KR20220166108A - 고장 진단 기능을 갖는 전자 제어 유닛 - Google Patents

고장 진단 기능을 갖는 전자 제어 유닛 Download PDF

Info

Publication number
KR20220166108A
KR20220166108A KR1020210075010A KR20210075010A KR20220166108A KR 20220166108 A KR20220166108 A KR 20220166108A KR 1020210075010 A KR1020210075010 A KR 1020210075010A KR 20210075010 A KR20210075010 A KR 20210075010A KR 20220166108 A KR20220166108 A KR 20220166108A
Authority
KR
South Korea
Prior art keywords
processor
control unit
electronic control
data
power supply
Prior art date
Application number
KR1020210075010A
Other languages
English (en)
Inventor
이혁
Original Assignee
현대모비스 주식회사
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 현대모비스 주식회사 filed Critical 현대모비스 주식회사
Priority to KR1020210075010A priority Critical patent/KR20220166108A/ko
Publication of KR20220166108A publication Critical patent/KR20220166108A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
    • G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2263—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Abstract

자체의 고장 진단 기능을 갖는 전자 제어 유닛이 개시된다. 상기 전자 제어 유닛은, 사전 저장된 알고리즘에 따라 태스크를 수행하는 프로세서부를 포함하며, 상기 프로세서부는, 상기 프로세서부 및 상기 전자 제어 유닛에 포함된 복수의 소자들로부터 데이터를 수집하고 수집된 데이터를 기반으로 딥러닝을 수행하여 상기 전자 제어 유닛의 고장 여부를 진단한다.

