 도 2에 도시된 구조는 여러 예시들에서 제1 지식 그래프의 하위 구조만을 나타낼 수 있다.
본 개시 내용의 기술들은 복수의 차량 구성 요소(구성 A, 구성 B)들 중 하나의 차량 구성 요소(구성 B)의 작동 상태를 결정하는 단계(140)를 더 포함한다. 이 경우, 이러한 결정 단계는, 제1 지식 그래프(10)의 사용 하에, 차량 구성 요소의 작동 상태의 결정을 위해 필요한 복수의 신호들 및 하나 이상의 상태 파라미터(파라-H1)를 선택하는 단계(110)를 포함할 수 있다. 다시 말해, 제1 지식 그래프는, 차량 구성 요소[예를 들어, 차량(FA)의 작동 중의 특정 시점에 고려되는 차량 구성 요소]의 작동 상태의 결정에 어느 신호들 및 어느 상태 파라미터들이 관련될 수 있는지가 질의될 수 있다. 도 2의 예시에서, 2개의 신호들, 즉 제1 차량 구성 요소(구성 A)의 제2 신호(S-CA-2) 및 제2 차량 구성 요소(구성 B)의 제2 신호(S-CB-2)와, 단일의 상태 파라미터(파라-H1)가 제2 차량 구성 요소(구성 B)의 작동 상태를 결정하기 위해 필요하다. 도 2에는 단일의 파라미터(파라-H1)가 단지 예시적으로만 개시되고, 다른 경우들에서는 복수의 상태 파라미터들(예를 들어, 5개를 초과하는 상태 파라미터들 또는 10개를 초과하는 상태 파라미터들)이 차량 구성 요소의 작동 상태를 결정하기 위해 요구될 수 있다. 대안적으로 또는 추가적으로, 차량 구성 요소의 작동 상태를 결정하기 위해 단 하나의 신호 또는 2개를 초과하는 신호들이 요구될 수 있다.
또한, 본원의 방법의 "결정" 단계는, 선택된 복수의 신호들에 기초하여 차량 구성 요소의 하나 이상의 상태 파라미터(파라-H1)를 계산하는 단계(120)를 포함할 수 있다. 상태 파라미터들은 예를 들어 차량 진단 시스템에 의해 계산될 수 있다. 여러 예시들에서, 동일한 차량 구성 요소의 상태 파라미터를 계산하기 위해 차량 구성 요소의 하나 이상의 신호가 필요할 수 있다. 다른 예시들에서, 제2 차량 구성 요소의 상태 파라미터를 계산하기 위해 제1 차량 구성 요소의 하나 이상의 신호가 요구될 수 있다. 이와 관련하여, 도 2에는 단일의 상태 파라미터(파라-H1)를 계산하기 위해 사용되는 2개의 차량 구성 요소들의 상술한 제2 신호(S-CA-2 및 S-CB-2)들이 도시되어 있다. 다른 예시들에서, 상태 파라미터는, 이에 따라 상태 파라미터를 계산하기 위해 사용되는 복수의 신호들에 따를 수 있다(예를 들어, 5개를 초과하는 상태 파라미터들 또는 10개를 초과하는 상태 파라미터들).
마지막으로, 차량 구성 요소의 작동 상태는, 제1 지식 그래프(10) 내에 포함된 정보에 의해 그리고 계산된 하나 이상의 상태 파라미터(파라-H1)에 기초하여 계산될 수 있다. 예를 들어, 작동 상태의 계산은 차량 진단 시스템을 통해 실행될 수 있다. 이러한 맥락에서, 제1 지식 그래프 내에 포함된, 2개 이상의 차량 구성 요소들 간의 관계에 대한 정보는 차량의 복수의 차량 구성 요소들 중 구성 A, 구성 B를 포함할 수 있다. 예를 들어, 이러한 관계는 차량 구성 요소의 작동 상태를 결정하기 위해 사용되는 상태 파라미터(파라-H1)들과 하나 이상의 신호(S-CA-2 및 S-CB-2) 사이의 상호 연관성에 기초할 수 있다. 여러 예시들에서, 본 개시 내용의 이러한 방법은 차량의 둘 이상의 차량 구성 요소들의 작동 상태를 결정하기 위해 사용될 수 있다. 다른 예시들에서, 이러한 방법은 차량의 더 많은 수의 또는 더 적은 수의 차량 구성 요소의 작동 상태를 결정하기 위해 사용될 수 있다.
