KR20240052154A - 차륜 부재의 상태 인식을 위한 장치 및 방법 - Google Patents

차륜 부재의 상태 인식을 위한 장치 및 방법 Download PDF

Info

Publication number
KR20240052154A
KR20240052154A KR1020220131675A KR20220131675A KR20240052154A KR 20240052154 A KR20240052154 A KR 20240052154A KR 1020220131675 A KR1020220131675 A KR 1020220131675A KR 20220131675 A KR20220131675 A KR 20220131675A KR 20240052154 A KR20240052154 A KR 20240052154A
Authority
KR
South Korea
Prior art keywords
data
wheel member
state data
state
module
Prior art date
Application number
KR1020220131675A
Other languages
English (en)
Inventor
김진평
김영남
윤광수
이승록
이진한
Original Assignee
재단법인차세대융합기술연구원
부산교통공사
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 재단법인차세대융합기술연구원, 부산교통공사 filed Critical 재단법인차세대융합기술연구원
Priority to KR1020220131675A priority Critical patent/KR20240052154A/ko
Publication of KR20240052154A publication Critical patent/KR20240052154A/ko

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61K—AUXILIARY EQUIPMENT SPECIALLY ADAPTED FOR RAILWAYS, NOT OTHERWISE PROVIDED FOR
    • B61K9/00—Railway vehicle profile gauges; Detecting or indicating overheating of components; Apparatus on locomotives or cars to indicate bad track sections; General design of track recording vehicles
    • B61K9/12—Measuring or surveying wheel-rims
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L15/00—Indicators provided on the vehicle or train for signalling purposes
    • B61L15/0072—On-board train data handling
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L15/00—Indicators provided on the vehicle or train for signalling purposes
    • B61L15/0081—On-board diagnosis or maintenance
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/08—Railway vehicles
    • G01M17/10—Suspensions, axles or wheels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

본 발명의 일 측면에 따른 차륜 부재의 상태 인식을 위한 학습 데이터 구축 장치는, 정의된 트랙을 따라 이동하는 차량의 차륜 부재의 제1 및 제2 상태 데이터를 수집하는 데이터 수집 모듈로서, 상기 제1 상태 데이터는 상기 차륜 부재의 이상을 야기할 것으로 예상되는 인자를 지표하고, 상기 제2 상태 데이터는 상기 차륜 부재의 이상 정도를 지표하는, 데이터 수집 모듈; 상기 데이터 수집 모듈에 의해 수집된 제1 및 제2 상태 데이터 간의 상관 관계 분석을 통해, 상기 제1 상태 데이터 중 상기 차륜 부재의 이상과 연관될 것으로 예상되는 주요 상태 데이터를 결정하는 데이터 분석 모듈; 및 상기 데이터 분석 모듈에 의해 결정된 주요 상태 데이터에 대한 정량 분석을 통해, 상기 주요 상태 데이터가 상기 차륜 부재의 이상을 야기하는 최종 영향 인자에 해당함을 검증하는 검증 과정을 수행하는 데이터 검증 모듈;을 포함하는 것을 특징으로 한다.

