WO2021080116A1 - 무인 자율주행차량의 예지보전장치 및 이의 예지보전방법 - Google Patents

무인 자율주행차량의 예지보전장치 및 이의 예지보전방법 Download PDF

Info

Publication number
WO2021080116A1
WO2021080116A1 PCT/KR2020/008454 KR2020008454W WO2021080116A1 WO 2021080116 A1 WO2021080116 A1 WO 2021080116A1 KR 2020008454 W KR2020008454 W KR 2020008454W WO 2021080116 A1 WO2021080116 A1 WO 2021080116A1
Authority
WO
WIPO (PCT)
Prior art keywords
failure
autonomous vehicle
unmanned autonomous
predictive maintenance
function
Prior art date
Application number
PCT/KR2020/008454
Other languages
English (en)
French (fr)
Inventor
정희운
Original Assignee
호서대학교 산학협력단
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 호서대학교 산학협력단 filed Critical 호서대학교 산학협력단
Priority to JP2020541531A priority Critical patent/JP6996795B2/ja
Publication of WO2021080116A1 publication Critical patent/WO2021080116A1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0015—Planning or execution of driving tasks specially adapted for safety
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
    • B60W50/0205—Diagnosing or detecting failures; Failure detection models
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0062—Adapting control system settings
    • B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
    • B60W2050/009—Priority selection
    • B60W2050/0094—Priority selection of control units
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
    • B60W50/0205—Diagnosing or detecting failures; Failure detection models
    • B60W2050/021—Means for detecting failure or malfunction
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2400/00—Special features of vehicle units
    • B60Y2400/30—Sensors

Definitions

  • the present invention relates to a predictive maintenance device for an unmanned autonomous vehicle and a method for predictive maintenance thereof, and more specifically, a predictive maintenance device for an unmanned autonomous vehicle capable of predicting in advance the possible timing of failure or failure to occur in the unmanned autonomous vehicle, and It is about the method of predictive preservation.
  • an unmanned self-driving vehicle can autonomously drive according to various guidelines implemented by wires installed at the bottom of the ground or in the air, optical or magnetic tapes installed on the ground or wall.
  • the unmanned self-driving vehicle can share tasks of a predetermined work stage among various work processes performed in a smart factory. If a failure or breakdown occurs in an unmanned autonomous vehicle, work processes that must be sequentially performed are delayed, resulting in a disruption in the operation of the factory. Therefore, predictive maintenance of unmanned autonomous vehicles operating in smart factories is an important issue.
  • the problem to be solved by the present invention is to provide a predictive maintenance device for an unmanned autonomous vehicle and a predictive maintenance method thereof that can be prepared by predicting in advance a failure or a failure and the timing of occurrence of an unmanned autonomous vehicle.
  • the problem to be solved by the present invention is to provide a predictive maintenance device for an unmanned autonomous vehicle, and a predictive maintenance method thereof, capable of accurately predicting the time point of failure or failure of the unmanned autonomous vehicle.
  • the problem to be solved by the present invention is to provide a predictive maintenance device and a predictive maintenance method for an unmanned autonomous vehicle capable of diagnosing the state of an unmanned autonomous vehicle in real time or quickly predicting the point of occurrence of failures and failures. will be.
  • the apparatus includes: a collection unit configured to receive operation related data of the unmanned autonomous vehicle measured by a sensor; And an analysis unit for recognizing a motion of the unmanned autonomous vehicle from the motion related data and dividing the motion into a plurality of first function factors; And, learning to generate a plurality of first failure patterns corresponding to each of the plurality of first function factors by learning the failure occurrence details of the unmanned autonomous vehicle according to the state change of each of the plurality of first function factors.
  • a second function factor that affects the occurrence of a failure in the unmanned autonomous vehicle from among the plurality of first function factors based on a predetermined criterion, and corresponding to the second function factor among the plurality of first failure patterns. It may include a control unit that predicts a failure point of the unmanned autonomous vehicle based on the second failure pattern.
  • control unit In the predictive maintenance apparatus for the unmanned autonomous vehicle, the control unit is characterized in that the control unit selects two or more first function factors from among the plurality of first function factors and extracts them as the second function factors.
  • the control unit extracts a plurality of points in which a failure is predicted according to a second failure pattern corresponding to the second function factor, and the fastest arrival point from the current point in time It is characterized in that predicting as the time when the failure occurs.
  • the control unit In the predictive maintenance device of the unmanned autonomous vehicle, the control unit generates a third failure pattern by combining the second failure pattern by reflecting a correlation between the second function factors, and the third failure pattern It characterized in that predicting the time point of occurrence of the failure on the basis of.
  • the operation-related data includes at least one of a conveyance load, a conveyance time, and a communication state.
  • the senor includes a plurality of sensors each measuring different types of data, and some of the plurality of sensors are attached to the unmanned autonomous vehicle. do.
  • control unit In the predictive maintenance apparatus for the unmanned autonomous vehicle, the control unit is characterized in that the control unit sets a priority to each of the plurality of sensors, and controls the collection unit to receive the operation-related data based on the priority order. .
  • control unit controls the collection unit to receive the motion-related data through real-time streaming, and divides the motion-related data into a plurality of consecutive subgroups to perform a predetermined period. Each of the plurality of subgroups is sequentially processed.