상술한 바와 같이, 본 기술들에서 제1 지식 그래프는 복수의 개념들을 갖는 개념적 모델을 포함할 수 있다. 일 예시에서, 각각의 개념은 복수의 차량 구성 요소들 중 상응하는 하나의 차량 구성 요소를 맵핑할 수 있다. 또한, 개념들에는 속성들이 제공될 수 있으며, 이러한 개념들의 서로 간의 각각의 관계들이 정의될 수 있다. 이 경우, 개념은 지식 그래프(10)의 노드(11, 12)들로서 간주될 수 있으며, 개념들 사이의 관계는 개념들(또는 노드들)을 서로 연결하는 에지(13, 14)들로서 간주될 수 있다. 복수의 개념들은 예를 들어 모든 차량 구성 요소들 또는 그 일부를 구비한 차량을 맵핑할 수 있다. 개념들 사이의 관계는, 예를 들어 제2 차량 구성 요소의 상태 파라미터를 계산하기 위해 제1 구성 요소의 신호가 요구되거나, 반대로 제1 차량 구성 요소의 상태 파라미터를 계산하기 위해 제2 구성 요소의 신호가 요구되는 방식일 수 있다. 다른 예시들에서, 개념들 사이의 관계는, 동일한 상태 파라미터가 2개 이상의 차량 구성 요소들에 의해 질의된다는 것을 나타낼 수 있다. 여러 예시들에서, 제1 지식 그래프는 복수의 데이터 인스턴스들을 포함할 수 있다. 이러한 데이터 인스턴스들은 하나 이상의 신호로부터의 데이터 포인트들을 포함할 수 있다. 추가적으로 또는 대안적으로, 데이터 인스턴스들은 각각의 차량 구성 요소의 하나 이상의 상태 파라미터로부터의 데이터 포인트들도 포함할 수 있다. 또한, 데이터 인스턴스들은 개념적 모델 내의 각각의 개념들에 할당될 수 있다. 또한, 제1 지식 그래프는 각각의 차량 구성 요소의 하나 이상의 신호 및 하나 이상의 상태 파라미터를 수신하도록 구성될 수 있고, 또한 수신된 신호들 및 상태 파라미터들을 개념적 모델 내로 전송하도록 구성될 수 있다. 추가적으로 또는 대안적으로, 또한 제1 지식 그래프는 수신된 신호들 및 상태 파라미터들을 데이터 인스턴스들 내로 전송하도록 구성될 수 있다. 여러 예시들에서, 하나 이상의 신호의 수신은 하나 이상의 신호로부터의 데이터 포인트들(예를 들어, 데이터 포인트들의 시계열)의 생성을 포함할 수 있다. 추가적으로 또는 대안적으로, 데이터 포인트들(예를 들어, 데이터 포인트들의 시계열)은 하나 이상의 상태 파라미터로부터 생성될 수 있다. 여러 예시들에서, 데이터 포인트들은 차량 진단 시스템 또는 차량의 다른 단위체를 통한 신호들(예를 들어 센서들에 의해 감지된 신호들)의 상응하는 처리 이후에 생성될 수 있다.
도 3에 따른 예시적인 방법의 그 다음 단계는, 차량 구성 요소의 하나 이상의 신호로부터, 상응하는 타임 스탬프에 의해 제공된 생성된 데이터 포인트들(예를 들어, 생성된 데이터 포인트들의 시계열)을 제1 지식 그래프(10) 내에 저장 하는 단계(210)를 포함한다. 여러 예시들에서, 데이터 포인트들은 데이터 인스턴스들로서 제1 지식 그래프 내에 저장될 수 있다.
본 기술들의 여러 예시들에서, 차량 구성 요소의 상태 파라미터는 제1 지식 그래프의 사용 하에 연속적으로 (예를 들어, 차량 진단 시스템을 통해) 계산될 수 있다(120)(예를 들어, 차량의 작동 시에 하루당 1회를 초과하도록 또는 시간당 1회를 초과하도록). 다른 예시들에서, 차량 구성 요소의 상태 파라미터는 제1 지식 그래프의 사용 하에 사전 정의된 시점들에서 계산된다. 또한, 차량 구성 요소의 각각의 상태 파라미터는 제1 지식 그래프 내에 저장될 수 있다(220)(예를 들어, 데이터 인스턴스로서). 이 경우, 각각의 상태 파라미터에는 상응하는 타임 스탬프가 제공될 수 있다.
여러 예시들에서, 차량 구성 요소의 작동 상태의 계산은, 하나 이상의 상태 파라미터의 하나 이상의 현재 값에 기초하여 실행될 수 있다. 다른 예시들에서, 차량 구성 요소의 작동 상태는, 차량 구성 요소의 하나 이상의 상태 파라미터의, 제1 지식 그래프 내에 저장된 하나 이상의 값에 기초하여 그리고/또는 신호들의, 제1 지식 그래프 내에 저장된 값들에 기초하여 계산될 수 있다. 다시 말해, 지식 그래프는 차량 구성 요소의 작동 상태를 계산하기 위해 고려되는 상태 파라미터들 및/또는 신호들의 이력 값들도 사용할 수 있다. 여러 예시들에서, 상태 파라미터들의 계산은 특정 시점들에 이벤트 트리거 방식으로 실행될 수 있다. 다른 예시들에서, 상태 파라미터들의 계산은 특정 시점들에 주기적으로, 계산 주파수에 의해 제공되도록 실행된다. 예를 들어, 이러한 계산 주파수는 제1 지식 그래프를 통해 제공될 수 있다. 바람직한 예시에서, 복수의 차량 구성 요소들의 각각의 상태 파라미터에 대한 계산 주파수는 제1 지식 그래프에 의해 결정될 수 있다. 여러 예시들에서, 제1 상태 파라미터의 계산 주파수는 제2 상태 파라미터의 계산 주파수와는 상이할 수 있다. 예를 들어, 이는 동일한 차량 구성 요소의 제1 상태 파라미터 및 제2 상태 파라미터일 수 있다. 다른 예시에서, 제1 상태 파라미터 및 제2 상태 파라미터는 상이한 차량 구성 요소들에 할당될 수 있다. 여러 예시들에서, 2개 이상의 상태 파라미터들에 대한 계산 주파수들은 동일할 수 있다.
본 개시 내용에서 작동 상태의 결정은 복수의 차량 구성 요소들 중 각각의 차량 구성 요소에 대해 실행될 수 있다. 이를 통해, 복수의 작동 상태들이 형성된다. 여러 예시들에서, 복수의 작동 상태들에 의하여 차량의 작동 상태가 결정될 수 있다. 또한, 차량 구성 요소의 작동 상태를 결정하는 단계는 차량 구성 요소(또는 차량)의 작동 상태를 분류하는 단계(230)를 포함할 수 있다. 여러 예시들에서, 작동 상태는 차량 구성 요소의 계산된 작동 상태에 기초하여 오작동이 있는 비정상 또는 오작동이 없는 정상으로서 분류될 수 있다. 여러 예시들에서, 오작동의 존재는, (예를 들어 브레이크 시스템과 같은 차량 구성 요소의 마모로 인하여) 차량 구성 요소의 수명이 끝나가고 있음을 그리고/또는 최근에 차량 구성 요소의 작동 상태가 사전 결정된 방식으로 악화되었음을 의미할 수 있다. 다른 예시들에서, 이러한 분류는 추가적인 클래스들 및/또는 다른 클래스들을 포함할 수 있다. 여러 예시들에서, 다양한 유형의 오작동들 및/또는 다양한 심각도의 오작동들을 나타내는 2개 이상의 오류 클래스들이 제공될 수 있다. 추가적으로 또는 대안적으로, 아직 정상 작동 상태를 나타내지만 오작동의 방향으로 이동하는 하나 이상의 클래스(즉, 오작동의 발생을 예측하는 하나 이상의 클래스)가 제공될 수 있다. 분류와 더불어, 작동 상태는 제1 지식 그래프 내에 포함된 정보의 회귀를 통해 그리고 계산된 하나 이상의 상태 파라미터에 기초하여 실행될 수도 있다.
