KR20230008952A - 대차 주행안전성 예측 장치 및 방법 - Google Patents
대차 주행안전성 예측 장치 및 방법 Download PDFInfo
- Publication number
- KR20230008952A KR20230008952A KR1020210089240A KR20210089240A KR20230008952A KR 20230008952 A KR20230008952 A KR 20230008952A KR 1020210089240 A KR1020210089240 A KR 1020210089240A KR 20210089240 A KR20210089240 A KR 20210089240A KR 20230008952 A KR20230008952 A KR 20230008952A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- driving safety
- bogie
- prediction
- parameter
- Prior art date
- Legal status (The legal status 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 status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000003745 diagnosis Methods 0.000 claims abstract description 24
- 238000013480 data collection Methods 0.000 claims abstract description 13
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 230000001133 acceleration Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 239000013585 weight reducing agent Substances 0.000 claims description 3
- 206010012411 Derailment Diseases 0.000 description 12
- 238000013461 design Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
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
- B61L27/60—Testing or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
대차 주행안전성 예측 장치 및 방법이 개시된다. 본 발명의 대차 주행안전성 예측 장치는 대차의 주행안전성과 관련된 기초 데이터를 수집하는 데이터 수집부; 기초 데이터를 딥러닝 분석을 통해 주행안전성을 진단 및 예측하여 진단 예측 데이터를 생성하는 진단 예측부; 및 진단 예측 데이터를 분석하여 대차의 파라미터 중 주행안전성에 영향을 주는 제어 파라미터를 검출하여 출력하는 파라미터 분석부를 포함하는 것을 특징으로 한다.
Description
본 발명은 대차 주행안전성 예측 장치 및 방법에 관한 것으로서, 더욱 상세하게는 대차에서 발생하는 데이터로 주행안전성을 진단하여 열차 탈선 등 안전사고 가능성을 예측하고 열차를 안전하게 주행하도록 도와주는 대차 주행안전성 예측 장치 및 방법에 관한 것이다.
철도차량의 대차는 차체를 지지하며, 차체의 중량을 레일에 전달하고, 동력대차의 경우 추진력과 제동력을 차체에 전달한다.
철도차량의 주행안전성은 주행시험을 통해 열차의 현재 상태가 철도차량기술기준에서 정한 범위 내에 있는지를 확인한다. 예를 들면 주행안전을 판단하는 탈선계수는 수평방향의 힘에 대한 수직방향의 힘의 비이며, 현차 시험시 횡압과 윤중을 측정하여 판단된다.
철도차량의 주행안전성은 운행 중인 열차의 축중과 횡압을 측정하고. 측정값을 사용하여 탈선계수를 계산하여 평가하거나, 실제 측정이 쉽지 않을 경우에는 열차모델과 선로모델 기반의 동역학 해석 프로그램을 이용하여 탈선계수를 산정한다.
그러나 종래의 방법은 열차의 현재 상태가 주행안전성 범위에 있는지를 판단하는 것이며, 향후 발생할 주행안전성에 대한 예측할 수 없는 문제가 있다.
특히, 실시간으로 열차 및 선로에 문제가 생길 경우 이를 진단하거나, 이에 대한 향후 주행안전성 위험을 예측할 수 있는 프레임워크 및 그 장치는 없는 실정이다.
본 발명의 배경기술은 대한민국 등록특허공보 10-0877587호(2008.12.30)의 '지피에스와 대차 불안정 감지센서를 이용한 열차의운행안내 및 안전운행 지원시스템'에 개시되어 있다.
본 발명은 전술한 문제점을 개선하기 위해 창안된 것으로서, 본 발명의 일 측면에 따른 목적은 대차에서 발생하는 데이터로 주행안전성을 진단하여 열차 탈선 등 안전사고 가능성을 예측하고 열차를 안전하게 주행하도록 도와주는 대차 주행안전성 예측 장치 및 방법을 제공하는 데 있다.
본 발명의 일 측면에 따른 대차 주행안전성 예측 장치는 대차의 주행안전성과 관련된 기초 데이터를 수집하는 데이터 수집부; 상기 기초 데이터를 딥러닝 분석을 통해 주행안전성을 진단 및 예측하여 진단 예측 데이터를 생성하는 진단 예측부; 및 상기 진단 예측 데이터를 분석하여 상기 대차의 파라미터 중 주행안전성에 영향을 주는 제어 파라미터를 검출하여 출력하는 파라미터 분석부를 포함하는 것을 특징으로 한다.