Description

고장 진단 기능을 갖는 전자 제어 유닛{ELECTRONIC CONTROL UNIT WITH FAULT DIAGNOSIS FUNCTION}
본 발명은 고장 진단 기능을 갖는 전자 제어 유닛에 관한 것으로, 더욱 상세하게는 전자 제어 유닛의 각 소자로부터 제공되는 정보를 기반으로 딥러닝을 이용하여 고장 진단을 수행할 수 있는 전자 제어 유닛에 관한 것이다.
일반적으로 차량에는 차량의 여러 기능을 제어하는 다양한 용도의 전자 제어 유닛(Electronic Control Unit: ECU)이 구비된다.
종래의 전자 제어 유닛은 전자 제어 유닛 내에 포함된 여러 소자에 대해서 각각 안전 메커니즘을 적용하여 각 소자의 고장을 판별한 후, 고장으로 판별된 소자에 대해 차례로 기술 안전 요구사항(Technical Safety Requirement: TSR), 기능 안전 요구사항 (Functional Safety Requirement: FSR) 및 안전 목표(safety goal)를 만족하는지 판단하는 절차로 전자 제어 유닛의 기능 안전에 대응하고 있다.
이러한 종래의 전자 제어 유닛은 자체적인 고장 진단을 위해 각 소자 별로 안전 메커니즘을 적용하고 TSR, FSR, 안전 목표를 만족하는지 판단하여야 하므로, 고장 진단을 위한 하드웨어 자원이 많이 요구되며 소프트웨어 제작이 복잡해지게 되며 신속한 전자 제어 유닛의 고장 진단이 어렵다.
상기의 배경기술로서 설명된 사항들은 본 발명의 배경에 대한 이해 증진을 위한 것일 뿐, 이 기술분야에서 통상의 지식을 가진 자에게 이미 알려진 종래기술에 해당함을 인정하는 것으로 받아들여져서는 안 될 것이다.
KR 10-2020-0082457 A
이에 본 발명은, 전자 제어 유닛의 각 소자로부터 제공되는 정보를 기반으로 딥러닝을 이용하여 글로벌하게 자체의 고장 여부를 진단을 수행할 수 있는 고장 진단 기능을 갖는 전자 제어 유닛에 관한 것이다.
상기 기술적 과제를 해결하기 위한 수단으로서 본 발명은,
고장 진단 기능을 갖는 전자 제어 유닛에 있어서,
사전 저장된 알고리즘에 따라 태스크를 수행하는 프로세서부를 포함하며,
상기 프로세서부는, 상기 프로세서부 및 상기 전자 제어 유닛에 포함된 복수의 소자들로부터 데이터를 수집하고 수집된 데이터를 기반으로 딥러닝을 수행하여 상기 전자 제어 유닛의 고장 여부를 진단하는 것을 특징으로 하는 전자 제어 유닛을 제공한다.
본 발명의 일 실시형태에서, 상기 복수의 소자는, 상기 전자 제어 유닛 외부의 센서로부터 센싱 데이터를 입력 받는 센서 인터페이스; 사전 설정된 통신 방식을 이용하여 외부와 통신하는 외부 통신 채널; 및 상기 복수의 소자에 전원 전력을 공급하는 전원 공급부를 포함할 수 있다.
본 발명의 일 실시형태에서, 상기 프로세서부는, 상기 전자 제어 유닛의 상태가 안전 목표(Safety Goal)을 위반하지 않았을 때와 안전 목표를 위반하였을 때로 분류하는 딥러닝 네트워크를 포함할 수 있다.
본 발명의 일 실시형태에서, 상기 프로세서부는, 상기 센서 인터페이스에 의해 입력된 데이터 중 관심 영역 내 로(raw) 데이터; 상기 전원 공급부에 의해 상기 프로세서부 및 상기 전자 제어 유닛 내 각 소자에 분배되는 전원 전압의 레벨; 상기 프로세서부에서 입출력되는 데이터; 중 적어도 일부를 기반으로 상기 딥러닝을 수행할 수 있다.
본 발명의 일 실시형태에서, 상기 프로세서부는, 제1 프로세서; 상기 제1 프로세서 보다 더 큰 처리 용량과 더 빠른 속도를 가지며 상기 딥러닝 수행에 필요한 데이터를 수집하고 가공하는 제2 프로세서; 및 상기 딥러닝을 수행하는 AI(Artificial Intelligent) 가속기를 포함할 수 있다.
본 발명의 일 실시형태에서, 상기 복수의 소자는, 상기 전자 제어 유닛 외부의 센서로부터 센싱 데이터를 입력 받는 센서 인터페이스; 사전 설정된 통신 방식을 이용하여 외부와 통신하는 외부 통신 채널; 및 상기 복수의 소자에 전원 전력을 공급하는 전원 공급부를 포함할 수 있다.