Description

차륜 부재의 상태 인식을 위한 장치 및 방법{APPARATUS AND METHOD FOR RECOGNIZING CONDITION OF WHEEL MEMBER}
본 발명은 차륜 부재의 상태 인식을 위한 장치 및 방법에 관한 것으로서, 더욱 상세하게는 철도 차량의 차륜 부재의 이상을 예측하는 과정에 활용될 수 있는, 차륜 부재의 상태 인식을 위한 장치 및 방법에 관한 것이다.
철도 차량의 차륜은 철도 운행에 있어 안전에 가장 중요한 부품으로, 레일과의 지속적인 마찰에 의해 차륜이 일정 수준 이상으로 마모되어 차륜이 레일로부터 탈선하는 것을 방지하고, 동시에 안정적인 승차감을 확보하기 위해 특정 형상을 갖는 차륜 프로파일 구조로 설계되어 있다.
그러나, 일반적으로 철도 차량의 차륜은 철도 차량의 운행 시 레일과의 연속적인 접촉하중을 받게 되며, 이에 따라 연속적이고 지속적인 접촉하중에 의한 차륜 답면의 손상은 운행 중의 충격 하중을 발생시켜, 차륜이 설치되는 대차 부품에 영향을 미치게 되며, 이는 차륜의 파손 및 탈선을 유발시켜 커다란 인명 피해를 야기시킨다.
현재, 철도 차량의 차륜 관리는 철도 차량의 운행 시 야기되는 이상적인 진동 및 소음 등 물리적인 현상이 관측될 때마다 차륜을 점검하는 사후적 점검에 국한되어 이루어지고 있으며, 이에 따라 차륜 소손으로 인한 철도 차량의 파손 및 인명 피해의 가능성에 상시 노출되어 있는 실정이다. 나아가, 차륜의 사후적 점검 이후 그 유지보수가 이루어짐에 따라 유지보수 비용도 증가하는 경제적인 소모도 수반되고 있다.
본 발명의 배경기술은 대한민국 공개특허공보 제10-2009-0042621호(2009.04.30. 공개)에 개시되어 있다.
본 발명은 전술한 문제점을 해결하기 위해 창안된 것으로서, 본 발명의 일 측면에 따른 목적은 철도 차량의 이상 현상 발생 시 수행되는 차륜의 사후적 점검에 의존하였던 종래의 관리 방법에서 벗어나, 철도 차량 차륜의 이상을 사전에 예측할 수 있는 장치 및 방법을 제공하는 것이다.
본 발명의 또 다른 목적은 철도 차량 차륜의 이상을 예측하기 위해 적용되는 기계 학습 알고리즘을 학습시키기 위한 학습 데이터를 정량적인 데이터 분석 기법에 의해 선별 및 특정함으로써 기계 학습 알고리즘의 학습 성능 및 예측 성능을 향상시키기 위한 장치 및 방법을 제공하는 것이다.
본 발명의 일 측면에 따른 차륜 부재의 상태 인식을 위한 학습 데이터 구축 장치는, 정의된 트랙을 따라 이동하는 차량의 차륜 부재의 제1 및 제2 상태 데이터를 수집하는 데이터 수집 모듈로서, 상기 제1 상태 데이터는 상기 차륜 부재의 이상을 야기할 것으로 예상되는 인자를 지표하고, 상기 제2 상태 데이터는 상기 차륜 부재의 이상 정도를 지표하는, 데이터 수집 모듈; 상기 데이터 수집 모듈에 의해 수집된 제1 및 제2 상태 데이터 간의 상관 관계 분석을 통해, 상기 제1 상태 데이터 중 상기 차륜 부재의 이상과 연관될 것으로 예상되는 주요 상태 데이터를 결정하는 데이터 분석 모듈; 및 상기 데이터 분석 모듈에 의해 결정된 주요 상태 데이터에 대한 정량 분석을 통해, 상기 주요 상태 데이터가 상기 차륜 부재의 이상을 야기하는 최종 영향 인자에 해당함을 검증하는 검증 과정을 수행하는 데이터 검증 모듈;을 포함하는 것을 특징으로 한다.
본 발명에 있어 상기 데이터 분석 모듈은, 상기 제1 및 제2 상태 데이터 간의 선형 상관 관계를 분석하는 방식을 통해 상기 주요 상태 데이터를 결정하되, 상기 제2 상태 데이터와의 피어슨 상관 계수(Pearson Correlation Coefficient)가 미리 정의된 기준치 이상인 제1 상태 데이터를 상기 주요 상태 데이터로 결정하는 것을 특징으로 한다.
본 발명에 있어 상기 데이터 검증 모듈은, 상기 주요 상태 데이터를 구성하는 복수의 하위 데이터 간의 선형 상관 관계를 분석하는 방식을 이용하여 상기 검증 과정을 수행하되, 상기 각 하위 데이터 간의 피어슨 상관 계수가 미리 정의된 기준치 이상인지 여부를 판단하는 것을 특징으로 한다.
본 발명에 있어 상기 데이터 검증 모듈은, 상기 각 하위 데이터 간의 선형 상관 관계를 분석하는 과정에 후속하여, 상기 각 하위 데이터 간의 시계열 상관 관계를 후속 분석하여 상기 검증 과정을 수행하는 것을 특징으로 한다.
본 발명에 있어 상기 차량은 철도 차량인 것을 특징으로 한다.
본 발명의 일 측면에 따른 차륜 부재의 상태 인식 장치는, 입력 데이터의 클래스를 식별하도록 구성된 기계 학습(Machine Learning) 알고리즘을 학습시키는 학습부로서, 학습 데이터 구축 장치에 의해 결정된 최종 영향 인자를 상기 기계 학습 알고리즘을 학습시키기 위한 학습 데이터로서 이용하는, 학습 모듈; 및 상기 학습 모듈을 통해 상기 기계 학습 알고리즘이 학습된 이후, 상기 차량이 이동하는 과정에서 수집되는, 상기 최종 영향 인자에 해당하는 상태 데이터를 상기 학습된 기계 학습 알고리즘에 적용하여 상기 차륜 부재의 이상을 예측하는 예측 모듈;를 포함하는 것을 특징으로 한다.
본 발명의 일 측면에 따른 차륜 부재의 상태 인식을 위한 학습 데이터 구축 방법은 데이터 수집 모듈이, 정의된 트랙을 따라 이동하는 차량의 차륜 부재의 제1 및 제2 상태 데이터를 수집하는 단계로서, 상기 제1 상태 데이터는 상기 차륜 부재의 이상을 야기할 것으로 예상되는 인자를 지표하고, 상기 제2 상태 데이터는 상기 차륜 부재의 이상 정도를 지표하는, 단계; 데이터 분석 모듈이, 상기 데이터 수집 모듈에 의해 수집된 제1 및 제2 상태 데이터 간의 상관 관계 분석을 통해, 상기 제1 상태 데이터 중 상기 차륜 부재의 이상과 연관될 것으로 예상되는 주요 상태 데이터를 결정하는 단계; 및 데이터 검증 모듈이, 상기 데이터 분석 모듈에 의해 결정된 주요 상태 데이터에 대한 정량 분석을 통해, 상기 주요 상태 데이터가 상기 차륜 부재의 이상을 야기하는 최종 영향 인자에 해당함을 검증하는 검증 과정을 수행하는 단계;을 포함하는 것을 특징으로 한다.
