KR20230052765A - 브레이크 패드 모니터링 장치 및 방법 - Google Patents

Abstract

본 발명은 고가의 장비의 도움 없이도 차량의 브레이크 패드의 마모량 및 잔량을 정확하게 예측할 수 있는 차량 브레이크 패드 모니터링 장치 및 방법에 관한 것으로, 외부로부터 입력된 차량 데이터를 인공 지능 방식으로 분석하여 차량의 브레이크 패드의 잔량을 산출한다.

Description

브레이크 패드 모니터링 장치 및 방법{Brake pad monitoring device and method}

본 발명은 차량의 브레이크 패드 모니터링 장치에 관한 것으로, 특히 고가의 장비의 도움 없이도 차량의 브레이크 패드의 마모량 및 잔량을 정확하게 예측할 수 있는 차량 브레이크 패드 모니터링 장치 및 방법에 대한 것이다.

일반적으로 차량의 브레이크는 휠과 함께 회전하는 디스크 양측에 패드를 마련하고, 제동시 패드를 가압하여 디스크와 마찰을 일으킴으로써 제동력을 얻는다.

이러한 브레이크에서 제동 성능은 패드의 상태가 결정적인 역할을 하기 때문에 적절한 시기에　패드를 교환하는 것이 매우 중요하다.

일반적으로, 브레이크 패드의 마모 정도는 정기적인 점검을 통해, 또는 차량의 마일리지 확인을 통해, 또는 고가의 패드 마모 측정 센서를 사용함으로써 판단할 수 있다.

대한민국 공개특허 제10-2015-0145987호 (2015년 12월 31일 공개)

본 발명은 고가의 장비의 도움 없이도 차량의 브레이크 패드의 마모량 및 잔량을 정확하게 예측할 수 있는 차량 브레이크 패드 모니터링 장치 및 방법을 제공하는데 그 목적이 있다.

상기와 같은 목적을 달성하기 위한 본 발명에 따른 브레이크 패드 모니터링 장치는, 외부로부터 입력된 차량 데이터를 인공 지능 방식으로 분석하여 차량의 브레이크 패드의 잔량을 산출한다.

상기 외부로부터 입력된 차량 데이터를 근거로 차량의 제동 에너지를 포함하는 특징 데이터를 추출하는 특징 추출부(100); 상기 특징 추출부(100)로부터의 특징 데이터를 인공 지능 방식으로 분석하여 상기 브레이크 패드의 온도를 예측하는 패드 온도 예측부(200); 상기 패드 온도 예측부(200)로부터의 브레이크 패드의 온도 및 상기 특징 추출부(100)로부터의 제동 에너지를 근거로 상기 브레이크 패드의 마모량을 산출하는 패드 마모량 산출부(300); 및 상기 패드 마모량 산출부(300)로부터의 브레이크 패드의 마모량을 근거로 상기 브레이크 패드의 잔량을 산출하는 패드 잔량 산출부(400)를 포함한다.

상기 특징 추출부(100)는, 상기 외부로부터 입력된 차량 데이터를 저장하는 원본 저장부(110); 및 상기 원본 저장부(110)의 차량 데이터로부터 특징 데이터를 추출하는 데이터 추출부(120)를 포함한다.

상기 패드 온도 예측부(200)는, 상기 차량 데이터에 대응되는 브레이크 패드의 온도를 추론하도록 상기 인공 지능 방식의 기계 학습으로 산출된 모델 설정값이 미리 저장된 설정값 저장부(210); 및 상기 특징 추출부(100)로부터의 특징 데이터 및 상기 설정값 저장부(210)로부터의 모델 설정값을 근거로 하여 상기 브레이크 패드의 온도를 산출하는 패드 온도 산출부(220)를 포함한다.

상기 패드 마모량 산출부(300)는, 브레이크 패드의 온도의 값 및 제동 에너지의 값에 따라 미리 설정된 브레이크 패드의 마모량의 값이 저장된 룩업 테이블(310); 및 상기 패드 온도 예측부(200)로부터의 브레이크 패드의 온도 및 상기 특징 추출부(100)로부터의 제동 에너지를 근거로 상기 룩업 테이블(310)로부터 브레이크 패드의 마모량을 검색하고, 그 검색된 브레이크 패드의 마모량을 출력하는 패드 마모량 출력부(320)를 포함한다.

상기 패드 잔량 산출부(400)는 현재 브레이크 패드의 두께로부터 상기 패드 마모량 산출부(300)로부터의 브레이크 마모량을 차감하여 상기 브레이크 패드의 잔량을 출력한다.

상기 데이터 추출부(120)는, 상기 원본 저장부(110)의 차량 데이터를 차량의 제동 구간 및 비제동 구간 별로 분류하는 구간 분류부(121); 상기 구간 분류부(121)로부터의 차량 데이터를 근거로, 상기 제동 구간의 길이 및 상기 비제동 구간의 길이는 산출하는 구간 길이 산출부(122); 상기 구간 분류부(121)로부터의 차량 데이터를 근거로, 차량의 제동력을 제공하기 위한 실린더의 구간별 압력을 산출하는 실린더 압력 산출부(123); 상기 구간 분류부(121)로부터의 차량 데이터를 근거로, 구간 별 차속을 산출하는 차속 산출부(124); 상기 구간 분류부(121)로부터의 차량 데이터를 근거로, 구간 별 제동 에너지를 산출하는 제동 에너지 산출부(125); 상기 구간 분류부(121)로부터의 차량 데이터를 근거로, 구간 별 외기 온도를 산출하는 외기 온도 산출부(126); 및 상기 구간 분류부(121)로부터의 차량 데이터를 근거로, 구간 별 수량을 산출하는 수량 산출부(127)를 포함한다.

상기 패드 온도 산출부(220)는, 상기 특징 추출부(100)로부터의 특징 데이터를 근거로 상기 브레이크 패드의 초기 온도를 산출하는 초기 온도 산출부;

상기 특징 추출부(100)로부터의 특징 데이터와 상기 초기 온도 산출부로부터의 초기 온도를 취합하여 하나의 데이터 세트로서 출력하는 데이터 취합부; 상기 설정값 저장부(210)로부터 제공된 차량 데이터의 평균 및 표준 편차를 근거로 상기 데이터 취합부로부터의 데이터 세트를 정규화하는 정규화부; 상기 설정값 저장부(210)로부터 로딩된 차량 데이터의 가중치 및 편향치를 근거로 패드 온도 예측 모델을 생성하는 모델 생성부; 상기 설정값 저장부(210)로부터의 차량 데이터의 가중치 및 편향치를 상기 모델 생성부로 로딩하는 설정값 로딩부; 및 상기 모델 생성부로부터의 패드 온도 예측 모델에 상기 정규화부로부터의 정규화된 데이터 세트를 입력하여 상기 브레이크 패드의 온도 변화율을 산출하고, 상기 산출된 온도 변화율에 상기 초기 온도를 합산하여 상기 브레이크 패드의 온도를 산출하고, 상기 산출된 브레이크 패드 온도를 출력하는 예측값 출력부를 포함한다.

상기 초기 온도는 차량의 시동이 오프된 시점부터 상기 차량의 시동이 개시된 시점까지의 시간 길이, 차량의 외기 온도 및 미리 설정된 브레이크 패드 온도 특성 곡선에 정의된 값을 근거로 설정된다.

상기 데이터 세트는 차량의 제동 구간의 데이터 세트 및 상기 차량의 비제동 구간의 데이터 세트로 분류되며, 상기 예측값 출력부는 해당 구간의 종료 시점에서 예측된 패드 온도를 상기 해당 구간의 브레이크 패드 온도로서 출력한다.

상기 예측값 출력부는, 미리 설정된 기간에 포함된 비제동 구간 및 제동 기간의 브레이크 패드 온도들을 모두 합산하여 상기 미리 설정된 기간에서의 브레이크 패드 온도를 산출한다.

상기 차량 데이터는 차량의 브레이크 페달 신호, 차량의 제동력을 제공하기 위한 실린더의 압력, 차량의 휠 속도, 차량의 외기 온도 및 차량의 레인 센서 신호를 포함한다.

상기 패드 잔량 산출부로부터 산출된 브레이크 패드의 잔량이 미리 설정된 임계치보다 작을 때 알람을 출력하는 알람부(500)를 더 포함한다.

또한, 상기와 같은 목적을 달성하기 위한 본 발명에 따른 브레이크 패드 모니터링 방법은, 외부로부터 입력된 차량 데이터를 인공 지능 방식으로 분석하여 차량의 브레이크 패드의 잔량을 산출하는 단계를 포함한다.

상기 브레이크 패드의 잔량을 산출하는 단계는, 상기 외부로부터 입력된 차량 데이터를 근거로 차량의 제동 에너지를 포함하는 특징 데이터를 추출하는 단계; 상기 추출된 특징 데이터를 인공 지능 방식으로 분석하여 상기 브레이크 패드의 온도를 예측하는 단계; 상기 예측된 브레이크 패드의 온도 및 상기 추출된 제동 에너지를 근거로 상기 브레이크 패드의 마모량을 산출하는 단계; 및 상기 산출된 브레이크 패드의 마모량을 근거로 상기 브레이크 패드의 잔량을 산출하는 단계를 포함한다.

상기 특징 데이터를 추출하는 단계는, 상기 외부로부터 입력된 차량 데이터를 저장하는 단계; 및 상기 저장된 차량 데이터로부터 특징 데이터를 추출하는 단계를 포함한다.

상기 브레이크 패드의 온도를 예측하는 단계는, 상기 차량 데이터에 대응되는 브레이크 패드의 온도를 추론하도록 상기 인공 지능 방식의 기계 학습으로 산출된 모델 설정값을 저장하는 단계; 및 상기 추출된 특징 데이터 및 상기 저장된 모델 설정값을 근거로 하여 상기 브레이크 패드의 온도를 산출하는 단계를 포함한다.

상기 브레이크 패드의 마모량을 산출하는 단계는, 상기 브레이크 패드의 온도의 값 및 상기 제동 에너지의 값에 따라 미리 설정된 브레이크 패드의 마모량의 값이 저장된 룩업 테이블(310)을 생성하는 단계; 및 상기 예측된 브레이크 패드의 온도 및 상기 추출된 제동 에너지를 근거로 상기 룩업 테이블(310)로부터 브레이크 패드의 마모량을 검색하고, 그 검색된 브레이크 패드의 마모량을 출력하는 단계를 포함한다.

상기 브레이크 패드의 잔량을 산출하는 단계는, 현재 브레이크 패드의 두께로부터 상기 산출된 브레이크 마모량을 차감하여 상기 브레이크 패드의 잔량을 출력하는 단계를 포함한다.