본 발명의 일 실시형태에서, 상기 AI 가속기는, 상기 센서 인터페이스에 의해 입력된 데이터 중 관심 영역 내 로(raw) 데이터; 상기 전원 공급부에서 상기 센서 인터페이스로 제공되는 전압 레벨; 상기 전원 공급부에서 상기 외부 통신 채널로 제공되는 전압 레벨; 상기 전원 공급부에서 상기 제1 프로세서로 제공되는 전압 레벨; 상기 전원 공급부에서 상기 제2 프로세서로 제공되는 전압 레벨; 상기 전원 공급부에서 상기 AI 가속기로 제공되는 전압 레벨; 상기 제1 프로세서와 상기 제2 프로세서 사이의 통신 데이터; 상기 제1 프로세서와 상기 외부 통신 채널 사이의 통신 데이터; 상기 제1 프로세서 내 소프트웨어 태스크 수행 속도; 상기 제1 프로세서 내 메모리의 대역폭 정보; 상기 제2 프로세서와 상기 AI 가속기 사이의 통신 데이터; 상기 제2 프로세서 내 소프트웨어 태스크 수행 속도; 상기 제2 프로세서 내 메모리의 대역폭 정보; 및 상기 AI 가속기의 자체 진단 정보; 중 적어도 일부를 기반으로 상기 딥러닝을 수행할 수 있다.
본 발명의 일 실시형태에서, 상기 AI 가속기는, 상기 전자 제어 유닛의 상태가 안전 목표(Safety Goal)을 위반하지 않았을 때와 안전 목표를 위반하였을 때로 분류하는 딥러닝 네트워크를 포함할 수 있다.
본 발명의 일 실시형태에서, 상기 센서 인터페이스는, 차량에 설치된 레이더 또는 라이다에서 검출된 센싱 데이터 및 카메라에 의해 촬영된 이미지 데이터를 입력 받을 수 있다.
상기 기술적 과제를 해결하기 위한 다른 수단으로서 본 발명은, 고장 진단 기능을 갖는 전자 제어 유닛에 있어서,
제1 프로세서;
상기 제1 프로세서 보다 더 큰 처리 용량과 더 빠른 속도를 가지며 딥러닝 수행에 필요한 데이터를 수집하고 가공하는 제2 프로세서;
상기 딥러닝을 수행하는 AI(Artificial Intelligent) 가속기;
상기 전자 제어 유닛 외부의 센서로부터 센싱 데이터를 입력 받는 센서 인터페이스;
사전 설정된 통신 방식을 이용하여 외부와 통신하는 외부 통신 채널; 및
상기 제1 프로세서, 상기 제2 프로세서, 상기 AI 가속기, 상기 센서 인터페이스 및 상기 외부 통신 채널에 전원 전력을 공급하는 전원 공급부를 포함하며,
상기 제2 프로세서는, 상기 제1 프로세서, 상기 제2 프로세서, 상기 AI 가속기, 상기 센서 인터페이스 및 상기 전원 공급부로부터 딥러닝 수행에 필요한 데이터를 수집하고 가공하며,
상기 AI 가속기는, 상기 딥러닝을 수행하여 상기 전자 제어 유닛의 고장 여부를 진단하는 것을 특징으로 하는 전자 제어 유닛을 제공한다.
본 발명의 일 실시형태에서, 상기 AI 가속기는, 상기 전자 제어 유닛의 상태가 안전 목표(Safety Goal)을 위반하지 않았을 때와 안전 목표를 위반하였을 때로 분류하는 딥러닝 네트워크를 포함할 수 있다.
본 발명의 일 실시형태에서, 상기 AI 가속기는, 상기 센서 인터페이스에 의해 입력된 데이터 중 관심 영역 내 로(raw) 데이터; 상기 전원 공급부에서 상기 센서 인터페이스로 제공되는 전압 레벨; 상기 전원 공급부에서 상기 외부 통신 채널로 제공되는 전압 레벨; 상기 전원 공급부에서 상기 제1 프로세서로 제공되는 전압 레벨; 상기 전원 공급부에서 상기 제2 프로세서로 제공되는 전압 레벨; 상기 전원 공급부에서 상기 AI 가속기로 제공되는 전압 레벨; 상기 제1 프로세서와 상기 제2 프로세서 사이의 통신 데이터; 상기 제1 프로세서와 상기 외부 통신 채널 사이의 통신 데이터; 상기 제1 프로세서 내 소프트웨어 태스크 수행 속도; 상기 제1 프로세서 내 메모리의 대역폭 정보; 상기 제2 프로세서와 상기 AI 가속기 사이의 통신 데이터; 상기 제2 프로세서 내 소프트웨어 태스크 수행 속도; 상기 제2 프로세서 내 메모리의 대역폭 정보; 및 상기 AI 가속기의 자체 진단 정보; 중 적어도 일부를 기반으로 상기 딥러닝을 수행할 수 있다.
상기 고장 진단 기능을 갖는 전자 제어 유닛에 따르면, 전자 제어 유닛이 안전 목표를 위반하는 지의 여부를 글로벌하게 수행하여 하위 안전 요구 사항(기능 안전 요구 사항, 기술 안전 요구 사항 등)에 대한 직접적인 진단을 거치지 않고 신속하게 전자 제어 유닛의 고장 진단이 가능하게 된다.