이와 관련하여, 여러 예시들에서, 차량 구성 요소의 하나 이상의 상태 파라미터의 하나 이상의 현재 값과, 차량 구성 요소의 하나 이상의 상태 파라미터의, 제1 지식 그래프 내에 저장된 각각의 하나 이상의 값 간의 편차가 계산될 수 있다. 예를 들어, 이러한 편차가 사전 정의된 크기를 초과하는 경우, 차량 구성 요소의 작동 상태는 오작동이 있는 비정상으로서 분류될 수 있다. 그렇지 않으면, 차량 구성 요소의 작동 상태는 오작동이 없는 정상으로서 분류될 수 있다. 다른 예시들에서, 차량 구성 요소의 작동 상태가 정상인지 비정상인지 여부를 (또는 다른 클래스의 오작동들이 존재하는지 여부를) 확인하기 위해, 차량 구성 요소의 하나 이상의 상태 파라미터에는 하나 이상의 상응하는 임계값이 할당될 수 있다. 예를 들어, 상응하는 임계값이 차량 구성 요소의 각각의 상태 파라미터에 할당될 수 있다. 이후, 차량 구성 요소의 하나 이상의 상태 파라미터가 하나 이상의 상응하는 임계값을 초과하는 경우, 차량 구성 요소의 작동 상태는 오작동이 있는 비정상으로서 (또는 다른 클래스의 오작동들로) 분류될 수 있다. 그렇지 않으면, 차량 구성 요소의 작동 상태는 오작동이 없는 정상으로서 분류될 수 있다. 다른 예시들에서, 이러한 기준은 이와 반대로 적용될 수 있으며, 차량 구성 요소의 하나 이상의 상태 파라미터가 하나 이상의 상응하는 임계값 미만으로 떨어지는 경우에는 차량 구성 요소의 작동 상태의 비정상으로서의 분류를 포함하고, 그렇지 않은 경우에는 차량 구성 요소의 작동 상태의 정상으로서의 분류를 포함한다. 또 다른 예시들에서, 차량 구성 요소의 작동 상태를 계산하는 단계는, 차량 구성 요소의 모든 작동 상태 파라미터들의 가중 합에 따르는 차량 구성 요소의 평균 작동 상태 파라미터를 계산하는 단계를 포함할 수 있다. 이와 관련하여, 차량 구성 요소의 각각의 작동 상태 파라미터에는 상응하는 가중치가 할당될 수 있다. 바람직한 일 예시에서, 작동 상태 파라미터들에 할당된 가중치는 제1 지식 그래프의 사용 하에 결정된다.
여러 예시들에서, 평균 작동 상태 파라미터에는 평균 임계값이 할당될 수 있다. 또한, 예를 들어, 차량 구성 요소의 평균 작동 상태 파라미터가 평균 임계값을 초과하는 경우에는 차량 구성 요소의 작동 상태가 오작동이 있는 비정상으로서 분류될 수 있고, 그렇지 않은 경우에는 차량 구성 요소의 작동 상태가 오작동이 없는 정상으로서 분류될 수 있다. 다른 예시들에서, 이러한 기준은 이와 반대로 적용될 수 있으며, 차량 구성 요소의 평균 작동 상태 파라미터가 평균 임계값 미만으로 떨어지는 경우에는 차량 구성 요소의 작동 상태의 비정상으로서의 분류를 포함하고, 그렇지 않은 경우에는 차량 구성 요소의 작동 상태의 정상으로서의 분류를 포함한다.
본 개시 내용에서, 제1 지식 그래프는 각각의 작동 상태 파라미터에 대해 차량 구성 요소의 비정상 작동 상태의 작동 상태 지표를 포함할 수 있으므로(예를 들어, 지식 그래프 내의 추가 특성으로서 정의됨), 복수의 작동 상태 지표들이 형성된다. 여러 예시들에서, 각각의 작동 상태 지표는, 차량 구성 요소의 각각의 상태 파라미터(파라-H1)에 상응하는 편차 및 사전 정의된 크기를 포함할 수 있다. 다른 예시들에서, 각각의 작동 상태 지표는, 차량 구성 요소의 각각의 상태 파라미터에 상응하는 임계값을 포함할 수 있다. 또 다른 예시들에서, 각각의 작동 상태 지표는 차량 구성 요소의 각각의 상태 파라미터에 상응하는 평균 임계값 및 할당된 가중치를 포함할 수 있다.
