KR20230006696A - Apparatus and method for diagnosing and predicting the state of the track circuit using machine learning - Google Patents

Apparatus and method for diagnosing and predicting the state of the track circuit using machine learning Download PDF

Info

Publication number
KR20230006696A
KR20230006696A KR1020210086734A KR20210086734A KR20230006696A KR 20230006696 A KR20230006696 A KR 20230006696A KR 1020210086734 A KR1020210086734 A KR 1020210086734A KR 20210086734 A KR20210086734 A KR 20210086734A KR 20230006696 A KR20230006696 A KR 20230006696A
Authority
KR
South Korea
Prior art keywords
track circuit
current state
machine learning
track
diagnosing
Prior art date
Application number
KR1020210086734A
Other languages
Korean (ko)
Inventor
윤용기
김성진
김용규
이재호
Original Assignee
한국철도기술연구원
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 한국철도기술연구원 filed Critical 한국철도기술연구원
Priority to KR1020210086734A priority Critical patent/KR20230006696A/en
Publication of KR20230006696A publication Critical patent/KR20230006696A/en

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/50—Trackside diagnosis or maintenance, e.g. software upgrades
    • B61L27/53—Trackside diagnosis or maintenance, e.g. software upgrades for trackside elements or systems, e.g. trackside supervision of trackside control system conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L1/00—Devices along the route controlled by interaction with the vehicle or vehicle train, e.g. pedals
    • B61L1/18—Railway track circuits
    • B61L1/181—Details
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L1/00—Devices along the route controlled by interaction with the vehicle or vehicle train, e.g. pedals
    • B61L1/20—Safety arrangements for preventing or indicating malfunction of the device, e.g. by leakage current, by lightning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Abstract

The present invention relates to a track circuit state diagnosing and predicting device and method using machine learning. Provided are the track circuit state diagnosing and predicting device and method using machine learning, which apply machine learning to diagnose a current state of a track circuit and predict a failure possibility occurrence time point in the future, perform a maintenance work at a proper time point through the diagnosis of the current state of the track circuit and the prediction of the failure possibility occurrence time point to reduce economic loss caused by an unnecessary maintenance work (inspection and replacement of parts at regular intervals), and minimize access of a worker to be useful in preventing human accidents.

Description

머신러닝을 이용한 궤도회로 상태 진단 및 예측 장치 및 방법 {Apparatus and method for diagnosing and predicting the state of the track circuit using machine learning}Apparatus and method for diagnosing and predicting the state of the track circuit using machine learning}

본 발명은 머신러닝을 이용한 궤도회로 상태 진단 및 예측 장치 및 방법에 관한 것으로서, 더욱 상세하게는 머신러닝 알고리즘을 이용하여 궤도회로의 현재 상태를 진단하고 장애발생 가능 시점을 예측하여 적절한 유지보수시점을 결정하는 머신러닝을 이용한 궤도회로 상태 진단 및 예측 장치 및 방법에 관한 것이다.The present invention relates to an apparatus and method for diagnosing and predicting the condition of a track circuit using machine learning, and more particularly, by diagnosing the current state of a track circuit using a machine learning algorithm and predicting a possible failure point to determine an appropriate maintenance time. It relates to an apparatus and method for diagnosing and predicting the condition of a track circuit using machine learning to determine.

일반적으로 궤도회로는 열차의 위치를 검지하여 열차간 안전간격제어, 열차진로제어 등을 수행하는데 필요한 정보를 제공하는 안전설비 또는 장치이다. In general, a track circuit is a safety facility or device that detects the position of a train and provides information necessary for performing safety interval control between trains, train route control, and the like.

이러한 궤도회로는 예를 들어 200m, 800m 또는 1,500m 등 일정한 간격으로 열차가 주행하는 선로에 설치되며, 이로 인하여 상당한 양의 궤도회로 구성품이 사용되므로, 구성품이 많을수록 신뢰성이 낮아지는 문제점이 있다. These track circuits are installed on tracks along which trains run at regular intervals, such as 200m, 800m, or 1,500m, and because of this, a considerable amount of track circuit components are used, so the more components there are, the lower the reliability. There is a problem.

이에 궤도회로가 갖는 문제점에 대응하기 위해서 궤도회로에 장애가 발생하면 이를 검지하고, 장애 원인을 분석하기 위해서 현재 궤도회로 기능감시장치(TLDS, Train Circuit Function Monitoring Device)를 사용하고 있다. In order to respond to the problems of the track circuit, a train circuit function monitoring device (TLDS) is currently used to detect a failure in the track circuit and analyze the cause of the failure.

상기 궤도회로의 기능감시와 관련하여 등록특허 제10-2060122호(참고문헌 1)의 자체 감시 기능을 구비한 궤도 회로 장치, 등록특허 제10-2133021호(참고문헌 2)의 디지털 고전압 임펄스 궤도회로 장치 및 그 제어 방법, 공개특허 제10-2004-0009628호(참고문헌 3)의 철도차량용 자동폐색제어방법 등이 제안된 바 있다.Regarding the function monitoring of the track circuit, a track circuit device having a self-monitoring function of Registration Patent No. 10-2060122 (Reference 1), and a digital high voltage impulse track circuit of Registration Patent No. 10-2133021 (Reference 2) An apparatus and its control method, and an automatic blocking control method for a railroad vehicle of Publication Patent Publication No. 10-2004-0009628 (Reference 3) have been proposed.

한편, 기존에 사용중인 궤도회로 기능감시장치(TLDS)는 궤도회로의 송신단과 수신단의 전압레벨과 주파수를 검지하고, 측정전압이 기준값을 초과하거나 미만인 경우에, 궤도회로 송신기 장애, 궤도측 장애, 수신기 장애로 판단한다. On the other hand, the existing track circuit function monitoring device (TLDS) detects the voltage level and frequency of the transmitter and receiver of the track circuit, and if the measured voltage exceeds or falls below the reference value, the track circuit transmitter failure, track side failure, It is judged as a receiver failure.