상기 특징 데이터를 추출하는 단계는, 상기 저장된 차량 데이터를 차량의 제동 구간 및 비제동 구간 별로 분류하는 단계; 상기 분류된 차량 데이터를 근거로, 상기 제동 구간의 길이 및 상기 비제동 구간의 길이를 산출하는 단계; 상기 분류된 차량 데이터를 근거로, 차량의 제동력을 제공하기 위한 실린더의 구간별 압력을 산출하는 단계; 상기 분류된 차량 데이터를 근거로, 구간 별 차속을 산출하는 단계; 상기 분류된 차량 데이터를 근거로, 구간 별 제동 에너지를 산출하는 단계; 상기 분류된 차량 데이터를 근거로, 구간 별 외기 온도를 산출하는 단계; 및 상기 분류된 차량 데이터를 근거로, 구간 별 수량을 산출하는 단계를 포함한다.

상기 브레이크 패드의 온도를 산출하는 단계는, 상기 추출된 특징 데이터를 근거로 상기 브레이크 패드의 초기 온도를 산출하는 단계; 상기 추출된 특징 데이터와 상기 산출된 초기 온도를 취합하여 하나의 데이터 세트로서 출력하는 단계; 상기 저장된 차량 데이터의 평균 및 표준 편차를 근거로 상기 데이터 세트를 정규화하는 단계; 상기 저장된 차량 데이터의 가중치 및 편향치를 근거로 패드 온도 예측 모델을 생성하는 단계; 상기 저장된 차량 데이터의 가중치 및 편향치를 상기 패드 온도 예측 모델로 로딩하는 단계; 및 상기 패드 온도 예측 모델에 상기 정규화된 데이터 세트를 입력하여 상기 브레이크 패드의 온도 변화율을 산출하고, 상기 산출된 온도 변화율에 상기 초기 온도를 합산하여 상기 브레이크 패드의 온도를 산출하고, 상기 산출된 브레이크 패드 온도를 출력하는 단계를 포함한다.

상기 산출된 브레이크 패드의 잔량이 미리 설정된 임계치보다 작을 때 알람을 출력하는 단계를 더 포함한다.

본 발명의 브레이크 패드 모니터링 장치 및 방법에 따르면, 차량 데이터(예를 들어, 차량의 CAN 데이터)를 인공 지능 방식으로 분석하고 기계 학습에 의한 모델을 통해 브레이크 패드의 마모량을 정확하게 예측할 수 있다.

따라서, 본 발명에 따른 브레이크 패드 모니터링 장치 및 방법은 브레이크 패드의 잔량을 정확하고 빠르게 판단할 수 있다.

또한, 이로 인해, 본 발명에 따른 브레이크 패드 모니터링 장치 및 방법은 고가의 장비를 요구하지 않으므로, 브레이크 패드의 잔량을 확인하는데 있어서 비용이 저감될 수 있다.

본 발명의 브레이크 패드 모니터링 장치 및 방법은, 예를 들어, 렌터카, 택시 및 공유 차량과 같은 플릿(fleet) 차량에 사용될 수 있다.

도 1은 본 발명의 한 실시예에 따른 차량 브레이크 패드 모니터링 장치의 블록 구성도이다.
도 2는 도 1의 룩업 테이블을 나타낸 도면이다.
도 3은 도 1의 데이터 추출부의 상세 블록도이다.
도 4는 도 1의 패드 온도 예측부에 대한 다른 실시예의 블록 구성도이다.
도 5는 도 1의 제 1 패드 온도 산출부의 상세 블록 구성도이다.
도 6은 도 4의 제 2 패드 온도 산출부의 상세 블록 구성도이다.
도 7은 도 1의 패드 마모량 산출부의 다른 실시예에 따른 블록 구성도이다.
도 8은 도 1의 패드 잔량 산출부의 다른 실시예에 따른 블록 구성도이다.
도 9는 도 5 및 도 6의 모델 생성부 및 설정값 로딩부에 적용된 인공 신경망 구조를 나타낸 도면이다.
도 10은 도 1의 패드 잔량 산출부 및 알람부의 블록 구성도이다.
도 11은 본 발명의 한 실시예에 따른 브레이크 패드 모니터링 방법을 설명하기 위한 순서도이다.
도 12는 도 11의 특징 데이터를 추출하는 단계를 설명하기 위한 순서도이다.
도 13은 도 11의 브레이크 패드의 온도를 예측하는 단계를 설명하기 위한 순서도이다.
도 14는 도 11의 브레이크 패드의 마모량을 산출하는 단계를 설명하기 위한 순서도이다.
도 15는 도 12의 특징 데이터를 추출하는 단계를 설명하기 위한 순서도이다.
도 16은 도 13의 브레이크 패드의 온도를 산출하는 방법을 설명하기 위한 순서도이다.
도 17은 도 11의 브레이크 패드의 온도에 따른 알람 출력 여부를 설명하기 위한 순서도이다.
도 18은 본 발명의 한 실시예에 따른 브레이크 패드 모니터링 장치 및 방법에 의해 산출된 패드 마모 예측 곡선을 나타낸 도면이다.

본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 따라서, 몇몇 실시예에서, 잘 알려진 공정 단계들, 잘 알려진 소자 구조 및 잘 알려진 기술들은 본 발명이 모호하게 해석되는 것을 피하기 위하여 구체적으로 설명되지 않는다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.

도면에서 여러 층 및 영역을 명확하게 표현하기 위하여 두께를 확대하여 나타내었다. 명세서 전체를 통하여 유사한 부분에 대해서는 동일한 도면 부호를 붙였다.

본 명세서에서 제 1, 제 2, 제 3 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 이러한 구성 요소들은 상기 용어들에 의해 한정되는 것은 아니다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소들로부터 구별하는 목적으로 사용된다. 예를 들어, 본 발명의 권리 범위로부터 벗어나지 않고, 제 1 구성 요소가 제 2 또는 제 3 구성 요소 등으로 명명될 수 있으며, 유사하게 제 2 또는 제 3 구성 요소도 교호적으로 명명될 수 있다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않은 한 이상적으로 또는 과도하게 해석되지 않는다.

이하, 도 1 내지 도 18을 참조로 본 발명에 따른 차량 브레이크 패드 모니터링 장치 및 방법을 상세히 설명하면 다음과 같다.

도 1은 본 발명의 한 실시예에 따른 차량 브레이크 패드 모니터링 장치의 블록 구성도이고, 그리고 도 2는 도 1의 룩업 테이블(310)을 나타낸 도면이다.

본 발명은 외부로부터 입력된 차량 데이터를 인공 지능 방식으로 분석하여 차량의 브레이크 패드의 잔량을 산출하는 포함하는 차량 브레이크 패드 모니터링 장치에 관한 것으로, 이와 같은 본 발명의 한 실시예에 따른 차량 브레이크 패드 모니터링 장치는, 도 1에 도시된 예와 같이, 특징 추출부(100), 패드 온도 예측부(200), 패드 마모량 산출부(300) 및 패드 잔량 산출부(400)를 포함할 수 있다.

전술된 차량 데이터는 차량의 각종 전자 부품들(및/또는 전자 제어 유닛들) 간의 통신을 위한 CAN(Control Area Network) 데이터로서, 이러한 차량 데이터는, 예를 들어, 차량의 브레이크 페달 신호, 차량의 실린더(예를 들어, 마스터 실린더)의 압력(이하, 실린더 압력), 차량의 휠 속도, 차량의 외기 온도 및 차량의 레인 센서 신호를 포함할 수 있다.

예를 들어, 브레이크 페달 신호는 시간에 따른 브레이크 페달 신호의 변화량을 포함할 수 있으며, 실린더 압력은 시간에 따른 실린더 압력의 변화량을 포함할 수 있으며, 휠 속도는 시간에 따른 어느 하나의 휠 속도(즉, 차량의 후방 우측 휠의 속도)의 변화량을 포함할 수 있으며, 외기 온도는 시간에 따른 외기 온도의 변화량을 포함할 수 있으며, 그리고 레인 센서 신호는 시간에 따른 레인 센서 신호의 변화량을 포함할 수 있다. 여기서, 시간은, 예를 들어 브레이크 페달 신호에 의해 정의된 비제동 구간 및 제동 구간을 포함할 수 있다. 예를 들어, 4개의 비제동 구간들과 3개의 제동 구간들이 시간에 포함될 수 있다. 이때, 이 7개의 구간들은 비제동 및 제동으로 구분되어 시간축을 따라 교변적으로 배치될 수 있다. 예를 들어, 전술된 7개의 구간들은 제 1 비제동 구간, 제 1 제동 구간, 제 2 비제동 구간, 제 2 제동 구간, 제 3 비제동 구간, 제 3 제동 구간 및 제 4 비제동 구간 순서로 시간축을 따라 배치될 수 있다.

브레이크 페달 신호는 브레이크 페달의 눌림 여부를 판단하기 위한 신호로서 0(즉, 브레이크 페달 눌리지 않음) 또는 1(브레이크 페달 눌림)의 값을 가질 수 있다. 브레이크 페달 신호의 눌림 여부는 차량의 브레이크 페달 센서에 측정될 수 있다. 전술된 브레이크 페달 신호는 브레이크 페달 센서로부터 제공될 수 있다.

마스터 실린더는 브레이크 페달의 눌림에 반응하여 브레이크 패드로 유압을 공급함으로써 차량으로 제동력을 제공하는 실린더로서, 마스터 실린더의 압력(이하, 실린더 압력)은 그 마스터 실린더에 의해 제공된 압력 또는 전술된 유압을 의미할 수 있다. 실린더 압력은 차량의 실린더 압력 센서에 의해 측정될 수 있다.

휠 속도는 차량의 각 휠의 회전 속도를 의미하는 것으로, 각 휠의 속도는 각 휠에 구비된 각 휠 속도 센서에 의해 개별적으로 측정될 수 있다. 예를 들어, 차량은 전방 좌측 휠, 전방 우측 휠, 후방 좌측 휠 및 후방 우측 휠을 포함할 수 있는 바, 이때 휠 속도는 전방 좌측 휠의 회전 속도, 전방 우측 휠의 회전 속도, 후방 좌측 휠의 회전 속도 및 후방 우측 휠의 회전 속도를 포함할 수 있다.

외기 온도는 차량 외부의 온도를 의미한다. 외기 온도는 차량의 온도 센서에 의해 측정될 수 있다.

레인 센싱 신호는 차량의 레인 센서로부터 취득된 신호로서, 이 레인 센싱 신호는 차량이 어느 정도의 수량에 노출되었는지를 알려주는 정보를 포함할 수 있다. 레인 센서는 비 뿐만 아니라 차량의 외부에 가해진 일반적인 물의 양을 감지할 수 있다.

특징 추출부(100)는 외부로부터 입력된 차량 데이터를 근거로 차량의 특징 데이터를 추출할 수 있다. 이를 위해, 특징 추출부(100)는, 예를 들어, 원본 저장부(110) 및 데이터 추출부(120)를 포함할 수 있다.

원본 저장부(110)는 외부로부터 입력된 차량 데이터를 저장할 수 있다. 예를 들어, 이 원본 저장부(110)에는 차량의 각종 전자 부품들로부터 제공된 브레이크 페달 신호, 실린더 압력, 휠 속도, 외기 온도 및 레인 센서 신호가 저장될 수 있다.