  • a method for predictive maintenance of an unmanned autonomous vehicle comprising the steps of: receiving motion-related data of the unmanned autonomous vehicle measured by a sensor; And, recognizing a motion of the unmanned autonomous vehicle from the motion-related data, and dividing the motion into a plurality of first function factors; And, generating a plurality of first failure patterns corresponding to each of the plurality of first function factors by learning a failure occurrence history of the unmanned autonomous vehicle according to a state change of each of the plurality of first function factors.
  • FIG. 1 is a view showing the interior of a smart factory including a predictive maintenance device for an unmanned autonomous vehicle according to the present invention.
  • FIG. 2 is a block diagram showing the configuration of a predictive maintenance device for an unmanned autonomous vehicle according to the present invention.
  • 3A and 3B are diagrams for explaining a data analysis method performed by the predictive maintenance apparatus for an unmanned autonomous vehicle according to the present invention.
  • 4A and 4B are diagrams for explaining a learning method performed by the predictive maintenance apparatus for an unmanned autonomous vehicle according to the present invention.
  • FIG. 5 is a view for explaining an example in which the predictive maintenance device of an unmanned autonomous vehicle according to the present invention generates a failure pattern in response to a sensor.
  • FIG. 6 is a view for explaining another example in which the predictive maintenance device of an unmanned autonomous vehicle according to the present invention generates a failure pattern.
  • FIG. 7 is a view for explaining a method of processing data through real-time streaming by the predictive maintenance apparatus for an unmanned autonomous vehicle according to the present invention.
  • FIG. 8 is a diagram showing a predictive maintenance process of an unmanned autonomous vehicle according to the present invention.
  • FIG. 9 is a diagram illustrating a computing device that performs predictive maintenance of an unmanned autonomous vehicle according to an embodiment of the present invention.
  • the term'and/or' includes a combination of a plurality of listed items or any of a plurality of listed items.
  • 'A or B' may include'A','B', or'both A and B'.
  • FIG. 1 is a view showing the interior of a smart factory including a predictive maintenance device for an unmanned autonomous vehicle according to the present invention.
  • an automatic guided vehicle refers to an industrial vehicle that automatically moves without a driver.
  • AGV is a representative solution that automatically moves materials in manufacturing facilities or distribution centers, and can effectively replace repetitive material movements.
  • the plurality of sensors 121, 122, 123, 124, 125, 126 may measure operation-related data of the unmanned autonomous vehicle 111, 112, and 113 and environmental information inside the smart factory.
  • the plurality of sensors 121, 122, 123, 124, 125, 126 are a camera, an image sensor, a lidar sensor, a radar sensor, a speed sensor, an acceleration sensor, an angular velocity sensor, a gyro sensor, a distance sensor, a depth sensor, It can be implemented with various sensors including a temperature sensor, a humidity sensor, and the like.
  • Each of the plurality of sensors 121, 122, 123, 124, 125, and 126 may measure different types of data.
  • Some (121, 122, 123) of the plurality of sensors (121, 122, 123, 124, 125, 126) are attached corresponding to the plurality of unmanned autonomous vehicles 111, 112, 113, and other parts (124, 125 and 126 may be disposed at a predetermined location inside the smart factory.
  • the predictive maintenance apparatus 200 for an unmanned autonomous vehicle may perform predictive maintenance for an AGV.
  • Predictive maintenance is the work of quantitatively grasping the condition of each facility, predicting the abnormal condition of the facility or possible future events in advance, and maintaining and repairing it appropriately.
  • the predictive maintenance device 200 of the unmanned autonomous vehicle is the operation-related data of the unmanned autonomous vehicle (111, 112, 113) measured by a plurality of sensors (121, 122, 123, 124, 125, 126). Is collected in real time, analyzed and learned, and predictive maintenance can be performed based on this.
  • the remote server 130 may remotely control the operation of a plurality of unmanned autonomous vehicles 111, 112, 113 and a plurality of sensors 121, 122, 123, 124, 125, and 126.
  • the remote server 130 includes a communication modem that performs wired/wireless communication for transmission and reception of data, control software that transmits a control command or analyzes data from a remote location, an input/output interface that is responsible for inputting or outputting data, etc. Can be configured.
  • the manager terminal 140 may monitor the operation state of the unmanned autonomous vehicle 111, 112, and 113 or the operation state inside the smart factory from the outside, and transmit a related control command.
  • the manager terminal 140 may be implemented as various types of user terminals including a mobile terminal or a laptop.
  • FIG. 2 is a block diagram showing the configuration of a predictive maintenance device for an unmanned autonomous vehicle according to the present invention.
  • the predictive maintenance apparatus 200 for an unmanned autonomous vehicle may include a collection unit 210, an analysis unit 220, a learning unit 230, and a control unit 240.
  • the collection unit 210 may receive operation related data of the unmanned autonomous vehicle measured by a sensor.
  • the motion-related data may include all kinds of data related to various operations performed by the unmanned autonomous vehicle in the smart factory.
  • the operation-related data is the transfer load of the object, transfer time, load rate, communication status for scheduling with equipment, AGV driving speed, temperature of the AGV drive circuit, and all other information that can check the current status of the AGV. It can contain any kind of data.