그런데, 이러한 기존의 궤도회로 기능감시장치(TLDS)는 궤도회로에 장애가 발생한 경우, 장애가 발생한 궤도회로를 확인하고 궤도회로의 송신기 장애, 궤도측 장애 또는 수신기 장애인지를 확인할 수 있으나, 궤도회로 송신단, 수신단의 신호전압만을 검지하는 한계가 있고, 궤도회로의 현재 상태를 진단하고, 장애발생 시점을 예측하는 것이 불가하다. However, in the case of a track circuit failure, the existing track circuit function monitoring device (TLDS) can check the faulty track circuit and check whether the track circuit has a transmitter fault, a track side fault, or a receiver fault, but it can check the track circuit transmitting end and receiving end. There is a limit to detecting only the signal voltage of , and it is impossible to diagnose the current state of the track circuit and predict the point of failure.

이에 유지관리(보수)기술이 주기적인 점검을 통해서 장애를 예방하는 예방정비에서 상태진단을 통해서 적절한 시점에 정비하는 예측정보로 진화하고 있어 이에 맞는 유지관리 방법과 시스템을 마련하는 것이 필요한 실정이다.Accordingly, maintenance (repair) technology is evolving from preventive maintenance that prevents failure through periodic inspection to predictive information that is maintained at the right time through condition diagnosis, and it is necessary to prepare a maintenance management method and system suitable for this.

참고문헌 1: 등록특허 제10-2060122호Reference 1: Registered Patent No. 10-2060122 참고문헌 2: 등록특허 제10-2133021호Reference 2: Registered Patent No. 10-2133021 참고문헌 3: 공개특허 제10-2004-0009628호Reference 3: Patent Publication No. 10-2004-0009628

따라서, 본 발명은 이러한 문제점들을 해결하기 위한 것으로서 본 발명은 열차의 위치를 검지하여 열차간 안전간격제어, 열차진로제어 등을 수행하는데 필요한 정보를 제공하는 안전설비인 궤도회로의 현재 상태를 진단하고 궤도회로의 장애발생 가능 시점을 예측하여 적절한 유지보수 시점을 결정하기 위해 머신러닝 알고리즘을 이용한 궤도회로 상태 진단 및 예측 장치 및 방법을 제공하는데 그 목적이 있다.Therefore, the present invention is to solve these problems, and the present invention detects the position of the train and diagnoses the current state of the track circuit, which is a safety facility that provides information necessary to perform safety interval control between trains, train route control, etc. Its purpose is to provide an apparatus and method for diagnosing and predicting track circuit conditions using machine learning algorithms in order to determine the appropriate maintenance time by predicting a possible failure point of the track circuit.

이와 같은 기술적 과제를 해결하기 위해 본 발명은; The present invention to solve such a technical problem;

궤도회로의 현재상태를 감시하는 입력부와, 상기 입력부를 통해 입력되는 궤도회로의 현재상태정보를 머신러닝 또는 인공지능 알고리즘으로 평가하여 궤도회로의 현재상태를 진단하고 향후 고장발생 가능시점을 예측하는 연산처리부와, 상기 연산처리부에서 연산된 궤도회로의 현재상태 진단 및 고장발생 가능시점 예측결과를 출력하는 출력부를 포함하는 것을 특징으로 하는 머신러닝을 이용한 궤도회로 상태 진단 및 예측 장치를 제공한다. An input unit that monitors the current state of the track circuit, and calculation of diagnosing the current state of the track circuit by evaluating the current state information of the track circuit input through the input unit with a machine learning or artificial intelligence algorithm and predicting a possible future failure point. Provides a track circuit state diagnosis and prediction device using machine learning, characterized in that it includes a processing unit and an output unit for outputting a result of diagnosing the current state of the track circuit calculated by the operation processing unit and predicting a possible failure point.

여기서, 상기 입력부는 궤도회로의 현재상태를 진단하고 고장가능발생시기를 예측하기 위해서 인접한 좌우측 궤도회로 및 반대편 방향의 궤도회로의 현재상태정보를 입력으로 사용하는 것을 특징으로 한다.Here, the input unit is characterized in that the current state information of the adjacent left and right track circuits and the track circuits in the opposite direction is used as input in order to diagnose the current state of the track circuit and predict the possible occurrence time.

이때, 상기 궤도회로의 현재상태정보는 궤도회로의 전압, 전류, 주파수를 포함하는 것을 특징으로 한다.At this time, the current state information of the track circuit is characterized in that it includes the voltage, current, and frequency of the track circuit.

그리고, 상기 연산처리부는 선로를 주행하는 열차정보 및 열차운행상태에 따라 상기 입력부를 통해 입력되는 궤도회로의 현재상태정보를 복수의 데이터로 분류하고 분류된 데이터를 머신러닝 알고리즘을 사용하여 학습 및 평가하여 궤도회로의 현재상태를 진단하고 향후 고장발생 가능시점을 예측하는 것을 특징으로 한다.In addition, the calculation processing unit classifies the current state information of the track circuit input through the input unit according to the train information and train operation status running on the track into a plurality of data, and learns and evaluates the classified data using a machine learning algorithm. It is characterized by diagnosing the current state of the track circuit and predicting a possible point of failure in the future.