본 발명의 상기 기초 데이터는 대차의 실제 운전시 수집되는 실운전 데이터 및 동특성 해석 소프트웨어의 입출력 데이터 중 적어도 하나를 포함하는 것을 특징으로 한다.
본 발명의 상기 기초 데이터는 선로 불규칙도 데이터, 및 차량 데이터를 포함하되, 상기 차량 데이터는 차량의 속도, 윤중, 횡압, 스프링하 진동가속도 중 적어도 하나를 포함하는 것을 특징으로 한다.
본 발명의 상기 진단 예측 데이터는 탈선 계수, 윤중감소비, 스프링하 가속도 및 횡압값 중 적어도 하나를 포함하는 것을 특징으로 한다.
본 발명의 상기 파라미터 분석부는 상기 진단 예측 데이터를 각각에 기 설정된 허용 범위와 비교하여 비교 결과에 따라 상기 진단 예측 데이터가 상기 허용 범위 이내에 포함되도록 상기 제어 파라미터를 검출하는 것을 특징으로 한다.
본 발명의 상기 파라미터 분석부는 상기 진단 예측 데이터 각각의 변화량 및 크기를 토대로 상기 진단 예측 데이터 중 각각에 기 설정된 허용 범위를 벗어날 것으로 예측되는 진단 예측 데이터를 검출하고, 상기 허용 범위를 벗어날 것으로 예측되는 진단 예측 데이터가 상기 허용 범위 이내에 유지되도록 상기 제어 파라미터를 검출하는 것을 특징으로 한다.
본 발명의 상기 파라미터 분석부는 상기 제어 파라미터의 조절에 필요한 구성품을 도출하여 출력하는 것을 특징으로 한다.
본 발명의 일 측면에 따른 대차 주행안전성 예측 방법은 데이터 수집부가 대차의 주행안전성과 관련된 기초 데이터를 수집하는 단계; 진단 예측부가 상기 기초 데이터를 딥러닝 분석을 통해 주행안전성을 진단 및 예측하여 진단 예측 데이터를 생성하는 단계; 및 파라미터 분석부가 상기 진단 예측 데이터를 분석하여 상기 대차의 파라미터 중 주행안전성에 영향을 주는 제어 파라미터를 검출하여 출력하는 단계를 포함하는 것을 특징으로 한다.
본 발명의 상기 기초 데이터는 대차의 실제 운전시 수집되는 실운전 데이터 및 동특성 해석 소프트웨어의 입출력 데이터 중 적어도 하나를 포함하는 것을 특징으로 한다.
본 발명의 상기 제어 파라미터를 검출하여 출력하는 단계에서, 상기 파라미터 분석부는 상기 진단 예측 데이터를 각각에 기 설정된 허용 범위와 비교하여 비교 결과에 따라 상기 진단 예측 데이터가 상기 허용 범위 이내에 포함되도록 상기 제어 파라미터를 검출하는 것을 특징으로 한다.
본 발명의 상기 제어 파라미터를 검출하여 출력하는 단계에서, 상기 파라미터 분석부는 상기 진단 예측 데이터 각각의 변화량 및 크기를 토대로 상기 진단 예측 데이터 중 각각에 기 설정된 허용 범위를 벗어날 것으로 예측되는 진단 예측 데이터를 검출하고, 상기 허용 범위를 벗어날 것으로 예측되는 진단 예측 데이터가 상기 허용 범위 이내에 유지되도록 상기 제어 파라미터를 검출하는 것을 특징으로 한다.
본 발명의 상기 제어 파라미터를 검출하여 출력하는 단계에서, 상기 파라미터 분석부는 상기 제어 파라미터의 조절에 필요한 구성품을 도출하여 출력하는 것을 특징으로 한다.
본 발명의 일 측면에 따른 대차 주행안전성 예측 장치는 대차에서 발생하는 데이터로 주행안전성을 진단하여 탈선 등 안전사고를 예측하고 안내할 수 있다.
본 발명의 다른 측면에 따른 대차 주행안전성 예측 장치는 열차의 주행안전성에 영향을 주는 비정상 상태를 사전에 진단 및 예측이 가능하여 운행 중 안전사고를 사전에 방지할 수 있다.
