KR20230169491A

KR20230169491A - 퍼스널 모빌리티용 데이터 로깅 모듈 및 그를 이용한 온라인 관리 시스템

Info

Publication number: KR20230169491A
Application number: KR1020220068695A
Authority: KR
Inventors: 김광선; 안재영; 김승환; 신성현; 어수현; 김영진
Original assignee: 디티아이코리아(주)
Priority date: 2022-06-07
Filing date: 2022-06-07
Publication date: 2023-12-18

Abstract

본 발명은 퍼스널 모빌리티에 장착된 배터리 및 모터를 실시간 감시하고, 그 중 유의미한 선별 데이터를 추출하여 효율적으로 진단 분석하며, 사고 발생시에는 원인을 규명할 수 있게 하는 퍼스널 모빌리티용 데이터 로깅 모듈 및 그를 이용한 온라인 관리 시스템에 관한 것이다.

Description

퍼스널 모빌리티용 데이터 로깅 모듈 및 그를 이용한 온라인 관리 시스템{Data logging module for personal mobility and Online management system using the same}

최근 기술의 발전, 레져 활동의 증가 및 환경 보호 요구 등이 맞물려 개인 이동 수단으로서 전동 휠, 전동 킥보드, 전기 자전거 및 초소형 전기차와 같은 퍼스널 모빌리티(PM: Personal Mobility)의 보급이 증가하고 있다.

전기 에너지를 이용하는 퍼스널 모빌리티는 충전용 배터리를 이용한다. 대표적인 충전용 배터리에는 리튬이온 배터리가 있으며, 이러한 배터리는 다수의 셀들을 포함하는 배터리 팩 형태로 장착된다.

위와 같이 퍼스널 모빌리티에 장착된 배터리는 제작상 결함은 물론 반복된 사용에 따른 수명이나 성능 저하가 발생한다. 따라서, 배터리 상태의 주기적인 감시를 통해 효율적인 관리가 필요하다.

또한, 퍼스널 모빌리티는 배터리 팩의 충전 전원을 통해 모터를 구동시켜 주행하게 되므로, 배터리 자체는 물론 모터나 외부 환경과의 관계에서 관리를 위한 데이터를 제공하고, 사고시에는 책임을 규명할 수 있어야 한다.

대한민국 공개특허 제10-2020-0038267호 대한민국 공개특허 제10-2022-0012534호

본 발명은 전술한 문제점을 해결하기 위한 것으로, 퍼스널 모빌리티에 장착된 배터리 및 모터를 실시간 감시하고, 그 중 유의미한 선별 데이터를 추출하여 효율적으로 진단 분석하며, 사고 발생시에는 원인을 규명할 수 있게 하는 온라인 관리 시스템을 제공하고자 한다.

이를 위해, 본 발명에 따른 퍼스널 모빌리티용 데이터 로깅 모듈은 퍼스널 모빌리티에 장착되어 배터리 팩과 모터의 상태정보를 수집하도록, 상기 배터리 팩과 모터를 감시하는 검출수단들로부터 상태정보를 각각 분류하여 수집하는 데이터 수집 모듈과; 상기 데이터 수집 모듈을 통해 수집된 상태정보 데이터들을 기록하는 DLM 메모리와; 상기 상태정보 데이터들 중 미리 설정된 조건을 만족하는 데이터를 마이닝하여 선별 데이터를 추출하는 이벤트 카운터와; 상기 선별 데이터에 상기 선별 데이터를 수집한 시간 정보를 포함시켜 이벤트 카운트 데이터 프레임을 생성시키는 데이터 로깅 엔진; 및 상기 이벤트 카운트 데이터 프레임을 온라인 상의 데이터베이스로 전송하는 통신모듈;을 포함하는 것을 특징으로 한다.

이때, 상기 데이터 수집 모듈은 적어도 상기 배터리 팩의 전압, 전류, 온도 및 각 셀간 전압 편차를 설정된 시간마다 수집하고, 적어도 상기 모터의 토크, 회전속도 및 온도를 설정된 시간마다 수집하는 것이 바람직하다.

또한, 다수의 셀들로 이루어진 상기 배터리 팩을 상기 퍼스널 모빌리티에 조립하여 사용을 시작하기 이전에, 상기 각 셀들의 교류내부저항 및 각 셀들의 전압을 측정한 초기값을 제공하는 이니셜 데이터 모듈을 더 포함하는 것이 바람직하다.

또한, 상기 이벤트 카운터에 의해 추출되는 선별 데이터의 단위 시간당 카운팅 개수에 따라 상기 데이터 수집 모듈에서의 상태정보 수집 주기를 가변시키는 가중치 산출 모듈을 더 포함하는 것이 바람직하다.

한편, 본 발명의 온라인 관리 시스템은 이상과 같은 데이터 로깅 모듈과; 온라인 통신망을 통해 상기 선별 데이터를 수신하여, 상기 선별 데이터가 발생된 시간 정보와 함께 기록하는 데이터베이스와; 상기 데이터베이스에 기록된 선별 데이터를 기계 학습에 의해 분석하여 이벤트 발생을 진단하고 예측하는 인공지능 엔진; 및 상기 선별 데이터를 상기 인공지능 엔진에서 분석한 정보와 함께 적어도 하나 이상의 클라이언트 단말측으로 제공하는 플랫폼 서버;를 포함하는 것을 특징으로 한다.