또한, 본 발명은; 궤도회로의 현재상태정보를 입력받는 제1단계, 머신러닝 알고리즘을 구동하여 상기 현재상태정보를 학습 및 평가하여 궤도회로에 대한 현재상태를 진단하고 고장발생 시기를 예측하는 제2단계, 및 상기 궤도회로의 현재상태 진단 및 고장발생 가능시점 예측결과를 출력하는 제3단계를 포함하는 것을 특징으로 하는 머신러닝을 이용한 궤도회로 상태 진단 및 예측 방법도 제공한다.In addition, the present invention; The first step of receiving the current state information of the track circuit, the second step of diagnosing the current state of the track circuit and predicting the time of failure by learning and evaluating the current state information by driving the machine learning algorithm, and the track circuit It also provides a method for diagnosing and predicting the state of the track circuit using machine learning, comprising a third step of diagnosing the current state of the circuit and outputting a prediction result of a possible failure point.

이때, 상기 궤도회로의 현재상태정보는 궤도회로의 전압, 전류, 주파수를 포함하는 것을 특징으로 한다.At this time, the current state information of the track circuit is characterized in that it includes the voltage, current, and frequency of the track circuit.

그리고, 상기 제1단계에서 궤도회로의 현재상태정보는 궤도회로 자체의 감시모듈 또는 궤도회로 기능감시장치로부터 입력받는 것을 특징으로 한다.And, in the first step, the current state information of the track circuit is characterized in that it is input from a monitoring module of the track circuit itself or a track circuit function monitoring device.

아울러, 상기 제1단계 후 제2단계 이전에, 상기 궤도회로의 현재상태정보를 여러 개의 데이터를 분류하고 분류된 데이터를 머신러닝 알고리즘이 사용할 수 있는 데이터로 전환하는 제4단계;를 더 포함하는 것을 특징으로 한다.In addition, after the first step and before the second step, a fourth step of classifying the current state information of the orbit circuit into several data and converting the classified data into data usable by a machine learning algorithm; further comprising characterized by

그리고, 상기 제3단계는 열차의 주행특성 및 운행상태를 확인하여 선로를 주행했던 열차정보 및 열차운행상태에 따라 상기 궤도회로의 현재상태정보를 복수의 데이터로 분류하는 단계인 것을 특징으로 한다.And, the third step is characterized in that the current state information of the track circuit is classified into a plurality of data according to the train information and train operation status that have traveled on the track by checking the driving characteristics and operation status of the train.

본 발명에 따르면, 머신러닝(또는 인공지능)을 적용하여 궤도회로의 현재상태를 진단하고 향후 고장가능 발생시점을 예측할 수 있다.According to the present invention, by applying machine learning (or artificial intelligence), it is possible to diagnose the current state of the track circuit and predict the point of possible future failure.

아울러, 본 발명에 따르면 궤도회로의 현재상태 진단 및 고장가능 발생시점 예측을 통해 적절한 시점에 유지보수작업을 수행할 수 있어 불필요한 유지보수작업(일정한 주기로 점검과 부품교체)의 실시로 인한 경제적인 손실을 줄이고, 작업자의 접근을 최소화하여 인적사고를 방지하는데 유용하다.In addition, according to the present invention, maintenance work can be performed at an appropriate time through the diagnosis of the current state of the track circuit and the prediction of the possible occurrence time, so economic loss due to unnecessary maintenance work (inspection and replacement of parts at regular intervals) It is useful to prevent human accidents by minimizing the access of workers.

도 1은 본 발명의 일 실시 예에 따른 머신러닝을 이용한 궤도회로 상태 진단 및 예측 장치의 제어 구성도이다.
도 2는 본 발명의 상태 진단 및 예측 장치가 적용되는 궤도회로의 구성도이다.1 is a control configuration diagram of an apparatus for diagnosing and predicting a track circuit state using machine learning according to an embodiment of the present invention.
2 is a configuration diagram of a track circuit to which the state diagnosis and prediction device of the present invention is applied.

이하, 본 발명에 따른 머신러닝을 이용한 궤도회로 상태 진단 및 예측 장치 및 방법을 첨부한 도면을 참고로 하여 상세히 기술되는 실시 예에 의하여 그 특징들을 이해할 수 있을 것이다. Hereinafter, the features of an apparatus and method for diagnosing and predicting a state of a track circuit using machine learning according to the present invention will be understood by an embodiment described in detail with reference to the accompanying drawings.

이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.Prior to this, the terms or words used in this specification and claims should not be construed as being limited to the usual or dictionary meaning, and the inventor appropriately uses the concept of the term in order to explain his/her invention in the best way. It should be interpreted as a meaning and concept consistent with the technical idea of the present invention based on the principle that it can be defined.

따라서, 본 명세서에 기재된 실시 예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시 예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들은 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다. Therefore, the embodiments described in this specification and the configurations shown in the drawings are only one of the most preferred embodiments of the present invention, and do not represent all the technical ideas of the present invention, so at the time of this application, they can be replaced. It should be understood that there may be many equivalents and variations.

도 1 및 도 2를 참고하면, 본 발명에 따른 머신러닝을 이용한 궤도회로 상태 진단 및 예측 장치는 머신러닝 알고리즘을 이용하여 열차의 위치를 검지하여 열차간 안전간격제어, 열차진로제어 등을 수행하는데 필요한 정보를 제공하는 안전설비인 궤도회로(1)의 현재 상태를 진단하고 장애발생 가능 시점을 예측하여 적절한 유지보수시점을 결정할 수 있다.1 and 2, the apparatus for diagnosing and predicting track circuit conditions using machine learning according to the present invention detects the position of a train using a machine learning algorithm to perform safety interval control between trains, train route control, etc. It is possible to determine an appropriate maintenance time by diagnosing the current state of the track circuit 1, which is a safety facility that provides necessary information, and predicting a possible failure point.