본 발명의 또 다른 측면에 따른 대차 주행안전성 예측 장치는 열차의 주행안전성 상태가 허용범위를 초과할 경우 열차를 자동으로 감속되게 하여 열차가 주행안전성 허용범위 내에서 안전하게 역까지 주행할 수 있도록 함으로써, 승객 안전성 향상 및 철도교통의 이미지 제고에도 기여할 수 있다.
본 발명의 또 다른 측면에 따른 대차 주행안전성 예측 장치는 주행안전성에 영향을 주는 주요 파라미터를 식별하고, 유지보수시 해당 인자를 먼저 점검하도록 하여 탈선 위험성을 사전에 저감할 수 있다.
본 발명의 또 다른 측면에 따른 대차 주행안전성 예측 장치는 열차 설계단계에서도 열차의 주행안전성을 사전에 예측할 수 있으므로, 장치 최적 설계에 활용이 가능하다.
도 1 은 본 발명의 일 실시예에 따른 대차 주행안전성 예측 장치의 블럭 구성도이다.
도 2 는 본 발명의 일 실시예에 따른 대차 주행안전성 예측 장치의 통합 프레임워크를 나타낸 도면이다.
도 3 은 본 발명의 일 실시예에 따른 대차 주행안전성 예측 방법의 순서도이다.
도 2 는 본 발명의 일 실시예에 따른 대차 주행안전성 예측 장치의 통합 프레임워크를 나타낸 도면이다.
도 3 은 본 발명의 일 실시예에 따른 대차 주행안전성 예측 방법의 순서도이다.
이하에서는 본 발명의 일 실시 예에 따른 대차 주행안전성 예측 장치 및 방법을 첨부된 도면들을 참조하여 상세하게 설명한다. 이러한 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서, 이는 이용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1 은 본 발명의 일 실시예에 따른 대차 주행안전성 예측 장치의 블럭 구성도이고, 도 2 는 본 발명의 일 실시예에 따른 대차 주행안전성 예측 장치의 통합 프레임워크를 나타낸 도면이다.
도 1 을 참조하면, 본 발명의 일 실시예에 따른 대차 주행안전성 예측 장치는 데이터 수집부(10), 진단 예측부(20), 및 파라미터 분석부(30)를 포함한다.
데이터 수집부(10)는 대차의 주행안전성과 관련된 기초 데이터를 수집한다.
기초 데이터는 대차의 주행안전성을 진단 및 예측하기 위해 필요한 데이터이다. 기초 데이터는 대차의 실제 운전시 수집되는 실운전 데이터이거나, 또는 동특성 해석 소프트웨어의 입출력 데이터일 수 있다. 즉, 기초 데이터는 실운전을 통해서도 수집될 수 있고, 동특성 해석 소프트웨어를 통해서도 수집될 수 있다.
여기서, 대차의 실제 운전시 수집되는 실운전 데이터는 열차의 실제 운전시에 수집되는 데이터이다. 실운전 데이터에는 열차 데이터와 선로 데이터가 포함될 수 있다.
본 실시예는 대차에 대한 설계 단계의 열차와 제작이 완료된 열차에 모두 적용될 수 있다. 따라서, 기초 데이터는 설계 단계의 열차와 제작이 완료된 열차에서 모두 수집될 수 있다.
동특성 해석 소프트웨어의 입출력 데이터는, 동특성 해석 소프트웨어의 시뮬레이터 데이터 중 시뮬레이션에 필요한 입력 데이터와 시뮬레이션 결과에 따른 출력 데이터이다. 출력 데이터는 동특성 해석 소프트웨어의 해석 결과값이다.
동특성 해석 소프트웨어의 입출력 데이터는, 열차 본선 시험시에 획득되는 기초 데이터와 그 정합성에 따라 수집될 수 있다.
상기한 기초 데이터는 철도차량기술기준에서 정의한 주행안전성 기준에 따라 수집될 수 있다.
기초 데이터에는 선로 불규칙도 데이터 및 차량 데이터가 포함될 수 있다. 차량 데이터에는 열차의 속도, 윤중, 횡압, 및 스프링하 진동가속도가 포함될 수 있다. 기초 데이터와 차량 데이터는 상기한 실시예에 한정되는 것은 아니다.