본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시형태에 따른 고장 진단 기능을 갖는 전자 제어 유닛의 블록 구성도이다.
도 2는 본 발명의 일 실시형태에 따른 고장 진단 기능을 갖는 전자 제어 유닛에서 딥러닝을 위해 센서 인터페이스를 통해 입력되는 데이터의 예를 도시한 블록 구성도이다.
도 3은 도 1에 도시된 본 발명의 일 실시형태에 따른 고장 진단 기능을 갖는 전자 제어 유닛에서 딥러닝에 사용되는 데이터 및 이를 이용한 학습 기법의 예를 도시한 도면이다.
이 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭하는 것으로 볼 수 있다. 이 명세서가 개시된 발명의 실시형태들의 모든 요소들을 설명하는 것은 아니며, 개시된 발명이 속하는 기술분야에서 일반적인 내용 또는 실시형태들 간에 중복되는 내용은 생략될 수 있다. 이 명세서에서 사용되는 '부, 모듈, 부재, 블록'이라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시형태들에 따라 복수의 '부, 모듈, 부재, 블록'이 하나의 구성요소로 구현되거나, 하나의 '부, 모듈, 부재, 블록'이 복수의 구성요소들을 포함하는 것도 가능하다.
이 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐 아니라, 간접적으로 연결되어 있는 경우를 포함하고, 간접적인 연결은 무선 통신망을 통해 연결되는 것을 포함한다.
또한, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
이 명세서 전체에서, 어떤 부재가 다른 부재 "상에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
또한, 제1, 제2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로, 구성요소가 전술된 용어들에 의해 제한되는 것은 아니다.
이 명세서에서, 단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함한다.
또한, "~부", "~기", "~블록", "~부재", "~모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미할 수 있다. 상기 용어들은 전기 회로(Electrical Circuit)을 의미할 수 있고, 적어도 하나의 하드웨어, 메모리에 저장된 적어도 하나의 소프트웨어 또는 프로세서에 의하여 처리되는 적어도 하나의 프로세스를 의미할 수도 있다.
각 단계들에 있어 식별부호는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 실시될 수 있다.
이하, 첨부된 도면들을 참고하여 개시된 발명의 여러 실시형태에 대한 구성 및 작용 원리를 상세하게 설명한다.
도 1은 본 발명의 일 실시형태에 따른 고장 진단 기능을 갖는 전자 제어 유닛의 블록 구성도이다.
도 1을 참조하면, 본 발명의 일 실시형태에 따른 고장 진단 기능을 갖는 전자 제어 유닛(10)은 차량에 구비된 센서로부터 센싱 데이터를 입력 받는 센서 인터페이스(11-13)와, 사전 설정된 통신 방식(프로토콜)을 이용하여 외부와 통신하는 외부 통신 채널(14)과, 전자 제어 유닛(10) 내에 구비된 각 요소에 전원 전력을 공급하는 전원 공급부(15) 및 사전 저장된 알고리즘에 따라 태스크를 수행하는 프로세서부(16)를 포함할 수 있다.
특히, 본 발명의 일 실시형태에 따른 고장 진단 기능을 갖는 전자 제어 유닛(10)는, 프로세서부(16)가 센서 인터페이스(11-13), 외부 통신 채널(14) 및 전원 공급부(15)에서 데이터를 수집하고 수집된 데이터를 기반으로 딥러닝을 수행하여 전자 제어 유닛(10)의 고장 여부를 진단하는 것을 특징으로 한다.
도 1에 도시된 것과 같이, 전자 제어 유닛(10)은 센서 인터페이스(11-13), 외부 통신 채널(14), 전원 공급부(15) 및 프로세서부(16) 등과 같이 복수의 소자를 포함할 수 있으며, 각각의 소자는 사전 설정된 기능을 수행할 수 있다.