이와 같은 본 발명의 머신러닝을 이용한 궤도회로 상태 진단 및 예측 장치(100)는 열차 안전설비인 궤도회로(1)의 현재상태를 감시하는 입력부(110)와, 상기 입력부(110)를 통해 입력되는 궤도회로(1)의 현재상태정보를 머신러닝 또는 인공지능 알고리즘으로 평가하여 궤도회로(1)의 현재상태를 진단하고 향후 고장발생 가능시점을 예측하는 연산처리부(120)와, 상기 연산처리부(120)에서 진단 및 예측한 연산처리 결과를 출력하는 출력부(130)를 포함한다.The apparatus 100 for diagnosing and predicting track circuit conditions using machine learning of the present invention has an input unit 110 for monitoring the current state of the track circuit 1, which is a train safety facility, and input through the input unit 110. An arithmetic processing unit 120 for diagnosing the current state of the orbit circuit 1 by evaluating the current state information of the orbit circuit 1 with machine learning or artificial intelligence algorithms and predicting a possible point of failure in the future, and the arithmetic processing unit 120 ) includes an output unit 130 that outputs the result of the diagnosis and prediction of the calculation process.

이때, 상기 입력부(110)는 현재 사용중인 궤도회로 기능감시장치(TLDS)의 송수신기 전압, 주파수 등의 궤도회로 감시정보를 입력받아 궤도회로(1)의 현재상태정보로 활용할 수 있다.At this time, the input unit 110 may receive track circuit monitoring information such as the transceiver voltage and frequency of the currently used track circuit function monitoring device (TLDS) and utilize it as the current state information of the track circuit 1.

이하 본 발명의 각부 구성을 구체적으로 설명한다.Hereinafter, the configuration of each part of the present invention will be described in detail.

상기 입력부(110)는 열차 안전설비인 궤도회로(1)의 현재상태를 감시하는 구성으로 궤도회로(1)의 현재상태정보를 입력받는다.The input unit 110 is configured to monitor the current state of the track circuit 1, which is a train safety facility, and receives information on the current state of the track circuit 1.

이때, 궤도회로(1)는 일정한 간격으로 설치되는 전기회로이며, 일반적으로 현장(선로)에는 임피던스본드(10)가 설치되고, 신호기계실에는 송신기(20)와 수신기(30)가 설치된다. At this time, the track circuit 1 is an electric circuit installed at regular intervals, and in general, an impedance bond 10 is installed on the site (line), and a transmitter 20 and a receiver 30 are installed in the signal machine room.

상기 임피던스본드(10)는 선로의 좌측과 우측에 설치된 다른 궤도회로로 송신기(20)의 신호 또는 전류가 넘어가지 않도록(반대로 다른 궤도회로의 신호가 넘어오지 않도록)하는 절연기능을 수행한다.The impedance bond 10 performs an insulation function to prevent signals or currents from the transmitter 20 from passing over to other track circuits installed on the left and right sides of the line (conversely, to prevent signals from other track circuits from passing over).

현재는 신호기계실에는 궤도회로 1개당 마더보드, 송신모듈, 튜닝모듈, 수신모듈, 발진모듈, 감시모듈 등으로 구성되며, 감시모듈을 이용하여 궤도회로 1개에 대한 송신전압, 수신전압, 주파수를 감시한다. Currently, the signal machine room consists of a motherboard, transmission module, tuning module, reception module, oscillation module, monitoring module, etc. per track circuit, and the transmission voltage, reception voltage, and frequency for one track circuit are monitored using the monitoring module. watch over

그리고, 상기 신호기계실에는 송신기(20)에 전압(VDC)을 인가하기 위하여 승압 또는 강압을 수행하는 전압 안정기(40)와, 궤도의 단락 여부에 따라 동작하는 궤도계전기(50)가 더 구비된다.In addition, the signal machine room is further provided with a voltage stabilizer 40 for stepping up or stepping down in order to apply voltage (VDC) to the transmitter 20, and a track relay 50 that operates depending on whether or not the track is short-circuited.

이러한 궤도회로(1) 자체의 감시모듈이나 궤도회로 기능감시장치(TLDS)는 감시범위가 해당 궤도회로(1)에 국한되며, 인접한 궤도회로(1)의 상태는 고려하지 않는다.In the monitoring module of the track circuit 1 itself or the track circuit function monitoring device (TLDS), the monitoring range is limited to the track circuit 1, and the state of the adjacent track circuit 1 is not considered.

본 발명은 대상인 궤도회로(1)의 현재상태를 진단하고 고장가능발생시기를 예측하기 위해서 인접한 좌우측 궤도회로 및 반대편 방향의 궤도회로의 현재상태정보인 전압, 전류, 주파수 등을 입력으로 사용한다. 인접한 궤도회로 종류 또는 방식이 상이한 경우는 입력으로 사용하지 않는다. In the present invention, voltage, current, frequency, etc., which are current state information of adjacent left and right track circuits and track circuits in the opposite direction, are used as inputs to diagnose the current state of the target track circuit 1 and predict the possible occurrence time of failure. If the type or method of the adjacent track circuit is different, it is not used as an input.

본 발명은 궤도회로 형식에 따라 입력신호를 분리함에 따라 역간 구간, 역내 구간 또는 분기구간으로 나누어서 상태진단, 고장발생 가능시기도 예측할 수 있다.According to the present invention, as the input signal is separated according to the type of track circuit, it is possible to diagnose the state and predict the possible time of failure by dividing it into an inter-station section, an intra-station section, or a branch section.

따라서, 신호기계실에 설치된 궤도회로(1)를 연간 궤도회로, 역구내 궤도회로, 분기구간 궤도회로 등으로 분류하고, 분류된 궤도회로의 현재상태정보를 열차 안전설비인 궤도회로(1)의 현재상태를 감시하기 위한 입력부(110)의 입력신호로 한다. Therefore, the track circuit (1) installed in the signal machine room is classified into an annual track circuit, a track circuit within a station, a branch track circuit, etc. It is an input signal of the input unit 110 for monitoring the state.