진단 예측부(20)는 데이터 수집부(10)로부터 기초 데이터를 입력받고, 기초 데이터를 딥러닝(Deep Neural Network, DNN) 분석을 통해 주행안전성을 진단 및 예측하여 진단 예측 데이터를 생성한다.
진단 예측 데이터에는 탈선 계수, 윤중감소비, 스프링하 가속도 및 횡압값이 포함될 수 있으며, 이에 한정되는 것은 아니다.
파라미터 분석부(30)는 진단 예측 데이터를 분석하여 대차의 파라미터 중 주행안전성에 영향을 주는 제어 파라미터를 검출하여 출력한다. 제어 파라미터에는 속도 제어 파라미터, 및 제동 파라미터 등이 포함될 수 있다.
도 2 를 참조하면, 진단 예측부(20)는 데이터 수집부(10)로부터 기초 데이터, 즉 선로 불규칙도 데이터, 차량 데이터1(열차의 속도, 윤중, 횡압), 및 차량 데이터2(스프링하 진동가속도)를 입력받는다.
진단 예측부(20)는 이들 기초 데이터를 입력요소로 하여 딥러닝 분석을 수행함으로써, 진단 예측 데이터를 출력한다.
파라미터 분석부(30)는 진단 예측부(20)로부터 입력된 진단 예측 데이터를 입력요소로 하여 딥러닝 분석을 수행함으로써, 다수의 파라미터 중 주행안전성에 영향을 주는 제어 파라미터를 검출하여 출력한다.
이 경우, 파라미터 분석부(30)는 진단 예측 데이터를 출력부(미도시)를 통해 출력한다.
출력부로는 각종 디스플레이 기기나 관리자의 관리 단말이 채용될 수 있으며, 출력부의 종류는 특별히 한정되는 것은 아니다.
또한, 파라미터 분석부(30)는 진단 예측 데이터가 허용 범위의 최대값 또는 최소값에 근접할 경우 출력부를 통해 경고할 수 있다. 허용 범위는 각 진단 예측 데이터별로 설정된다. 허용 범위는 열차가 주행안전성을 확보할 수 있는 해당 진단 예측 데이터의 범위이다. 즉, 파라미터 분석부(30)는 진단 예측 데이터가 해당 최대값으로부터 설정 범위 이내에 포함되거나 또는 최소값으로부터 설정 범위 이내에 포함되면 출력부를 통해 경고할 수 있다.
또한, 파라미터 분석부(30)는 진단 예측 데이터를 각각에 기 설정된 허용 범위와 비교하여 비교 결과에 따라 진단 예측 데이터가 허용 범위 이내에 포함되도록 제어 파라미터를 검출할 수 있다. 즉, 파라미터 분석부(30)는 진단 예측 데이터가 허용 범위를 벗어나면, 다수의 파라미터 중 진단 예측 데이터를 허용 범위 이내에 포함되도록 하는 제어 파라미터를 검출하고, 검출된 제어 파라미터를 출력부를 통해 출력한다. 이때, 파라미터 분석부(30)는 검출된 제어 파라미터의 조절에 필요한 구성품을 도출하여 출력할 수 있다.
또한, 파라미터 분석부(30)는 진단 예측 데이터 각각의 변화량 및 크기를 토대로 진단 예측 데이터 중 각각에 기 설정된 허용 범위를 벗어날 것으로 예측되는 진단 예측 데이터를 검출한다. 이어 파라미터 분석부(30)는 허용 범위를 벗어날 것으로 예측되는 진단 예측 데이터가 허용 범위 이내에 유지되도록 제어 파라미터를 검출할 수 있다. 파라미터 분석부(30)는 검출된 제어 파라미터를 출력부를 통해 출력한다. 이때, 파라미터 분석부(30)는 검출된 제어 파라미터의 조절에 필요한 구성품을 도출하여 출력할 수 있다. 예를 들어, 파라미터 분석부(30)는 해당 구성품을 열차의 자재 발주를 관리 및 운영하는 자재발주시스템에 전달할 수 있다. 구성품으로는 열차의 부품이나 열차 제어를 위한 제어 프로그램이 포함될 수 있으며, 특별히 한정되는 것은 아니다.
이하 본 발명의 일 실시예에 따른 대차 주행안전성 예측 방법을 도 3 을 참조하여 상세하게 설명한다.