  • the collection unit 210 may directly receive motion-related data measured by the sensor from the sensor or may receive it from a remote server. To this end, the collection unit 210 may perform various types of wired or wireless communication with a sensor or a remote server.
  • the analysis unit 220 may recognize a motion of the unmanned autonomous vehicle from motion related data and divide the motion into a plurality of first function factors.
  • the first function factor may be defined as an operation element constituting an operation.
  • the operation element may be configured by dividing the motion in time series or by spatially dividing the motion.
  • the learning unit 230 learns the failure occurrence details of the unmanned autonomous vehicle according to the state change of each of the plurality of first function factors, and generates a plurality of first failure patterns corresponding to each of the plurality of first function factors.
  • the fault occurrence history may include whether or not a fault or fault occurs, a type, a fault occurrence time point, a fault degree, a fault occurrence part, and the like.
  • the details of the occurrence of a failure in the unmanned autonomous vehicle according to the state change of each of the plurality of first function factors may vary. That is, whether or not a failure occurs or a time when a failure occurs may vary according to the type or operation state of the function factor. Accordingly, the learning unit 230 generates a failure pattern according to each function factor by learning various data about this.
  • the failure pattern is a curve graph that displays the rate of failure over time.
  • the learning unit 230 may collect big data for each of the cases in which the unmanned autonomous vehicle is in a normal state and in a failure state, and learn big data to set reference values for the normal state and the failure state.
  • the learning unit 230 may perform learning by various types of artificial intelligence including machine learning and deep learning.
  • machine learning can be classified into supervised learning, unsupervised learning, and reinforcement learning.
  • Supervised learning creates a model by inputting data that presents the relationship between the input and the correct answer as training data, and extracting features to reproduce the relationship.
  • Unsupervised learning finds similar groups from patterns of features extracted by inputting unexplained training data and generates each model.
  • reinforcement learning by evaluating (compensating) the results of inference, it presents the desired results and creates a model that can best reproduce the results.
  • the controller 240 may extract a second function factor that affects the occurrence of a failure in the unmanned autonomous vehicle from among a plurality of first function factors based on a predetermined criterion.
  • the second function factor is a predetermined first function factor selected from among a plurality of first function factors, and corresponds to an operation element constituting an operation. For example, when the first function factor is [loading], [support], [route search], and [run], the second function factor may be [support] extracted from them.
  • the controller 240 may set a predetermined standard differently according to embodiments.
  • the second function factor is extracted based on a predetermined criterion. Accordingly, the control unit 240 may perform predictive maintenance for a failure or failure based on a desired function factor by changing a predetermined criterion.
  • the control unit 240 may predict a failure point of the unmanned autonomous vehicle based on a second failure pattern corresponding to a second function factor among a plurality of first failure patterns.
  • the second failure pattern is a predetermined first failure pattern selected from a plurality of first failure patterns, and may be a curve graph indicating a failure incidence rate over time.
  • the controller 240 may select two or more first function factors from among a plurality of first function factors and extract them as second function factors.
  • the control unit 240 may extract a plurality of time points at which the occurrence of a failure is predicted based on the second failure pattern corresponding to the second function factor, and predict the time at which the failure occurs most quickly from the current time point.
  • control unit 240 generates a third failure pattern by combining the second failure pattern by reflecting the correlation between the second function factors, and predicts the time when a failure occurs based on the third failure pattern. I can.
  • control unit 240 may set a priority for each of a plurality of sensors, and control the collection unit 210 to receive operation-related data based on the priority.
  • the controller 240 may process data by a real-time streaming method.
  • the real-time streaming method may be spark streaming.
  • the control unit 240 controls the collection unit 210 to receive motion-related data through real-time streaming, and divides the motion-related data into a plurality of consecutive sub-groups, and the plurality of sub-groups are divided into a plurality of consecutive sub-groups. Each of these can be processed sequentially.
  • 3A and 3B are diagrams for explaining a data analysis method performed by the predictive maintenance apparatus for an unmanned autonomous vehicle according to the present invention.
  • FIG. 3A shows a detailed configuration of the analysis unit 220 of the predictive maintenance apparatus 200 for an unmanned autonomous vehicle.
  • the analysis unit 220 may analyze motion related data of the unmanned autonomous vehicle measured by the sensor.
  • the analysis unit 220 may be configured to include a motion recognition module 310 and a function factor division module 320.
  • the motion recognition module 310 may recognize the motion of the unmanned autonomous vehicle from motion related data. Specifically, the motion recognition module 310 may extract a common purpose from a data set composed of a plurality of motion related data, and recognize a motion of the unmanned autonomous vehicle based on the extracted common purpose. For example, a common purpose of conveyance may be extracted from a data set consisting of a conveyance load, a conveyance time, scheduling with equipment, and the like, and an operation of conveyance may be recognized based on this.
  • the function factor dividing module 320 may divide the operation into a plurality of first function factors.
  • the function factor dividing module 320 may divide the operation into a plurality of first function factors by dividing the operation in time series. For example, in the case of conveyance, [Loading], [Support], [Route Search], and [Run] are sequentially performed in time series. Accordingly, the function factor dividing module 320 may divide the conveyance operation into four first function factors such as [loading], [support], [route search], and [run].