한편, 상기 연산처리부(120)는 머신러닝(또는 인공지능) 알고리즘을 적용하여 궤도회로(또는 구간)(1)에 대한 현재상태 진단 및 고장발생 시기예측을 수행한다. 이를 위해서는 입력부(110)를 통해 입력되는 입력신호인 궤도회로(1)의 현재상태정보의 데이터 처리, 머신러닝(또는 인공지능)알고리즘 조정(학습) 및 머신러닝(또는 인공지능) 모델 평가 등을 수행한다.On the other hand, the calculation processing unit 120 performs a diagnosis of the current state of the track circuit (or section) 1 and prediction of a failure occurrence time by applying a machine learning (or artificial intelligence) algorithm. To this end, data processing of the current state information of the track circuit 1, which is an input signal input through the input unit 110, machine learning (or artificial intelligence) algorithm adjustment (learning), and machine learning (or artificial intelligence) model evaluation, etc. carry out

우선 연산처리부(120)는 데이터 처리를 통해 구간별로 분류된 궤도회로(1)의 현재상태정보를 머신러닝(또는 인공지능) 알고리즘이 사용할 수 있는 데이터로 전환한다. First, the calculation processing unit 120 converts the current state information of the track circuit 1 classified by section through data processing into data that can be used by a machine learning (or artificial intelligence) algorithm.

이때, 연산처리부(120)는 데이터 처리시 궤도회로의 현재상태정보에서 궤도회로의 기능과 성능에 순간적으로 영향을 주는 서지(surge) 등 외부 노이즈로 인하여 생성된 데이터는 제외한다. 이러한 외부 노이즈로 인하여 궤도회로장치가 바로 장애를 일으킬 수 있으나, 이것은 본 발명의 범위에 포함되지 않음이 바람직하다. At this time, the calculation processing unit 120 excludes data generated due to external noise such as a surge that momentarily affects the function and performance of the track circuit from the current state information of the track circuit during data processing. Due to such external noise, the track circuit device may immediately cause a failure, but it is preferable that this is not included in the scope of the present invention.

물론, 본 발명은 외부노이즈를 포함해서 여러 원인으로 인하여 궤도회로의 현재상태를 진단하고, 향후의 고장발생시기를 예측할 수도 있다.Of course, the present invention can diagnose the current state of the track circuit due to various causes, including external noise, and predict the time of future failure.

이러한 연산처리부(120)는 입력부(110)를 통해 입력된 궤도회로(1)의 현재상태정보(데이터)를 복수(여러개)로 분류하기 전에 열차정보에 따라 열차의 주행특성을 확인하고, 열차운행정보에 따라 열차운행상태를 확인한다.Before classifying the current state information (data) of the track circuit 1 input through the input unit 110 into a plurality (several), the calculation processing unit 120 checks the driving characteristics of the train according to the train information, and train operation Check the train operation status according to the information.

상기 연산처리부(120)의 열차의 주행특성 확인은 본 발명에서 제안하는 연산처리중 하나로서 대상이 되는 궤도회로(1)를 주행한 열차의 주행특성을 확인하는 것이다. 궤도회로(1)를 점유한 열차의 형식(종류), 열차의 주행속도 등에 따라 궤도회로(1)의 현재상태정보에 차이가 발생할 수 있으므로 본 발명에서는 열차정보(열차형식, 주행속도)에 맞추어 데이터를 분류한다.The verification of the driving characteristics of the train by the calculation processing unit 120 is one of the calculation processes proposed in the present invention, and is to check the driving characteristics of the train running on the target track circuit 1. Since a difference may occur in the current state information of the track circuit 1 depending on the type (type) of the train occupying the track circuit 1 and the running speed of the train, in the present invention, according to the train information (train type, running speed) classify the data

아울러, 상기 연산처리부(120)의 열차 운행상태 확인은, 선로의 상선과 하선의 열차교행여부, 선행열차 또는 후속열차간 간격이 짧은 경우에 따라서 열차의 운행상태정보에 차이가 발생할 수 있으므로 본 발명에서는 열차운행정보에 따라 데이터를 분류한다.In addition, the operation status confirmation of the operation processing unit 120 may cause a difference in the operation status information of the train depending on whether trains are crossing between the upper and lower lines of the track, and the interval between the preceding train and the following train is short. In , data is classified according to train operation information.

이와 같은 연산처리부(120)는 선로를 주행했던 열차정보, 열차운행상태 등에 따라 입력부(110)를 통해 입력되는 궤도회로(1)의 현재상태정보(데이터)를 복수로 분류하며, 이는 머신러닝(또는 인공지능) 알고리즘의 신뢰성을 높이기 위한 것이다. Such an operation processing unit 120 classifies the current state information (data) of the track circuit 1 inputted through the input unit 110 into a plurality of pieces according to train information that has traveled on the track, train operation status, etc., which is machine learning ( or artificial intelligence) to increase the reliability of the algorithm.

따라서, 상기 연산처리부(120)는 궤도회로(1)의 현재상태정보를 구성하는 데이터를 분류하고, 분류된 데이터를 토대로 알고리즘의 학습과 평가를 수행한다. 이에 본 발명은 현재상태정보의 분류된 데이터 수(데이터 그룹의 개수)에 맞추어 알고리즘을 분류한다. Therefore, the calculation processing unit 120 classifies the data constituting the current state information of the track circuit 1, and performs algorithm learning and evaluation based on the classified data. Accordingly, the present invention classifies the algorithm according to the number of classified data (the number of data groups) of the current state information.

예를 들어 데이터 그룹 1은 열차가 10량 이내의 여객열차, 전기동차, 열차교행조건으로 하고, 참고자료로 열차주행속도를 기입한다. For example, in data group 1, trains are passenger trains with less than 10 cars, electric cars, and train crossing conditions, and the train running speed is entered as reference data.