본 개시 내용의 기술들에서, 차량 구성 요소의 비정상 작동 상태는 각각의 작동 상태 파라미터들과 함께 제1 지식 그래프 내에 저장될 수 있다. 여러 예시들에서, 차량 구성 요소의 비정상 작동 상태에는 타임 스탬프도 제공될 수 있다. 또한, 하나 이상의 차량 구성 요소의 분류된 작동 상태에 기초하여 반응이 트리거링될 수 있다. 여러 예시들에서, 이러한 반응은 그래픽 사용자 인터페이스에 작동 상태를 표시하는 것을 포함할 수 있다. 추가적으로 또는 대안적으로, 트리거링된 반응은 하나 이상의 차량 구성 요소의 작동 상태에 관한 정보를 (예를 들어, 주문자 상표 부착 제조사 또는 자동차 정비소에 통지하기 위하여) 분리된 시스템에 또는 (예를 들어, 운전자에 통지하기 위하여) 차량의 단위체에 제공하는 것을 포함할 수 있다. 다른 예시들에서, 작동 상태에 관한 정보가 차량 사용자의 모바일 디바이스 상에 표시될 수 있다. 예를 들어, 차량 구성 요소의 오작동이 있는 비정상으로서 분류된 작동 상태에 기초한 반응은 알람- 또는 경고 메시지의 생성을 포함할 수 있다. 추가적으로 또는 대안적으로, 이러한 경우에 차량의 작동은 정지되거나 변화될 수 있다. 또한, 차량 구성 요소의 분류된 비정상 작동 상태에 대한 반응으로서 이벤트 프로토콜 데이터가 생성될 수 있다. 여러 예시들에서, 분리된 시스템으로의 통지도 전송될 수 있다. 예를 들어, 이러한 반응은 분류된 작동 상태가 비정상인 경우 차량에 유지 보수 및 수리가 필요함을 통지하는 것을 포함할 수 있다. 이와 반대로, 작동 상태가 정상으로서 분류된 경우, 이러한 반응은 차량이 정상적으로 작동하고 있다는 통지를 포함할 수 있다. 다른 예시들에서, 상술한 반응들은 상술한 다른 오작동들의 결정에 대한 반응으로서 실행될 수도 있다.
또한, 본 개시 내용의 기술들은, 차량 구성 요소의 작동 상태가 오작동이 있는 비정상으로서 분류되는 것에 대한 반응으로서, 제1 지식 그래프의 사용 하에 계산 주파수들의 하나 이상의 값을 업데이트하는 단계를 포함할 수 있다. 여러 예시들에서, 이러한 제1 지식 그래프의 사용 하의 업데이트 단계는, 제1 지식 그래프를 통해 계산 주파수들의 하나 이상의 값을 학습하는 단계를 포함할 수 있다. 여러 예시들에서, 이러한 유형의 학습은 제1 지식 그래프 내에 저장된 데이터 인스턴스들에 기초할 수 있다. 예를 들어, 업데이트 단계는 제1 지식 그래프 내에 저장된 차량 구성 요소의 상태 파라미터들의 하나 이상의 값에 기초하여 제1 지식 그래프를 통해 계산 주파수들의 하나 이상의 값을 학습하는 단계를 포함할 수 있다. 여러 예시들에서, 차량 구성 요소의 작동 상태가 오작동이 있는 비정상으로서 분류되는 상태 파라미터들의 저장된 값들이 사용될 수 있다. 추가적으로 또는 대안적으로, 차량 구성 요소의 작동 상태가 오작동이 있는 비정상으로서 분류되는 것에 대한 반응으로서, 제1 지식 그래프의 사용 하에, 차량 구성 요소의 작동 상태의 결정을 위해 필요한 복수의 차량 구성 요소들의 복수의 신규 신호들도 결정될 수 있다. 여러 예시들에서, 차량 구성 요소의 작동 상태의 결정을 위해 필요한 복수의 신규 신호들 내의 신호들의 수는, 차량 구성 요소의 작동 상태가 오작동이 있는 비정상으로서 분류되는 것에 대한 반응으로서의 복수의 신호들의 수와는 상이할 수 있다.
본원의 방법의 그 다음 단계에서는, 제1 지식 그래프로부터 하나 이상의 학습된 계산 주파수가 호출될 수 있다(240). 또한, 복수의 차량 구성 요소들 중 하나 이상의 차량 구성 요소의 작동 상태는 그 다음 시점에, 각각의 호출된 하나 이상의 계산 주파수에 따라 제1 지식 그래프로부터 결정될 수 있다. 여러 예시들에서, 그 다음 시점에 작동 상태를 결정하는 단계는 제1 지식 그래프 내에 저장된 데이터 인스턴스들의 호출 단계를 포함할 수 있다. 다른 예시들에서, 대안적으로 또는 추가적으로, 그 다음 시점에 작동 상태를 결정하는 단계는 제1 지식 그래프 내에 저장된 상태 파라미터들의 하나 이상의 값을 호출하는 단계를 포함할 수 있다. 또 다른 예시들에서, 그 다음 시점에 작동 상태를 결정하는 단계는 차량 구성 요소의 작동 상태의 결정을 위해 필요한 복수의 신규 신호들의 호출 단계(250)를 포함할 수 있다. 또한, 그 다음 시점에 작동 상태를 결정하는 단계는, 복수의 신규 신호들을 획득하기 위해 제1 지식 그래프를 통해 복수의 차량 구성 요소들에 질의(260)를 송신하는 단계를 포함할 수 있다. 이는, 그 다음 시점에 차량 구성 요소의 작동 상태를 결정하기 위해 필요한 복수의 차량 구성 요소들로부터 획득된 복수의 신규 신호들을 제공할 수 있다(270).