이때, 상기 데이터베이스에는 상기 배터리 팩을 구성하는 각 셀들의 교류내부저항 및 상기 각 셀들의 전압을 측정하여 초기값을 기록하고, 상기 인공지능 엔진은 상기 배터리 팩의 선별 데이터를 상기 초기값과 비교하여 분석하는 것이 바람직하다.

또한, 상기 데이터베이스는 사용 중 교체 가능한 상기 배터리 팩의 식별번호 및 상기 퍼스널 모빌리티를 사용중인 라이더(rider)의 사용자 정보를 각각 입력받아 기록하고, 상기 인공지능 엔진은 상기 라이더별로 사용중인 상기 배터리 팩 및 모터의 선별 데이터를 기계 학습에 의해 분석하여 상기 사용자별로 이벤트 발생을 진단하는 것이 바람직하다.

또한, 상기 퍼스널 모빌리티에 사고 발생시, 사고 접수를 통해 상기 사고가 발생한 사고 발생 시간 및 사고 유형을 분석하는 사고 분석 모듈을 더 포함하되, 상기 플랫폼 서버는 상기 사고 발생 시간 이전에 기록된 선별 데이터를 추출하여, 상기 사고 유형에 따른 사고가 발생한 원인을 판단하는 것이 바람직하다.

또한, 상기 데이터베이스에는 상기 퍼스널 모빌리티의 주행 중 외부 환경으로 인해 전달되는 상태정보를 포함하는 주행 기록 데이터 및 상기 퍼스널 모빌리티를 유지/보수한 AS 데이터를 입력받아 저장하는 것이 바람직하다.

또한, 상기 플랫폼 서버는 상기 선별 데이터, 주행 기록 데이터 및 AS 데이터를 조합하여 상기 사고가 발생한 원인을 분석하여 사고의 책임을 규명하는 것이 바람직하다.

이상과 같은 본 발명은 데이터 로깅 모듈로 퍼스널 모빌리티에 장착된 배터리와 함께 모터를 실시간 감시한다. 또한 상태정보 중 진단에 유의미한 선별 데이터를 추출하여 기록 및 분석하여 클라이언트에 제공한다. 또한 사고 발생시에는 감시된 상태정보를 이용하여 그 원인을 규명할 수 있게 한다.

도 1은 본 발명에 따른 온라인 관리 시스템의 네트워크 구성도를 나타낸 일 실시예이다.
도 2는 본 발명에 따른 온라인 관리 시스템의 네트워크 구성도를 나타낸 다른 실시예이다.
도 3은 본 발명에 따른 퍼스널 모빌리티용 데이터 로깅 모듈을 나타낸 블록 구성도이다.
도 4는 본 발명에 따른 퍼스널 모빌리티용 데이터 로깅 모듈의 통신모듈을 나타낸 실시예이다.
도 5는 본 발명에 따른 온라인 관리 시스템을 나타낸 블록 구성도이다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예에 따른 퍼스널 모빌리티용 데이터 로깅 모듈 및 그를 이용한 온라인 관리 시스템에 대해 상세히 설명한다.

먼저, 도 1 및 도 2와 같이, 본 발명에 따른 온라인 관리 시스템은 실시예로서 데이터 로깅 모듈(10)을 비롯하여 데이터베이스(20), 인공지능 엔진(30) 및 플랫폼 서버(40)를 포함하는 네트워크로 구축된다.

이러한 구성에서 퍼스널 모빌리티용 데이터 로깅 모듈(Data Logging Module, 10)은 퍼스널 모빌리티(PM: personal mobility)에 배터리 및 모터와 함께 조립되어 데이터를 수집하는 것으로, 배터리 팩과 모터를 실시간 감시한다.

퍼스널 모빌리티(PM)는 전동 휠, 전동 킥보드, 전기 자전거 및 초소형 전기차나 경량 전기차(Light electric vehicle)와 같은 전동 모빌리티를 의미하는 것으로, 배터리 팩의 충전 전원으로 모터를 구동시켜 주행한다.

이때, 데이터 로깅 모듈(10)은 이벤트 카운터(13)를 포함한다. 이벤트 카운터(13)는 데이터를 분석 및 진단하는데 이용되는 선별 데이터를 추출하여 효율적인 진단을 가능하게 하는 것으로, 수집된 대량의 상태정보 데이터들 중에서 특정 조건의 선별 데이터를 추출한다.

데이터베이스(20)는 빅데이터를 구성하는 것으로, 단독으로 구비되거나 여러 데이터베이스(20)에 분산 구축될 수 있다. 또한, 인공지능 엔진(30)이 탑재되어 있는 AI 서버(40)나 플랫폼 서버(40) 등과 함께 DB 서버로 구축될 수도 있다.

이러한 데이터베이스(20)에는 AI 서버(40)에서 진단·예측에 이용되는 선별 데이터가 온라인을 통해 수집 및 기록되며, 바람직하게는 로우 데이터(raw data)로서 상태정보 데이터들도 함께 기록되어 클라이언트에 제공된다.

인공지능 엔진(30)은 실시예로 AI 서버(40)에 구축되며, 데이터베이스(20)에 기록되어 있는 선별 데이터(특정 조건의 상태정보 데이터)를 이용하여 배터리 팩과 모터 등에 대한 상태를 분석 및 진단/예측한다.

플랫폼 서버(40)는 위와 같이 수집 및 가공된 선별 데이터를 클라이언트에 제공하는 서비스 서버(service provider)에 해당한다. 이때, 데이터를 제공받는 클라이언트는 배터리 제조업체, 보험사, A/S 센터, 대여·공유 없체, 퍼스널 모빌리티 제조업체 및 교환형 배터리 업체 등을 포함한다.