도 3 은 본 발명의 일 실시예에 따른 대차 주행안전성 예측 방법의 순서도이다.
도 3 을 참조하면, 데이터 수집부(10)는 대차의 주행안전성과 관련된 기초 데이터를 수집한다(S10).
기초 데이터는 대차의 실제 운전시 수집되는 실운전 데이터이거나, 동특성 해석 소프트웨어의 입출력 데이터일 수 있다. 예컨대, 기초 데이터에는 선로 불규칙도 데이터 및 차량 데이터가 포함될 수 있다. 차량 데이터에는 열차의 속도, 열차의 윤중, 열차의 횡압, 및 스프링하 진동가속도가 포함될 수 있다.
이어, 진단 예측부(20)는 데이터 수집부(10)로부터 입력받은 기초 데이터를 딥러닝(Deep Neural Network, DNN) 분석을 통해 주행안전성을 진단 및 예측하여 진단 예측 데이터를 생성한다. 진단 예측 데이터에는 탈선 계수, 윤중감소비, 스프링하 가속도 및 횡압값이 포함될 수 있다(S20).
이어, 파라미터 분석부(30)는 진단 예측부(20)로부터 입력받은 진단 예측 데이터를 분석하여 대차의 파라미터 중 주행안전성에 영향을 주는 제어 파라미터를 검출하여 출력한다(S30, S40). 제어 파라미터에는 속도 제어 파라미터, 및 제동 파라미터 등이 포함될 수 있다.
이 경우, 파라미터 분석부(30)는 진단 예측 데이터를 출력부를 통해 출력할 수 있다.
또한, 파라미터 분석부(30)는 진단 예측 데이터가 허용 범위의 최대값 또는 최소값에 근접할 경우 출력부를 통해 경고할 수 있다.
또한, 파라미터 분석부(30)는 진단 예측 데이터가 허용 범위를 벗어나면, 다수의 파라미터 중 진단 예측 데이터를 허용 범위 이내에 포함되도록 하는 제어 파라미터를 검출하고, 검출된 제어 파라미터를 출력부를 통해 출력한다.
또한, 파라미터 분석부(30)는 진단 예측 데이터 각각의 변화량 및 크기를 토대로 진단 예측 데이터 중 각각에 기 설정된 허용 범위를 벗어날 것으로 예측되는 진단 예측 데이터를 검출하고, 해당 진단 예측 데이터가 허용 범위 이내에 유지되도록 제어 파라미터를 검출할 수 있다.
한편, 본 실시예는 기존에 운영 중인 열차의 대차에 적용하여 주행안전성을 진단 및 예측할 수 있다.
신규로 개발되는 대차의 경우에는 설계 단계의 열차 및 대차, 선로 등의 동특성 해석을 시뮬레이션 기반하에 실시하여 동일한 방법으로 주행안전성을 진단 및 예측할 수 있으며, 이를 통해 신규 개발 대차의 주행안전성 성능을 향상할 수 있다.
또한, 신규로 개발된 대차를 제작 완료 후 실차 시험 단계에서 데이터를 수집하여 고장 진단 및 예측이 가능하며, 또한 설계 단계에서 예측한 값과 상호 비교하여 개선할 수 있다.
더욱이, 본 실시예는 다양한 형태로 조합하여 구성할 수 있다. 예컨대, 주행안전성에 영향을 주는 인자를 식별하지 않고, 대차의 현재 상태를 진단 및 예측하고 그 결과를 출력하고자 하는 경우에는, 파라미터 분석부(30)가 데이터 수집부(10)로부터 기초 데이터를 직접 입력받아 현재의 대차 상태를 진단 및 예측하여 그 결과를 출력할 수도 있다.
또한, 파라미터 분석부(30)는 다양한 형태로 변형이 가능하다. 예컨대, 파라미터 분석부(30)는 모듈화될 수 있으며, 이때 각각의 모듈은 진단 및 예측한 결과를 출력하는 기능, 결과를 기관사 또는 관제실로 송부하는 기능, 주행안전성에 영향을 주는 파라미터를 조정하도록 열차제어장치에 파라미터를 전달하는 기능을 수행할 수 있다.
이와 같이, 본 발명의 일 실시예에 따른 대차 주행안전성 예측 장치는 대차에서 발생하는 데이터로 주행안전성을 진단하여 사후 고장을 예측하고 안내할 수 있고, 운행 중 안전사고를 사전에 방지할 수 있다.