본 개시 내용의 기술들은, 차량 구성 요소의 작동 상태가 상응하게(예를 들어, 오작동이 있는 비정상으로서) 결정되도록 유도한 하나 이상의 각각의 상태 파라미터 및/또는 차량 구성 요소의 분류된 작동 상태(예를 들어, 오작동이 있는 비정상)를 분리된 시스템에 전송하는 단계(300)를 포함한다. 여러 예시들에서, 차량 구성 요소의 분류된 작동 상태(예를 들어, 오작동이 있는 비정상) 및/또는 하나 이상의 각각의 상태 파라미터는 제2 지식 그래프에 전송될 수 있다. 여러 예시들에서, 제2 지식 그래프는 데이터 클라우드 시스템(또는 차량으로부터 분리된 다른 컴퓨팅 시스템) 내에 저장될 수 있다. 따라서, 제2 지식 그래프는 데이터 클라우드 차량 지식 그래프라고도 불릴 수 있다. 여러 예시들에서, 본원의 방법은 복수의 또는 각각의 차량 구성 요소의 분류된 작동 상태(예를 들어, 오작동이 있는 비정상) 및/또는 상응하는 차량 구성 요소의 작동 상태가 상응하게(예를 들어, 오작동이 있는 비정상으로서) 결정되도록 유도한 하나 이상의 각각의 상태 파라미터를 제2 지식 그래프에 전송하는 단계(300)를 포함할 수 있다. 여러 예시들에서, 하나 이상의 각각의 상태 파라미터는 하나 이상의 상응하는 작동 상태 지표와 함께 전송될 수 있다. 추가적으로 또는 대안적으로, 이러한 상태 파라미터들은 복수의 상응하는 신호들과 함께 전송될 수도 있다. 또한, 제1 지식 그래프 내에 저장된 데이터 인스턴스들을 제2 지식 그래프에 전송하는 단계를 포함할 수 있다.
그 다음 단계는, 전송된 분류된 작동 상태 및/또는 차량의 하나 이상의 차량 구성 요소의 하나 이상의 상태 파라미터 및/또는 신호를 여러 경우들에서 하나 이상의 상응하는 작동 상태 지표와 함께 제2 지식 그래프 내에 데이터 인스턴스들로서 저장하는 단계(310)를 포함할 수 있다. 추가적으로 또는 대안적으로, 상태 파라미터는 복수의 상응하는 신호들과 함께 제2 지식 그래프 내에 데이터 인스턴스들로서 저장될 수도 있다. 또한, 본원의 방법은, 차량의 하나 이상의 차량 구성 요소의 작동 상태가 오작동을 나타내는 경우에, (예를 들어, 데이터 클라우드 시스템을 통해) 운영자(예를 들어, 주문자 상표 부착 제조사 또는 자동차 정비소의 직원) 또는 차량 운전자에 보고하는 단계(320)를 포함할 수 있다. 여러 예시들에서, 보고 단계는, 예를 들어 하나 이상의 상응하는 작동 상태 지표와 함께, 하나 이상의 상응하는 상태 파라미터에 대한 원격 정보를 포함할 수 있다. 일 예시에서, 제2 지식 그래프는 복수의 차량들의 차량 구성 요소들의 신호들 및/또는 하나 이상의 상태 파라미터 및/또는 분류된 작동 상태들을 포함할 수 있다. 이러한 방식으로, 제2 지식 그래프는 "차량들의 무리"에 대한 다양한 유형의 대량의 "오류 데이터"를 수집할 수 있다. 예를 들어, 이러한 "차량들의 무리"는 10개 이상, 100개 이상, 1000개 이상의 차량들을 포함할 수 있다. 차량들은 어느 정도의 공통점들을 포함할 수 있다. 여러 경우들에서, 차량들은 특정 타입 또는 모델의 차량들일 수 있다. 대안적으로 또는 추가적으로, 차량들은 동일한 타입의 하나 이상의 차량 구성 요소를 포함할 수 있다.
그 다음 단계에서, 제2 지식 그래프의 개념적 모델은 복수의 차량들의 차량 구성 요소들의 전송된 정보들(예를 들어, 작동 상태들, 상태 파라미터들 및/또는 신호들)에 기초하여 업데이트될 수 있다. 여러 예시들에서, 제2 지식 그래프의 개념적 모델을 업데이트하는 단계는, 차량 구성 요소들의 작동 상태들의 결정을 최적화하기 위하여 복수의 차량들의 차량 구성 요소들의 전송된 정보들(예를 들어, 작동 상태들, 상태 파라미터들 및/또는 신호들)과 관련하여 통계적 분석을 사용하는 단계(330)를 포함할 수 있다. 예를 들어, 제2 지식 그래프의 개념적 모델은 제2 지식 그래프 내에 저장된 데이터 인스턴스들에 기초하여 업데이트될 수 있다. 이러한 실시예에서, 제2 지식 그래프의 개념적 모델을 업데이트하는 단계는, 차량 구성 요소들의 작동 상태들의 결정을 최적화하기 위하여 제2 지식 그래프 내에 저장된 데이터 인스턴스들과 관련하여 통계적 분석을 사용하는 단계를 포함할 수 있다. 여러 예시들에서, 통계적 분석을 사용하는 단계는 상응하는 작동 상태 파라미터를 위한 하나 이상의 작동 상태 지표를 학습하는 단계를 포함할 수 있다. 이는 예를 들어, 작동 상태 지표들 내에 포함된, 편차들 및 사전 정의된 크기들의 값들을 업데이트하는 것을 목표로 할 수 있다. 대안적으로 또는 추가적으로, 작동 상태 파라미터들의 작동 상태 지표들 내의 할당된 가중치를 갖는 임계값들 및/또는 평균 임계값들도 이러한 방식으로 업데이트될 수 있다.