또한, 플랫폼 서버(40)는 사고 발생시 선별 데이터를 분석하여 사고의 원인을 규명할 수 있도록 하며, 필요시 배터리 팩이나 모터 이외에 주행 환경이나 A/S 내역 혹은 퍼스널 모빌리티 라이더(rider)의 개인정보 등도 함께 분석한다.

따라서, 본 발명은 퍼스널 모빌리티에 장착된 배터리 및 모터를 실시간 감시하고, 그 중 유의미한 선별 데이터를 추출하여 효율적으로 분석하며, 사고 발생시에는 원인을 규명할 수 있게 한다. 또한, 선별 데이터는 물론 그 기초가 되는 상태정보 데이터를 클라이언트에 제공할 수 있게 한다.

이하, 구체적인 실시예를 들어 본 발명의 퍼스널 모빌리티용 데이터 로깅 모듈에 대해 설명한다.

도 3과 같이, 본 발명에 따른 퍼스널 모빌리티용 데이터 로깅 모듈(10)은 퍼스널 모빌리티에 장착되어 배터리 팩과 모터의 상태정보를 수집하고, 이를 온라인으로 제공하여 진단 및 분석 등에 사용할 수 있도록 한다.

이를 위해, 일 실시예로서 본 발명은 데이터 수집 모듈(11), DLM 메모리(12), 이벤트 카운터(13), 데이터 로깅 엔진(14) 및 통신모듈(15)을 포함한다. 또한, 바람직한 다른 실시예로 타이머(11a), 이니셜 데이터 모듈(14a) 및 가중치 산출 모듈(16)을 더 포함한다.

여기서, 상기 데이터 수집 모듈(11)은 퍼스널 모빌리티를 구동시키는 배터리 팩(BAT)과 모터(M)를 감시하는 검출수단들로부터 상태정보를 각각 분류하여 수집한다. 즉, 배터리 팩과 모터를 구분하고 더불어 상태정보를 측정 항목별로 분류하여 수신한다.

상태정보의 수집을 위해 데이터 수집 모듈(11)은 퍼스널 모빌리티에 장착 조립되어 주행 중은 물론 정차시에도 실시간으로 데이터를 수집(설정된 시간 마다 수집)한다.

실시예로, 배터리 팩 및 모터의 상태정보를 획득하기 위한 검출수단에는 온도, 전류, 전압, 속도, 토크 등의 측정이나 감지를 위한 다양한 종류의 센서나 측정장치 등을 포함하며, 수집시간을 확인하도록 타이머(11a)를 참조할 수 있다.

데이터 수집 모듈(11)은 이들로부터 측정된 감지 데이터를 상태정보 데이터로서 수신한다. 이때, 데이터 수집 모듈(11)은 배터리 팩의 전압, 전류, 온도 및 각 셀간 전압 편차 등을 설정된 시간마다 수집할 수 있다.

다른 실시예로, 배터리 팩을 교체 장착시 배터리 팩의 식별번호, 모터의 식별번호는 물론 퍼스널 모빌리티의 사용자 즉, 라이더의 개인정보도 입력받아 저장될 수 있다. 또한, 배터리 팩이 충전 중인지와 같은 상태정보나 특정 셀의 ID를 특정하는 등 다양한 상태정보 데이터를 수신한다.

또한, 모터의 경우에는 감시 대상 모터의 토크, 회전속도 및 온도를 설정된 시간마다 수집한다. 이와 같이, 배터리 팩과 모터를 동시에 감시하면 빅데이터 분석을 통해 이들간 상관관계 역시 판독할 수 있게 된다.

DLM 메모리(12)는 데이터 수집 모듈(11)을 통해 수집된 상태정보 데이터들을 기록할 수 있도록 하는 일종의 로컬 데이터베이스에 해당하는 것으로, 이동하는 퍼스널 모빌리티에 탑재되어 데이터를 저장한다.

이러한 DLM 메모리(12)에는 AI 서버(40)에서 진단·예측에 이용되는 선별 데이터는 물론, 로우 데이터(raw data)로서 모든 상태정보 데이터들도 함께 기록되어 온라인 상의 데이터베이스(빅데이터)에 제공될 수 있다.

네트워크를 통해 데이터베이스에 상태정보 데이터 및 선별 데이터 등의 데이터 전송 효율을 높이도록 압축모듈(도 5의 'DCP' 참조)을 더 포함할 수 있다. 압축모듈(DCP)은 규정된 방식으로 데이터를 압축한다.

다만, 압축모듈(DCP)은 원격의 데이터베이스(20)에 구비될 수 있으며, 데이터베이스(20)에 압축모듈(DCP)을 구비하는 경우에는 데이터를 압축 저장함으로써, 대용량의 데이터를 효율적으로 저장할 수 있게 한다.

이벤트 카운터(13)는 DLM 메모리(12)에 기록된 '상태정보 데이터'들 중 미리 설정된 조건을 만족하는 데이터만을 마이닝(data mining)하여 '선별 데이터'를 추출한다.

수 많은 퍼스널 모빌리티에 각각 장착된 여러 종류의 배터리 팩을 실시간 감시하여 빅데이터를 구축하면 분석에 유효하지 않은 데이터를 포함하여 과도한 상태정보 데이터가 수집되므로, 이벤트 카운터(13)를 통해 데이터 마이닝을 한다.