이때, 데이터 그룹 1에 대한 연산을 수행하는데 입력데이터는 인접한 궤도상태정보(좌측, 우측), 반대노선 궤도상태정보, 열차주행속도를 사용한다. 인접한 궤도의 개수, 반대노선의 궤도갯수는 노선의 상황, 연산처리장치의 성능 등을 고려하여 적절하게 선정한다.At this time, the operation for data group 1 is performed, and adjacent track state information (left and right), opposite route track state information, and train running speed are used as input data. The number of adjacent tracks and the number of opposite tracks are appropriately selected in consideration of the condition of the route and the performance of the processing unit.

그리고, 상기 연산처리부(120)를 통해 머신러닝(또는 인공지능)의 모델을 수행하여 궤도회로(1)의 현재상태정보를 평가하여 궤도회로(1)의 현재상태를 진단하고 향후 고장발생 가능시점을 예측한 결과는 사용자가 이해할 수 있도록 변환하여 출력부(130)로 출력한다.In addition, a model of machine learning (or artificial intelligence) is performed through the calculation processing unit 120 to evaluate the current state information of the track circuit 1, diagnose the current state of the track circuit 1, and determine the point at which a failure may occur in the future. The predicted result is converted so that the user can understand it and outputs it to the output unit 130.

이때, 상기 출력부(130)는 LCD 모니터 등으로 구성할 수 있으나, 상기 연산처리부(120)에서 진단 및 예측한 연산처리결과를 취급자에게 전송하여 취급자가 인지할 수 있도록 데이터를 원격지의 취급자 단말기로 출력하는 통신 인터페이스 등의 개념을 포함한다.At this time, although the output unit 130 may be configured with an LCD monitor, etc., the operation processing result diagnosed and predicted by the operation processing unit 120 is transmitted to the handler so that the handler can recognize the data to the operator's terminal at a remote place. It includes concepts such as a communication interface to output.

이하, 도 1 및 도 2를 참고로 본 발명에 따른 머신러닝을 이용한 궤도회로 상태 진단 및 예측 과정을 설명한다. Hereinafter, a process of diagnosing and predicting a track circuit state using machine learning according to the present invention will be described with reference to FIGS. 1 and 2 .

열차 안전설비인 궤도회로(1)의 운영중 궤도회로(1) 자체의 감시모듈이나 궤도회로 기능감시장치(TLDS)로부터 궤도회로의 현재상태정보인 전압, 전류, 주파수 등을 입력부(110)로 입력받는다.During the operation of the track circuit (1), which is a train safety facility, the voltage, current, frequency, etc., which are the current state information of the track circuit, are transmitted to the input unit 110 from the monitoring module of the track circuit (1) itself or the track circuit function monitoring device (TLDS). receive input

그리고, 상기 연산처리부(120)는 열차의 주행특성 및 운행상태를 확인한 후 선로를 주행했던 열차정보, 열차운행상태 등에 따라 입력부(110)를 통해 입력되는 궤도회로(1)의 현재상태정보를 복수의 데이터로 분류한다.In addition, the calculation processing unit 120 checks the driving characteristics and operation status of the train, and then converts the current status information of the track circuit 1 input through the input unit 110 according to train information that has traveled on the track, train operation status, etc. into a plurality of classify the data in

다음으로 상기 연산처리부(120)는 데이터 처리를 통해 구간별로 분류된 궤도회로(1)의 현재상태정보를 머신러닝(또는 인공지능) 알고리즘이 사용할 수 있는 데이터로 전환한다. Next, the calculation processing unit 120 converts the current state information of the track circuit 1 classified by section through data processing into data that can be used by a machine learning (or artificial intelligence) algorithm.

이후 상기 연산처리부(120)는 데이터 전환된 상기 현재상태정보의 분류 데이터를 머신러닝(또는 인공지능) 알고리즘을 구동하여 학습 및 평가하여 궤도회로(또는 구간)에 대한 현재상태를 진단하고 고장발생 시기를 예측한다.Thereafter, the calculation processing unit 120 drives a machine learning (or artificial intelligence) algorithm to diagnose the current state of the track circuit (or section) and diagnose the time of occurrence of a failure by learning and evaluating the classification data of the data-converted current state information. predict

그리고, 상기 연산처리부(120)를 통해 머신러닝(또는 인공지능)의 모델을 수행하여 궤도회로(1)의 현재상태정보를 평가하여 생성되는 궤도회로(1)의 현재상태 진단 및 고장발생 가능시점 예측결과를 출력부(130)로 사용자가 이해할 수 있도록 변환하여 출력한다.In addition, the current state of the track circuit 1 generated by evaluating the current state information of the track circuit 1 by performing a machine learning (or artificial intelligence) model through the calculation processing unit 120 and diagnosing the current state of the track circuit 1 and the possible time of failure The prediction result is converted to the output unit 130 so that the user can understand it and outputs it.

위에서 살펴본 머신러닝을 이용한 궤도회로 상태 진단 및 예측 방법을 정리하면, 궤도회로(1)의 현재상태정보를 입력받는 제1단계, 머신러닝 알고리즘을 구동하여 상기 현재상태정보를 학습 및 평가하여 궤도회로(1)에 대한 현재상태를 진단하고 고장발생 시기를 예측하는 제2단계 및 상기 궤도회로(1)의 현재상태 진단 및 고장발생 가능시점 예측결과를 출력하는 제3단계를 포함하여 이루어지게 된다.Summarizing the method of diagnosing and predicting the condition of the track circuit using machine learning as described above, the first step of receiving the current state information of the track circuit 1, learning and evaluating the current state information by driving the machine learning algorithm, and the track circuit It includes a second step of diagnosing the current state of (1) and predicting the time of failure, and a third step of diagnosing the current state of the track circuit 1 and outputting a prediction result of a possible failure time.