센서 인터페이스(11-13) 중 적어도 일부는, 차량에 설치된 레이더나 라이다 등과 같은 거리 센서로부터 제공되는 센싱 데이터를 사전 설정된 통신 방식(프로토콜)을 통해 입력 받을 수 있다. 다른 예로, 센서 인터페이스(11-13) 중 적어도 일부는, 차량에 설치된 여러 카메라(전후방 카메라, 서라운드 카메라 등)로부터 촬영된 이미지 데이터를 사전 설정된 통신 방식을 통해 입력 받을 수 있다. 센서 인터페이스(11-13)는 입력 받은 데이터를 다른 소자들, 특히 데이터를 이용하여 사전 설정된 알고리즘을 수행하는 프로세서부(16)로 출력할 수 있다.
외부 통신 채널(14)은 프로세서부(16)에서 생성된 결과 데이터를 전자 제어 유닛(10)의 외부로 제공하는 소자로, 사전 설정된 통신 방식(프로토콜)으로 출력할 수 있다. 예를 들어, 외부 통신 채널(14)은 전자 제어 유닛(10) 외부의 디스플레이 장치로 프로세서부(16)에서 가공된 이미지 데이터를 전송할 수 있다.
전원 공급부(15)는 외부에서 제공된 전원 전력을 전자 제어 유닛(10) 내부의 각 소자의 동작 전원에 대응되는 전압 및 전류로 변환하여 제공할 수 있다. 정상적으로 동작 중일 때 전원 공급부(15)는 각 소자로 제공되는 전압 또는 전류의 크기는 사전 설정된 일정한 범위 내에 있게 된다.
프로세서부(16)는 사전 프로그래밍된 알고리즘에 의해 결정된 스케줄에 따라 태스크를 수행하는 요소이다. 예를 들어, 센서 인터페이스(11-13)을 통해 입력된 데이터를 기반으로 차량 내 다른 부품들의 동작을 제어하는 태스크를 수행할 수 있다.
본 발명의 일 실시형태에서, 프로세서부(16)는 전자 제어 유닛(10)의 고장 진단을 수행하기 위해 전자 제어 유닛에 포함된 여러 소자(11-16)들로부터 데이터를 입력 받고 입력 받은 데이터를 기반으로 딥러닝을 수행하여 전자 제어 유닛의 고장 여부를 진단할 수 있다.
통상 프로세서부(16)는 차량의 제어를 위해 필요한 태스크를 수행하는 제1 프로세서(161)를 포함할 수 있다. 제1 프로세서(161)는 MCU(Micro Control Unit)이라 통칭될 수 있다. 이 제1 프로세서(161)가 충분한 처리 용량과 처리 속도를 갖는 고성능 프로세서로 구현되는 경우, 다시 말해 딥러닝과 같이 많은 데이터의 처리가 요구되는 태스크를 수행하기에 충분한 자원을 갖는 프로세서로 구현되는 경우 제1 프로세서(161)가 딥러닝을 이용한 전자 제어 유닛의 고장 진단을 수행할 수 있다.
그러나, 통상적인 MCU(161)의 경우 일반적으로 알려진 차량 제어를 수행하기에 무리가 없을 정도의 성능을 가지는 수준이며, 딥러닝을 위한 연산에는 적합하지 못하다. 이에, 본 발명의 일 실시형태에서 프로세서부(16)는, 딥러닝을 수행하기 위한 별도의 고성능 프로세서인 제2 프로세서(162)와 딥러닝 시 인공 신경망의 학습 및 학습된 인공 신경망의 검증 및 적용에 최적화된 고속 연산이 가능한 AI(Artificial Intelligent) 가속기(163)를 더 포함할 수 있다.
AI 알고리즘에 따른 딥러닝을 구현하기 위해서는 매우 많은 양의 연산이 요구되며 특히 대규모의 병렬 연산이 요구된다. 통상 x86 기반의 CPU는 순차적인 직렬 연산에 최적화된 것으로 딥러닝에는 적합하지 못하다. 따라서, 본 발명의 일 실시형태는 딥러닝을 이용한 전자 제어 유닛의 고장 진단을 위해 다수의 코어를 포함하여 고속 병렬 연산에 적합한 AI 가속기(163)를 구비할 수 있다.
도 2는 본 발명의 일 실시형태에 따른 고장 진단 기능을 갖는 전자 제어 유닛에서 딥러닝을 위해 센서 인터페이스를 통해 입력되는 데이터의 예를 도시한 블록 구성도이다.
도 2에 도시된 바와 같이, 차량의 자율 주행 등과 같은 ADAS를 구현하기 위한 전자 제어 유닛의 경우, 센서 인터페이스(11-13)을 통해 차량에 설치된 단거리 레이더, 장거리 레이더 및 라이다 등과 같은 거리 센서의 센싱 데이터, 서라운드 카메라 및 복수의 카메라에서 촬영된 이미지 데이터 데이터가 고성능 CPU(162)로 입력될 수 있다. 고성능 CPU(162)는 입력 받은 데이터들을 가공하여 딥러닝에 필요한 데이터를 생성할 수 있으며, 이를 API(Application Programming Interface)를 통해 AI 가속기(163)로 전달하여 AI 가속기(163)에서 딥러닝을 위한 연산이 이루어지게 할 수 있다.