상태정보들 중에서 추출되는 선별 데이터는 전류나 전압이 충방전 허용 범위를 초과하는지 확인하거나, 혹은 동작 허용 온도의 최대값과 최소값을 초과하는 상태가 발생한 경우 등을 조건으로 추출 및 기록할 수 있다.

또한, 배터리 팩 내 셀 전압들간의 편차가 설정된 기준치를 초과한 경우 및 그에 따라 최대나 최소 전압값을 갖는 셀 번호를 추출하여 기록하고, 더 나아가 해당 셀의 상태정보 데이터를 기록할 수 있다.

모터의 경우에는 동작 허용 토크나 회전수를 참조하여 최대 토크나 회전수를 초과하거나, 혹은 동작 허용 온도 범위 중 최대값과 최대값을 초과하는 경우의 상태정보 데이터를 선별 데이터로서 기록할 수 있다.

물론, 그 외 이벤트가 발생한 순간이 충전 또는 방전 중인지, 이벤트가 발생한 순간의 SoC %, 이벤트가 발생한 순간이 몇 번째 충방전 사이클인지, 이벤트가 발생한 순간 모터의 토크 값, 회전속도 값 및 온도 값도 함께 기록할 수 있다.

또한, 배터리 충전시간을 절약하도록 퍼스널 모빌리티에서 사용되어 방전된 배터리 팩을 완충된 배터리 팩으로 교체하여 서비스를 제공하는 국가나 지역 등에서는 교체된 배터리 팩의 식별번호를 입력받아 기록할 수 있다.

구체적인 예를 들어, 이벤트 카운터(13)는 '상태정보 데이터'를 마이닝하여 '선별 데이터'를 추출하도록 이벤트 항목(Criteria item)을 감시하고, 이벤트 항목이 설정된 조건을 만족하는지 확인하여 이벤트 발생을 체크(이벤트 카운팅)한다.

이벤트 항목들 중 배터리 팩에 관한 것으로는 최대 전류값, 최대 전압값 및 최소 전압값을 포함할 수 있다.

이때, 최대 전류값은 충방전 허용 전류 최대값을 기준으로 설정되며 배터리 팩의 종류나 제작사별로 다르지만 일 예로 스펙의 0 ~ 5% 범위 내에서 설정될 수 있다. 같은 방식으로, 최대 전압값은 충방전 허용 전압 최대값을 기준으로 설정되고, 최소 전압값은 충방전 허용 전압 최소값을 기준으로 설정될 수 있다.

또한, 이벤트 항목에는 배터리의 최대 온도값 및 최소 온도값을 포함할 수 있다. 최대 온도값은 동작 허용 온도 최대값을 기준으로 설정되고, 최소 온도값은 동작 허용 온도 최소값을 기준으로 설정될 수 있다.

또한, 이벤트 항목에는 셀 전압의 편차, 최대 전압값을 갖는 셀 번호 및 최소 전압값을 갖는 셀 번호를 포함할 수 있다. 여기서, 셀(배터리 셀)은 배터리 팩을 구성하는 다수의 셀들을 의미하며 배터리 팩 내에서 최대 전압 셀의 값과 최소 전압 셀의 값의 차이를 감시할 수 있다. 예컨대, 제조사의 셀 스펙에 따라 상이할 수 있으나 최대와 최소의 값이 10~100mV 이내인지 확인할 수 있다.

반면, 모터의 경우에는 최대 모터 토크값, 최대 모터 회전속도값, 최대 모터 온도값 및 최소 모터 온도값을 포함할 수 있다. 상기 토크값은 동작 허용 토크 최대값을 기준으로 설정되고, 온도값은 동작 허용 온도값을 기준으로 설정된다.

이때, 위와 같은 배터리 팩이나 모터의 기본 특성 이외에 이벤트가 발생한 순간이 충전중인지 혹은 방전 중인지, 이벤트가 발생한 순간의 SoC %, 이벤트가 발생한 순간이 몇 번째 충방전 사이클인지를 감시하여 기록할 수 있다.

또한, 이벤트 카운터(13)에 의해 이벤트가 발생한 것으로 판단된 순간의 모터의 토크, 이벤트가 발생한 순간의 모터의 회전속도 및 이벤트가 발생한 순간의 모터의 온도 역시 감시하여 기록할 수 있다.

위와 같은 이벤트 항목들을 감시하여 진단이나 분석에 이용되는 이벤트의 발생을 카운트하도록 미리 설정된 조건(기준)을 충족하는지 판독한다. 이벤트 발생의 판독은 하나의 이벤트 항목만으로 결정될 수 있지만, 바람직하게는 둘 이상의 이벤트 항목들을 동시에 반영할 수 있다. 동시 반영은 전압, 전류, 온도, 시간, 토크, 속도 등 상호간 조합이 가능하며 더 나아가 배터리 팩과 모터 사이에도 상호간 조합이 가능하다.

예컨대, 최대 전류값을 초과시 이벤트 발생으로 보는 경우, 초과 시간이 500msec 미만이거나 혹은 500msec 이상이지만 배터리 팩의 동작 온도 범위 이내인 경우에는 이를 진단에 포함시키지 않고 무시할 수 있다. 따라서, 상태정보 데이터에는 포함되지만 선별 데이터에는 포함되지 않는다.