데이터 추출부(120)는 원본 저장부(110)에 저장된 차량 데이터로부터 특징 데이터를 추출할 수 있다. 이 특징 데이터는 차량의 제동 에너지를 포함할 수 있다. 구체적인 예로서, 특징 데이터는 비제동 구간의 길이(예를 들어, 비제동 구간의 지속 시간), 제동 구간의 길이(예를 들어, 제동 구간의 지속 시간), 실린더 압력, 차량의 속도(이하, 차속), 제동 에너지, 외기 온도 및 수량을 포함할 수 있다. 이때, 실린더 압력은 구간 별 실린더 압력을 포함하며, 차속은 구간 별 차속을 포함하며, 제동 에너지는 구간 별 제동 에너지를 포함하며, 외기 온도는 구간 별 외기 온도를 포함하며, 그리고 수량은 구간 별 수량을 포함할 수 있다. 여기서, 구간은 전술된 비제동 구간 및 제동 구간을 포함하는 것으로, 예를 들어, 전술된 구간 별 실린더 압력은 비제동 구간에서의 실린더 압력 및 제동 구간에서의 실린더 압력을 포함할 수 있다. 이때, 비제동 구간 및 제동 구간은 복수로 구비될 수 있으며, 이때, 복수의 제동 구간들 및 복수의 비제동 구간들은 시간축을 따라 교변적으로 배치될 수 있다. 하나의 예로서, 복수의 비제동 구간들 및 복수의 제동 구간들은, 제 1 비제동 구간, 제 1 제동 구간, 제 2 비제동 구간, 제 2 제동 구간, 제 3 비제동 구간, 제 3 제동 구간 및 제 4 비제동 구간, ?, 제 n-1 비제동 구간, 제 n-1 제동 구간, 제 n 비제동 구간 및 제 n 제동 구간의 순서로 시간축을 따라 배열될 수 있다. 여기서, n은 6보다 크거나 같은 자연수일 수 있다. 이와 같은 경우, 전술된 구간 별 실린더 압력은 제 1 비제동 구간에서의 실린더 압력, 제 1 제동 구간에서의 실린더 압력, 제 2 비제동 구간에서의 실린더 압력, 제 2 제동 구간에서의 실린더 압력, ?, 제 n-1 비제동 구간에서의 실린더 압력, 제 n-1 제동 구간에서의 실린더 압력, 제 n 비제동 구간에서의 실린더 압력 및 제 n 제동 구간에서의 실린더 압력을 포함할 수 있다. 구간 별 차속, 구간 별 제동 에너지, 구간 별 외기 온도 및 구간 별 수량 역시 전술된 바와 같은 각 비제동 구간 및 각 제동 구간에서의 해당 물리량을 포함할 수 있다. 한편, 각 구간에서의 수치는 그 구간 내에서의 해당 물리량의 평균값을 의미할 수 있다. 예를 들어, 제 1 제동 구간에서의 실린더 압력은 그 제 1 제동 구간에서의 실린더의 평균 압력을 의미하며, 제 1 제동 구간에서의 차속은 그 제 1 제동 구간에서의 평균 차속을 의미하며, 제 1 제동 구간에서의 제동 에너지는 그 제 1 제동 구간에서의 평균 제동 에너지를 의미하며, 제 1 제동 구간에서의 외기 온도는 그 제 1 제동 구간에서의 평균 외기 온도를 의미하며, 그리고 제 1 제동 구간에서의 수량은 그 제 1 제동 구간에서의 평균 수량을 의미할 수 있다.

패드 온도 예측부(200)는 특징 추출부(100)로부터의 특징 데이터를 인공 지능 방식으로 분석하여 브레이크 패드의 온도를 예측할 수 있다. 이를 위해, 패드 온도 예측부(200)는, 예를 들어, 설정값 저장부(210) 및 패드 온도 산출부(220)를 포함할 수 있다.

설정값 저장부(210)는 미리 설정된 모델 설정값을 저장할 수 있다. 이 모델 설정값은 설정값 저장부(210)에 미리 저장된 데이터이다.

전술된 모델 설정값은, 예를 들어, 차량 데이터에 대응되는 차량의 브레이크 패드 온도를 추론할 수 있도록 인공 지능 방식의 기계 학습을 통해 산출될 수 있다. 구체적인 예로서, 전술된 모델 설정값은 미리 설정된 학습용 데이터에 대한 기계 학습을 통해 산출될 수 있는 바, 이러한 모델 설정값은, 예를 들어, 차량 데이터에 대한 통계치, 차량 데이터에 대한 가중치 및 차량 데이터에 대한 편향치(bias)를 포함할 수 있다. 여기서, 학습용 데이터는 전술된 차량 데이터에 대응되는 데이터(또는 데이터 세트)일 수 있다. 이 학습용 데이터를 통한 기계 학습을 통해, 모델 학습부는 전술된 차량 데이터에 대응되는 브레이크 패드 온도를 추론 가능하도록 하는 모델 설정값을 생성할 수 있다. 예를 들어, 이 모델 설정값은 비용 함수의 값을 최소화하는 가중치 및 편향치를 포함할 수 있다. 한편, 모델 설정값의 통계치는, 예를 들어, 차량 데이터의 평균 및 차량 데이터의 표준 편차를 포함할 수 있다.

이를 위해, 모델 학습부는, 예를 들어, 학습용 특징 추출부 및 설정값 생성부를 포함할 수 있다.

학습용 특징 추출부는 학습용 데이터로부터 학습용 특징 데이터를 추출할 수 있다.

설정값 생성부는 학습용 특징 추출부로부터의 학습용 특징 데이터를 근거로 학습 모델을 생성하고, 그 생성된 학습 모델을 학습시켜 모델 설정값을 생성할 수 있다. 한편, 학습용 데이터는 차량 데이터와 달리 브레이크 패드 온도에 대한 정보를 더 포함할 수 있는 바, 이 브레이크 패드 온도는 라벨(또는 레이블; label)을 포함한다. 즉, 학습용 데이터는 입력 데이터의 클래스(예를 들어, 예측 브레이크 패드의 온도 크기)에 해당하는 라벨을 포함할 수 있다.

기계 학습 모델은 특정 유형의 패턴을 인식하도록 학습된 파일로서, 데이터 세트(예를 들어, 전술된 입력 데이터)에 대해 모델을 학습하여 해당 데이터를 추론하고 학습하는데 사용할 수 있는 알고리즘을 제공한다. 모델을 학습한 후에는 이를 사용하여 이전에 표시되지 않은(즉, 라벨이 포함되지 않은) 입력 데이터를 추론하고 해당 입력 데이터에 대한 예측(예를 들어, 클래스 예측)을 만들 수 있다.

한편, 기계 학습 모델은, 예를 들어, 딥 러닝(deep learning), 뉴럴 네트워크(Neural Network), 컨볼루션 뉴럴 네트워크(Convolution Neural Network) 및 리커런트 뉴럴 네트워크(Recurrent Neural Network) 등과 같은 인공 신경망을 포함할 수 있다.

이러한 기계 학습은, 미리 알려진 특징 데이터에 기반하여 주어진 입력 데이터(예를 들어, 라벨을 포함하지 않는 차량 데이터)가 각각 미리 설정된 복수의 클래스들(예를 들어, 예측 가능한 브레이크 패드 온도) 중 어느 하나의 클래스에 각각 속해 있다고 가정했을 때, 새로운 입력 데이터가 그러한 복수의 클래스들 중 어느 클래스에 속하는지 결정하는 것을 목표로 할 수 있다.

패드 온도 산출부(220)는 특징 추출부(100; 예를 들어, 특징 추출부(100)의 데이터 추출부(120))로부터의 특징 데이터 및 설정값 저장부(210)로부터의 모델 설정값을 근거로 하여 브레이크 패드의 온도를 산출할 수 있다.

패드 마모량 산출부(300)는 패드 온도 예측부(200)로부터의 브레이크 패드의 온도 및 특징 추출부(100)로부터의 제동 에너지를 근거로 브레이크 패드의 마모량을 산출할 수 있다. 이를 위해, 패드 마모량 산출부(300)는, 예를 들어, 룩업 테이블(310) 및 패드 마모량 출력부(320)를 포함할 수 있다.

룩업 테이블(310)은 브레이크 패드의 온도의 값 및 제동 에너지의 값에 따라 미리 설정된 브레이크 패드 마모량의 값이 저장된 메모리를 포함할 수 있다. 예를 들어, 도 2에 도시된 바와 같이, 룩업 테이블(310)은 복수의 브레이크 패드의 온도의 값들(T1, T2, T3, T4, T5) 및 복수의 제동 에너지의 값들(E1, E2, E3, E4, E5)의 행렬 조합에 의해 정의된 복수의 브레이크 패드의 마모량 값들(W11, W12, W13, ?, W54, W55)을 포함할 수 있다.

패드 마모량 출력부(320)는 패드 온도 예측부(200)로부터의 브레이크 패드 온도 및 특징 추출부(100)로부터의 제동 에너지를 근거로 룩업 테이블(310)로부터 브레이크 마모량의 값을 검색하고, 그 검색된 값을 브레이크 마모량으로서 출력할 수 있다. 예를 들어, 도 2에 도시된 바와 같이, 예측된 브레이크 패드 온도의 값이 T3이고, 이때의 제동 에너지의 값이 E4일 때, 패드 마모량 산출부(300)는 W34를 브레이크 패드 마모량의 값으로 선택하여 출력할 수 있다.

패드 잔량 산출부(400)는 패드 마모량 산출부(300)로부터의 브레이크 패드의 마모량을 근거로 브레이크 패드의 잔량을 산출한다. 예를 들어, 패드 잔량 산출부(400)는 현재 브레이크 패드의 두께로부터 패드 마모량 출력부(320)로부터의 브레이크 마모량을 차감하여 브레이크 패드의 잔량을 산출한다. 한편, 패드 잔량 산출부(400)로부터 산출된 브레이크 패드의 잔량은 클라우드 시스템을 통해 고객에게 전송될 수 있다.

도 3은 도 1의 데이터 추출부(120)의 상세 블록도이다.

데이터 추출부(120)는, 도 3에 도시된 바와 같이, 구간 분류부(121), 구간 길이 산출부(122), 실린더 압력 산출부(123), 차속 산출부(124), 제동 에너지 산출부(125), 외기 온도 산출부(126) 및 수량 산출부(127)를 포함할 수 있다.

구간 분류부(121)는 원본 저장부(110)의 차량 데이터를 차량의 비제동 구간 및 제동 구간 별로 분류할 수 있다. 예를 들어, 구간 분류부(121)는, 도 2의 (a)에 도시된 바와 같은 브레이크 페달 신호를 근거로 비제동 구간(NB1, NB2, NB3, NB4) 및 제동 구간(B1, B2, B3)을 정의할 수 있다. 더욱 구체적인 예로서, 브레이크 페달 신호의 값이 0인 구간은 비제동 구간(NB1, NB2, NB3, NB4)으로 정의되고, 그리고 브레이크 페달 신호의 값이 1인 구간은 제동 구간(B1, B2, B3)으로 정의될 수 있다.