도 3은 도 1에 도시된 본 발명의 일 실시형태에 따른 고장 진단 기능을 갖는 전자 제어 유닛에서 딥러닝에 사용되는 데이터 및 이를 이용한 학습 기법의 예를 도시한 도면이다.
도 3에 도시된 바와 같이, 딥러닝에 사용되는 데이터는, 센서 인터페이스(11-13)에 의해 입력된 데이터 중 관심 영역 내 로(raw) 데이터를 포함할 수 있다. 고성능 CPU(162)는 센서 인터페이스(11-13)에서 입력된 데이터를 제공받고 제공받은 데이터에서 관심 영역 내 로 데이터를 추출하여 AI 가속기(163)로 제공할 수 있다.
또한, 딥러닝에 사용되는 데이터는, 전원 공급부(15)에 의해 전자 제어 유닛(10) 내 각 소자에 분배되는 전원 전압의 레벨을 포함할 수 있다. 예를 들어, 전원 공급부(15)에서 각각의 센서 인터페이스(11-13)로 제공되는 전압 레벨, 전원 공급부(15)에서 외부 통신 채널(14)로 제공되는 전압 레벨, 전원 공급부(15)에서 MCU(161)로 제공되는 전압 레벨, 전원 공급부(15)에서 고성능 CPU(162)로 제공되는 전압 레벨, 전원 공급부(15)에서 AI 가속기로 제공되는 전압 레벨이 딥러닝에 사용될 수 있다.
또한, 딥 러닝에 사용되는 데이터는, MCU(161)에서 입출력되는 데이터로서, MCU(161)와 고성능 CPU(162) 사이의 통신 데이터 전체, MCU(161)와 외부 통신 채널(14) 사이의 통신 데이터 전체, MCU(161) 내 소프트웨어 태스크 수행 속도, MCU(161) 내 메모리의 대역폭 정보 등을 포함할 수 있다.
또한, 딥 러닝에 사용되는 데이터는, 고성능 CPU(162) 관련 데이터로서, 고성능 CPU(162)와 AI 가속기(163) 사이의 통신 데이터 전체, 고성능 CPU(162) 내 소프트웨어 태스크 수행 속도, 고성능 CPU(162) 내 메모리의 대역폭 정보 등을 포함할 수 있다.
또한, 딥 러닝에 사용되는 데이터는, AI 가속기(163)에 관련된 데이터로서, AI 가속기(163)의 자체 진단 정보를 포함할 수 있다.
AI 가속기(163)은 위와 같은 데이터들을 입력 받으며, 입력 받은 데이터를 이용하여 전자 제어 유닛(10)의 고장 진단을 위해 사전 설정된 인공 신경망을 학습시키고 검증함으로써 전자 제어 유닛의 고장 진단을 위한 딥러닝 네트워크를 완성시킬 수 있다.
여기에서, 인공 신경망은 분류(Classification) 네트워크일 수 있으며, 전자 제어 유닛(10)의 상태가 안전 목표(Safety Goal)을 위반하지 않았을 때 0, 전자 제어 유닛(10)의 상태가 안전 목표(Safety Goal)을 위반하였을 때 1로 분류하는 네트워크일 수 있다.
이상에서 설명한 바와 같이, 본 발명의 여러 실시형태에 따른 고장 진단 기능을 갖는 전자 제어 유닛은 전자 제어 유닛 내 각 소자에 대해서 각각의 안전 메커니즘을 적용하여 각 소자의 고장을 판별하는 것이 아니라, 각 소자의 출력 등과 같이 각 소자의 상태를 파악할 수 있는 데이터를 입력 받고 분류 딥러닝을 수행함으로써 그 결과가 안전 목표를 위반 하였는지 판단한다.
이에 따라, 본 발명의 여러 실시형태에 따른 고장 진단 기능을 갖는 전자 제어 유닛은, 전자 제어 유닛이 안전 목표를 위반하는 지의 여부를 글로벌하게 수행하여 하위 안전 요구 사항(기능 안전 요구 사항, 기술 안전 요구 사항 등)에 대한 직접적인 진단을 거치지 않고 신속하게 전자 제어 유닛의 고장 진단이 가능하게 된다.
이상에서 본 발명의 특정한 실시형태에 관련하여 도시하고 설명하였지만, 이하의 특허청구범위에 의해 제공되는 본 발명의 기술적 사상을 벗어나지 않는 한도 내에서, 본 발명이 다양하게 개량 및 변화될 수 있다는 것은 당 기술분야에서 통상의 지식을 가진 자에게 있어서 자명할 것이다.
10: 전자 제어 유닛(ECU) 11-13: 센서 인터페이스
14: 외부통신 채널 15: 전원 공급부
16: 프로세서부 161: 제1 프로세서(MCU)
162: 제2 프로세서(고성능 CPU)
163: AI 가속기