  • the function factor dividing module 320 may divide the operation into a plurality of first function factors by spatially dividing the operation. For example, if the conveyance operation is analyzed in detail, [loading] of the article is performed at the transmitting end, and [support] is performed between the transmitting end and the receiving end. Accordingly, the function factor dividing module 320 may divide the conveyance operation into two first function factors such as [loading] and [support].
  • the 3B is an example of sequentially extracting an operation and a plurality of first function factors.
  • the plurality of motion-related data 330 includes data on a conveyance load, a conveyance time, a communication state, and a moving path.
  • the operation of the unmanned autonomous vehicle is recognized as the [transport] 340 from the plurality of motion-related data 330.
  • the operation of the [carrying] 340 is divided in time series, and divided into a plurality of first function factors 350. Accordingly, the operation of the [carrying] 340 can be divided into four first function factors such as [loading], [support], [route search], and [run].
  • 4A and 4B are diagrams for explaining a learning method performed by the predictive maintenance apparatus for an unmanned autonomous vehicle according to the present invention.
  • the learning unit 230 may perform learning to generate a failure pattern.
  • the learning unit 230 may be configured to include a failure occurrence history learning module 410 and a failure pattern generation module 420.
  • the failure occurrence history learning module 410 may learn a failure occurrence history of the unmanned autonomous vehicle according to a state change of each of the plurality of first function factors.
  • the failure occurrence history learning module 410 may learn data such as whether or not a failure occurs, a time when a failure occurs, and a degree of failure, which are different according to the state change of each of the plurality of first function factors. For example, assuming that the first function factor is loading, it is possible to learn whether or not a failure occurs and a time when the failure occurs, which varies according to the loading amount of an article.
  • the failure pattern generation module 420 may generate a plurality of first failure patterns corresponding to each of the plurality of first function factors.
  • the failure pattern generation module 420 may calculate a failure incidence rate over time based on the learning result of the failure occurrence history learning module 410.
  • the failure pattern generation module 420 may generate a first failure pattern by displaying a failure incidence rate over time as a curve graph. In this case, the failure pattern generation module 420 may generate a plurality of first failure patterns in response to each of the plurality of first function factors.
  • 4B shows an example of a plurality of first failure patterns.
  • the plurality of first failure patterns correspond to each of the plurality of first function factors, and are displayed in the form of a curved graph. Referring to FIG. 4B, a failure pattern 430 corresponding to [loading], a failure pattern 440 corresponding to [support], a failure pattern 450 corresponding to [path search], and a failure corresponding to [driving] Each of the patterns 460 is shown.
  • the failure rate, the time point of the failure, and the degree of failure are all different according to the functional factor.
  • FIG. 5 is a view for explaining an example in which the predictive maintenance device of an unmanned autonomous vehicle according to the present invention generates a failure pattern in response to a sensor.
  • each of the plurality of sensors may measure different types of data.
  • the predictive maintenance apparatus 200 for an unmanned autonomous vehicle may generate a failure pattern corresponding to each of a plurality of sensors.
  • a failure pattern may be generated based on the operation-related data collected by each sensor.
  • a failure pattern 510 corresponding to the first sensor, a failure pattern 520 corresponding to the second sensor, and a failure pattern 530 corresponding to the third sensor are generated.
  • the slope of the curve, the degree of failure, and the time of failure are all different.
  • the predictive maintenance apparatus 200 for an unmanned autonomous vehicle may predict a time point of a failure by comprehensively considering a plurality of failure patterns 510, 520, and 530.
  • the time point of occurrence of a failure is predicted by time t 1 and time t 2.
  • FIG. 6 is a view for explaining another example in which the predictive maintenance device of an unmanned autonomous vehicle according to the present invention generates a failure pattern.
  • the predictive maintenance device 200 of the unmanned autonomous vehicle reflects the correlation between the second function factors, combines the second failure pattern to generate a third failure pattern, and determines the time when the failure occurs based on the third failure pattern. It is predictable.
  • the first functional factors may influence each other, and accordingly, the time point or degree of occurrence of a failure or failure may be changed. For example, as the loading amount increases, the aging of the wheels that perform driving becomes faster, and the point of failure of the unmanned self-driving vehicle is accelerated. In other words, [loading] and [driving] have a correlation that accelerates the point of failure.
  • a third failure pattern 630 may be generated by combining two first failure patterns 610 and 620.
  • a failure occurrence time is predicted as a time t 1 and a time t 2 , respectively, but according to the combined third failure pattern 630, the failure occurrence time is predicted as a time t 3.
  • the two functional factors have an influence on each other, so that the time point of occurrence of a failure is different.
  • FIG. 7 is a view for explaining a method of processing data through real-time streaming by the predictive maintenance apparatus for an unmanned autonomous vehicle according to the present invention.
  • the predictive maintenance device 200 for an unmanned autonomous vehicle may collect data, analyze deep learning utilization, and perform predictive maintenance through real-time streaming.
  • the predictive maintenance apparatus 200 for an unmanned autonomous vehicle may receive, process, and analyze data in real time using spark streaming.
  • DStream Discretized Stream
  • DStream A discrete stream (DStream) is defined as a continuous collection of data arriving over time.
  • Spark Streaming processing is regarded as a continuous flow of each batch processing over small batch units of data, and Spark Streaming receives data from various input sources and groups them into small groups. New batches are created at specified time intervals.