그 다음 단계에서, 본 기술들은 차량 구성 요소의 작동 상태의 결정을 위해 필요한 하나 이상의 신규 상태 파라미터를 업데이트된 개념적 모델에 의해 결정하는 단계를 포함할 수 있다. 추가적으로 또는 대안적으로, 차량 구성 요소의 작동 상태의 결정을 위해 필요한 복수의 신규 신호들도 결정될 수 있다. 여러 예시들에서, 업데이트된 개념적 모델에 의해서는 복수의 차량 구성 요소들의 하나 이상의 상태 파라미터에 대한 신규 계산 주파수가 결정될 수 있다. 또한, 제1 지식 그래프의 개념적 모델은 제2 지식 그래프의 업데이트된 개념적 모델에 기초하여 복수의 차량들로부터 업데이트될 수 있다. 예를 들어, 본 개시 내용은, 제2 지식 그래프의 업데이트된 개념적 모델 내에 포함된 업데이트 정보를 (예를 들어, 데이터 클라우드 시스템을 통해) 복수의 차량들 중 각각의 차량의 제1 지식 그래프에 전송하는 단계(340)를 포함할 수 있다. 마지막으로, 여러 예시들에서, 전송된 업데이트 정보는 각각의 차량의 제1 지식 그래프 내에 저장될 수 있다(350).
본 개시 내용의 일반적인 제2 양태는, 본 개시 내용의 일반적인 제1 양태에 따른 방법을 실행하도록 구성된, 제1 전자 장치 및 제2 전자 장치를 포함하는 전자 시스템에 관한 것이다. 제1 전자 장치는 제1 지식 그래프를 사용하기 위한 차량의 전자 장치(예를 들어, 차량 진단 시스템의 단위체 또는 차량의 다른 별도의 단위체)일 수 있다. 제2 전자 장치(예를 들어, 차량 진단 시스템)는 차량의 복수의 차량 구성 요소들의 신호들을 모니터링 및 수신하고, 복수의 차량 구성 요소들의 상태 파라미터들을 계산하기 위해 사용될 수 있다. 이러한 시스템은 하나 이상의 프로세서, (실행될 때 본 개시 내용의 방법을 실행하는 프로그램들을 포함할 수 있는) 하나 이상의 메모리, 및 입력 및 출력을 위한 하나 이상의 인터페이스를 포함할 수 있다.
위의 예시들에서는, (즉, 차량 내에 저장된) 제1 로컬 지식 그래프 및 그의 사용이 부분적으로 설명된다. 다른 예시들에서, 제1 지식 그래프는 분리된 시스템에 저장될 수 있다. 예를 들어, 차량은 복수의 신호들을 분리된 시스템에 (예를 들어, 규칙적으로 또는 질의 시에) 전송할 수 있다. 이 경우, 분리된 시스템에서는 본 개시 내용의 차량 구성 요소의 작동 상태를 결정하는 단계들이 실행될 수 있다. (예를 들어, 상술한 반응들 중 하나의 반응을 트리거링하기 위하여) 결정된 작동 상태는 분리된 시스템으로부터 다시 차량 및/또는 제3의 위치에 전송될 수 있다. 다른 경우들에서, 제1 지식 그래프는 분리된 시스템에 저장될 수 있고, 차량 구성 요소의 작동 상태를 결정하기 위하여 차량 내 단위체와 상호 작용할 수 있다.
또 다른 예시들에서, 분리된 시스템에 저장되는 지식 그래프는 (제2 지식 그래프와 관련하여 추가로 상술된 바와 같이) 복수의 차량들의 정보를 포함할 수 있고, 본 개시 내용의 차량 구성 요소의 작동 상태를 결정하는 단계들을 실행할 수 있다.
본 개시 내용의 일반적인 제3 양태는, 일반적인 제2 양태에 따른 제2 장치의 정보를 수신하고, 제2 지식 그래프의 개념적 모델을 업데이트하기 위해 본 개시 내용의 일반적인 제1 양태에 따른 방법을 실행하도록 구성된 데이터 클라우드 시스템에 관한 것이다. 또한, 이러한 데이터 클라우드 시스템은 제2 지식 그래프의 업데이트된 개념적 모델 내에 포함된 업데이트 정보를 복수의 차량들 중 각각의 차량의 제2 장치에 전송하도록 구성될 수 있다. 여러 예시들에서는, 이와 관련하여 2개 이상의 데이터 클라우드 시스템들도 사용될 수 있다.
본 개시 내용은, 본 개시 내용의 방법을 실행하는 컴퓨터 프로그램들에 관한 것이기도 하다. 본 개시 내용은, 본 개시 내용의 컴퓨터 프로그램들을 저장 또는 인코딩하는 컴퓨터 판독 가능한 매체들 및 신호들에 관한 것이기도 하다.

Claims (12)

  1. 차량의 차량 구성 요소의 작동 상태를 결정하기 위한 방법으로서, 이러한 방법은
    차량(FA)의 복수의 차량 구성 요소(구성 A; 구성 B)들에 대한 정보를 포함하는 제1 지식 그래프(10)를 제공하는 단계(100)이며, 각각의 차량 구성 요소는 하나 이상의 신호(S-CA-1; S-CA-2; S-CB-1; S-CB-2)를 제공하는 단계와;
    복수의 차량 구성 요소들 중 하나의 차량 구성 요소의 작동 상태(작동 상태)를 결정하는 단계(140);를 포함하고, 이러한 결정 단계는,
    제1 지식 그래프의 사용 하에, 차량 구성 요소의 작동 상태의 결정을 위해 필요한 복수의 신호들 및 하나 이상의 상태 파라미터(파라-H1)를 선택하는 단계(110)와;
    선택된 복수의 신호들에 기초하여 차량 구성 요소의 하나 이상의 상태 파라미터(파라-H1)를 계산하는 단계(120)와;
    제1 지식 그래프 내에 포함된 정보에 의해 그리고 계산된 하나 이상의 상태 파라미터에 기초하여 차량 구성 요소의 작동 상태(작동 상태)를 결정하는 단계(130);를 포함하는, 차량의 차량 구성 요소의 작동 상태를 결정하기 위한 방법.