Claims (12)

  1. 고장 진단 기능을 갖는 전자 제어 유닛에 있어서,
    사전 저장된 알고리즘에 따라 태스크를 수행하는 프로세서부를 포함하며,
    상기 프로세서부는, 상기 프로세서부 및 상기 전자 제어 유닛에 포함된 복수의 소자들로부터 데이터를 수집하고 수집된 데이터를 기반으로 딥러닝을 수행하여 상기 전자 제어 유닛의 고장 여부를 진단하는 것을 특징으로 하는 전자 제어 유닛.
  2. 청구항 1에 있어서, 상기 복수의 소자는,
    상기 전자 제어 유닛 외부의 센서로부터 센싱 데이터를 입력 받는 센서 인터페이스;
    사전 설정된 통신 방식을 이용하여 외부와 통신하는 외부 통신 채널; 및
    상기 복수의 소자에 전원 전력을 공급하는 전원 공급부를 포함하는 것을 특징으로 하는 전자 제어 유닛.
  3. 청구항 1 또는 청구항 2에 있어서, 상기 프로세서부는,
    상기 전자 제어 유닛의 상태가 안전 목표(Safety Goal)을 위반하지 않았을 때와 안전 목표를 위반하였을 때로 분류하는 딥러닝 네트워크를 포함하는 것을 특징으로 하는 전자 제어 유닛.
  4. 청구항 2에 있어서, 상기 프로세서부는,
    상기 센서 인터페이스에 의해 입력된 데이터 중 관심 영역 내 로(raw) 데이터;
    상기 전원 공급부에 의해 상기 프로세서부 및 상기 전자 제어 유닛 내 각 소자에 분배되는 전원 전압의 레벨;
    상기 프로세서부에서 입출력되는 데이터; 중 적어도 일부를 기반으로 상기 딥러닝을 수행하는 것을 특징으로 하는 전자 제어 유닛.
  5. 청구항 1에 있어서, 상기 프로세서부는,
    제1 프로세서;
    상기 제1 프로세서 보다 더 큰 처리 용량과 더 빠른 속도를 가지며 상기 딥러닝 수행에 필요한 데이터를 수집하고 가공하는 제2 프로세서; 및
    상기 딥러닝을 수행하는 AI(Artificial Intelligent) 가속기를 포함하는 것을 특징으로 하는 전자 제어 유닛.
  6. 청구항 5에 있어서, 상기 복수의 소자는,
    상기 전자 제어 유닛 외부의 센서로부터 센싱 데이터를 입력 받는 센서 인터페이스;
    사전 설정된 통신 방식을 이용하여 외부와 통신하는 외부 통신 채널; 및
    상기 복수의 소자에 전원 전력을 공급하는 전원 공급부를 포함하는 것을 특징으로 하는 전자 제어 유닛.
  7. 청구항 6에 있어서, 상기 AI 가속기는,
    상기 센서 인터페이스에 의해 입력된 데이터 중 관심 영역 내 로(raw) 데이터;
    상기 전원 공급부에서 상기 센서 인터페이스로 제공되는 전압 레벨;
    상기 전원 공급부에서 상기 외부 통신 채널로 제공되는 전압 레벨;
    상기 전원 공급부에서 상기 제1 프로세서로 제공되는 전압 레벨;
    상기 전원 공급부에서 상기 제2 프로세서로 제공되는 전압 레벨;
    상기 전원 공급부에서 상기 AI 가속기로 제공되는 전압 레벨;
    상기 제1 프로세서와 상기 제2 프로세서 사이의 통신 데이터;
    상기 제1 프로세서와 상기 외부 통신 채널 사이의 통신 데이터;
    상기 제1 프로세서 내 소프트웨어 태스크 수행 속도;
    상기 제1 프로세서 내 메모리의 대역폭 정보;
    상기 제2 프로세서와 상기 AI 가속기 사이의 통신 데이터;
    상기 제2 프로세서 내 소프트웨어 태스크 수행 속도;
    상기 제2 프로세서 내 메모리의 대역폭 정보; 및
    상기 AI 가속기의 자체 진단 정보; 중 적어도 일부를 기반으로 상기 딥러닝을 수행하는 것을 특징으로 하는 전자 제어 유닛.
  8. 청구항 5에 있어서, 상기 AI 가속기는,
    상기 전자 제어 유닛의 상태가 안전 목표(Safety Goal)을 위반하지 않았을 때와 안전 목표를 위반하였을 때로 분류하는 딥러닝 네트워크를 포함하는 것을 특징으로 하는 전자 제어 유닛.
  9. 청구항 2 또는 청구항 6에 있어서, 상기 센서 인터페이스는,
    차량에 설치된 레이더 또는 라이다에서 검출된 센싱 데이터 및 카메라에 의해 촬영된 이미지 데이터를 입력 받는 것을 특징으로 하는 전자 제어 유닛.
  10. 고장 진단 기능을 갖는 전자 제어 유닛에 있어서,
    제1 프로세서;
    상기 제1 프로세서 보다 더 큰 처리 용량과 더 빠른 속도를 가지며 딥러닝 수행에 필요한 데이터를 수집하고 가공하는 제2 프로세서;
    상기 딥러닝을 수행하는 AI(Artificial Intelligent) 가속기;
    상기 전자 제어 유닛 외부의 센서로부터 센싱 데이터를 입력 받는 센서 인터페이스;
    사전 설정된 통신 방식을 이용하여 외부와 통신하는 외부 통신 채널; 및
    상기 제1 프로세서, 상기 제2 프로세서, 상기 AI 가속기, 상기 센서 인터페이스 및 상기 외부 통신 채널에 전원 전력을 공급하는 전원 공급부를 포함하며,
    상기 제2 프로세서는, 상기 제1 프로세서, 상기 제2 프로세서, 상기 AI 가속기, 상기 센서 인터페이스 및 상기 전원 공급부로부터 딥러닝 수행에 필요한 데이터를 수집하고 가공하며,
    상기 AI 가속기는, 상기 딥러닝을 수행하여 상기 전자 제어 유닛의 고장 여부를 진단하는 것을 특징으로 하는 전자 제어 유닛.
  11. 청구항 10에 있어서, 상기 AI 가속기는,
    상기 전자 제어 유닛의 상태가 안전 목표(Safety Goal)을 위반하지 않았을 때와 안전 목표를 위반하였을 때로 분류하는 딥러닝 네트워크를 포함하는 것을 특징으로 하는 전자 제어 유닛.
  12. 청구항 10에 있어서, 상기 AI 가속기는,
    상기 센서 인터페이스에 의해 입력된 데이터 중 관심 영역 내 로(raw) 데이터;
    상기 전원 공급부에서 상기 센서 인터페이스로 제공되는 전압 레벨;
    상기 전원 공급부에서 상기 외부 통신 채널로 제공되는 전압 레벨;
    상기 전원 공급부에서 상기 제1 프로세서로 제공되는 전압 레벨;
    상기 전원 공급부에서 상기 제2 프로세서로 제공되는 전압 레벨;
    상기 전원 공급부에서 상기 AI 가속기로 제공되는 전압 레벨;
    상기 제1 프로세서와 상기 제2 프로세서 사이의 통신 데이터;
    상기 제1 프로세서와 상기 외부 통신 채널 사이의 통신 데이터;
    상기 제1 프로세서 내 소프트웨어 태스크 수행 속도;
    상기 제1 프로세서 내 메모리의 대역폭 정보;
    상기 제2 프로세서와 상기 AI 가속기 사이의 통신 데이터;
    상기 제2 프로세서 내 소프트웨어 태스크 수행 속도;
    상기 제2 프로세서 내 메모리의 대역폭 정보; 및
    상기 AI 가속기의 자체 진단 정보; 중 적어도 일부를 기반으로 상기 딥러닝을 수행하는 것을 특징으로 하는 전자 제어 유닛.
KR1020210075010A 2021-06-09 2021-06-09 고장 진단 기능을 갖는 전자 제어 유닛 KR20220166108A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210075010A KR20220166108A (ko) 2021-06-09 2021-06-09 고장 진단 기능을 갖는 전자 제어 유닛