  • data streams are inputted in real time from a plurality of unmanned autonomous vehicles.
  • the data stream may include AGV data 1.
  • AGV data 2 AGV data 3, and the like.
  • the controller 240 divides the input data stream into batch units using spark streaming.
  • each batch unit may be processed in real time, and AGV predictive maintenance may be performed based on the processing result.
  • FIG. 8 is a diagram showing a predictive maintenance process of an unmanned autonomous vehicle according to the present invention.
  • Operation-related data of the unmanned autonomous vehicle is received from the sensor (S801).
  • the predictive maintenance apparatus 200 for the unmanned autonomous vehicle may receive operation related data of the unmanned autonomous vehicle measured by a sensor.
  • the operation-related data may include all kinds of data that can check the current state of the AGV, such as a conveyance time, a load factor, a communication state with the equipment, an AGV driving speed, and a temperature of an AGV driving circuit.
  • the operation of the unmanned autonomous vehicle is recognized from the operation related data (S802).
  • the predictive maintenance apparatus 200 for an unmanned autonomous vehicle may extract a common purpose from a data set consisting of a plurality of motion-related data, and recognize a motion of the unmanned autonomous vehicle based on the extracted common purpose.
  • the recognized operation is divided into a plurality of first function factors (S803).
  • the first function factor may be defined as an operation element constituting an operation.
  • the operation element may be configured by dividing the motion in time series or by spatially dividing the motion.
  • a failure occurrence history of the unmanned autonomous vehicle according to the state change of each of the plurality of first function factors is learned (S804).
  • the fault occurrence history may include whether or not a fault or fault occurs, a type, a fault occurrence time point, a fault degree, a fault occurrence part, and the like.
  • the failure occurrence details of the unmanned autonomous vehicle according to the state change of each of the plurality of first function factors may vary. That is, whether or not a failure occurs or a time when a failure occurs may vary depending on the type or operation state of the function factor. Therefore, by learning a variety of data on the failure occurrence details, a failure pattern according to each functional factor is generated.
  • the failure pattern is a curve graph that displays the rate of failure over time.
  • a plurality of first failure patterns corresponding to each of the plurality of first function factors are generated (S805).
  • a second function factor that affects the occurrence of a failure in the unmanned autonomous vehicle is extracted from among the plurality of first function factors (S806).
  • the predictive maintenance apparatus 200 for the unmanned autonomous vehicle may extract a second function factor that affects the occurrence of a failure in the unmanned autonomous vehicle from among a plurality of first function factors based on a predetermined criterion.
  • the predictive maintenance apparatus 200 for an unmanned autonomous vehicle may set a predetermined criterion differently according to embodiments. By changing a predetermined criterion, it is possible to perform predictive maintenance for a failure or failure based on a desired function factor.
  • a failure point of the unmanned autonomous vehicle is predicted based on the second failure pattern corresponding to the second function factor among the plurality of first failure patterns (S807).
  • the predictive maintenance device 200 of the unmanned autonomous vehicle may diagnose the current state and perform predictive maintenance such as maintenance.
  • FIG. 9 is a diagram illustrating a computing device that performs predictive maintenance of an unmanned autonomous vehicle according to an embodiment of the present invention.
  • the computing device TN100 of FIG. 9 may be the device described herein.
  • the computing device TN100 may include at least one processor TN110, a transmission/reception device TN120, and a memory TN130.
  • the computing device TN100 may further include a storage device TN140, an input interface device TN150, an output interface device TN160, and the like.
  • Components included in the computing device TN100 may be connected by a bus TN170 to communicate with each other.
  • the processor TN110 may execute a program command stored in at least one of the memory TN130 and the storage device TN140.
  • the processor TN110 may mean a central processing unit (CPU), a graphics processing unit (GPU), or a dedicated processor in which methods according to an embodiment of the present invention are performed.
  • the processor TN110 may be configured to implement procedures, functions, and methods described in connection with an embodiment of the present invention.
  • the processor TN110 may control each component of the computing device TN100.
  • Each of the memory TN130 and the storage device TN140 may store various information related to an operation of the processor TN110.
  • Each of the memory TN130 and the storage device TN140 may be formed of at least one of a volatile storage medium and a nonvolatile storage medium.
  • the memory TN130 may be composed of at least one of a read only memory (ROM) and a random access memory (RAM).
  • the transmission/reception device TN120 may transmit or receive a wired signal or a wireless signal.
  • the transmission/reception device TN120 may be connected to a network to perform communication.
  • the embodiments of the present invention are not implemented only through the apparatus and/or method described so far, but may be implemented through a program that realizes a function corresponding to the configuration of the embodiment of the present invention or a recording medium in which the program is recorded.
  • this implementation can be easily implemented by those of ordinary skill in the art from the description of the above-described embodiments.