본 발명의 일 실시예에 따른 대차 주행안전성 예측 장치는 열차의 주행안전성 상태가 허용범위를 초과할 경우 열차를 자동으로 감속되게 하여 열차가 주행안전성 허용범위 내에서 안전하게 역까지 주행할 수 있도록 함으로써, 승객 안전성 향상 및 철도교통의 이미지 제고에도 기여할 수 있다.
본 발명의 일 실시예에 따른 대차 주행안전성 예측 장치는 주행안전성에 영향을 주는 주요 인자를 식별하고, 유지보수시 해당 인자를 먼저 점검하도록 하여 탈선 위험성을 사전에 저감할 수 있다.
본 발명의 일 실시예에 따른 대차 주행안전성 예측 장치는 열차 설계단계에서도 열차의 주행안전성을 사전에 예측할 수 있으므로, 장치 최적 설계에 활용이 가능하고, 운영기관의 자재발주시스템과 연결할 경우 주행안전성에 영향을 크게 주는 파라미터와 관련된 자재를 미리 준비할 수 있도록 한다.
본 명세서에서 설명된 구현은, 예컨대, 방법 또는 프로세스, 장치, 소프트웨어 프로그램, 데이터 스트림 또는 신호로 구현될 수 있다. 단일 형태의 구현의 맥락에서만 논의(예컨대, 방법으로서만 논의)되었더라도, 논의된 특징의 구현은 또한 다른 형태(예컨대, 장치 또는 프로그램)로도 구현될 수 있다. 장치는 적절한 하드웨어, 소프트웨어 및 펌웨어 등으로 구현될 수 있다. 방법은, 예컨대, 컴퓨터, 마이크로프로세서, 집적 회로 또는 프로그래밍가능한 로직 디바이스 등을 포함하는 프로세싱 디바이스를 일반적으로 지칭하는 프로세서 등과 같은 장치에서 구현될 수 있다. 프로세서는 또한 최종-사용자 사이에 정보의 통신을 용이하게 하는 컴퓨터, 셀 폰, 휴대용/개인용 정보 단말기(personal digital assistant: "PDA") 및 다른 디바이스 등과 같은 통신 디바이스를 포함한다.
본 발명은 도면에 도시된 실시 예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며 당해 기술이 속하는 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호범위는 아래의 특허청구범위에 의하여 정해져야할 것이다.
10: 데이터 수집부
20: 진단 예측부
30: 파라미터 분석부
20: 진단 예측부
30: 파라미터 분석부
Claims (12)
- 대차의 주행안전성과 관련된 기초 데이터를 수집하는 데이터 수집부;
상기 기초 데이터를 딥러닝 분석을 통해 주행안전성을 진단 및 예측하여 진단 예측 데이터를 생성하는 진단 예측부; 및
상기 진단 예측 데이터를 분석하여 상기 대차의 파라미터 중 주행안전성에 영향을 주는 제어 파라미터를 검출하여 출력하는 파라미터 분석부를 포함하는 대차 주행안전성 예측 장치. - 제 1 항에 있어서, 상기 기초 데이터는
대차의 실제 운전시 수집되는 실운전 데이터 및 동특성 해석 소프트웨어의 입출력 데이터 중 적어도 하나를 포함하는 것을 특징으로 하는 대차 주행안전성 예측 장치. - 제 2 항에 있어서, 상기 기초 데이터는
선로 불규칙도 데이터, 및 차량 데이터를 포함하되, 상기 차량 데이터는 차량의 속도, 윤중, 횡압, 스프링하 진동가속도 중 적어도 하나를 포함하는 것을 특징으로 하는 대차 주행안전성 예측 장치. - 제 1 항에 있어서, 상기 진단 예측 데이터는
탈선 계수, 윤중감소비, 스프링하 가속도 및 횡압값 중 적어도 하나를 포함하는 것을 특징으로 하는 대차 주행안전성 예측 장치. - 제 1 항에 있어서, 상기 파라미터 분석부는
상기 진단 예측 데이터를 각각에 기 설정된 허용 범위와 비교하여 비교 결과에 따라 상기 진단 예측 데이터가 상기 허용 범위 이내에 포함되도록 상기 제어 파라미터를 검출하는 것을 특징으로 하는 대차 주행안전성 예측 장치. - 제 1 항에 있어서, 상기 파라미터 분석부는
상기 진단 예측 데이터 각각의 변화량 및 크기를 토대로 상기 진단 예측 데이터 중 각각에 기 설정된 허용 범위를 벗어날 것으로 예측되는 진단 예측 데이터를 검출하고, 상기 허용 범위를 벗어날 것으로 예측되는 진단 예측 데이터가 상기 허용 범위 이내에 유지되도록 상기 제어 파라미터를 검출하는 것을 특징으로 하는 대차 주행안전성 예측 장치. - 제 5 항 또는 제 6 항에 있어서, 상기 파라미터 분석부는
상기 제어 파라미터의 조절에 필요한 구성품을 도출하여 출력하는 것을 특징으로 하는 대차 주행안전성 예측 장치. - 데이터 수집부가 대차의 주행안전성과 관련된 기초 데이터를 수집하는 단계;
진단 예측부가 상기 기초 데이터를 딥러닝 분석을 통해 주행안전성을 진단 및 예측하여 진단 예측 데이터를 생성하는 단계; 및
파라미터 분석부가 상기 진단 예측 데이터를 분석하여 상기 대차의 파라미터 중 주행안전성에 영향을 주는 제어 파라미터를 검출하여 출력하는 단계를 포함하는 대차 주행안전성 예측 방법. - 제 8 항에 있어서, 상기 기초 데이터는
대차의 실제 운전시 수집되는 실운전 데이터 및 동특성 해석 소프트웨어의 입출력 데이터 중 적어도 하나를 포함하는 것을 특징으로 하는 대차 주행안전성 예측 방법. - 제 8 항에 있어서, 상기 제어 파라미터를 검출하여 출력하는 단계에서,
상기 파라미터 분석부는 상기 진단 예측 데이터를 각각에 기 설정된 허용 범위와 비교하여 비교 결과에 따라 상기 진단 예측 데이터가 상기 허용 범위 이내에 포함되도록 상기 제어 파라미터를 검출하는 것을 특징으로 하는 대차 주행안전성 예측 방법. - 제 8 항에 있어서, 상기 제어 파라미터를 검출하여 출력하는 단계에서,