  2. 제1항에 있어서, 제1 지식 그래프는,
    복수의 개념들을 포함하는 개념적 모델이며, 각각의 개념은 복수의 차량 구성 요소들 중 상응하는 하나의 차량 구성 요소를 맵핑하고, 개념들에는 속성들이 제공되며, 이러한 개념들의 서로 간의 각각의 관계들이 정의되는, 개념적 모델과;
    각각의 차량 구성 요소의 하나 이상의 신호로부터의 그리고/또는 하나 이상의 상태 파라미터로부터의 데이터 포인트들을 포함하고 개념적 모델 내의 각각의 개념들에 할당되는 복수의 데이터 인스턴스들;을 포함하고, 선택적으로,
    제1 지식 그래프는 각각의 차량 구성 요소의 하나 이상의 신호 및 하나 이상의 상태 파라미터를 수신하도록 구성되고, 또한 수신된 신호들 및 상태 파라미터들을 개념적 모델 내로 그리고/또는 데이터 인스턴스들 내로 전송하도록 구성되고, 하나 이상의 신호의 수신은 하나 이상의 신호 또는 하나 이상의 상태 파라미터로부터의 데이터 포인트들, 선택적으로는 데이터 포인트들의 시계열의 생성을 더 포함하는, 차량의 차량 구성 요소의 작동 상태를 결정하기 위한 방법.
  3. 제1항 또는 제2항에 있어서, 차량 구성 요소의 상태 파라미터들을 연속적으로 계산하는 단계(120) 또는 제1 지식 그래프의 사용 하에 특정 시점들에서 상태 파라미터들을 계산하는 단계(120)를 포함하고, 선택적으로,
    상태 파라미터들을 계산하는 단계는, 계산 주파수를 통해 제공되는 특정 시점들에서 실행되고, 계산 주파수는 제1 지식 그래프를 통해 제공되는, 차량의 차량 구성 요소의 작동 상태를 결정하기 위한 방법.
  4. 제1항 내지 제3항 중 어느 한 항에 있어서, 차량 구성 요소의 작동 상태를 결정하는 단계는, 차량 구성 요소의 작동 상태를 차량 구성 요소의 계산된 작동 상태에 기초하여 오작동이 있는 비정상으로서 또는 오작동이 없는 정상으로서 분류하는 단계(230)를 더 포함하는, 차량의 차량 구성 요소의 작동 상태를 결정하기 위한 방법.
  5. 제4항에 있어서, 차량 구성 요소의 작동 상태(작동 상태)를 계산하는 단계는, 차량 구성 요소의 하나 이상의 상태 파라미터의 하나 이상의 현재 값과, 차량 구성 요소의 하나 이상의 상태 파라미터의, 제1 지식 그래프 내에 저장된 하나 이상의 값 간의 편차를 계산하는 단계를 포함하고, 선택적으로,
    편차가 사전 정의된 크기를 초과하거나 미달하는 경우에, 차량 구성 요소의 작동 상태는 비정상으로서 분류되고, 그렇지 않은 경우에, 차량 구성 요소의 작동 상태는 오작동이 없는 정상으로서 분류되는, 차량의 차량 구성 요소의 작동 상태를 결정하기 위한 방법.
  6. 제4항 또는 제5항에 있어서, 제1 지식 그래프는 각각의 작동 상태 파라미터에 대해 차량 구성 요소의 비정상 작동 상태의 작동 상태 지표를 포함하고, 이를 통해 복수의 작동 상태 지표들이 형성되고, 선택적으로,
    각각의 작동 상태 지표는, 차량 구성 요소의 각각의 상태 파라미터(파라-H1)에 상응하는 편차 및 사전 정의된 크기를 포함하는, 차량의 차량 구성 요소의 작동 상태를 결정하기 위한 방법.
  7. 제3항 및 제4항 내지 제6항 중 어느 한 항에 있어서, 차량 구성 요소의 작동 상태의 분류 결과에 대한 반응으로서, 제1 지식 그래프의 사용 하에 계산 주파수들의 하나 이상의 값을 업데이트하는 단계를 더 포함하고, 선택적으로,
    이러한 제1 지식 그래프의 사용 하의 업데이트 단계는, 제1 지식 그래프 내에 저장된 데이터 인스턴스들에 기초하여 제1 지식 그래프를 통해 하나 이상의 계산 주파수를 학습하는 단계를 포함하는, 차량의 차량 구성 요소의 작동 상태를 결정하기 위한 방법.
  8. 제4항 내지 제7항 중 어느 한 항에 있어서, 차량 구성 요소의 작동 상태가 오작동이 있는 비정상으로서 결정되도록 유도한 하나 이상의 각각의 상태 파라미터 및 차량 구성 요소의 분류된 작동 상태를 제2 지식 그래프에 전송하는 단계(300)를 더 포함하고, 선택적으로,
    또한, 하나 이상의 각각의 상태 파라미터의 전송 단계는 하나 이상의 상응하는 작동 상태 지표와 함께 그리고/또는 복수의 상응하는 신호들과 함께 실행되는, 차량의 차량 구성 요소의 작동 상태를 결정하기 위한 방법.
  9. 제8항에 있어서, 제2 지식 그래프는 복수의 차량들의 차량 구성 요소들의 전송된 상태 파라미터들을 포함하고, 전송된 작동 상태들은 오작동이 있는 비정상으로서 분류되었으며, 차량의 차량 구성 요소의 작동 상태를 결정하기 위한 방법은 복수의 차량들의 차량 구성 요소들의 전송된 상태 파라미터들에 기초하여 제2 지식 그래프의 개념적 모델을 업데이트하는 단계를 더 포함하고, 선택적으로,
    제2 지식 그래프의 개념적 모델을 업데이트하는 단계는, 차량 구성 요소들의 작동 상태들의 결정을 최적화하기 위하여 복수의 차량들의 차량 구성 요소들의 전송된 상태 파라미터들과 관련하여 통계적 분석을 사용하는 단계(330)를 포함하는, 차량의 차량 구성 요소의 작동 상태를 결정하기 위한 방법.