구간 길이 산출부(122)는 구간 분류부(121)로부터의 차량 데이터를 근거로, 비제동 구간(NB1, NB2, NB3, NB4)의 길이 및 제동 구간(B1, B2, B3)의 길이를 산출할 수 있다. 예를 들어, 도 2의 (a) 및 도 3의 (a)에 도시된 바와 같이, 구간 길이 산출부(122)는 브레이크 페달 신호를 근거로 각 비제동 구간(NB1, NB2, NB3, NB4)의 길이(즉, 지속 시간) 및 각 제동 기간(B1, B2, B3)의 길이(즉, 지속 시간)를 산출할 수 있다.

실린더 압력 산출부(123)는 구간 분류부(121)로부터의 차량 데이터를 근거로, 차량의 제동력을 제공하기 위한 실린더의 구간 별 압력(예를 들어, 구간 별 평균 실린더 압력)을 산출할 수 있다. 예를 들어, 실린더 압력 산출부(123)는, 도 2의 (b) 및 도 3의 (b)에 도시된 바와 같이, 실린더 압력을 근거로 각 비제동 구간(NB1, NB2, NB3, NB4) 및 각 제동 구간(B1, B2, B3)에서의 평균 실린더 압력을 산출한다. 압력의 단위는 바(bar)일 수 있다.

차속 산출부(124)는 구간 분류부(121)로부터의 차량 데이터를 근거로, 차량의 구간 별 속도를 산출할 수 있다. 예를 들어, 도 2의 (c) 및 도 3의 (c)에 도시된 바와 같이, 차속 산출부(124)는 휠 속도를 근거로 각 비제동 구간(NB1, NB2, NB3, NB4) 및 각 제동 구간(B1, B2, B3)에서의 차속(예를 들어, 평균 차속)을 산출할 수 있다. 한편, 차량이 복수의 휠들을 포함할 때, 차속 산출부(124)는 그 복수의 휠들 중 가장 빠른 휠의 회전 속도를 근거로 전술된 각 비제동 구간(NB1, NB2, NB3, NB4) 및 각 제동 구간(B1, B2, B3)에서의 차속(예를 들어, 구간 별 평균 차속)을 산출할 수 있다. 차속의 단위는 km/h일 수 있다.

제동 에너지 산출부(125)는 구간 분류부(121)로부터의 차량 데이터를 근거로, 차량의 구간 별 제동 에너지(예를 들어, 구간 별 평균 제동 에너지)를 산출할 수 있다. 예를 들어, 구간 별 제동 에너지는, 도 3의 (c) 및 도 3의 (d)에 도시된 바와 같이, 차속을 근거로 산출될 수 있다. 이때, 전술된 바와 같이, 차속은, 도 2의 (c)에 도시된 바와 같이, 휠 속도를 근거로 산출될 수 있다. 그러므로, 구간 별 제동 에너지는 도 2의 (c)와 같은 휠 속도를 근거로 산출될 수 있다. 이와 같이, 제동 에너지 산출부(125)는 휠 속도에 기인한 차속을 근거로 각 비제동 구간(NB1, NB2, NB3, NB4) 및 각 제동 구간(B1, B2, B3)에서의 제동 에너지(예를 들어, 구간 별 평균 제동 에너지)를 산출할 수 있다. 제동 에너지의 단위는 J(주울)로서 차량의 질량 및 차속을 근거로 산출될 수 있다.

한편, 차량의 전방측 브레이크에 의한 제동 에너지와 그 차량의 후방측 브레이크에 의한 제동 에너지를 구분하여 산출하고자 할 경우, 제동 에너지는 제 1 제동 에너지 및 제 2 제동 에너지를 포함할 수 있다. 예를 들어, 제 1 제동 에너지는 차량 전방의 좌측 휠 및 우측 휠 중 어느 하나의 브레이크 패드(이하, 제 1 브레이크 패드)에 관련된 제동 에너지를 의미하며, 제 2 제동 에너지는 차량 후방의 좌측 휠 및 우측 휠 중 어느 하나의 브레이크 패드(이하, 제 2 브레이크 패드)에 관련된 제동 에너지를 의미한다. 다시 말하여, 제 1 제동 에너지는 차량 전방의 제동력에 관련된 제동 에너지를 의미하며, 그리고 제 2 제동 에너지는 차량 후방의 제동력에 관련된 제동 에너지를 의미한다. 이와 같은 경우, 제동 에너지 산출부(125)는 휠 속도에 기인한 차속을 근거로 각 비제동 구간(NB1, NB2, NB3, NB4) 및 각 제동 구간(B1, B2, B3)에서의 제 1 제동 에너지(예를 들어, 구간 별 평균 제 1 제동 에너지)와, 각 비제동 구간(NB1, NB2, NB3, NB4) 및 각 제동 구간(B1, B2, B3)에서의 제 2 제동 에너지(예를 들어, 구간 별 평균 제 2 제동 에너지)산출할 수 있다.

한편, 전방 좌측 휠의 브레이크 패드와 전방 후측 휠의 브레이크 패드는 실질적으로 동일한 압력으로 제동되므로 전술된 제 1 제동 에너지는 차량 전방측의 제동 에너지로 간주되며, 그리고 후방 좌측 휠의 브레이크 패드와 후방 후측 휠의 브레이크 패드는 실질적으로 동일한 압력으로 제동되므로 전술된 제 2 제동 에너지는 차량 후방측의 제동 에너지로 간주될 수 있다. 한편, 차량의 전방측 브레이크에 의한 제동 에너지는 그 차량의 후방측 브레이크에 의한 제동 에너지도 더 클 수 있다.

외기 온도 산출부(126)는 구간 분류부(121)로부터의 차량 데이터를 근거로, 차량의 구간 별 외기 온도(예를 들어, 구간 별 평균 외기 온도)를 산출할 수 있다. 예를 들어, 외기 온도 산출부(126)는, 도 2의 (d) 및 도 3의 (e)에 도시된 바와 같이, 외기 온도를 근거로 산출될 수 있다. 다시 말하여, 외기 온도 산출부(126)는 외기 온도를 근거로 각 비제동 구간(NB1, NB2, NB3, NB4) 및 각 제동 구간(B1, B2, B3)에서의 외기 온도(예를 들어, 구간 별 평균 외기 온도)를 산출할 수 있다. 외기 온도의 단위는 ℃일 수 있다.

수량 산출부(127)는 구간 분류부(121)로부터의 차량 데이터를 근거로, 구간 별 수량(예를 들어, 구간 별 평균 수량)을 산출한다. 예를 들어, 수량 산출부(127)는, 도 2의 (e) 및 도 3의 (f)에 도시된 바와 같이, 레인 센서 신호를 근거로 산출될 수 있다. 다시 말하여, 수량 산출부(127)는 수량을 근거로 각 비제동 구간(NB1, NB2, NB3, NB4) 및 각 제동 구간(B1, B2, B3)에서의 수량(예를 들어, 구간 별 평균 수량)을 산출할 수 있다.

도 4는 도 1의 패드 온도 예측부(200)에 대한 다른 실시예의 블록 구성도이다.

전술된 바와 같이 제동 에너지가 제 1 제동 에너지 및 제 2 제동 에너지를 포함할 때(또는 제동 에너지가 제 1 제동 에너지 및 제 2 제동 에너지로 구분되어 산출될 때), 패드 온도 예측부(200)는 2개의 독립적인 패드 온도 예측부들, 예를 들어 제 1 패드 온도 예측부(200a) 및 제 2 패드 온도 예측부(200b)를 포함할 수 있다.

제 1 패드 온도 예측부(200a)는 데이터 추출부(120)로부터의 제 1 특징 데이터를 인공 지능 방식으로 분석하여 제 1 브레이크 패드(예를 들어, 차량의 전방측 휠의 브레이크 패드)의 온도를 예측할 수 있다. 이를 위해, 제 1 패드 온도 예측부(200a)는, 예를 들어, 제 1 설정값 저장부(210a) 및 제 1 패드 온도 산출부(220a)를 포함할 수 있다. 여기서, 제 1 특징 데이터는 전술된 비제동 구간의 길이(예를 들어, 비제동 구간의 지속 시간), 제동 구간의 길이(예를 들어, 제동 구간의 지속 시간), 실린더 압력, 차속, 제 1 제동 에너지, 외기 온도 및 수량을 포함할 수 있다.

제 1 설정값 저장부(210a)는 미리 설정된 제 1 모델 설정값을 저장할 수 있다. 이 제 1 모델 설정값은 설정값 저장부(210)에 미리 저장된 데이터이다.

제 1 패드 온도 산출부(220a)는 데이터 추출부(120)로부터의 제 1 특징 데이터 및 제 1 설정값 저장부(210a)로부터의 제 1 모델 설정값을 근거로 제 1 브레이크 패드의 온도를 산출할 수 있다.

제 2 패드 온도 예측부(200b)는 데이터 추출부(120)로부터의 제 2 특징 데이터를 인공 지능 방식으로 분석하여 제 2 브레이크 패드(예를 들어, 차량의 후방측 휠의 브레이크 패드)의 온도를 예측할 수 있다. 이를 위해, 제 2 패드 온도 예측부(200b)는, 예를 들어, 제 2 설정값 저장부(210b) 및 제 2 패드 온도 산출부(220b)를 포함할 수 있다. 여기서, 제 2 특징 데이터는 전술된 비제동 구간의 길이(예를 들어, 비제동 구간의 지속 시간), 제동 구간의 길이(예를 들어, 제동 구간의 지속 시간), 실린더 압력, 차속, 제 2 제동 에너지, 외기 온도 및 수량을 포함할 수 있다. 즉, 제동 에너지를 제외한 제 1 특징 데이터의 나머지 정보 및 제 2 특징 데이터의 나머지 정보는 실질적으로 동일하다.

제 2 설정값 저장부(210b)는 미리 설정된 제 2 모델 설정값을 저장할 수 있다. 이 제 2 모델 설정값은 제 2 설정값 저장부(210b)에 미리 저장된 데이터이다.

제 2 패드 온도 산출부(220b)는 데이터 추출부(120)로부터의 제 2 특징 데이터 및 제 2 설정값 저장부(210b)로부터의 제 2 모델 설정값을 근거로 제 2 브레이크 패드의 온도를 산출할 수 있다.

도 4의 제 1 설정값 저장부(210a) 및 제 2 설정값 저장부(210b)는 전술된 도 1의 설정값 저장부(210)와 동일하므로, 제 1 설정값 저장부(210a) 및 제 2 설정값 저장부(210b)에 관한 설명은 도 1의 설정값 저장부(210) 및 관련 기재를 참조한다. 다만, 제 1 모델 설정값과 제 2 모델 설정값은 다른 값을 갖는다. 이는 제 1 모델 설정값과 제 2 모델 설정값이 다른 학습 데이터를 근거로 생성되기 때문이다.