반면, 초과 시간이 500msec 이상이고 동작 온도가 40도 미만인 경우 이벤트가 발생한 것으로 판독하여 이벤트 카운트를 증가시킨다. 또한, 500msec 이상이면서 동작 온도 역시 40도 이상인 경우 이벤트 카운트 증가와 함께 분석을 위한 가중치 역시 증가시킬 수 있다.

가중치는 데이터 수집 모듈(11)에서의 데이터 수집 주기를 변경시키거나 혹은 이벤트 카운터(13)나 인공지능 엔진(30) 등에서 추출, 진단, 분석 주기를 변경시키는 명령의 역할을 한다.

같은 방식으로, 최대/최소 전압 값을 초과한 경우, 그 초과시간을 판독함과 동시에 배터리 팩의 동작 온도가 정상 범위 이내인지 함께 판독할 수 있으며, 그에 따라 정상범주로서 무시하거나, 단순히 이벤트 카우트만 증가시키거나 혹은 그와 함께 가중치 역시 증가시킬 수 있다.

또한, 배터리 팩의 온도가 최대/최소 온도 값을 초과시 이벤트 발생으로 보는 경우, 온도 구간별로 단순히 이벤트 카우트만 증가시키거나 혹은 그와 함께 가중치 역시 증가시킬 수 있다.

또한, 배터리 팩을 구성하는 팩 내 다수의 셀들 간에 셀 전압의 편차로 이벤트 발생을 카운트할 수 있다. 예컨대 편차가 100mV 등으로 설정된 기준값 미만인지 아니면 이상인지로 이벤트 카운트를 증가시킬 수 있다. 나아가, 동작 온도 역시 분석하여 이 역시 기준치 초과인 경우에는 이벤트 발생과 함께 가중치 역시 증가시킬 수 있다. 또한, 배터리 팩 내의 특정 셀이 설정된 횟수 이상 반복 적으로 최대/최소값을 갖는 경우에도 가중치를 증가시킬 수 있다. 즉, 셀 전압 편차, 온도 및 횟수를 조합하여 이벤트 카운트와 함께 가중치를 변경시킬 수 있다.

모터의 경우 최대 모터 토크값으로 이벤트 발생을 카운트할 수 있다. 구체적으로 동작 허용 토크 회전수 최대값을 기준으로 설정할 수 있다. 일 예로 0.1Nm 미만인 경우에는 무시하고, 0.1Nm 이상인 경우 이벤트 카운터를 증가시키며, 모터의 동작 온도를 함께 고려하여 설정 온도 초과이면 이벤트 카운트에 더해 가중치까지 증가시킬 수 있다.

또한, 모터의 회전속도에 대해서 동작 허용 회전수 최대값을 기준으로 이벤트 발생을 설정할 수 있으며, 이 경우도 모터의 동작 온도를 함께 고려하여 이벤트 카운트는 물론 가중치까지 조절할 수 있다.

또한, 모터의 온도를 감시하는 경우 동작 허용 온도 최대/최소값을 기준으로 설정할 수 있으며, 특정 온도를 기준으로 이벤트 카운트만을 증가시키거나 그와 함께 가중치 역시 조절할 수 있다.

또한, 배터리 팩 및 모터를 불문하고, 이벤트 검출 횟수, 이벤트 검출 시간 간격(빈도), 일/주/월 등의 특정 기간내 검출 횟수, 서로 다른 이벤트 항목들간 상관 관계나 변화, 셀 번호(ID)의 확인, 충방전에 따라 주기적으로 발생하는지 등을 진단에 이용할 수 있으며, 이러한 이벤트로 검출하여 제공될 수 있다.

한편, 데이터 로깅 엔진(14)은 상술한 바와 같이 선별 데이터를 수집한 시간 정보를 포함시켜 이벤트 카운트 데이터 프레임(data frame)을 생성시킨다.

시간 정보는 데이터 수집 모듈(11)에서 정보 수집시 타이머(11a)를 참조하여 획득될 수 있다. 타이머(11a)는 시간 정보를 제공하는 것으로, 상태정보를 데이터를 수집한 시간을 제공한다. 즉, 데이터 프레임에 타임 스탬프를 제공한다.

이와 같이 생성된 데이터 프레임은 신호 전송을 위해 특정의 통신 프로토콜에 따른 데이터 스트림으로 형성되며, 일 예로 감시 대상의 식별번호(ID), 적어도 하나 이상의 이벤트 발생 정보, 날짜나 시간 등을 포함할 수 있다.

통신모듈(15)은 이벤트 카운트 데이터 프레임을 온라인 상의 데이터베이스로 전송한다. 통신모듈(15)을 통해 전송되는 데이터는 압축 파일의 형식일 수 있다.

도 4와 같이, 데이터 로깅 모듈(10)은 퍼스널 모빌리티에 장착된 상태에서 상태정보 데이터를 온라인(On-Line)으로 전송한다.

이를 위해 블루투스(BT)를 이용(Option 1)하거나 혹은 IoT를 이용할 수 있다. 또한, IoT를 이용(Option 2, 3)하는 경우, 데이터 로깅 모듈(10)은 배터리 관리 시스템(BMS: Battery Manegement System)에 일체로 탑재되거나 별도로 구비되어 연결될 수 있다.

한편, 이니셜 데이터 모듈(14a)은 다수의 셀들로 이루어진 배터리 팩을 퍼스널 모빌리티에 조립하여 사용을 시작하기 이전에, 각 셀들의 교류내부저항 및 각 셀들의 전압을 측정한 초기값을 제공한다.