여기서, 상기 현재상태정보는 궤도회로(1)의 전압, 전류, 주파수를 포함하여 구성된다.Here, the current state information is composed of the voltage, current, and frequency of the track circuit 1.

그리고, 상기 제1단계에서 궤도회로(1)의 현재상태정보는 궤도회로 자체의 감시모듈 또는 궤도회로 기능감시장치(TLDS)로부터 입력받게 된다.And, in the first step, the current state information of the track circuit 1 is input from the track circuit monitoring module or the track circuit function monitoring device (TLDS).

또한, 상기 제1단계 후 제2단계 이전에, 상기 궤도회로(1)의 현재상태정보를 여러 개의 데이터를 분류하고 분류된 데이터를 머신러닝 알고리즘이 사용할 수 있는 데이터로 전환하는 제4단계를 더 포함하여 구성되게 된다.In addition, after the first step and before the second step, a fourth step of classifying the current state information of the track circuit 1 into several pieces of data and converting the classified data into data usable by a machine learning algorithm is further performed. will be composed of.

그리고, 상기 제3단계는 열차의 주행특성 및 운행상태를 확인하여 선로를 주행했던 열차정보 및 열차운행상태에 따라 상기 궤도회로(1)의 현재상태정보를 복수의 데이터로 분류하게 된다.And, in the third step, the current state information of the track circuit 1 is classified into a plurality of data according to the train information and train operation status that have traveled on the track by checking the running characteristics and operation status of the train.

이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형 가능한 것으로, 본 발명의 보호범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.The above description is merely illustrative of the technical idea of the present invention, and those skilled in the art can make various modifications and variations without departing from the essential characteristics of the present invention. The protection scope of should be interpreted by the claims below, and all technical ideas within the equivalent range should be construed as being included in the scope of the present invention.

1: 궤도회로 10: 임피던스본드
20: 송신기 30: 수신기
40: 전압 안정기 50: 궤도계전기
100: 궤도회로 상태 진단 및 예측 장치 110: 입력부
120: 연산처리부 130: 출력부1: track circuit 10: impedance bond
20: transmitter 30: receiver
40: voltage stabilizer 50: track relay
100: track circuit condition diagnosis and prediction device 110: input unit
120: calculation processing unit 130: output unit

Claims (9)

궤도회로의 현재상태를 감시하는 입력부와, 상기 입력부를 통해 입력되는 궤도회로의 현재상태정보를 머신러닝 또는 인공지능 알고리즘으로 평가하여 궤도회로의 현재상태를 진단하고 향후 고장발생 가능시점을 예측하는 연산처리부와, 상기 연산처리부에서 연산된 궤도회로의 현재상태 진단 및 고장발생 가능시점 예측결과를 출력하는 출력부를 포함하는 것을 특징으로 하는 머신러닝을 이용한 궤도회로 상태 진단 및 예측 장치.
An input unit that monitors the current state of the track circuit, and calculation of diagnosing the current state of the track circuit by evaluating the current state information of the track circuit input through the input unit with a machine learning or artificial intelligence algorithm and predicting a possible future failure point. A track circuit state diagnosis and prediction device using machine learning, characterized in that it comprises a processing unit and an output unit for outputting a result of diagnosing the current state of the track circuit and predicting a possible failure point of the track circuit calculated by the operation processing unit.
 제1항에 있어서,
상기 입력부는 궤도회로의 현재상태를 진단하고 고장가능발생시기를 예측하기 위해서 인접한 좌우측 궤도회로 및 반대편 방향의 궤도회로의 현재상태정보를 입력으로 사용하는 것을 특징으로 하는 머신러닝을 이용한 궤도회로 상태 진단 및 예측 장치.
According to claim 1,
The input unit diagnoses the state of the track circuit using machine learning, characterized in that it uses the current state information of the adjacent left and right track circuits and the track circuit in the opposite direction as input to diagnose the current state of the track circuit and predict the possible occurrence time. and a forecasting device.
 제 1항 또는 제2항에 있어서,
상기 현재상태정보는 궤도회로의 전압, 전류, 주파수를 포함하는 것을 특징으로 하는 머신러닝을 이용한 궤도회로 상태 진단 및 예측 장치.
According to claim 1 or 2,
The current state information includes the voltage, current, and frequency of the track circuit condition diagnosis and prediction device using machine learning.
 제 1항에 있어서,
상기 연산처리부는 선로를 주행하는 열차정보 및 열차운행상태에 따라 상기 입력부를 통해 입력되는 궤도회로의 현재상태정보를 복수의 데이터로 분류하고 분류된 데이터를 머신러닝 알고리즘을 사용하여 학습 및 평가하여 궤도회로의 현재상태를 진단하고 향후 고장발생 가능시점을 예측하는 것을 특징으로 하는 머신러닝을 이용한 궤도회로 상태 진단 및 예측 장치.
According to claim 1,
The calculation processing unit classifies the current state information of the track circuit input through the input unit according to the train information and train operation conditions running on the track into a plurality of data, learns and evaluates the classified data using a machine learning algorithm, and tracks the track. A track circuit condition diagnosis and prediction device using machine learning, characterized in that it diagnoses the current state of the circuit and predicts a possible future failure point.
 궤도회로의 현재상태정보를 입력받는 제1단계;
머신러닝 알고리즘을 구동하여 상기 현재상태정보를 학습 및 평가하여 궤도회로에 대한 현재상태를 진단하고 고장발생 시기를 예측하는 제2단계; 및
상기 궤도회로의 현재상태 진단 및 고장발생 가능시점 예측결과를 출력하는 제3단계;를 포함하는 것을 특징으로 하는 머신러닝을 이용한 궤도회로 상태 진단 및 예측 방법.
A first step of receiving current state information of the track circuit;
A second step of diagnosing the current state of the track circuit by learning and evaluating the current state information by driving a machine learning algorithm and predicting the time of occurrence of a failure; and
A third step of diagnosing the current state of the track circuit and outputting a result of predicting a possible failure point.
 제 5항에 있어서,
상기 현재상태정보는 궤도회로의 전압, 전류, 주파수를 포함하는 것을 특징으로 하는 머신러닝을 이용한 궤도회로 상태 진단 및 예측 방법.
According to claim 5,
The current state information includes the voltage, current, and frequency of the track circuit condition diagnosis and prediction method using machine learning.
 제 5항에 있어서,
상기 제1단계에서 궤도회로의 현재상태정보는 궤도회로 자체의 감시모듈 또는 궤도회로 기능감시장치로부터 입력받는 것을 특징으로 하는 머신러닝을 이용한 궤도회로 상태 진단 및 예측 방법.
According to claim 5,
In the first step, the current state information of the track circuit is input from a monitoring module of the track circuit itself or a track circuit function monitoring device.
 제 5항에 있어서,
상기 제1단계 후 제2단계 이전에, 상기 궤도회로의 현재상태정보를 여러 개의 데이터를 분류하고 분류된 데이터를 머신러닝 알고리즘이 사용할 수 있는 데이터로 전환하는 제4단계;를 더 포함하는 것을 특징으로 하는 머신러닝을 이용한 궤도회로 상태 진단 및 예측 방법.
According to claim 5,
After the first step and before the second step, a fourth step of classifying the current state information of the track circuit into several pieces of data and converting the classified data into data usable by a machine learning algorithm; characterized in that it further comprises A method for diagnosing and predicting track circuit conditions using machine learning.
 제 5항에 있어서,
상기 제3단계는 열차의 주행특성 및 운행상태를 확인하여 선로를 주행했던 열차정보 및 열차운행상태에 따라 상기 궤도회로의 현재상태정보를 복수의 데이터로 분류하는 단계인 것을 특징으로 하는 머신러닝을 이용한 궤도회로 상태 진단 및 예측 방법.
According to claim 5,
The third step is a step of classifying the current status information of the track circuit into a plurality of data according to the train information and train operation status that have traveled on the track by checking the driving characteristics and operation status of the train. A method for diagnosing and predicting track circuit conditions using
KR1020210086734A 2021-07-01 2021-07-01 Apparatus and method for diagnosing and predicting the state of the track circuit using machine learning KR20230006696A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210086734A KR20230006696A (en) 2021-07-01 2021-07-01 Apparatus and method for diagnosing and predicting the state of the track circuit using machine learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210086734A KR20230006696A (en) 2021-07-01 2021-07-01 Apparatus and method for diagnosing and predicting the state of the track circuit using machine learning