본 발명의 일 측면에 따른 차륜 부재의 상태 인식 방법은 학습 모듈이, 입력 데이터의 클래스를 식별하도록 구성된 기계 학습 알고리즘을 학습시키는 단계로서, 학습 데이터 구축 방법에 의해 결정된 최종 영향 인자를 상기 기계 학습 알고리즘을 학습시키기 위한 학습 데이터로서 이용하는, 단계; 및 예측 모듈이, 상기 학습 모듈을 통해 상기 기계 학습 알고리즘이 학습된 이후, 상기 차량이 이동하는 과정에서 수집되는, 상기 최종 영향 인자에 해당하는 상태 데이터를 상기 학습된 기계 학습 알고리즘에 적용하여 상기 차륜 부재의 이상을 예측하는 단계;를 포함하는 것을 특징으로 한다.
본 발명의 일 측면에 따른 컴퓨터 프로그램은 하드웨어와 결합되어, 정의된 트랙을 따라 이동하는 차량의 차륜 부재의 제1 및 제2 상태 데이터를 수집하는 단계로서, 상기 제1 상태 데이터는 상기 차륜 부재의 이상을 야기할 것으로 예상되는 인자를 지표하고, 상기 제2 상태 데이터는 상기 차륜 부재의 이상 정도를 지표하는, 단계; 상기 수집된 제1 및 제2 상태 데이터 간의 상관 관계 분석을 통해, 상기 제1 상태 데이터 중 상기 차륜 부재의 이상과 연관될 것으로 예상되는 주요 상태 데이터를 결정하는 단계; 및 상기 결정된 주요 상태 데이터에 대한 정량 분석을 통해, 상기 주요 상태 데이터가 상기 차륜 부재의 이상을 야기하는 최종 영향 인자에 해당함을 검증하는 검증 과정을 수행하는 단계;를 실행시키기 위해 컴퓨터 판독 가능 기록매체에 저장된 것을 특징으로 한다.
본 발명의 일 측면에 따르면, 최적화된 학습 데이터를 기반으로 학습된 기계 학습 알고리즘을 통해 철도 차량의 차륜을 모니터링하고 그 이상을 사전에 예측함으로써, 차륜의 사후적 점검에 의존하였던 종래의 관리 방법 대비 그 모니터링 편의성 및 유지보수 비용을 절감시킬 수 있다.
또한, 소정의 상관 관계 분석 방식을 통해 차륜 이상 예측을 위한 기계 학습 알고리즘의 학습 데이터를 선별 및 특정함으로써, 기계 학습 알고리즘의 학습 성능 및 예측 성능을 향상시킬 수 있다.
도 1은 본 실시예에 따른 차륜 부재의 상태 인식을 위한 장치를 설명하기 위한 블록구성도이다.
도 2 내지 도 5는 본 실시예에 따른 차륜 부재의 상태 인식을 위한 장치에서 데이터 분석 모듈의 동작을 시각적으로 보인 예시도이다.
도 6 내지 도 14는 본 실시예에 따른 차륜 부재의 상태 인식을 위한 장치에서 데이터 검증 모듈의 동작을 시각적으로 보인 예시도이다.
도 15는 본 실시예에 따른 차륜 부재의 상태 인식을 위한 방법을 설명하기 위한 흐름도이다.
이하, 첨부된 도면들을 참조하여 본 발명에 따른 차륜 부재의 상태 인식을 위한 장치 및 방법의 실시예를 설명한다. 이 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 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
본 실시예는 정의된 트랙(레일)을 따라 이동하는 철도 차량의 차륜 부재의 이상(열화)을 야기하는 영향 인자(후술하는 최종 영향 인자)를 결정하고, 결정된 최종 영향 인자를 이용하여 차륜 부재의 이상을 예측하기 위한 기계 학습(Machine Learning) 알고리즘을 학습시키며, 최종 영향 인자에 해당하는 차륜 부재의 실측 데이터를 상기 학습된 기계 학습 알고리즘에 적용하여 차륜 부재의 이상을 예측하도록 동작한다. 상기한 차륜 부재는 철제 차륜의 경우 차륜 자체를 의미할 수도 있고, 경전철에 적용되는 고무 차륜의 경우 타이어를 의미할 수도 있다. 본 실시예에서는 차륜 부재가 경전철 고무 차륜 타이어를 의미하는 것으로 설명한다. 또한, 차륜 부재의 이상은 차륜 부재의 파손 부위(위치), 파손 정도, 및 파손이 예측되는 시점을 포괄하는 개념으로 정의될 수 있으며, 본 실시예에서는 정량적 표현을 위해 차륜 부재의 이상(즉, 열화)이 타이어의 트레드 깊이에 해당하는 것으로 설명한다.
위에서 언급한 본 실시예의 동작 중, 최종 영향 인자를 결정하는 동작은 차륜 부재의 상태 인식을 위한 학습 데이터 구축 장치(10, 이하 학습 데이터 구축 장치)에 의해 수행되며, 기계 학습 알고리즘을 학습시키고 차륜 부재의 이상을 예측하는 동작은 차륜 부재의 상태 인식 장치(20, 이하 상태 인식 장치)에 의해 수행된다. 차륜 부재의 이상을 예측하기 위한 기계 학습 알고리즘은, 입력 데이터의 클래스를 식별하도록 구성되며, 본 실시예에서는 학습 데이터 구축 장치(10)에 의해 결정된 최종 영향 인자에 해당하는 차륜의 실측 데이터를 입력받고, 그 클래스로서 차륜 부재의 이상을 출력하도록 학습된다.
한편, 기계 학습 알고리즘의 학습 정확도, 그리고 그에 따른 예측 정확도는 전적으로 기계 학습 알고리즘의 학습 과정에서 이용되는 학습 데이터의 품질 및 양에 의존한다. 차륜 부재의 이상을 야기하는 것과 무관한 인자가 학습 데이터로 이용될 경우 High Bias를 야기하여 기계 학습 알고리즘이 언더 피팅(Under Fitting)될 수 있고, 학습 데이터의 양이 과도하게 증가하면 High Variance를 야기하여 기계 학습 알고리즘이 오버 피팅(Over Fitting)될 수 있으며, 이는 기계 학습 알고리즘의 학습 성능 및 예측 성능의 저하를 나타낸다.
이에, 본 실시예에서는 기계 학습 알고리즘을 학습시키는데 이용되는 학습 데이터를 최적화시키는 구성을 채용한다. 즉, 차륜 부재의 이상을 야기할 것으로 예상되는 데이터를 선별적으로 수집하여 학습 데이터의 품질(Feature)이 높아지도록 유도하며, 이후 정량적인 데이터 분석 기법을 통해 기계 학습 알고리즘을 학습시키는데 이용될 학습 데이터(즉, 차륜 부재의 이상을 야기하는 최종 영향 인자)를 선별 및 특정함으로써, 기계 학습 알고리즘의 학습에 소요되는 로드가 저감되고 예측 성능이 향상되도록 하는 방안을 제시하며, 이하에서 구체적으로 설명한다.
도 1은 본 실시예에 따른 차륜 부재의 상태 인식을 위한 장치를 설명하기 위한 블록구성도이고, 도 2 내지 도 5는 본 실시예에 따른 차륜 부재의 상태 인식을 위한 장치에서 데이터 분석 모듈의 동작을 시각적으로 보인 예시도이며, 도 6 내지 도 14는 본 실시예에 따른 차륜 부재의 상태 인식을 위한 장치에서 데이터 검증 모듈의 동작을 시각적으로 보인 예시도이다.