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

무인 자율주행차량의 예지보전장치 및 예지보전방법이 개시된다. 이에 의하면, 센서에 의해 측정된 무인 자율주행차량의 동작관련데이터를 수신하고, 상기 동작관련데이터로부터 무인 자율주행차량의 동작을 인식하고 상기 동작을 복수개의 제1 기능 인자로 분할하고, 복수개의 제1 기능 인자 각각의 상태변화에 따른 무인 자율주행차량에의 장애발생내역을 학습하여 상기 복수개의 제1 기능 인자 각각에 대응하는 복수개의 제1 고장 패턴을 생성하고, 소정 기준에 기초하여 복수개의 제1 기능 인자 중에서 무인 자율주행차량에 장애가 발생하는데 영향을 미치는 제2 기능 인자를 추출하며, 복수개의 제1 고장 패턴 중에서 제2 기능 인자에 대응하는 제2 고장 패턴에 기초하여 무인 자율주행차량의 고장발생시점을 예측할 수 있다.

Description

무인 자율주행차량의 예지보전장치 및 이의 예지보전방법
본 발명은 무인 자율주행차량의 예지보전장치 및 이의 예지보전방법에 관한 것으로서, 보다 구체적으로 무인 자율주행차량에 발생할 고장이나 장애의 발생 가능 시점을 미리 예측할 수 있는 무인 자율주행차량의 예지보전장치 및 이의 예지보전방법에 관한 것이다.
최근 스마트 공장의 도입 추세에 따라, 대형 공장에서는 제조 설비 또는 창고 주변의 자재 이동을 위해 무인 자율주행차량(Automated Guided Vehicle: AGV)이 사용되고 있다. 일반적으로 무인 자율주행차량은 지면 하단이나 공중에 설치된 와이어, 지면이나 벽면에 설치된 광학 또는 마그네틱 테이프 등으로 구현되는 다양한 방식의 가이드라인을 따라 자율 주행할 수 있다.
무인 자율주행차량은 스마트 공장 내에서 수행되는 여러 작업 공정들 중에서, 소정 작업 단계의 업무를 분담할 수 있다. 만일, 무인 자율주행차량에 장애나 고장이 발생하게 되면, 순차적으로 진행되야 하는 작업 공정들이 지연되게 되어 공장 운영에 차질이 생긴다. 따라서, 스마트 공장내에서 동작하는 무인 자율주행차량의 예지보전은 중요한 문제이다.
그러나, 현재 무인 자율주행차량에 고장이나 장애가 발생하는 시점을 미리 예측하고 이를 대비하기 위한 무인 자율주행차량의 예지보전에 대한 연구나 발명은 존재하지 않는다.
본 발명이 해결하고자 하는 과제는, 무인 자율주행차량에 발생할 고장이나 장애 및 발생 시점을 미리 예측하여 이에 대비할 수 있는 무인 자율주행차량의 예지보전장치 및 이의 예지보전방법을 제공하는 것이다.
또한, 본 발명이 해결하고자 하는 과제는, 무인 자율주행차량의 고장이나 장애의 발생시점을 정밀하게 예측할 수 있는 무인 자율주행차량의 예지보전장치 및 이의 예지보전방법을 제공하는 것이다.
나아가, 본 발명이 해결하고자 하는 과제는, 무인 자율주행차량의 상태를 실시간으로 진단하거나 고장 및 장애의 발생시점을 신속하게 예측할 수 있는 무인 자율주행차량의 예지보전장치 및 이의 예지보전방법을 제공하는 것이다.
본 발명의 일 실시 예에 의한 무인 자율주행차량의 예지보전장치에 의하면, 센서에 의해 측정된 무인 자율주행차량의 동작관련데이터를 수신하는 수집부; 와, 상기 동작관련데이터로부터 상기 무인 자율주행차량의 동작을 인식하고, 상기 동작을 복수개의 제1 기능 인자로 분할하는 분석부; 와, 상기 복수개의 제1 기능 인자 각각의 상태변화에 따른 상기 무인 자율주행차량에의 장애발생내역을 학습하여, 상기 복수개의 제1 기능 인자 각각에 대응하는 복수개의 제1 고장 패턴을 생성하는 학습부; 및 소정 기준에 기초하여 상기 복수개의 제1 기능 인자 중에서 상기 무인 자율주행차량에 장애가 발생하는데 영향을 미치는 제2 기능 인자를 추출하고, 상기 복수개의 제1 고장 패턴 중에서 상기 제2 기능 인자에 대응하는 제2 고장 패턴에 기초하여 상기 무인 자율주행차량의 고장발생시점을 예측하는 제어부를 포함할 수 있다.
상기 무인 자율주행차량의 예지보전장치에 있어서, 상기 제어부는, 상기 복수개의 제1 기능 인자 중에서 두 개 이상의 제1 기능 인자를 선택하여 상기 제2 기능 인자로 추출하는 것을 특징으로 한다.
상기 무인 자율주행차량의 예지보전장치에 있어서, 상기 제어부는, 상기 제2 기능 인자에 대응하는 제2고장 패턴에 의해 장애 발생이 예측되는 복수 개의 시점들을 추출하고, 현 시점으로부터 가장 빠르게 도래하는 시점을 상기 고장발생시점으로 예측하는 것을 특징으로 한다.
상기 무인 자율주행차량의 예지보전장치에 있어서, 상기 제어부는, 상기 제2 기능 인자 상호간의 상관 관계를 반영하여, 상기 제2고장 패턴을 조합하여 제3 고장 패턴을 생성하고, 상기 제3 고장 패턴에 기초하여 상기 고장발생시점을 예측하는 것을 특징으로 한다.