Publications (1)

Publication Number Publication Date
KR20230006696A true KR20230006696A (en) 2023-01-11

Family

ID=84892301

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210086734A KR20230006696A (en) 2021-07-01 2021-07-01 Apparatus and method for diagnosing and predicting the state of the track circuit using machine learning

Country Status (1)

Country Link
KR (1) KR20230006696A (en)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040009628A (en) 2002-07-24 2004-01-31 (주)대덕일렉트로닉스 Automatic blocking controll method for train
KR102060122B1 (en) 2019-03-27 2019-12-27 주식회사 에스알 Track circuit device with self-monitoring function
KR102133021B1 (en) 2019-11-06 2020-07-10 동우기술(주) Apparatus and method for digital high voltage impulse track circuit

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040009628A (en) 2002-07-24 2004-01-31 (주)대덕일렉트로닉스 Automatic blocking controll method for train
KR102060122B1 (en) 2019-03-27 2019-12-27 주식회사 에스알 Track circuit device with self-monitoring function
KR102133021B1 (en) 2019-11-06 2020-07-10 동우기술(주) Apparatus and method for digital high voltage impulse track circuit

Similar Documents

Publication Publication Date Title
CA1258115A (en) System for indicating track sections in an interlocking area as unoccupied or occupied
CN105045256A (en) Rail traffic real-time fault diagnosis method and system based on data comparative analysis
AU2016201184B2 (en) System and method for testing insulated joints in track systems
Patra et al. Availability analysis of railway track circuits
KR102061125B1 (en) Redundancy switching of detection points
KR20080034273A (en) System for monitoring close adhesion of point machine and method thereof
KR101488420B1 (en) System and method for monitoring a railroad car using wireless and self-generation sensor
KR20200137085A (en) Fault prediction apparatus and method of electric type side entrance door of electric train
CN103359137A (en) Turnout fault early warning method
WO2005015326A1 (en) System for monitoring the working condition of an installation
KR20230006696A (en) Apparatus and method for diagnosing and predicting the state of the track circuit using machine learning
RU47123U1 (en) HARDWARE AND SOFTWARE COMPLEX OF DISPATCH CONTROL
KR20200140999A (en) Data driven machine learning for modeling aircraft sensors
CN110672341A (en) Train running part detection system arranged on track
Bestem’yanov et al. Evaluation of rail track signal strength based on the energy spectrum and discrete Hartley transform
Ackroyd et al. Remote ride quality monitoring of Acela train set performance
KR101916084B1 (en) Wayside Signal Control System in Railway
CN114715234A (en) Digital twinning system, device and method of train operation control system
JP6824468B2 (en) Rail condition monitoring device
KR20100111421A (en) Integrating automatic block system with a double structure
KR102346651B1 (en) Intelligent track circuit device and monitoring system for monitoring lane states
KR20240048710A (en) Method and server of diagnosing state of track circuit
RU2748826C1 (en) Device for monitoring rail breakage in sections with ac electric traction
Nowakowski et al. Railway automation systems diagnosis based on Bayesian method
CN114537470B (en) Fault analysis method and system based on-line data

Legal Events

Date Code Title Description
E902 Notification of reason for refusal