도 1을 참조하면, 본 실시예에 따른 학습 데이터 구축 장치(10)는 데이터 수집 모듈(100), 데이터 분석 모듈(200) 및 데이터 검증 모듈(300)을 포함하며, 상기와 같은 학습 데이터 구축 장치(10)는 학습 모듈(400) 및 예측 모듈(500)과 함께 상태 인식 장치(20)를 구성한다. 본 실시예의 각 구성(100, 200, 300, 400, 500)은 프로세서(Processor), 중앙 처리 장치(CPU: Central Processing Unit) 또는 SoC(System on Chip)로 구현될 수 있으며, 운영 체제 또는 어플리케이션을 구동하여 프로세서에 연결된 복수의 하드웨어 또는 소프트웨어 구성요소들을 제어할 수 있고, 각종 데이터 처리 및 연산을 수행할 수 있으며, 메모리에 저장된 적어도 하나의 명령을 실행시키고, 그 실행 결과 데이터를 메모리에 저장하도록 구성될 수 있다.
학습 데이터 구축 장치(10)의 동작을 그 하위 구성별로 구체적으로 설명하면, 먼저 데이터 수집 모듈(100)은 차륜 부재의 제1 및 제2 상태 데이터를 수집한다. 여기서, 제1 상태 데이터는 차륜 부재의 이상을 야기할 것으로 예상되는 인자를 지표하는 데이터로 정의되며(구체적으로는, 차륜 부재의 열역학적 상태 및 동역학적 상태를 지표하는 데이터), 제2 상태 데이터는 차륜 부재의 이상 정도를 지표하는 데이터로 정의된다.
구체적으로, 철도 차량의 경우 열차종합제어장치(Train Control & Monitoring System, 이하 TCMS)가 마련되어, 철도 차량 내의 각 부속장치(예: 주변압기, 브레이크장치, 출입문 제어장치, 고압회로 및 저압회로기기, 공압장치, ATC 차상장치 또는 ATS 차상장치 등)에 대한 상태 데이터를 수집하고 자체 제어 로직 또는 외부로부터 입력되는 제어 신호에 의해 각 부속장치의 동작을 제어함과 동시에 그 이력을 기록하며, 또한 철도 차량에 장착된 각 센서(예: 타이어 내부 온도 센서, 타이어 내부 압력 센서, 가속도 센서)로부터의 데이터를 수집하여 철도 차량의 운행 및 고장에 대한 종합 관리를 수행하도록 동작한다.
데이터 수집 모듈(100)은 TCMS에 의해 관리되는 방대한 데이터 중, 제1 상태 데이터, 즉 차륜 부재의 열역학적 상태 및 동역학적 상태를 지표하여 그 이상을 야기할 것으로 예상되는 인자에 해당하는 데이터만을 선별적으로 수집한다. 즉, 앞서 설명한 것과 같이 본 실시예에서 차륜 부재는 경전철 고무 차륜 타이어에 해당할 수 있으며, 이에 따라 차륜 부재의 이상은 열역학적 상태 및 동역학적 상태에 의존하므로, 데이터 수집 모듈(100)은 TCMS에 의해 관리되는 방대한 데이터 중, 차륜 부재의 이상을 야기할 수 있는 제1 상태 데이터만을 선별적으로 수집하여, 기계 학습 알고리즘의 학습 데이터로 기능하게 되는 최종 영향 인자의 Feature가 높아지도록 할 수 있다. 제1 상태 데이터에는 차륜 부재, 즉 타이어의 내부 온도, 내부 압력, 체적 및 3축 가속도(3축은 차량의 횡방향을 지시하는 x축, 차량의 종방향을 지시하는 y축, 차량의 상하 방향을 지시하는 z축을 의미한다), 온도센서 및 압력센서의 배터리 전압 등이 해당될 수 있다. 이와 함께, 데이터 수집 모듈(100)은 제2 상태 데이터를 수집할 수 있으며, 제2 상태 데이터는 전술한 것과 같이 타이어의 트레드 깊이에 해당할 수 있다. 이러한 제1 및 제2 상태 데이터는 복수의 시점 각각에 대하여 수집될 수 있으며, 하기 표 1은 수집되는 상태 데이터의 예시를 나타낸다.
데이터
구분		 단위 채널명 내용 값
제1 시점 제2 시점
제1
상태데이터		 가속도(g) AI B-1~3 3번(LF)의 차축 가속도
(X, Y, Z)		 ... ...
mV LF_TTPMS_BAT_V LF 타이어 내부 온도/압력 센서 배터리 상태(mV) ... ...
압력(mbar) LF_TTPMS_P LF 타이어 압력 값 ... ...
LF_TTPMS_P_GAUGE LF 타이어 게이지 압력 값 ... ...
온도(C) LF_TTPMS_T1~16 LF 타이어 내부의 16개 지점 온도 ... ...
mV RF_TTPMS_BAT_V RF 타이어 내부 온도/압력 센서 배터리 상태(mV) ... ...
압력(mbar) RF_TTPMS_P RF 타이어 압력 값 ... ...
RF_TTPMS_P_GAUGE RF 타이어 게이지 압력 값 ... ...
온도(C) RF_TTPMS_T1~16 RF 타이어 내부의 16개 지점 온도 ... ...
mV LR_TTPMS_BAT_V LR 타이어 내부 온도/압력 센서 배터리 상태 ... ...
압력(mbar) LR_TTPMS_P LR 타이어 압력 값 ... ...
LR_TTPMS_P_GAUGE LR 타이어 게이지 압력 값 ... ...
온도(C) LR_TTPMS_T1~16 LR 타이어 내부의 16개 지점 온도 ... ...
mV RR_TTPMS_BAT_V RR 타이어 내부 온도/압력 센서 배터리 상태(mV) ... ...
압력(mbar) RR_TTPMS_P RR 타이어 압력 값 ... ...
RR_TTPMS_P_GAUGE RR 타이어 게이지 압력 값 ... ...
온도(C) RR_TTPMS_T1~16 RR 타이어 내부의 16개 지점 온도 ... ...
제2 상태 데이터 mm Tread 타이어 트레드 깊이 ... ...
데이터 수집 모듈(100)에 의해 수집된 데이터로부터, 후술하는 데이터 분석 모듈(200) 및 데이터 검증 모듈(300)에 의해, 차륜 부재의 이상을 야기하는 최종 영향 인자가 도출된다. 즉, 데이터 수집 모듈(100)에 의해 수집된 제1 상태 데이터 전부를, 차륜 부재 이상 예측을 위한 기계 학습 알고리즘의 학습 데이터로 이용함에 따라 야기될 수 있는 기계 학습 알고리즘의 오버 피팅이 방지될 수 있도록, 본 실시예는 기계 학습 알고리즘의 학습 데이터로 기능하게 되는 최종 영향 인자의 수를 최적화시키도록 동작하며, 최종 영향 인자의 수를 최적화시키기 위한 정량적 기준 내지 방법으로서 상관 분석(Correlation Analysis)을 채용한다.