상기 파라미터 분석부는 상기 진단 예측 데이터 각각의 변화량 및 크기를 토대로 상기 진단 예측 데이터 중 각각에 기 설정된 허용 범위를 벗어날 것으로 예측되는 진단 예측 데이터를 검출하고, 상기 허용 범위를 벗어날 것으로 예측되는 진단 예측 데이터가 상기 허용 범위 이내에 유지되도록 상기 제어 파라미터를 검출하는 것을 특징으로 하는 대차 주행안전성 예측 방법. - 제 10 항 또는 제 11 항에 있어서, 상기 제어 파라미터를 검출하여 출력하는 단계에서,
상기 파라미터 분석부는 상기 제어 파라미터의 조절에 필요한 구성품을 도출하여 출력하는 것을 특징으로 하는 대차 주행안전성 예측 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210089240A KR102673205B1 (ko) | 2021-07-07 | 2021-07-07 | 대차 주행안전성 예측 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210089240A KR102673205B1 (ko) | 2021-07-07 | 2021-07-07 | 대차 주행안전성 예측 장치 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230008952A true KR20230008952A (ko) | 2023-01-17 |
| KR102673205B1 KR102673205B1 (ko) | 2024-06-11 |
Family
ID=85111588
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210089240A Active KR102673205B1 (ko) | 2021-07-07 | 2021-07-07 | 대차 주행안전성 예측 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102673205B1 (ko) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060077391A (ko) * | 2004-12-30 | 2006-07-05 | 한국철도기술연구원 | 도시철도차량 완성대차의 주행성능 시험장치 및 방법 |
| KR20130007718A (ko) * | 2011-07-11 | 2013-01-21 | 한국유지관리 주식회사 | 철도차량의 주행 안정성 분석 시스템 |
| JP2016075479A (ja) * | 2014-10-02 | 2016-05-12 | Ntn株式会社 | 鉄道車両用軸受異常検知装置 |
| JP2016113029A (ja) * | 2014-12-15 | 2016-06-23 | 新日鐵住金株式会社 | 鉄道車両状態監視装置 |
-
2021
- 2021-07-07 KR KR1020210089240A patent/KR102673205B1/ko active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060077391A (ko) * | 2004-12-30 | 2006-07-05 | 한국철도기술연구원 | 도시철도차량 완성대차의 주행성능 시험장치 및 방법 |
| KR20130007718A (ko) * | 2011-07-11 | 2013-01-21 | 한국유지관리 주식회사 | 철도차량의 주행 안정성 분석 시스템 |
| JP2016075479A (ja) * | 2014-10-02 | 2016-05-12 | Ntn株式会社 | 鉄道車両用軸受異常検知装置 |
| JP2016113029A (ja) * | 2014-12-15 | 2016-06-23 | 新日鐵住金株式会社 | 鉄道車両状態監視装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102673205B1 (ko) | 2024-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110764493B (zh) | 一种适用于高速铁路的phm应用系统、方法及存储介质 | |
| CN109689470B (zh) | 异常诊断装置、异常诊断方法和计算机程序 | |
| Mosleh et al. | Early wheel flat detection: an automatic data-driven wavelet-based approach for railways | |
| US10571908B2 (en) | Autonomous vehicle failure mode management | |
| CN107107927B (zh) | 铁道车辆状态监视装置 | |
| JP6796545B2 (ja) | 鉄道車両機器診断装置および鉄道車両機器診断方法 | |
| Martinez-Llop et al. | Time consideration in machine learning models for train comfort prediction using LSTM networks | |
| KR20200058132A (ko) | 철도차량 주요부품 및 시스템 진단장치 | |
| CN118565857B (zh) | 一种低平板半挂车的性能检测系统 | |
| KR102673205B1 (ko) | 대차 주행안전성 예측 장치 및 방법 | |