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210075010A KR20220166108A (ko) 2021-06-09 2021-06-09 고장 진단 기능을 갖는 전자 제어 유닛

Publications (1)

Publication Number Publication Date
KR20220166108A true KR20220166108A (ko) 2022-12-16

Family

ID=84534836

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210075010A KR20220166108A (ko) 2021-06-09 2021-06-09 고장 진단 기능을 갖는 전자 제어 유닛

Country Status (1)

Country Link
KR (1) KR20220166108A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200082457A (ko) 2018-12-28 2020-07-08 주식회사대성엘텍 A d a s 알람 출력 제어 방법 및 장치

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200082457A (ko) 2018-12-28 2020-07-08 주식회사대성엘텍 A d a s 알람 출력 제어 방법 및 장치

Similar Documents

Publication Publication Date Title
US11148675B2 (en) Apparatus and method of sharing a sensor in a multiple system on chip environment
US11842575B2 (en) Method and system for vehicle analysis
JP7089026B2 (ja) 車両モジュールを制御する装置および方法
CN108255123B (zh) 基于三取二软硬件表决的列车lcu控制设备
CN111065999B (zh) 移动设备的功率状态控制
US10693841B2 (en) System and method for transmitting data relating to an object
US20170021782A1 (en) Driving device
CN111273634A (zh) 至少部分自动的机动车的控制系统的配置
CN110405750B (zh) 一种机器人的运动控制方法、装置及机器人
CN106940533B (zh) 一种基于云超实时仿真平台与硬件在环的实时决策方法
EP3132321B1 (en) Transforming failure samples using conditional models for machine condition monitoring
US10120715B2 (en) Distributed network management system and method for a vehicle
CN113536658B (zh) 基于stm32嵌入式处理器的机电设备轻量化故障诊断方法
CN108696375B (zh) 工业网络信息获取装置、方法、监控系统及存储介质
KR20220166108A (ko) 고장 진단 기능을 갖는 전자 제어 유닛
CN104793609A (zh) 一种自适应光学电控系统自检及故障诊断专家系统
EP3972217A1 (en) Ml-based voltage fingerprinting for ground truth and controlled message error for message and ecu mapping for can bus
KR102362615B1 (ko) Ａｉ 기반의 비전 검사를 지원하는 ｐｌｃ 시스템 및 그 제어방법
CN114912358A (zh) 一种基于uvm的卷积神经网络验证系统
US20230359539A1 (en) Improved software monitoring of real-time services
CN108766003B (zh) 智能车辆及其行驶控制方法
EP4134875A1 (en) Method and apparatus for diagnostic coverage for ai hardware accelerators
CN106547719A (zh) 一种系统通信和控制处理同步方法
CN112784982A (zh) 一种基于pegasus平台的自动驾驶的感知模型测试方法和系统
CN116820778A (zh) 边缘设备资源分配方法、系统、装置、设备及介质

Legal Events

Date Code Title Description
A201 Request for examination