먼저 데이터 분석 모듈(200)의 동작에 대하여 설명하면, 데이터 분석 모듈(200)은 데이터 수집 모듈(100)에 의해 수집된 제1 및 제2 상태 데이터 간의 상관 관계 분석을 통해, 제1 상태 데이터 중 차륜 부재의 이상과 연관될 것으로 예상되는(즉, 차륜 부재의 이상에 직접적으로 영향을 미칠 것으로 예상되는) 주요 상태 데이터를 결정한다. 이때, 데이터 분석 모듈(200)은 제1 및 제2 상태 데이터 간의 선형 상관 관계를 분석하는 방식을 통해 주요 상태 데이터를 결정할 수 있으며, 선형 상관 관계 분석 방식으로서 피어슨 상관 계수(Pearson Correlation Coefficient, ρp)가 적용될 수 있다. 이에 따라, 데이터 분석 모듈(200)은 제2 상태 데이터와의 피어슨 상관 계수가 미리 정의된 기준치 이상인 제1 상태 데이터를 주요 상태 데이터로 결정할 수 있다.
도 2 내지 도 5는 각각 우측 전륜(RF), 좌측 전륜(LF), 우측 후륜(RR), 좌측 후륜(LR)에 대하여 제1 및 제2 상태 데이터 간의 선형 상관 관계를 분석한 결과를 Heatmap의 형태로 도시한 예시를 보이고 있다(횡축은 제1 상태 데이터의 값, 종축은 제2 상태 데이터의 값). 데이터 분석 모듈(200)은 제1 상태 데이터를 구성하는 각 하위 데이터(즉, 타이어의 내부 온도, 내부 압력, 체적, 3축 가속도, 센서 배터리 전압 등) 중 제2 상태 데이터(즉, 타이어 트레드 깊이)와의 피어슨 상관 계수가 미리 정의된 기준치(기준치는 설계자의 의도 및 실험적 결과에 기초하여 특정 값으로 미리 정의되어 있을 수 있다(예: 0.8)) 이상인 데이터를 주요 상태 데이터로 결정할 수 있다. 도 2 내지 도 5의 예시에서 주요 상태 데이터는 타이어의 내부 온도, 내부 압력 및 3축 가속도로 결정된다.
다음으로, 데이터 검증 모듈(300)은 위 결정된 주요 상태 데이터에 대한 정량 분석을 통해, 주요 상태 데이터가 차륜 부재의 이상을 야기하는 최종 영향 인자에 해당함을 검증하는 검증 과정을 수행한다. 상기의 검증 과정은, 주요 상태 데이터를 구성하는 복수의 하위 데이터 간의 선형 상관 관계 분석 과정 및 시계열 상관 관계 분석 과정을 포함할 수 있다.
먼저, 데이터 검증 모듈(300)은 주요 상태 데이터를 구성하는 복수의 하위 데이터 간의 선형 상관 관계를 분석하되, 각 하위 데이터 간의 피어슨 상관 계수가 미리 정의된 기준치 이상인지 여부를 판단하는 방식으로 각 하위 데이터 간의 선형 상관 관계를 분석한다. 즉, 데이터 검증 모듈(300)은 각 하위 데이터 간의 피어슨 상관 계수가 미리 정의된 기준치 이상인 경우, 주요 상태 데이터가 차륜 부재의 이상을 야기하는 최종 영향 인자에 해당하는 것으로 1차적으로 판단한다. 기준치는 설계자의 의도 및 실험적 결과에 기초하여 특정 값으로 미리 정의되어 있을 수 있다(예: 0.8).
주요 상태 데이터가 타이어의 내부 온도, 내부 압력 및 3축 가속도로 결정된 위 예시에서, 데이터 검증 모듈(300)은 내부 온도 및 내부 압력 간의 피어슨 상관 계수, 내부 온도 및 3축 가속도 간의 피어슨 상관 계수, 그리고 내부 압력 및 3축 가속도 간의 피어슨 상관 계수를 산출하고, 산출된 각 피어슨 상관 계수가 모두 상기한 기준치 이상인 경우, 타이어의 내부 온도, 내부 압력 및 3축 가속도가 최종 영향 인자에 해당하는 것으로 1차적으로 판단할 수 있다.
각 하위 데이터 간의 선형 상관 관계를 분석하는 과정에 후속하여, 데이터 검증 모듈(300)은 각 하위 데이터 간의 시계열 상관 관계를 후속 분석한다. 구체적으로, 데이터 검증 모듈(300)은 EDA(Exploratory Data Analysis) 알고리즘과 같은 시계열 상관 관계 분석 알고리즘을 통해 각 하위 데이터 간의 시계열적 변화 패턴이 정합되는지 여부를 판단한다. 시계열적 변화 패턴이 정합된다 함은 시계열적으로 변환하는 추세가 두 데이터 간에 유사하거나, 시계열적인 변화가 발생하는 시점이 유사함을 의미하며, 상기 '유사'의 정량적 기준은 설계자의 의도 및 실험적 결과에 기초하여 상기한 EDA 알고리즘에 미리 정의되어 있을 수 있다.
도 6 내지 도 14는 제2 상태 데이터(즉, 타이어 트레드 깊이)별로 주요 상태 데이터로 도출된 타이어의 내부 온도, 내부 압력 및 3축 가속도의 시계열적 변화를 보이고 있다. 도 6 내지 도 14에 도시된 것과 같이, 타이어의 내부 온도, 내부 압력 및 3축 가속도의 시계열적 변화 패턴이 정합되는 것을 확인할 수 있으며(즉, 시계열적인 변화가 발생하는 시점이 일치), 따라서 데이터 검증 모듈(300)은 주요 상태 데이터로 도출된 타이어의 내부 온도, 내부 압력 및 3축 가속도가 최종 영향 인자에 해당하는 것으로 최종 판단할 수 있다.
전술한 과정을 통해 최종 영향 인자가 결정되면, 상태 인식 장치(20)는 결정된 최종 영향 인자를 통해 기계 학습 알고리즘(예: SVM(Support Vector Machine) 또는 Random Forest 등)을 학습시켜 차륜 부재의 이상을 예측하도록 동작하며, 앞서 언급한 것과 같이 상태 인식 장치(20)는 위에서 설명한 학습 데이터 구축 장치(10), 학습 모듈(400) 및 예측 모듈(500)을 포함하도록 구성된다.
학습 모듈(400)은 학습 데이터 구축 장치(10)에 의해 결정된 최종 영향 인자를 학습 데이터로 이용하여 기계 학습 알고리즘을 학습시킨다. 최종 영향 인자가 타이어의 내부 온도, 내부 압력 및 3축 가속도로 결정된 위 예시에서, 학습 모듈(400)은 타이어의 내부 온도, 내부 압력 및 3축 가속도에 대한 데이터를 입력 데이터로 하고, 데이터 수집 모듈(100)에 의해 수집된 차륜 부재의 제2 상태 데이터(즉, 타이어 트레드 깊이)를 출력 클래스로 하여 기계 학습 알고리즘을 학습시킨다. 이 경우, 타이어의 내부 온도 및 내부 압력에 대한 데이터가 수집되는 수집 주기(즉, 온도/압력 센서 데이터 수집 주기. 예: 100Hz)와 3축 가속도에 대한 데이터가 수집되는 수집 주기(즉, 가속도 센서 데이터 수집 주기. 예: 1000Hz)가 상이할 수 있음을 고려하여, 학습 모듈(400)은 각 데이터의 수집 주기를 최소 주기(위 예시에서 100Hz)에 따라 샘플링하여 데이터를 동기화시킴으로써 학습 데이터를 생성한 후 기계 학습 알고리즘을 학습시킬 수 있다. 또한, 생성된 학습 데이터에서 이상치(Outlier)가 제거될 수 있도록 설정 조건을 충족하는 데이터만을 학습 데이터로서 활용할 수 있다(예: 차량 운행 속도가 60km/h 이상인 시점에서의 데이터, 및 타이어 내부 온도가 -100℃ 이상 100℃ 이하의 범위를 벗어나는 데이터는 이상치로서 제거).