도 4의 제 1 패드 온도 산출부(220a) 및 제 2 패드 온도 산출부(220b)는 전술된 도 1의 패드 온도 산출부(220)와 동일하므로, 제 1 패드 온도 산출부(220a) 및 제 2 패드 온도 산출부(220b)에 관한 설명은 도 1의 패드 온도 산출부(220) 및 관련 기재를 참조한다.

도 5는 도 1의 제 1 패드 온도 산출부(220a)의 상세 블록 구성도이다.

제 1 패드 온도 산출부(220a)는, 도 5에 도시된 바와 같이, 제 1 초기 온도 산출부(221a), 제 1 데이터 취합부(222a), 제 1 정규화부(223a), 제 1 모델 생성부(224a), 제 1 예측값 출력부(225a) 및 제 1 설정값 로딩부(226a)를 포함할 수 있다.

제 1 초기 온도 산출부(221a)는 데이터 추출부(120)로부터의 제 1 특징 데이터를 근거로 제 1 브레이크 패드의 초기 온도를 산출할 수 있다. 제 1 초기 온도는 차량의 시동이 오프된 시점부터 그 차량의 시동이 개시된 시점까지의 시간 길이, 차량의 외기 온도 및 미리 설정된 제 1 브레이크 패드 온도 특성 곡선에 의해 정의된 값을 근거로 설정될 수 있다. 한편, 차량의 시동이 오프된 시점부터 그 차량의 시동이 개시된 시점까지의 시간 길이는 제 1 특징 데이터의 인덱스 데이터에 포함된 타임 스탬프를 근거로 산출될 수 있다.

제 1 데이터 취합부(222a)는 데이터 추출부(120)로부터의 제 1 특징 데이터와 제 1 초기 온도 산출부(221a)로부터의 제 1 초기 온도를 취합하여 하나의 제 1 데이터 세트로서 출력할 수 있다. 이 제 1 데이터 세트에는 제 1 제동 에너지를 포함하는 제 1 특징 데이터와 제 1 초기 온도가 포함되어 있다.

제 1 정규화부(223a)는 제 1 설정값 저장부(210a)로부터 제공된 차량 데이터의 제 1 평균 및 제 1 표준 편차를 근거로 제 1 데이터 취합부(222a)로부터의 제 1 데이터 세트를 정규화(normalization)할 수 있다.

제 1 모델 생성부(224a)는 제 1 설정값 저장부(210a)로부터 로딩된 차량 데이터의 제 1 가중치 및 제 1 편향치를 근거로 제 1 패드 온도 예측 모델을 생성할 수 있다.

제 1 설정값 로딩부(226a)는 제 1 설정값 저장부(210a)로부터의 차량 데이터의 차량 데이터의 제 1 가중치 및 제 1 편향치를 제 1 모델 생성부(224a)로 로딩할 수 있다.

제 1 예측값 출력부(225a)는 제 1 모델 생성부(224a)로부터의 제 1 패드 온도 예측 모델에 제 1 정규화부(223a)로부터의 정규화된 제 1 데이터 세트를 입력하여 제 1 브레이크 패드의 제 1 온도 변화율을 산출하고, 그 산출된 제 1 온도 변화율에 제 1 초기 온도를 합산하여 제 1 브레이크 패드의 온도를 산출하고, 그 산출된 브레이크 패드 온도를 출력할 수 있다. 예를 들어, 제 1 패드 온도 예측 모델에 제 1 비제동 구간(NB1)의 제 1 데이터 세트가 입력되면, 제 1 패드 온도 예측 모델은 그 제 1 비제동 구간(NB1)의 종료 시점에서의 제 1 브레이크 패드 온도의 변화량(이하, 제 1 비제동 구간의 온도 변화량)을 예측하여 산출한다. 이후, 전술된 제 1 초기 온도에 그 산출된 제 1 비제동 구간(NB1)의 온도 변화량을 더함으로써 제 1 브레이크 패드에 대한 제 1 비제동 구간(NB1)의 예측 온도가 산출될 수 있다. 즉, 제 1 초기 온도와 제 1 비제동 구간(NB1)의 온도 변화량의 합이 제 1 비제동 구간(NB1)에서의 제 1 브레이크 패드 예측 온도(이하, 제 1 비제동 구간 예측 온도)로 정의될 수 있다. 이후, 제 1 비제동 구간 예측 온도는 바로 인접한 다음 구간(예를 들어, 제 1 제동 구간(B1))의 제 1 초기 온도로서 설정된다. 이후, 예를 들어, 제 1 패드 온도 예측 모델에 제 1 제동 구간(B1)의 제 1 데이터 세트가 입력되면, 제 1 패드 온도 예측 모델은 그 제 1 제동 구간(B1)의 종료 시점에서의 제 1 브레이크 패드 온도의 변화량(이하, 제 1 제동 구간의 온도 변화량)을 예측하여 산출한다. 이후, 전술된 제 1 초기 온도로서 설정된 제 1 비제동 구간 예측 온도에 그 산출된 제 1 제동 구간(B1)의 온도 변화량을 더함으로써 제 1 브레이크 패드에 대한 제 1 제동 구간(B1)의 예측 온도가 산출될 수 있다. 즉, 제 1 초기 온도로서 설정된 제 1 비제동 구간 예측 온도와 제 1 제동 구간(B1)의 온도 변화량의 합이 제 1 제동 구간(B1)에서의 제 1 브레이크 패드 예측 온도(이하, 제 1 제동 구간 예측 온도)로 정의될 수 있다. 이와 같은 방식으로, 제 1 브레이크 패드에 대한 제 1 비제동 구간 예측 온도, 제 1 제동 구간 예측 온도, 제 2 비제동 구간 예측 온도, 제 2 제동 구간 예측 온도, 제 3 비제동 구간 예측 온도, 제 3 제동 구간 예측 온도 및 제 4 비제동 구간 예측 온도가 산출될 수 있다. 즉, 제 1 예측값 출력부(225a)는 이러한 구간 별 예측 온도를 산출할 수 있다. 일반적으로, 비제동 구간에서의 예측 온도 변화량은 감소하는 추세를 가지며, 그리고 제동 구간에서의 예측 온도의 변화량은 상승하는 추세를 갖는다. 이어서, 제 1 예측값 출력부(225a)는 이러한 제 1 브레이크 패드에 대한 제 1 비제동 구간 예측 온도, 제 1 제동 구간 예측 온도, 제 2 비제동 구간 예측 온도, 제 2 제동 구간 예측 온도, 제 3 비제동 구간 예측 온도, 제 3 제동 구간 예측 온도 및 제 4 비제동 구간 예측 온도를 모두 합산하여 미리 설정된 기간(또는 시간) 동안의 제 1 브레이크 패드의 예측 온도를 최종적으로 산출할 수 있다.

도 8은 도 4의 제 2 패드 온도 산출부(220b)의 상세 블록 구성도이다.

제 2 패드 온도 산출부(220b)는, 도 8에 도시된 바와 같이, 제 2 초기 온도 산출부(221b), 제 2 데이터 취합부(222b), 제 2 정규화부(223b), 제 2 모델 생성부(224b), 제 2 예측값 출력부(225b) 및 제 2 설정값 로딩부(226b)를 포함할 수 있다.

여기서, 제 2 초기 온도 산출부(221b), 제 2 데이터 취합부(222b), 제 2 정규화부(223b), 제 2 모델 생성부(224b), 제 2 예측값 출력부(225b) 및 제 2 설정값 로딩부(226b)는 전술된 제 1 초기 온도 산출부(221a), 제 1 데이터 취합부(222a), 제 1 정규화부(223a), 제 1 모델 생성부(224a), 제 1 예측값 출력부(225a) 및 제 1 설정값 로딩부(226a)와 각각 실질적으로 동일하다.

제 2 초기 온도 산출부(221b)는 데이터 추출부(120)로부터의 제 2 특징 데이터를 근거로 제 2 브레이크 패드의 초기 온도를 산출할 수 있다. 제 2 초기 온도는 차량의 시동이 오프된 시점부터 그 차량의 시동이 개시된 시점까지의 시간 길이, 차량의 외기 온도 및 미리 설정된 제 2 브레이크 패드 온도 특성 곡선에 의해 정의된 값을 근거로 설정될 수 있다. 한편, 차량의 시동이 오프된 시점부터 그 차량의 시동이 개시된 시점까지의 시간 길이는 제 2 특징 데이터의 인덱스 데이터에 포함된 타임 스탬프를 근거로 산출될 수 있다. 이때, 제 2 브레이크 패드 온도 특성 곡선은 전술된 제 1 브레이크 패드 온도 특성 곡선과 다른 특성을 갖는다.

제 2 데이터 취합부(222b)는 데이터 추출부(120)로부터의 제 2 특징 데이터와 제 2 초기 온도 산출부(221b)로부터의 제 2 초기 온도를 취합하여 하나의 제 2 데이터 세트로서 출력할 수 있다. 이 제 2 데이터 세트에는 제 2 제동 에너지를 포함하는 제 2 특징 데이터와 제 2 초기 온도가 포함되어 있다.

제 2 정규화부(223b)는 제 2 설정값 저장부(210b)로부터 제공된 차량 데이터의 제 2 평균 및 제 2 표준 편차를 근거로 제 2 데이터 취합부(222b)로부터의 제 2 데이터 세트를 정규화할 수 있다.

제 2 모델 생성부(224b)는 제 2 설정값 저장부(210b)로부터 로딩된 차량 데이터의 제 2 가중치 및 제 2 편향치를 근거로 제 2 패드 온도 예측 모델을 생성할 수 있다.

제 2 설정값 로딩부(226b)는 제 2 설정값 저장부(210b)로부터의 차량 데이터의 차량 데이터의 제 2 가중치 및 제 2 편향치를 제 2 모델 생성부(224b)로 로딩할 수 있다.