이니셜 데이터 모듈(14a)에 의해 제공되는 초기값 역시 DLM 메모리(12)에 저장되었다가 통신모듈(15)을 통해 전송될 수 있다. 바람직하게 초기값은 최초 퍼스널 모빌리티에 조립시 제조사 등으로부터 제공받을 수 있다.

가중치 산출 모듈(16)은 이벤트 카운터(13)에 의해 추출되는 선별 데이터의 단위 시간당 카운팅 개수에 따라 데이터 수집 모듈(11)에서의 상태정보 수집 주기를 가변시킨다.

예컨대, 유의미한 진단 대상인 선별 데이터의 조건을 충족하는 카운팅 수가 증가한다면 배터리 팩 등에 이상이 발생한 것으로 볼 수 있으므로, 그에 대응하여 가중치가 반영된 설정된 비율로 정보 수집 주기를 단축시킬 수 있다.

즉, 변경 전에 비해 더 많은 상태정보 데이터를 수집하고 선별 데이터를 추출하여 진단에 제공될 수 있도록 하고, 더 나아가 진단 역시 더욱 빈번히 이루어지도록 할 수 있다.

이하, 첨부된 도면을 참조하여 본 발명에 따른 온라인 관리 시스템에 대해 설명한다.

도 5와 같이, 본 발명에 따른 온라인 관리 시스템은 퍼스널 모빌리티를 실시간 관리하는 것으로, 상술한 본 발명의 데이터 로깅 모듈(10)을 비롯하여 데이터베이스(20), 인공지능 엔진(30) 및 플랫폼 서버(40)를 포함한다.

여기서, 상기 데이터베이스(20)는 빅데이터를 구축하기 위한 것으로, 이벤트 카운터(13)에 의해 선택적으로 수집된 선별 데이터를 해당 정보가 수집된 시간 정보와 함께 기록하여 분석, 진단, 개발, 수리 등에 제공한다.

선별 데이터는 온라인을 통해 수집되어 데이터베이스(20)에 기록되며 AI 서버(40)에서 진단·예측에 이용된다.

이때, 바람직하게는 로우 데이터(raw data)로서 모든 상태정보 데이터들도 함께 데이터베이스(20)에 기록되어 클라이언트 등에 제공될 수 있다. 로우 데이터인 상태정보 데이터는 압축 후 압출 파일 형식으로 저장될 수 있으며, 필요시 선별 데이터 역시 압축하여 저장될 수 있다.

압축을 위해 상술한 압축모듈(DCP)에 의해 압축된 상태로 데이터를 수신할 수 있으며 이 경우 필요에 따라 복조기를 포함할 수 있다. 또한, 압축은 데이터베이스(20) 자체에서 진행될 수 있으며, 이 경우 데이터베이스(20)는 압축모듈(DCP)을 더 포함한다.

이러한 데이터베이스(20)는 단독으로 구비되거나 여러 데이터베이스(20)에 분산 구축될 수 있다. 또한, 인공지능 엔진(30)이 탑재되어 있는 AI 서버(40)나 플랫폼 서버(40)에 데이터베이스 서버로 구축될 수도 있다.

실시예로, 데이터베이스(20)에는 DLM 데이터 저장부(21)를 구비하여 배터리 팩 및 모터 각각에 대한 선별 데이터를 기록한다. 이때, 배터리 팩 및 모터의 선별 데이터는 퍼스널 모빌리티에 조립 후 사용 상태에서 수집된 데이터를 포함한다.

나아가, 데이터베이스(20)에는 다수의 셀들로 이루어진 배터리 팩을 퍼스널 모빌리티에 조립하여 사용전에 각 셀들의 교류내부저항(ACIR) 및 각 셀들의 전압을 측정하여 초기값을 기록할 수 있다. 따라서, 인공지능 엔진(30)은 사용중 수집된 배터리의 선별 데이터를 초기값과 비교하여 분석할 수 있다.

다만, 데이터베이스(20)는 다른 실시예로서 퍼스널 모빌리티의 주행 중 외부 환경으로 인해 전달되는 '주행 기록 데이터'와, 상기 퍼스널 모빌리티를 유지/보수한 'AS 데이터' 및 배터리 팩, 모터, 사용자 등의 '식별정보'를 입력받아 저장할 수 있다.

이를 위해 데이터베이스(20)는 주행 환경 저장부(22), A/S 내역 기록부(23) 및 사용 내역 기록부(24)를 더 포함한다.

그 중 주행 환경 저장부(22)에는 충격 센서나 자세 센서 등을 통해 퍼스널 모빌리티의 주행 환경 정보를 제공받는다. 따라서, 주행 중 지면으로부터 전달되거나 추돌, 충돌 혹은 전복 등에 의한 충격은 물론, 오르막이나 내리막 및 라이더의 운전습관 등도 기록하여 배터리 팩 등의 진단에 반영할 수 있게 한다.

A/S 내역 기록부(23)에는 퍼스널 모빌리티를 유지/보수한 AS 데이터를 기록한다. AS 데이터에는 수리 부품 내역 및 수리 날짜나 시간 등을 포함한다. 예컨대, 배터리 팩, 모터, 주행 보조장치, 차륜 및 배터리 보호 케이스 등을 비롯한 여러 수리 혹은 교체 정보를 포함한다. 이들 유지 보수 정보는 다른 선별 데이터와의 상관관계(AS에 따른 기술적 영향)를 분석할 수 있게 한다.