학습 모듈(400)을 통해 기계 학습 알고리즘이 학습된 이후, 예측 모듈(500)은 차량이 이동하는 과정에서 수집되는, 최종 영향 인자에 해당하는 상태 데이터를 학습된 기계 학습 알고리즘에 적용하여 차륜 부재의 이상을 예측한다. 즉, 기계 학습 알고리즘의 학습이 완료되면, 예측 모듈(500)은 차기 시점에서 차량이 이동하는 동안 수집되는 상태 데이터(즉, 타이어의 내부 온도, 내부 압력 및 3축 가속도에 대한 데이터)를 기계 학습 알고리즘에 입력하고, 기계 학습 알고리즘으로부터 출력되는 클래스인 차륜 부재의 상태 데이터(즉, 타이어 트레드 깊이)를 확인하는 방식으로 차륜 부재의 이상을 예측한다. 예측 모듈(500)의 예측 결과는 TCMS로 피드백되어 철도 차량의 종합 제어 및 관리 과정에서 활용될 수 있다.
도 15는 본 실시예에 따른 차륜 부재의 상태 인식을 위한 방법을 설명하기 위한 흐름도로서, 전술한 내용과 중복적인 구성에 대한 구체적인 설명은 생략하고 그 시계열적인 구성을 중심으로 설명한다. 도 15의 S100 단계 내지 S300 단계는 학습 데이터 구축 방법을 구성하며, S100 단계 내지 S500 단계는 상태 인식 방법을 구성한다.
먼저, 데이터 수집 모듈(100)은 차량의 차륜 부재의 제1 및 제2 상태 데이터를 수집한다(S100). 제1 상태 데이터는 차륜 부재의 이상을 야기할 것으로 예상되는 인자를 지표하고, 제2 상태 데이터는 상기 차륜 부재의 이상 정도를 지표한다.
이어서, 데이터 분석 모듈(200)은 S100 단계에서 수집된 제1 및 제2 상태 데이터 간의 상관 관계 분석을 통해, 제1 상태 데이터 중 차륜 부재의 이상과 연관될 것으로 예상되는 주요 상태 데이터를 결정한다(S200). S200 단계에서, 데이터 분석 모듈(200)은 제1 및 제2 상태 데이터 간의 선형 상관 관계를 분석하는 방식을 통해 주요 상태 데이터를 결정하되, 제2 상태 데이터와의 피어슨 상관 계수가 미리 정의된 기준치 이상인 제1 상태 데이터를 주요 상태 데이터로 결정한다.
이어서, 데이터 검증 모듈(300)은 S200 단계에서 결정된 주요 상태 데이터에 대한 정량 분석을 통해, 주요 상태 데이터가 차륜 부재의 이상을 야기하는 최종 영향 인자에 해당함을 검증하는 검증 과정을 수행한다(S300). S300 단계에서, 데이터 검증 모듈(300)은 주요 상태 데이터를 구성하는 복수의 하위 데이터 간의 선형 상관 관계를 분석하되, 각 하위 데이터 간의 피어슨 상관 계수가 미리 정의된 기준치 이상인지 여부를 판단하는 방식으로 각 하위 데이터 간의 선형 상관 관계를 분석한다. 각 하위 데이터 간의 피어슨 상관 계수가 미리 정의된 기준치 이상인 것으로 판단된 경우, 데이터 검증 모듈(300)은 각 하위 데이터 간의 시계열 상관 관계를 후속 분석하는 방식으로 최종 영향 인자를 최종적으로 검증한다.
이후, 학습 모듈(400)은 S100 단계 내지 S300 단계를 통해 결정된 최종 영향 인자를 학습 데이터로 이용하여 기계 학습 알고리즘을 학습시킨다(S400).
S400 단계를 통해 기계 학습 알고리즘이 학습된 이후, 예측 모듈(500)은 차량이 이동하는 과정에서 수집되는, 최종 영향 인자에 해당하는 상태 데이터를 학습된 기계 학습 알고리즘에 적용하여 차륜 부재의 이상을 예측한다(S500).
한편, 본 실시예에 따른 차륜 부재의 상태 인식을 위한 방법은 하드웨어와 결합되어 전술한 S100 단계 내지 S500 단계를 실행시키기 위한 컴퓨터 프로그램으로 작성될 수 있으며, 컴퓨터로 판독 가능한 기록매체에 저장되어 상기 컴퓨터 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 컴퓨터로 판독 가능한 기록매체는 ROM, RAM, 하드 디스크, 플로피 디스크, 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 플래시 메모리(flash memory)와 같은 프로그램 명령어들을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 해당될 수 있다.
이와 같이 본 실시예는 최적화된 학습 데이터를 기반으로 학습된 기계 학습 알고리즘을 통해 철도 차량의 차륜을 모니터링하고 그 이상을 사전에 예측함으로써, 차륜의 사후적 점검에 의존하였던 종래의 관리 방법 대비 그 모니터링 편의성 및 유지보수 비용을 절감시킬 수 있다. 또한, 소정의 상관 관계 분석 방식을 통해 차륜 이상 예측을 위한 기계 학습 알고리즘의 학습 데이터를 선별 및 특정함으로써, 기계 학습 알고리즘의 학습 성능 및 예측 성능을 향상시킬 수 있다.
본 명세서에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일 실시 예에 따르면, 모듈은 ASIC(Application-Specific Integrated Circuit)의 형태로 구현될 수 있다. 또한, 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 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며 당해 기술이 속하는 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호범위는 아래의 특허청구범위에 의하여 정해져야 할 것이다.
10: 학습 데이터 구축 장치
20: 상태 인식 장치
100: 데이터 수집 모듈
200: 데이터 분석 모듈
300: 데이터 검증 모듈
400: 학습 모듈
500: 예측 모듈