제 2 예측값 출력부(225b)는 제 2 모델 생성부(224b)로부터의 제 2 패드 온도 예측 모델에 제 2 정규화부(223b)로부터의 정규화된 제 2 데이터 세트를 입력하여 제 2 브레이크 패드의 제 2 온도 변화율을 산출하고, 그 산출된 제 2 온도 변화율에 제 2 초기 온도를 합산하여 제 2 브레이크 패드의 온도를 산출하고, 그 산출된 브레이크 패드 온도를 출력할 수 있다. 예를 들어, 제 2 패드 온도 예측 모델에 제 1 비제동 구간(NB1)의 제 2 데이터 세트가 입력되면, 제 2 패드 온도 예측 모델은 그 제 1 비제동(NB1) 구간의 종료 시점에서의 제 2 브레이크 패드 온도의 변화량(이하, 제 1 비제동 구간의 온도 변화량)을 예측하여 산출한다. 이후, 전술된 제 2 초기 온도에 그 산출된 제 1 비제동 구간(NB1)의 온도 변화량을 더함으로써 제 2 브레이크 패드에 대한 제 1 비제동 구간(NB1)의 예측 온도가 산출될 수 있다. 즉, 제 2 초기 온도와 제 1 비제동 구간(NB1)의 온도 변화량의 합이 제 1 비제동 구간(NB1)에서의 제 2 브레이크 패드 예측 온도(이하, 제 1 비제동 구간 예측 온도)로 정의될 수 있다. 이후, 제 1 비제동 구간 예측 온도는 바로 인접한 다음 구간(예를 들어, 제 1 제동 구간(B1))의 제 2 초기 온도로서 설정된다. 이후, 예를 들어, 제 2 패드 온도 예측 모델에 제 1 제동 구간(B1)의 제 2 데이터 세트가 입력되면, 제 2 패드 온도 예측 모델은 그 제 1 제동 구간(B1)의 종료 시점에서의 제 2 브레이크 패드 온도의 변화량(이하, 제 1 제동 구간의 온도 변화량)을 예측하여 산출한다. 이후, 전술된 제 2 초기 온도로서 설정된 제 1 비제동 구간 예측 온도에 그 산출된 제 1 제동 구간(B1)의 온도 변화량을 더함으로써 제 2 브레이크 패드에 대한 제 1 제동 구간(B1)의 예측 온도가 산출될 수 있다. 즉, 제 2 초기 온도로서 설정된 제 1 비제동 구간 예측 온도와 제 1 제동 구간(B1)의 온도 변화량의 합이 제 1 제동 구간(B1)에서의 제 2 브레이크 패드 예측 온도(이하, 제 1 제동 구간 예측 온도)로 정의될 수 있다. 이와 같은 방식으로, 제 2 브레이크 패드에 대한 제 1 비제동 구간 예측 온도, 제 1 제동 구간 예측 온도, 제 2 비제동 구간 예측 온도, 제 2 제동 구간 예측 온도, 제 3 비제동 구간 예측 온도, 제 3 제동 구간 예측 온도 및 제 4 비제동 구간 예측 온도가 산출될 수 있다. 즉, 제 1 예측값 출력부(225a)는 제 2 브레이크 패드에 대한 구간 별 예측 온도를 산출할 수 있다. 일반적으로, 비제동 구간에서의 예측 온도 변화량은 감소하는 추세를 가지며, 그리고 제동 구간에서의 예측 온도의 변화량은 상승하는 추세를 갖는다. 이어서, 제 1 예측값 출력부(225a)는 제 2 브레이크 패드에 대한 제 1 비제동 구간 예측 온도, 제 1 제동 구간 예측 온도, 제 2 비제동 구간 예측 온도, 제 2 제동 구간 예측 온도, 제 3 비제동 구간 예측 온도, 제 3 제동 구간 예측 온도 및 제 4 비제동 구간 예측 온도를 모두 합산하여 미리 설정된 기간(또는 시간) 동안의 제 2 브레이크 패드의 예측 온도를 최종적으로 산출한다.

한편, 하나의 제동 에너지만이 존재할 때, 도 1의 패드 온도 산출부(220)는 초기 온도 산출부, 데이터 취합부, 정규화부, 모델 생성부, 설정값 로딩부 및 예측값 출력부를 포함할 수 있다. 이때, 초기 온도 산출부, 데이터 취합부, 정규화부, 모델 생성부, 설정값 로딩부 및 예측값 출력부는 도 5의 제 1 초기 온도 산출부(221a), 제 1 데이터 취합부(222a), 제 1 정규화부(223a), 제 1 모델 생성부(224a), 제 1 예측값 출력부(225a) 및 제 1 설정값 로딩부(226a)와 각각 실질적으로 동일할 수 있다. 따라서, 도 1의 패드 온도 산출부(220)에 대한 상세 구성은 도 5(또는 도 8) 및 관련 기재를 참조한다.

도 7은 도 1의 패드 마모량 산출부(300)의 다른 실시예에 따른 블록 구성도이다.

전술된 바와 같이 제동 에너지가 제 1 제동 에너지 및 제 2 제동 에너지를 포함할 때(또는 제동 에너지가 제 1 제동 에너지 및 제 2 제동 에너지로 구분되어 산출될 때), 패드 마모량 산출부(300)는, 도 7에 도시된 바와 같이, 2개의 독립적인 패드 마모량 산출부들, 예를 들어 제 1 패드 마모량 산출부(300a) 및 제 2 패드 마모량 산출부(300b)를 포함할 수 있다.

제 1 패드 마모량 산출부(300a)는 제 1 룩업 테이블(310a) 및 제 1 패드 마모량 출력부(320a)를 포함할 수 있다.

제 1 룩업 테이블(310a)은 제 1 브레이크 패드의 온도의 값 및 제동 에너지의 값에 따라 미리 설정된 제 1 브레이크 패드의 마모량의 값이 저장될 수 있다.

제 1 패드 마모량 출력부(320a)는 제 1 패드 온도 예측부(200a)로부터의 제 1 브레이크 패드의 온도 및 특징 추출부(100)로부터의 제 1 제동 에너지를 근거로 제 1 룩업 테이블(310a)로부터 제 1 브레이크 패드의 마모량을 검색하고, 그 검색된 제 1 브레이크 패드의 마모량을 출력할 수 있다.

제 2 패드 마모량 산출부(300b)는 제 2 룩업 테이블(310b) 및 제 2 패드 마모량 출력부(320b)를 포함할 수 있다.

제 2 룩업 테이블(310b)은 제 2 브레이크 패드의 온도의 값 및 제동 에너지의 값에 따라 미리 설정된 제 2 브레이크 패드의 마모량의 값이 저장될 수 있다.

제 2 패드 마모량 출력부(320b)는 제 2 패드 온도 예측부(200b)로부터의 제 2 브레이크 패드의 온도 및 특징 추출부(100)로부터의 제 2 제동 에너지를 근거로 제 2 룩업 테이블(310b)로부터 제 2 브레이크 패드의 마모량을 검색하고, 그 검색된 제 2 브레이크 패드의 마모량을 출력할 수 있다.

여기서, 제 1 룩업 테이블(310a) 및 제 2 룩업 테이블(310b)은 전술된 도 2의 룩업 테이블(310)과 실질적으로 동일하므로, 제 1 룩업 테이블(310a) 및 제 2 룩업 테이블(310b)에 대한 설명은 도 2 및 관련 설명을 참조한다.

또한, 제 1 패드 마모량 출력부(320a) 및 제 2 패드 마모량 출력부(320b)는 전술된 도 1의 패드 마모량 출력부(320)와 실질적으로 동일하므로, 제 1 패드 마모량 출력부(320a) 및 제 2 패드 마모량 출력부(320b)에 대한 설명은 도 1 및 관련 설명을 참조한다.

도 8은 도 1의 패드 잔량 산출부(400)의 다른 실시예에 따른 블록 구성도이다.

전술된 바와 같이 제동 에너지가 제 1 제동 에너지 및 제 2 제동 에너지를 포함할 때, 패드 잔량 산출부(400)는 2개의 독립적인 패드 잔량 산출부들, 예를 들어 제 1 패드 잔량 산출부(400a) 및 제 2 패드 잔량 산출부(400b)를 포함할 수 있다.

제 1 패드 잔량 산출부(400a)는 제 1 패드 마모량 산출부(300a)로부터의 제 1 브레이크 패드의 마모량을 근거로 제 1 브레이크 패드의 잔량을 산출할 수 있다. 예를 들어, 제 1 패드 잔량 산출부(400a)는 현재 제 1 브레이크 패드의 두께로부터 제 1 패드 마모량 출력부(320a)로부터의 제 1 브레이크 마모량을 차감하여 제 1 브레이크 패드의 잔량을 산출할 수 있다. 한편, 제 1 패드 잔량 산출부(400a)로부터 산출된 제 1 브레이크 패드의 잔량은 클라우드 시스템을 통해 고객에게 전송될 수 있다. 한편, 제 1 패드 잔량 산출부(400a)는, 산출된 제 1 브레이크 패드의 잔량이 미리 설정된 제 1 임계치보다 작을 때 알람을 발생시킬 수 있다.

제 2 패드 잔량 산출부(400b)는 제 2 패드 마모량 산출부(300b)로부터의 제 2 브레이크 패드의 마모량을 근거로 제 2 브레이크 패드의 잔량을 산출할 수 있다. 예를 들어, 제 2 패드 잔량 산출부(400b)는 현재 제 2 브레이크 패드의 두께로부터 제 2 패드 마모량 출력부(320b)로부터의 제 2 브레이크 마모량을 차감하여 제 2 브레이크 패드의 잔량을 산출할 수 있다. 한편, 제 2 패드 잔량 산출부(400b)로부터 산출된 제 2 브레이크 패드의 잔량은 클라우드 시스템을 통해 고객에게 전송될 수 있다. 한편, 제 2 패드 잔량 산출부(400b)는, 산출된 제 2 브레이크 패드의 잔량이 미리 설정된 제 2 임계치보다 작을 때 알람을 발생시킬 수 있다. 여기서, 제 2 임계치는 제 1 임계치와 다를 수 있다. 구체적인 예로서, 제 2 임계치는 제 1 임계치보다 더 작거나 또는 더 클 수 있다.

도 9는 도 5 및 도 6의 모델 생성부 및 설정값 로딩부에 적용된 인공 신경망 구조를 나타낸 도면이다.

모델 생성부(예를 들어, 제 1 모델 생성부(224a) 또는 제 2 모델 생성부(224b)) 및 설정값 로딩부(예를 들어, 제 1 설정값 로딩부(226a) 또는 제 2 설정값 로딩부(226b))는, 도 9에 도시된 바와 같은 인공 신경망 구조를 통해 브레이크 패드 온도를 예측하기 위한 예측 모델을 생성할 수 있다.

예를 들어, 모델 생성부는 설정값 로딩부를 통해 로딩된 차량 데이터의 가중치 및 차량 데이터의 편향치를 근거로, 도 9에 도시된 바와 같은 인공 신경망 구조의 브레이크 패드 온도 예측 모델을 생성할 수 있다.

인공 신경망은 여러 뉴런이 서로 연결되어 있는 구조의 네트워크이며, 입력층(901)를 통해 예측하고자 하는 데이터(예를 들어, 차량 데이터)를 입력받는다. 이렇게 입력된 데이터들이 여러 단계의 은닉층(902)을 지나면서 처리됨에 따라 출력층(903)을 통해 최종 결과(예를 들어, 브레이크 패드 온도)가 출력될 수 있다.

도 10은 도 1의 패드 잔량 산출부 및 알람부의 블록 구성도이다.

본 발명의 한 실시예에 따른 브레이크 패드 모니터링 장치는, 도 10에 도시된 바와 같이, 알람부(500)를 더 포함할 수 있다.

알람부(500)는 패드 잔량 산출부(400)로부터 산출된 브레이크 패드의 잔량과 미리 설정된 임계치를 비교하고, 그 비교 결과에 따라 알람 출력의 여부를 결정한다. 예를 들어, 산출된 브레이크 패드의 잔량이 임계치보다 작을 때 알람부(500)는 알람을 출력한다. 이 알람부(500)는 차량의 내부에 배치될 수 있다.

한편, 도 8에 도시된 바와 같이, 패드 잔량 산출부가 제 1 패드 잔량 산출부 및 제 2 패드 잔량 산출부를 포함할 때, 전술된 알람부는 제 1 알람부 및 제 2 알람부를 포함할 수 있다.