사용 내역 기록부(24)에는 사용 중 교체 가능한 배터리 팩의 식별번호 및 퍼스널 모빌리티를 사용중인 라이더(rider)의 사용자 정보를 각각 입력받아 기록하며, 필요시 모터의 식별번호 역시 기록한다.

퍼스널 모빌리티의 사용에 따라 배터리가 방전된 경우, 배터리 충전시간을 절약하도록 특정 국가나 지역 등에서는 완충된 배터리 팩으로 교체하여 서비스를 제공받는 경우가 있다.

이때 교체된 배터리 팩의 식별번호를 입력받아 기록할 수 있다. 또한, 해당 배터리 팩을 사용한 사용자(즉, 라이더)의 정보도 기록할 수 있다. 사용자 정보는 스마트폰 번호나 결재 정보와 같은 고객등록정보를 통해 확인 가능하다.

인공지능 엔진(30)은 데이터베이스(20)에 기록된 선별 데이터를 기계 학습에 의해 분석하여 이벤트 발생을 진단하고 예측한다. 구체적으로 빅데이터 관리, 이벤트(선별 데이터) 분석, 진단 및 예측 등을 수행한다.

실시예로 인공지능 엔진(30)은 AI 서버(40)에 구축될 수 있다. 물론, AI 서버(40) 이외에 후술하는 플랫폼 서버(40) 내에 컴퓨팅 처리 가능한 프로세서로 구현될 수 있으며, 딥 러닝(deep learning)과 같인 기계학습을 수행한다.

이때, 인공지능 엔진(30)은 라이더별로 사용중인 배터리 팩 및 모터의 선별 데이터를 기계 학습에 의해 분석하여 사용자별로 이벤트 발생을 진단할 수 있다.

또한, 선별 데이터를 분석결과 설정된 조건을 초과하는 선별 데이터가 검출되거나 시간별 선별 데이터 추출 수가 증가한 경우 인공지능 엔진(30)에서도 모니터링하는 횟수를 가변시켜 더욱 빈번히 진단할 수 있다.

이러한 모니터링 가변은 상술한 바와 같이 선별 데이터의 조건을 충족하는 카운팅 수가 증가함에 따라 더욱 빈번히 상태정보를 수집하는 가중치와는 별도로 독립하여 설정 및 진행될 수 있다. 즉, 모니터링을 위한 가중치를 별도로 적용할 수 있으며, 이를 위해 상술한 가중치 산출 모듈(16)의 산출값을 참조할 수 있다.

플랫폼 서버(40)는 선별 데이터를 인공지능 엔진(30)에서 분석한 정보와 함께 적어도 하나 이상의 클라이언트 단말측에 제공한다. 예컨대, 정렬된 데이터 제공, 사고원인 분석 결과, 사고유형 판독 결과 등을 제공하고 과금을 수행한다.

이를 위해 플랫폼 서버(40)는 데이터 처리 모듈(41) 및 사고 분석 모듈(42)을 포함한다.

그 중 데이터 처리 모듈(51)은 선별 데이터를 가공 및 추출하여 클라이언트에 제공한다. 또한, 로우 데이터로서 상태정보 데이터를 백업하였다가 선별 데이터에 기초한 진단 결과의 근거로 제공될 수 있다.

상술한 바와 같이, 선별 데이터를 제공받는 클라이언트는 배터리 제조업체, 보험사, A/S 센터, 대여나 공유 없체, 퍼스널 모빌리티 제조업체 및 교환형 배터리 업체 등을 포함한다.

선별 데이터를 제공받은 클라이언트는 수명 예측, 기술 개발, A/S 알림, 사고 원인 분석 등에 사용하며, 제공되는 선별 데이터의 양이나 종류에 따라 과금될 수 있다.

한편, 사고 분석 모듈(42)은 퍼스널 모빌리티에 사고 발생시, 사고 접수를 통해 사고가 발생한 사고 발생 시간 및 사고 유형을 분석한다. 또한, 배터리 식별정보나 사용자 정보 등도 함께 분석할 수 있다.

따라서, 플랫폼 서버(40)는 사고 발생 시간 이전에 기록된 선별 데이터를 추출하여, 사고 유형에 따른 사고가 발생한 원인을 판단한다.

예컨대, 퍼스널 모빌리티에 발생한 사고가 배터리 팩이나 모터의 이상에 기인한 것인지, 사용자(탑승자, end user)의 운행 미숙 등에 의한 것인지, 혹은 A/S에 따른 작동 불량에 기인한 것인지 등을 분석할 수 있게 한다.

이와 같이 플랫폼 서버(40)는 상기 선별 데이터, 주행 기록 데이터 및 AS 데이터를 조합하여 사고가 발생한 원인을 분석하여 사고의 책임을 규명할 수 있도록 하며, 규명된 정보는 개발사는 물론 보험사 등에 제공될 수 있다.

이상, 본 발명의 특정 실시예에 대하여 상술하였다. 그러나, 본 발명의 사상 및 범위는 이러한 특정 실시예에 한정되는 것이 아니라, 본 발명의 요지를 변경하지 않는 범위 내에서 다양하게 수정 및 변형 가능하다는 것을 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 이해할 것이다.

따라서, 이상에서 기술한 실시예들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이므로, 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 하며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.