Claims (9)

  1. 정의된 트랙을 따라 이동하는 차량의 차륜 부재의 제1 및 제2 상태 데이터를 수집하는 데이터 수집 모듈로서, 상기 제1 상태 데이터는 상기 차륜 부재의 이상을 야기할 것으로 예상되는 인자를 지표하고, 상기 제2 상태 데이터는 상기 차륜 부재의 이상 정도를 지표하는, 데이터 수집 모듈;
    상기 데이터 수집 모듈에 의해 수집된 제1 및 제2 상태 데이터 간의 상관 관계 분석을 통해, 상기 제1 상태 데이터 중 상기 차륜 부재의 이상과 연관될 것으로 예상되는 주요 상태 데이터를 결정하는 데이터 분석 모듈; 및
    상기 데이터 분석 모듈에 의해 결정된 주요 상태 데이터에 대한 정량 분석을 통해, 상기 주요 상태 데이터가 상기 차륜 부재의 이상을 야기하는 최종 영향 인자에 해당함을 검증하는 검증 과정을 수행하는 데이터 검증 모듈;
    을 포함하는 것을 특징으로 하는, 차륜 부재의 상태 인식을 위한 학습 데이터 구축 장치.
  2. 제1항에 있어서,
    상기 데이터 분석 모듈은, 상기 제1 및 제2 상태 데이터 간의 선형 상관 관계를 분석하는 방식을 통해 상기 주요 상태 데이터를 결정하되, 상기 제2 상태 데이터와의 피어슨 상관 계수(Pearson Correlation Coefficient)가 미리 정의된 기준치 이상인 제1 상태 데이터를 상기 주요 상태 데이터로 결정하는 것을 특징으로 하는, 차륜 부재의 상태 인식을 위한 학습 데이터 구축 장치.
  3. 제1항에 있어서,
    상기 데이터 검증 모듈은, 상기 주요 상태 데이터를 구성하는 복수의 하위 데이터 간의 선형 상관 관계를 분석하는 방식을 이용하여 상기 검증 과정을 수행하되, 상기 각 하위 데이터 간의 피어슨 상관 계수가 미리 정의된 기준치 이상인지 여부를 판단하는 것을 특징으로 하는, 차륜 부재의 상태 인식을 위한 학습 데이터 구축 장치.
  4. 제3항에 있어서,
    상기 데이터 검증 모듈은, 상기 각 하위 데이터 간의 선형 상관 관계를 분석하는 과정에 후속하여, 상기 각 하위 데이터 간의 시계열 상관 관계를 후속 분석하여 상기 검증 과정을 수행하는 것을 특징으로 하는, 차륜 부재의 상태 인식을 위한 학습 데이터 구축 장치.
  5. 제1항에 있어서,
    상기 차량은 철도 차량인 것을 특징으로 하는, 차륜 부재의 상태 인식을 위한 학습 데이터 구축 장치.
  6. 입력 데이터의 클래스를 식별하도록 구성된 기계 학습(Machine Learning) 알고리즘을 학습시키는 학습부로서, 제1항에 따른 학습 데이터 구축 장치에 의해 결정된 최종 영향 인자를 상기 기계 학습 알고리즘을 학습시키기 위한 학습 데이터로서 이용하는, 학습 모듈; 및
    상기 학습 모듈을 통해 상기 기계 학습 알고리즘이 학습된 이후, 상기 차량이 이동하는 과정에서 수집되는, 상기 최종 영향 인자에 해당하는 상태 데이터를 상기 학습된 기계 학습 알고리즘에 적용하여 상기 차륜 부재의 이상을 예측하는 예측 모듈;
    를 포함하는 것을 특징으로 하는, 차륜 부재의 상태 인식 장치.
  7. 데이터 수집 모듈이, 정의된 트랙을 따라 이동하는 차량의 차륜 부재의 제1 및 제2 상태 데이터를 수집하는 단계로서, 상기 제1 상태 데이터는 상기 차륜 부재의 이상을 야기할 것으로 예상되는 인자를 지표하고, 상기 제2 상태 데이터는 상기 차륜 부재의 이상 정도를 지표하는, 단계;
    데이터 분석 모듈이, 상기 데이터 수집 모듈에 의해 수집된 제1 및 제2 상태 데이터 간의 상관 관계 분석을 통해, 상기 제1 상태 데이터 중 상기 차륜 부재의 이상과 연관될 것으로 예상되는 주요 상태 데이터를 결정하는 단계; 및
    데이터 검증 모듈이, 상기 데이터 분석 모듈에 의해 결정된 주요 상태 데이터에 대한 정량 분석을 통해, 상기 주요 상태 데이터가 상기 차륜 부재의 이상을 야기하는 최종 영향 인자에 해당함을 검증하는 검증 과정을 수행하는 단계;
    을 포함하는 것을 특징으로 하는, 차륜 부재의 상태 인식을 위한 학습 데이터 구축 방법.
  8. 학습 모듈이, 입력 데이터의 클래스를 식별하도록 구성된 기계 학습 알고리즘을 학습시키는 단계로서, 제7항에 따른 학습 데이터 구축 방법에 의해 결정된 최종 영향 인자를 상기 기계 학습 알고리즘을 학습시키기 위한 학습 데이터로서 이용하는, 단계; 및
    예측 모듈이, 상기 학습 모듈을 통해 상기 기계 학습 알고리즘이 학습된 이후, 상기 차량이 이동하는 과정에서 수집되는, 상기 최종 영향 인자에 해당하는 상태 데이터를 상기 학습된 기계 학습 알고리즘에 적용하여 상기 차륜 부재의 이상을 예측하는 단계;
    를 포함하는 것을 특징으로 하는, 차륜 부재의 상태 인식 방법.
  9. 하드웨어와 결합되어,
    정의된 트랙을 따라 이동하는 차량의 차륜 부재의 제1 및 제2 상태 데이터를 수집하는 단계로서, 상기 제1 상태 데이터는 상기 차륜 부재의 이상을 야기할 것으로 예상되는 인자를 지표하고, 상기 제2 상태 데이터는 상기 차륜 부재의 이상 정도를 지표하는, 단계;
    상기 수집된 제1 및 제2 상태 데이터 간의 상관 관계 분석을 통해, 상기 제1 상태 데이터 중 상기 차륜 부재의 이상과 연관될 것으로 예상되는 주요 상태 데이터를 결정하는 단계; 및
    상기 결정된 주요 상태 데이터에 대한 정량 분석을 통해, 상기 주요 상태 데이터가 상기 차륜 부재의 이상을 야기하는 최종 영향 인자에 해당함을 검증하는 검증 과정을 수행하는 단계;
    를 실행시키기 위해 컴퓨터 판독 가능 기록매체에 저장된 컴퓨터 프로그램.
KR1020220131675A 2022-10-13 2022-10-13 차륜 부재의 상태 인식을 위한 장치 및 방법 KR20240052154A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220131675A KR20240052154A (ko) 2022-10-13 2022-10-13 차륜 부재의 상태 인식을 위한 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220131675A KR20240052154A (ko) 2022-10-13 2022-10-13 차륜 부재의 상태 인식을 위한 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20240052154A true KR20240052154A (ko) 2024-04-23