상기 무인 자율주행차량의 예지보전장치에 있어서, 상기 동작관련데이터는, 반송로드, 반송시간 및 통신 상태 중 적어도 하나를 포함하는 것을 특징으로 한다.
상기 무인 자율주행차량의 예지보전장치에 있어서, 상기 센서는, 각각 서로 다른 종류의 데이터를 측정하는 복수개의 센서를 포함하고, 상기 복수개의 센서 중 일부는 상기 무인 자율주행차량에 부착되는 것을 특징으로 한다.
상기 무인 자율주행차량의 예지보전장치에 있어서, 상기 제어부는, 상기 복수개의 센서 각각에 우선 순위를 설정하고, 상기 우선 순위에 기초하여 상기 동작관련데이터를 수신하도록 상기 수집부를 제어하는 것을 특징으로 한다.
상기 무인 자율주행차량의 예지보전장치에 있어서, 상기 제어부는, 실시간 스트리밍을 통해 상기 동작관련데이터를 수신하도록 상기 수집부를 제어하고, 상기 동작관련데이터를 연속적인 복수개의 서브 그룹들로 분할하여 소정 주기 마다 상기 복수개의 서브 그룹들 각각을 순차적으로 처리하는 것을 특징으로 한다.
본 발명의 다른 실시 예에 의한 무인 자율주행차량의 예지보전 방법에 의하면, 센서에 의해 측정된 무인 자율주행차량의 동작관련데이터를 수신하는 단계; 와, 상기 동작관련데이터로부터 상기 무인 자율주행차량의 동작을 인식하고, 상기 동작을 복수개의 제1 기능 인자로 분할하는 단계; 와, 상기 복수개의 제1 기능 인자 각각의 상태변화에 따른 상기 무인 자율주행차량에의 장애발생내역을 학습하여, 상기 복수개의 제1 기능 인자 각각에 대응하는 복수개의 제1 고장 패턴을 생성하는 단계; 와, 소정 기준에 기초하여 상기 복수개의 제1 기능 인자 중에서 상기 무인 자율주행차량에 장애가 발생하는데 영향을 미치는 제2 기능 인자를 추출하는 단계; 및 상기 복수개의 제1 고장 패턴 중에서 상기 제2 기능 인자에 대응하는 제2 고장 패턴에 기초하여 상기 무인 자율주행차량의 고장발생시점을 예측하는 단계를 포함할 수 있다.
본 발명의 실시예에 따르면, 무인 자율주행차량에 발생할 고장이나 장애 및 발생 시점을 미리 예측함으로써 이에 대비할 수 있고, 무인 자율주행차량의 고장으로 인한 공정 지연을 방지할 수 있다.
또한, 본 발명의 실시예에 따르면, 무인 자율주행차량의 고장이나 장애의 발생시점을 정밀하게 예측할 수 있다.
나아가, 본 발명의 실시예에 따르면, 무인 자율주행차량의 상태를 실시간으로 진단하거나 고장 및 장애의 발생시점을 신속하게 예측할 수 있다.
도 1은 본 발명에 따른 무인 자율주행차량의 예지보전장치를 포함하는 스마트 공장 내부를 도시한 도면이다.
도 2는 본 발명에 따른 무인 자율주행차량의 예지보전장치의 구성을 도시한 블록도이다.
도 3a와 도 3b는 본 발명에 따른 무인 자율주행차량의 예지보전장치가 수행하는 데이터 분석 방법을 설명하기 위한 도면이다.
도 4a와 도 4b는 본 발명에 따른 무인 자율주행차량의 예지보전장치가 수행하는 학습 방법을 설명하기 위한 도면이다.
도 5는 본 발명에 따른 무인 자율주행차량의 예지보전장치가 센서에 대응하여 고장 패턴을 생성하는 일 예를 설명하기 위한 도면이다.
도 6은 본 발명에 따른 무인 자율주행차량의 예지보전장치가 고장 패턴을 생성하는 다른 예를 설명하기 위한 도면이다.
도 7은 본 발명에 따른 무인 자율주행차량의 예지보전장치가 실시간 스트리밍을 통해 데이터를 처리하는 방법을 설명하기 위한 도면이다.
도 8은 본 발명에 따른 무인 자율주행차량의 예지보전과정을 도시한 도면이다.
도 9는 본 발명의 실시예에 따른 무인 자율주행차량의 예지보전을 수행하는 컴퓨팅 장치를 나타내는 도면이다.
아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본 명세서에서, 동일한 구성요소에 대해서 중복된 설명은 생략한다.
또한 본 명세서에서, 어떤 구성요소가 다른 구성요소에 '연결되어' 있다거나 '접속되어' 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에 본 명세서에서, 어떤 구성요소가 다른 구성요소에 '직접 연결되어' 있다거나 '직접 접속되어' 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
또한, 본 명세서에서 사용되는 용어는 단지 특정한 실시예를 설명하기 위해 사용되는 것으로써, 본 발명을 한정하려는 의도로 사용되는 것이 아니다.
또한 본 명세서에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.
또한 본 명세서에서, '포함하다' 또는 '가지다' 등의 용어는 명세서에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품, 또는 이들을 조합한 것이 존재함을 지정하려는 것일 뿐, 하나 또는 그 이상의 다른 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 할 것이다.