| CN118991870A (zh) | 一种铁路货物运输状态预警方法及系统 | |
| Makarova et al. | Improvement of the vehicle's onboard diagnostic system by using the vibro-diagnostics method | |
| Hung et al. | Study on detection of the early signs of derailment for railway vehicles | |
| Braga et al. | Data-driven decision support system for degrading assets and its application under the perspective of a railway component | |
| Mal et al. | Modern condition monitoring systems for railway wheel-set dynamics: Performance analysis and limitations of existing techniques | |
| KR102623294B1 (ko) | 이동형 실시간 궤도 동적거동 측정 및 분석시스템 | |
| JP2016130110A (ja) | 状態監視装置、状態監視システム、および編成列車 | |
| JP5317464B2 (ja) | 運転操作解析方法、及び、運転操作解析装置、並びに、運動操作解析プログラム | |
| Asplund et al. | Assessment of the data quality of wayside wheel profile measurements. | |
| CN115096608A (zh) | 铁路货车故障预测方法 | |
| Xia et al. | The estimation of wheel-rail interaction forces from wagon accelerations | |
| Vlachospyros et al. | On-board vibration-based robust and unsupervised degradation detection in railway suspensions under various travelling speeds via a Multiple Model framework | |
| WO2012153404A1 (ja) | 情報処理装置及び情報処理方法及びプログラム | |
| Bestemyanov | Detecting malfunctions in the measuring circuits of railway automation and remote-control systems for the safety of train traffic | |
| Marumo et al. | Analysis of braking behavior of train drivers to detect unusual driving |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PA0109 | Patent application |
Patent event code: PA01091R01D Comment text: Patent Application Patent event date: 20210707 |
|
| PA0201 | Request for examination |
Patent event code: PA02012R01D Patent event date: 20211103 Comment text: Request for Examination of Application Patent event code: PA02011R01I Patent event date: 20210707 Comment text: Patent Application |
|
| PG1501 | Laying open of application | ||
| E902 | Notification of reason for refusal | ||
| PE0902 | Notice of grounds for rejection |
Comment text: Notification of reason for refusal Patent event date: 20231024 Patent event code: PE09021S01D |
|
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration |
Patent event code: PE07011S01D Comment text: Decision to Grant Registration Patent event date: 20240517 |
|
| GRNT | Written decision to grant | ||
| PR0701 | Registration of establishment |
Comment text: Registration of Establishment Patent event date: 20240603 Patent event code: PR07011E01D |
|
| PR1002 | Payment of registration fee |
Payment date: 20240604 End annual number: 3 Start annual number: 1 |
|
| PG1601 | Publication of registration |