Family

ID=90881316

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220131675A KR20240052154A (ko) 2022-10-13 2022-10-13 차륜 부재의 상태 인식을 위한 장치 및 방법

Country Status (1)

Country Link
KR (1) KR20240052154A (ko)

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
US9075701B2 (en) Apparatus and method for monitoring abnormal state of vehicle using clustering technique
CN111351664B (zh) 一种基于lstm模型的轴承温度预测和报警诊断方法
CN110222436B (zh) 列车零部件健康状态的评估方法、装置及存储介质
CN110222437A (zh) 列车车列健康状态的评估方法、装置及存储介质
CN111240300A (zh) 基于大数据的车辆健康状态评估模型构建方法
CN108698622A (zh) 轨道状态评价方法、装置以及程序
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
CN106218668B (zh) 车轮不圆度检测方法及装置
US20070136015A1 (en) Diagnosis apparatus for diagnosing state of equipment
CN114169422A (zh) 基于车辆振噪联合测试的地铁钢轨波磨识别方法及系统
CN110210161A (zh) 列车车辆健康状态的评估方法、装置及存储介质
JP2018155517A (ja) 車両の監視装置、監視方法、プログラム
CN110203249A (zh) 列车修程的处理方法、装置及存储介质
US20180037240A1 (en) Wheel deformity warning system
CN110243598B (zh) 列车轴承温度的处理方法、装置及存储介质
CN113420367A (zh) 一种基于振动与噪声响应的地铁钢轨波磨检测方法与装置
KR20180027114A (ko) 서포트 벡터 머신을 이용한 회전체 수명 진단방법
CN116579125A (zh) 一种轴承剩余寿命预测方法、装置、设备及可读存储介质
KR102480394B1 (ko) 데이터 분석 장치 및 방법, 이상 예측 장치 및 방법, 컴퓨터 프로그램
KR102198725B1 (ko) 자동차 주행안전부품 자가진단 장치
KR20240052154A (ko) 차륜 부재의 상태 인식을 위한 장치 및 방법
CN111487005B (zh) 一种列车压力波诊断方法、装置及设备
CN117591986A (zh) 基于人工智能的汽车数据实时处理方法
JP2019069671A (ja) タイヤ劣化診断装置、及びタイヤ劣化診断システム