이때, 제 1 알람부는 제 1 패드 잔량 산출부(400)로부터 산출된 제 1 브레이크 패드의 잔량과 미리 설정된 제 1 임계치를 비교하고, 그 비교 결과에 따라 알람 출력의 여부를 결정한다. 예를 들어, 산출된 제 1 브레이크 패드의 잔량이 제 1 임계치보다 작을 때 제 1 알람부는 알람을 출력한다. 이 제 1 알람부는 차량의 내부에 배치될 수 있다.

한편, 제 2 알람부는 제 2 패드 잔량 산출부(400)로부터 산출된 제 2 브레이크 패드의 잔량과 미리 설정된 제 2 임계치를 비교하고, 그 비교 결과에 따라 알람 출력의 여부를 결정한다. 예를 들어, 산출된 제 2 브레이크 패드의 잔량이 제 2 임계치보다 작을 때 제 2 알람부는 알람을 출력한다. 이 제 2 알람부는 차량의 내부에 배치될 수 있다.

여기서, 제 2 임계치는 제 1 임계치와 다를 수 있다. 구체적인 예로서, 제 2 임계치는 제 1 임계치보다 더 작거나 또는 더 클 수 있다.

도 11은 본 발명의 한 실시예에 따른 브레이크 패드 모니터링 방법을 설명하기 위한 순서도이다.

본 발명의 한 실시예에 따른 브레이크 패드 모니터링 방법은 외부로부터 입력된 차량 데이터를 인공 지능 방식으로 분석하여 차량의 브레이크 패드의 잔량을 산출하는 단계를 포함한다.

예를 들어, 도 11에 도시된 바와 같이, 본 발명의 한 실시예에 따른 브레이크 패드 모니터링 방법에 따르면, 먼저 외부로부터 입력된 차량 데이터를 근거로 차량의 제동 에너지를 포함하는 특징 데이터를 추출하는 단계(S100)가 수행된다.

이후, 추출된 특징 데이터를 인공 지능 방식으로 분석하여 브레이크 패드의 온도를 예측하는 단계(S200)가 수행된다.

다음으로, 예측된 브레이크 패드의 온도 및 추출된 제동 에너지를 근거로 브레이크 패드의 마모량을 산출하는 단계(S300)가 수행된다.

이어서, 산출된 브레이크 패드의 마모량을 근거로 브레이크 패드의 잔량을 산출하는 단계(S400)가 수행된다. 구체적으로, 현재 브레이크 패드의 두께로부터 산출된 브레이크 마모량을 차감하여 브레이크 패드의 잔량을 산출할 수 있다.

도 12는 도 11의 특징 데이터를 추출하는 단계를 설명하기 위한 순서도이다.

전술된 특징 데이터를 추출하는 단계(S400)는 도 12에 도시된 바와 같은 단계들을 포함할 수 있다.

먼저 외부로부터 입력된 차량 데이터를 저장하는 단계(S110)가 수행된다.

이후, 저장된 차량 데이터로부터 특징 데이터를 추출하는 단계(S120)가 수행된다.

도 15는 도 11의 브레이크 패드의 온도를 예측하는 단계를 설명하기 위한 순서도이다.

전술된 브레이크 패드의 온도를 예측하는 단계(S200)는 도 15에 도시된 바와 같은 단계들을 포함할 수 있다.

먼저, 차량 데이터에 대응되는 브레이크 패드의 온도를 추론하도록 인공 지능 방식의 기계 학습으로 산출된 모델 설정값을 저장하는 단계(S210)가 수행된다.

이후, 추출된 특징 데이터 및 저장된 모델 설정값을 근거로 하여 브레이크 패드의 온도를 산출하는 단계(S220)가 수행된다.

도 14는 도 11의 브레이크 패드의 마모량을 산출하는 단계를 설명하기 위한 순서도이다.

전술된 브레이크 패드의 마모량을 산출하는 단계(S300)는 도 14에 도시된 바와 같은 단계들을 포함할 수 있다.

먼저, 브레이크 패드의 온도의 값 및 제동 에너지의 값에 따라 미리 설정된 브레이크 패드의 마모량의 값이 저장된 룩업 테이블(310)을 생성하는 단계(S310)가 수행된다.

이후, 예측된 브레이크 패드의 온도 및 추출된 제동 에너지를 근거로 룩업 테이블(310)로부터 브레이크 패드의 마모량을 검색하고, 그 검색된 브레이크 패드의 마모량을 출력하는 단계(S320)가 수행된다.

도 15는 도 12의 특징 데이터를 추출하는 단계를 설명하기 위한 순서도이다.

전술된 특징 데이터를 추출하는 단계(S120)는 도 15에 도시된 바와 같은 단계들을 포함할 수 있다.

먼저, 저장된 차량 데이터를 차량의 제동 구간 및 비제동 구간 별로 분류하는 단계(S121)가 수행된다.

이어서, 분류된 차량 데이터를 근거로, 제동 구간의 길이 및 비제동 구간의 길이를 산출하는 단계(S122)가 수행된다.

다음으로, 분류된 차량 데이터를 근거로, 차량의 제동력을 제공하기 위한 실린더의 구간별 압력을 산출하는 단계(S123)가 수행된다.

이후, 분류된 차량 데이터를 근거로, 구간 별 차속을 산출하는 단계(S124)가 수행된다.

다음으로, 분류된 차량 데이터를 근거로, 구간 별 제동 에너지를 산출하는 단계(S125)가 수행된다.

이어서, 분류된 차량 데이터를 근거로, 구간 별 외기 온도를 산출하는 단계(S126)가 수행된다.

이후, 분류된 차량 데이터를 근거로, 구간 별 수량을 산출하는 단계(S127)가 수행된다.

도 16은 도 13의 브레이크 패드의 온도를 산출하는 단계를 설명하기 위한 순서도이다.

전술된 브레이크 패드의 온도를 산출하는 단계(S220)는 도 16에 도시된 바와 같은 단계들을 포함할 수 있다.

먼저, 추출된 특징 데이터를 근거로 상기 브레이크 패드의 초기 온도를 산출하는 단계(S221)가 수행된다.

이후, 추출된 특징 데이터와 산출된 초기 온도를 취합하여 하나의 데이터 세트로서 출력하는 단계(S222)가 수행된다.

다음으로, 저장된 차량 데이터의 평균 및 표준 편차를 근거로 상기 데이터 세트를 정규화하는 단계(S223)가 수행된다.

이후, 저장된 차량 데이터의 가중치 및 편향치를 근거로 패드 온도 예측 모델을 생성하는 단계(S224)가 수행된다.

다음으로, 저장된 차량 데이터의 평균 및 표준 편차를 상기 패드 온도 예측 모델로 로딩하는 단계(S225)가 수행된다.

이어서, 패드 온도 예측 모델에 상기 정규화된 데이터 세트를 입력하여 브레이크 패드의 온도 변화율을 산출하고, 그 산출된 온도 변화율에 전술된 초기 온도를 합산하여 브레이크 패드의 온도를 산출하고, 그 산출된 브레이크 패드 온도를 출력하는 단계(S226)가 수행된다.

도 17은 도 11의 브레이크 패드의 온도에 따른 알람 출력 여부를 설명하기 위한 순서도이다.

먼저, 브레이크 패드의 잔량이 산출되면(S400), 그 산출된 브레이크 패드의 잔량과 미리 설정된 임계치를 비교하는 단계(S510)가 수행된다.

이후, 그 비교 결과, 브레이크 패드의 잔량이 임계치보다 작을 때, 알람을 출력하는 단계(S520)가 수행된다.

한편, 그 비교 결과, 브레이크 패드의 잔량이 임계치보다 크거나 같을 때, 전술된 비교 단계(S510)를 다시 수행하는 단계가 수행된다.

도 18은 본 발명의 한 실시예에 따른 브레이크 패드 모니터링 장치 및 방법에 의해 산출된 패드 마모 예측 곡선을 나타낸 도면이다.

도 18에 도시된 바와 같이, 차량 데이터에 대한 특징이 추출되면, 그 특징(즉, 특징 데이터)의 제동 에너지와 온도 예측 모델에 의해 예측된 브레이크 패드 온도를 근거로 브레이크 패드의 마모량이 산출될 수 있다.

그 산출된 브레이크 패드의 마모량을 근거로 브레이크 패드의 잔량이 산출될 수 있다.

한편, 처리 흐름도 도면들의 각 블록과 흐름도 도면들의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수 있음을 이해할 수 있을 것이다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 흐름도 블록(들)에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 흐름도 블록(들)에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 흐름도 블록(들)에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.

또한, 각 블록은 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실행 예들에서는 블록들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.

이 때, 본 실시 예에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA또는 ASIC과 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.

본 명세서가 속하는 기술분야의 통상의 지식을 가진 자는 본 명세서가 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 본 명세서의 범위는 상기 상세한 설명보다는 후술하는 특허청구의 범위에 의하여 나타내어지며, 특허청구의 범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 명세서의 범위에 포함되는 것으로 해석되어야 한다.

한편, 본 명세서와 도면에는 본 명세서의 바람직한 실시 예에 대하여 개시하였으며, 비록 특정 용어들이 사용되었으나, 이는 단지 본 명세서의 기술 내용을 쉽게 설명하고 발명의 이해를 돕기 위한 일반적인 의미에서 사용된 것이지, 본 명세서의 범위를 한정하고자 하는 것은 아니다. 여기에 개시된 실시 예 외에도 본 명세서의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은 본 명세서가 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다.