  10. 제9항에 있어서,
    제1 지식 그래프의 개념적 모델을 제2 지식 그래프의 업데이트된 개념적 모델에 기초하여 복수의 차량들로부터 업데이트하는 단계와;
    제2 지식 그래프의 업데이트된 개념적 모델 내에 포함된 업데이트 정보를 복수의 차량들 중 각각의 차량의 제1 지식 그래프에 전송하는 단계(340)와; 선택적으로,
    전송된 업데이트 정보를 각각의 차량의 제1 지식 그래프 내에 저장하는 단계(350);를 더 포함하는, 차량의 차량 구성 요소의 작동 상태를 결정하기 위한 방법.
  11. 제1항 내지 제10항 중 어느 한 항에 따른 방법의 단계들을 실행하도록 구성된, 차량의 차량 구성 요소의 작동 상태를 결정하기 위한 전자식 차량 시스템으로서, 이러한 시스템은
    제1 지식 그래프를 사용하기 위한 제1 전자 장치;와
    차량의 복수의 차량 구성 요소들로부터의 신호들을 모니터링 및 수신하고,
    복수의 차량 구성 요소들의 상태 파라미터들을 계산하도록 구성되는 제2 전자 장치;를 포함하는, 차량의 차량 구성 요소의 작동 상태를 결정하기 위한 전자식 차량 시스템.
  12. 제11항에 따른 제2 장치의 정보를 수신하고;
    제2 지식 그래프의 개념적 모델을 업데이트하기 위해 제8항 내지 제10항에 따른 방법들의 단계들을 실행하고;
    제2 지식 그래프의 업데이트된 개념적 모델 내에 포함된 업데이트 정보를 복수의 차량들 중 각각의 차량의 제2 장치에 전송하도록; 구성된 데이터 클라우드 시스템.
KR1020220026593A 2021-03-05 2022-03-02 차량 구성 요소들의 작동 상태를 결정하기 위한 방법 KR20220125689A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021202177.8 2021-03-05
DE102021202177.8A DE102021202177A1 (de) 2021-03-05 2021-03-05 Verfahren zum bestimmen des betriebszustands von fahrzeugkomponenten

Publications (1)

Publication Number Publication Date
KR20220125689A true KR20220125689A (ko) 2022-09-14

Family

ID=82898266

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220026593A KR20220125689A (ko) 2021-03-05 2022-03-02 차량 구성 요소들의 작동 상태를 결정하기 위한 방법

Country Status (5)

Country Link
US (1) US20220284740A1 (ko)
JP (1) JP2022136039A (ko)
KR (1) KR20220125689A (ko)
CN (1) CN115019415A (ko)
DE (1) DE102021202177A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220309840A1 (en) * 2021-03-24 2022-09-29 Bridgestone Americas Tire Operations, Llc System and method for reconstructing high frequency signals from low frequency versions thereof
JP2024005871A (ja) * 2022-06-30 2024-01-17 株式会社日立製作所 プロセッサシステムおよび不具合診断方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4610300B2 (ja) * 2004-11-02 2011-01-12 富士通テン株式会社 車両用制御装置および車両用制御方法
JP2006177412A (ja) * 2004-12-21 2006-07-06 Toyota Motor Corp 自動変速機の油温センサ故障検出装置
JP7392293B2 (ja) * 2019-06-06 2023-12-06 マツダ株式会社 車両の故障診断装置
CN111414477B (zh) * 2020-03-11 2024-02-13 科大讯飞股份有限公司 车辆故障自动诊断方法、装置以及设备

Also Published As

Publication number Publication date
US20220284740A1 (en) 2022-09-08
CN115019415A (zh) 2022-09-06
JP2022136039A (ja) 2022-09-15
DE102021202177A1 (de) 2022-09-08

Similar Documents

Publication Publication Date Title
US6609051B2 (en) Method and system for condition monitoring of vehicles
US10692053B2 (en) Predictive maintenance
US10665039B2 (en) Distributed monitoring and control of a vehicle
CN106406273B (zh) 车辆中故障原因的确定
CN101681531B (zh) 远程诊断建模
JP5746420B2 (ja) 協働的なマルチエージェント式の車両障害診断システム及び関連する方法
US10540831B2 (en) Real-time on-board diagnostics (OBD) output parameter-based commercial fleet maintenance alert system
US8560165B2 (en) Co-operative on-board and off-board component and system diagnosis and prognosis
CA2838632C (en) Method and apparatus for translating vehicle diagnostic trouble codes
KR20190107080A (ko) 클라우드 기반 차량 고장 진단 방법, 장치 및 시스템
KR20220125689A (ko) 차량 구성 요소들의 작동 상태를 결정하기 위한 방법
EP2323005A1 (en) Method and system for making diagnosis and prognosis of the status of complex systems via health indicators
US11887408B2 (en) Service event response tailoring
EP2063399A2 (en) Vehicle health monitoring system architecture for diagnostics and prognostics disclosure
CN105008875B (zh) 基于所感测的振动确定用于机动车辆的矫正动作
Mesgarpour et al. Overview of telematics-based prognostics and health management systems for commercial vehicles
CN112606779B (zh) 一种汽车故障预警方法及电子设备
CN111164621A (zh) 用于磨损预测的方法和机动车
Keller et al. An architecture to implement integrated vehicle health management systems
KR102255599B1 (ko) 차량 고장 진단 서비스 제공 시스템 및 방법
CN110895414B (zh) 用于确定并监视额外燃料消耗的原因的方法和系统
Panda et al. ML-based vehicle downtime reduction: A case of air compressor failure detection
Taie et al. Remote prognosis, diagnosis and maintenance for automotive architecture based on least squares support vector machine and multiple classifiers
KR20160124044A (ko) 차량운행정보를 제공하는 방법 및 장치
US20210172351A1 (en) Oil quality monitoring