10: 데이터 로깅 모듈
11: 데이터 수집 모듈
12: DLM 메모리
13: 이벤트 카운터
14: 데이터 로깅 엔진
15: 통신모듈
16: 가중치 산출 모듈
20: 데이터베이스
30: 인공지능 엔진
40: 플랫폼 서버
PM: 퍼스널 모빌리티
BAT: 배터리 팩
M: 모터
DCP: 압축모듈

Claims

퍼스널 모빌리티에 장착되어 배터리 팩과 모터의 상태정보를 수집하는 데이터 로깅 모듈에 있어서,
상기 배터리 팩과 모터를 감시하는 검출수단들로부터 상태정보를 각각 분류하여 수집하는 데이터 수집 모듈(11)과;
상기 데이터 수집 모듈(11)을 통해 수집된 상태정보 데이터들을 기록하는 DLM 메모리(12)와;
상기 상태정보 데이터들 중 미리 설정된 조건을 만족하는 데이터를 마이닝(data mining)하여 선별 데이터를 추출하는 이벤트 카운터(13)와;
상기 선별 데이터에 상기 선별 데이터를 수집한 시간 정보를 포함시켜 이벤트 카운트 데이터 프레임을 생성시키는 데이터 로깅 엔진(14); 및
상기 이벤트 카운트 데이터 프레임을 온라인 상의 데이터베이스로 전송하는 통신모듈(15);을 포함하는 것을 특징으로 하는 퍼스널 모빌리티용 데이터 로깅 모듈.
제1항에 있어서,
상기 데이터 수집 모듈(11)은,
적어도 상기 배터리 팩의 전압, 전류, 온도 및 각 셀간 전압 편차를 설정된 시간마다 수집하고,
적어도 상기 모터의 토크, 회전속도 및 온도를 설정된 시간마다 수집하는 것을 특징으로 하는 퍼스널 모빌리티용 데이터 로깅 모듈.
제2항에 있어서,
다수의 셀들로 이루어진 상기 배터리 팩을 상기 퍼스널 모빌리티에 조립하여 사용을 시작하기 이전에,
상기 각 셀들의 교류내부저항(ACIR : AC Internal Resistance) 및 각 셀들의 전압을 측정한 초기값을 제공하는 이니셜 데이터 모듈(14a)을 더 포함하는 것을 특징으로 하는 퍼스널 모빌리티용 데이터 로깅 모듈.
제2항에 있어서,
상기 이벤트 카운터(13)에 의해 추출되는 선별 데이터의 단위 시간당 카운팅 개수에 따라 상기 데이터 수집 모듈(11)에서의 상태정보 수집 주기를 가변시키는 가중치 산출 모듈(16)을 더 포함하는 것을 특징으로 하는 퍼스널 모빌리티용 데이터 로깅 모듈.
제1항 내지 제4항 중 어느 하나의 항과 같은 데이터 로깅 모듈(10)과;
온라인 통신망을 통해 상기 선별 데이터를 수신하여, 상기 선별 데이터가 발생된 시간 정보와 함께 기록하는 데이터베이스(20)와;
상기 데이터베이스(20)에 기록된 선별 데이터를 기계 학습(machine learning)에 의해 분석하여 이벤트 발생을 진단하고 예측하는 인공지능 엔진(30); 및
상기 선별 데이터를 상기 인공지능 엔진(30)에서 분석한 정보와 함께 적어도 하나 이상의 클라이언트 단말측으로 제공하는 플랫폼 서버(40);를 포함하는 것을 특징으로 하는 온라인 관리 시스템.
제5항에 있어서,
상기 데이터베이스(20)에는 상기 배터리 팩을 구성하는 각 셀들의 교류내부저항 및 상기 각 셀들의 전압을 측정하여 초기값을 기록하고,
상기 인공지능 엔진(30)은 상기 배터리 팩의 선별 데이터를 상기 초기값과 비교하여 분석하는 것을 특징으로 하는 온라인 관리 시스템.
제5항에 있어서,
상기 데이터베이스(20)는 사용 중 교체 가능한 상기 배터리 팩의 식별번호 및 상기 퍼스널 모빌리티를 사용중인 라이더(rider)의 사용자 정보를 각각 입력받아 기록하고,
상기 인공지능 엔진(30)은 상기 라이더별로 사용중인 상기 배터리 팩 및 모터의 선별 데이터를 기계 학습에 의해 분석하여 상기 사용자별로 이벤트 발생을 진단하는 것을 특징으로 하는 온라인 관리 시스템.
제5항에 있어서,
상기 퍼스널 모빌리티에 사고 발생시, 사고 접수를 통해 상기 사고가 발생한 사고 발생 시간 및 사고 유형을 분석하는 사고 분석 모듈을 더 포함하되,
상기 플랫폼 서버(40)는,
상기 사고 발생 시간 이전에 기록된 선별 데이터를 추출하여, 상기 사고 유형에 따른 사고가 발생한 원인을 판단하는 것을 특징으로 하는 온라인 관리 시스템.
제5항에 있어서,
상기 데이터베이스(20)에는,
상기 퍼스널 모빌리티의 주행 중 외부 환경으로 인해 전달되는 상태정보를 포함하는 주행 기록 데이터 및 상기 퍼스널 모빌리티를 유지/보수한 AS 데이터를 입력받아 저장하는 것을 특징으로 하는 온라인 관리 시스템.
제9항에 있어서,
상기 플랫폼 서버(40)는,
상기 선별 데이터, 주행 기록 데이터 및 AS 데이터를 조합하여 상기 사고가 발생한 원인을 분석하여 사고의 책임을 규명하는 것을 특징으로 하는 온라인 관리 시스템.