100: 특징 추출부 200: 패드 온도 예측부
300: 패드 마모량 산출부 400: 패드 잔량 산출부
110: 원본 저장부 120: 데이터 추출부
210: 설정값 저장부 220: 패드 온도 산출부
310: 룩업 테이블 320: 패드 마모량 출력부

Claims (22)

1. 외부로부터 입력된 차량 데이터를 인공 지능 방식으로 분석하여 차량의 브레이크 패드의 잔량을 산출하는 브레이크 패드 모니터링 장치.
2. 제 1 항에 있어서,
   상기 외부로부터 입력된 차량 데이터를 근거로 차량의 제동 에너지를 포함하는 특징 데이터를 추출하는 특징 추출부;
   상기 특징 추출부로부터의 특징 데이터를 인공 지능 방식으로 분석하여 상기 브레이크 패드의 온도를 예측하는 패드 온도 예측부;
   상기 패드 온도 예측부로부터의 브레이크 패드의 온도 및 상기 특징 추출부로부터의 제동 에너지를 근거로 상기 브레이크 패드의 마모량을 산출하는 패드 마모량 산출부; 및
   상기 패드 마모량 산출부로부터의 브레이크 패드의 마모량을 근거로 상기 브레이크 패드의 잔량을 산출하는 패드 잔량 산출부를 포함하는 브레이크 패드 모니터링 장치.
3. 제 2 항에 있어서,
   상기 특징 추출부는,
   상기 외부로부터 입력된 차량 데이터를 저장하는 원본 저장부; 및
   상기 원본 저장부의 차량 데이터로부터 특징 데이터를 추출하는 데이터 추출부를 포함하는 브레이크 패드 모니터링 장치.
4. 제 2 항에 있어서,
   상기 패드 온도 예측부는,
   상기 차량 데이터에 대응되는 브레이크 패드의 온도를 추론하도록 상기 인공 지능 방식의 기계 학습으로 산출된 모델 설정값이 미리 저장된 설정값 저장부; 및
   상기 특징 추출부로부터의 특징 데이터 및 상기 설정값 저장부로부터의 모델 설정값을 근거로 하여 상기 브레이크 패드의 온도를 산출하는 패드 온도 산출부를 포함하는 브레이크 패드 모니터링 장치.
5. 제 2 항에 있어서,
   상기 패드 마모량 산출부는,
   브레이크 패드의 온도의 값 및 제동 에너지의 값에 따라 미리 설정된 브레이크 패드의 마모량의 값이 저장된 룩업 테이블; 및
   상기 패드 온도 예측부로부터의 브레이크 패드의 온도 및 상기 특징 추출부로부터의 제동 에너지를 근거로 상기 룩업 테이블로부터 브레이크 패드의 마모량을 검색하고, 그 검색된 브레이크 패드의 마모량을 출력하는 패드 마모량 출력부를 포함하는 브레이크 패드 모니터링 장치.
6. 제 2 항에 있어서,
   상기 패드 잔량 산출부는 현재 브레이크 패드의 두께로부터 상기 패드 마모량 산출부로부터의 브레이크 마모량을 차감하여 상기 브레이크 패드의 잔량을 출력하는 브레이크 패드 모니터링 장치.
7. 제 3 항에 있어서,
   상기 데이터 추출부는,
   상기 원본 저장부의 차량 데이터를 차량의 제동 구간 및 비제동 구간 별로 분류하는 구간 분류부;
   상기 구간 분류부로부터의 차량 데이터를 근거로, 상기 제동 구간의 길이 및 상기 비제동 구간의 길이는 산출하는 구간 길이 산출부;
   상기 구간 분류부로부터의 차량 데이터를 근거로, 차량의 제동력을 제공하기 위한 실린더의 구간별 압력을 산출하는 실린더 압력 산출부;
   상기 구간 분류부로부터의 차량 데이터를 근거로, 구간 별 차속을 산출하는 차속 산출부;
   상기 구간 분류부로부터의 차량 데이터를 근거로, 구간 별 제동 에너지를 산출하는 제동 에너지 산출부;
   상기 구간 분류부로부터의 차량 데이터를 근거로, 구간 별 외기 온도를 산출하는 외기 온도 산출부; 및
   상기 구간 분류부로부터의 차량 데이터를 근거로, 구간 별 수량을 산출하는 수량 산출부를 포함하는 브레이크 패드 모니터링 장치.
8. 제 4 항에 있어서,
   상기 패드 온도 산출부는,
   상기 특징 추출부로부터의 특징 데이터를 근거로 상기 브레이크 패드의 초기 온도를 산출하는 초기 온도 산출부;
   상기 특징 추출부로부터의 특징 데이터와 상기 초기 온도 산출부로부터의 초기 온도를 취합하여 하나의 데이터 세트로서 출력하는 데이터 취합부;
   상기 설정값 저장부로부터 제공된 차량 데이터의 평균 및 표준 편차를 근거로 상기 데이터 취합부로부터의 데이터 세트를 정규화하는 정규화부;
   상기 설정값 저장부로부터 로딩된 차량 데이터의 가중치 및 편향치를 근거로 패드 온도 예측 모델을 생성하는 모델 생성부;
   상기 설정값 저장부로부터의 차량 데이터의 가중치 및 편향치를 상기 모델 생성부로 로딩하는 설정값 로딩부; 및
   상기 모델 생성부로부터의 패드 온도 예측 모델에 상기 정규화부로부터의 정규화된 데이터 세트를 입력하여 상기 브레이크 패드의 온도 변화율을 산출하고, 상기 산출된 온도 변화율에 상기 초기 온도를 합산하여 상기 브레이크 패드의 온도를 산출하고, 상기 산출된 브레이크 패드 온도를 출력하는 예측값 출력부를 포함하는 브레이크 패드 모니터링 장치.
9. 제 8 항에 있어서,
   상기 초기 온도는 차량의 시동이 오프된 시점부터 상기 차량의 시동이 개시된 시점까지의 시간 길이, 차량의 외기 온도 및 미리 설정된 브레이크 패드 온도 특성 곡선에 정의된 값을 근거로 설정되는 브레이크 패드 모니터링 장치.
10. 제 8 항에 있어서,
    상기 데이터 세트는 차량의 제동 구간의 데이터 세트 및 상기 차량의 비제동 구간의 데이터 세트로 분류되며,
    상기 예측값 출력부는 해당 구간의 종료 시점에서 예측된 패드 온도를 상기 해당 구간의 브레이크 패드 온도로서 출력하는 브레이크 패드 모니터링 장치.
11. 제 10 항에 있어서,
    상기 예측값 출력부는, 미리 설정된 기간에 포함된 비제동 구간 및 제동 기간의 브레이크 패드 온도들을 모두 합산하여 상기 미리 설정된 기간에서의 브레이크 패드 온도를 산출하는 브레이크 패드 모니터링 장치.
12. 제 1 항에 있어서,
    상기 차량 데이터는 차량의 브레이크 페달 신호, 차량의 제동력을 제공하기 위한 실린더의 압력, 차량의 휠 속도, 차량의 외기 온도 및 차량의 레인 센서 신호를 포함하는 브레이크 패드 모니터링 장치.
13. 제 2 항에 있어서,
    상기 패드 잔량 산출부로부터 산출된 브레이크 패드의 잔량이 미리 설정된 임계치보다 작을 때 알람을 출력하는 알람부를 더 포함하는 브레이크 패드 모니터링 장치.
14. 외부로부터 입력된 차량 데이터를 인공 지능 방식으로 분석하여 차량의 브레이크 패드의 잔량을 산출하는 단계를 포함하는 브레이크 패드 모니터링 방법.
15. 제 14 항에 있어서,
    상기 브레이크 패드의 잔량을 산출하는 단계는,
    상기 외부로부터 입력된 차량 데이터를 근거로 차량의 제동 에너지를 포함하는 특징 데이터를 추출하는 단계;
    상기 추출된 특징 데이터를 인공 지능 방식으로 분석하여 상기 브레이크 패드의 온도를 예측하는 단계;
    상기 예측된 브레이크 패드의 온도 및 상기 추출된 제동 에너지를 근거로 상기 브레이크 패드의 마모량을 산출하는 단계; 및
    상기 산출된 브레이크 패드의 마모량을 근거로 상기 브레이크 패드의 잔량을 산출하는 단계를 포함하는 브레이크 패드 모니터링 방법.
16. 제 15 항에 있어서,
    상기 특징 데이터를 추출하는 단계는,
    상기 외부로부터 입력된 차량 데이터를 저장하는 단계; 및
    상기 저장된 차량 데이터로부터 특징 데이터를 추출하는 단계를 포함하는 브레이크 패드 모니터링 방법.
17. 제 15 항에 있어서,
    상기 브레이크 패드의 온도를 예측하는 단계는,
    상기 차량 데이터에 대응되는 브레이크 패드의 온도를 추론하도록 상기 인공 지능 방식의 기계 학습으로 산출된 모델 설정값을 저장하는 단계; 및
    상기 추출된 특징 데이터 및 상기 저장된 모델 설정값을 근거로 하여 상기 브레이크 패드의 온도를 산출하는 단계를 포함하는 브레이크 패드 모니터링 방법.
18. 제 15 항에 있어서,
    상기 브레이크 패드의 마모량을 산출하는 단계는,
    상기 브레이크 패드의 온도의 값 및 상기 제동 에너지의 값에 따라 미리 설정된 브레이크 패드의 마모량의 값이 저장된 룩업 테이블을 생성하는 단계; 및
    상기 예측된 브레이크 패드의 온도 및 상기 추출된 제동 에너지를 근거로 상기 룩업 테이블로부터 브레이크 패드의 마모량을 검색하고, 그 검색된 브레이크 패드의 마모량을 출력하는 단계를 포함하는 브레이크 패드 모니터링 방법.
19. 제 15 항에 있어서,
    상기 브레이크 패드의 잔량을 산출하는 단계는,
    현재 브레이크 패드의 두께로부터 상기 산출된 브레이크 마모량을 차감하여 상기 브레이크 패드의 잔량을 출력하는 단계를 포함하는 브레이크 패드 모니터링 방법.
20. 제 16 항에 있어서,
    상기 특징 데이터를 추출하는 단계는,
    상기 저장된 차량 데이터를 차량의 제동 구간 및 비제동 구간 별로 분류하는 단계;
    상기 분류된 차량 데이터를 근거로, 상기 제동 구간의 길이 및 상기 비제동 구간의 길이를 산출하는 단계;
    상기 분류된 차량 데이터를 근거로, 차량의 제동력을 제공하기 위한 실린더의 구간별 압력을 산출하는 단계;
    상기 분류된 차량 데이터를 근거로, 구간 별 차속을 산출하는 단계;
    상기 분류된 차량 데이터를 근거로, 구간 별 제동 에너지를 산출하는 단계;
    상기 분류된 차량 데이터를 근거로, 구간 별 외기 온도를 산출하는 단계; 및
    상기 분류된 차량 데이터를 근거로, 구간 별 수량을 산출하는 단계를 포함하는 브레이크 패드 모니터링 방법.
21. 제 17 항에 있어서,
    상기 브레이크 패드의 온도를 산출하는 단계는,
    상기 추출된 특징 데이터를 근거로 상기 브레이크 패드의 초기 온도를 산출하는 단계;
    상기 추출된 특징 데이터와 상기 산출된 초기 온도를 취합하여 하나의 데이터 세트로서 출력하는 단계;
    상기 저장된 차량 데이터의 평균 및 표준 편차를 근거로 상기 데이터 세트를 정규화하는 단계;
    상기 저장된 차량 데이터의 가중치 및 편향치를 근거로 패드 온도 예측 모델을 생성하는 단계;
    상기 저장된 차량 데이터의 평균 및 표준 편차를 상기 패드 온도 예측 모델로 로딩하는 단계; 및
    상기 패드 온도 예측 모델에 상기 정규화된 데이터 세트를 입력하여 상기 브레이크 패드의 온도 변화율을 산출하고, 상기 산출된 온도 변화율에 상기 초기 온도를 합산하여 상기 브레이크 패드의 온도를 산출하고, 상기 산출된 브레이크 패드 온도를 출력하는 단계를 포함하는 브레이크 패드 모니터링 방법.
22. 제 15 항에 있어서,
    상기 산출된 브레이크 패드의 잔량이 미리 설정된 임계치보다 작을 때 알람을 출력하는 단계를 더 포함하는 브레이크 패드 모니터링 방법.

Images