또한 본 명세서에서, '및/또는' 이라는 용어는 복수의 기재된 항목들의 조합 또는 복수의 기재된 항목들 중의 어느 항목을 포함한다. 본 명세서에서, 'A 또는 B'는, 'A', 'B', 또는 'A와 B 모두'를 포함할 수 있다.
또한 본 명세서에서, 본 발명의 요지를 흐리게 할 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략될 것이다.
도 1은 본 발명에 따른 무인 자율주행차량의 예지보전장치를 포함하는 스마트 공장 내부를 도시한 도면이다.
스마트 공장 내부에는 복수개의 무인 자율주행차량(111, 112, 113)이 주행하며 작업을 수행할 수 있다. 여기서, 무인 자율주행차량(Automatic Guided Vehicle: AGV)은 운전자없이 자동으로 움직이는 산업용 차량을 지칭한다. AGV는 제조 시설이나 유통 센터 등에서 자재를 자동으로 이동시키는 대표적인 솔루션으로서, 반복적인 재료 이동을 효율적으로 대체할 수 있다.
복수개의 센서(121, 122, 123, 124, 125, 126)는 무인 자율주행차량(111, 112, 113)의 동작관련데이터 및 스마트 공장 내부의 환경 정보를 측정할 수 있다. 이를 위해, 복수개의 센서(121, 122, 123, 124, 125, 126)는 카메라, 이미지 센서, 라이다 센서, 레이더 센서, 속도 센서, 가속도 센서, 각속도 센서, 자이로 센서, 거리 센서, 깊이 센서, 온도 센서, 습도 센서 등을 포함하는 다양한 센서로 구현될 수 있다.
복수개의 센서(121, 122, 123, 124, 125, 126)는 각각 서로 다른 종류의 데이터를 측정할 수 있다.
복수개의 센서(121, 122, 123, 124, 125, 126) 중 일부(121, 122, 123)는 복수개의 무인 자율주행차량(111, 112, 113)에 대응하여 부착되고, 다른 일부(124, 125, 126)는 스마트 공장 내부의 소정 위치에 배치될 수 있다.
본 발명에 따른 무인 자율주행차량의 예지보전장치(200)는 AGV에 대한 예지보전을 수행할 수 있다. 예지보전은 각각의 설비 상태를 정량적으로 파악하여 설비의 이상 상태나 앞으로 발생할 수 있는 사태를 미리 예상하고 적절하게 유지하고 보수하는 작업이다.
이를 위해, 무인 자율주행차량의 예지보전장치(200)는 복수개의 센서(121, 122, 123, 124, 125, 126)에 의해 측정된 무인 자율주행차량(111, 112, 113)의 동작관련데이터를 실시간으로 수집하여 분석 및 학습하고, 이에 기초하여 예지보전을 수행할 수 있다.
원격 서버(130)는 복수개의 무인 자율주행차량(111, 112, 113) 및 복수개의 센서(121, 122, 123, 124, 125, 126)의 동작을 원격에서 제어할 수 있다. 이를 위해, 원격 서버(130)는 데이터의 송수신을 위해 유무선 통신을 수행하는 통신 모뎀, 원격에서 제어 명령을 송신하거나 데이터를 분석하는 제어 소프트웨어, 데이터의 입력 또는 출력을 담당하는 입출력 인터페이스 등을 포함하여 구성될 수 있다.
관리자 단말(140)은 외부에서 무인 자율주행차량(111, 112, 113)의 동작 상태나 스마트 공장 내부의 운영상태를 모니터링 하고 관련된 제어명령을 전송할 수 있다. 이 경우, 관리자 단말(140)은 이동 단말이나 랩탑 등을 포함하는 다양한 형태의 사용자 단말로 구현될 수 있다.
도 2는 본 발명에 따른 무인 자율주행차량의 예지보전장치의 구성을 도시한 블록도이다.
본 발명에 따른 무인 자율주행차량의 예지보전장치(200)는 수집부(210), 분석부(220), 학습부(230) 및 제어부(240)를 포함하여 구성될 수 있다.
수집부(210)는 센서에 의해 측정된 무인 자율주행차량의 동작관련데이터를 수신할 수 있다.
여기서, 동작관련데이터는 스마트 공장 내에서 무인 자율주행차량이 수행하는 다양한 동작과 관련된 모든 종류의 데이터를 포함할 수 있다. 예를 들어, 동작관련데이터는 대상물품의 반송로드, 반송시간, 부하율, 장비와의 스케줄링 등을 위한 통신상태, AGV 주행 속도, AGV 구동회로의 온도, 그 외 AGV의 현재 상태를 확인할 수 있는 모든 종류의 데이터를 포함할 수 있다.
수집부(210)는 센서가 측정한 동작관련데이터를 센서로부터 직접 수신하거나 원격 서버로부터 수신할 수 있다. 이를 위해, 수집부(210)는 센서 또는 원격 서버와 다양한 종류의 유무선 통신을 수행할 수 있다.
분석부(220)는 동작관련데이터로부터 무인 자율주행차량의 동작을 인식하고, 상기 동작을 복수개의 제1 기능 인자로 분할할 수 있다.
분석부(220)에 의해 인식되는 무인 자율주행차량의 동작은 적어도 하나 이상일 수 있다.
제1 기능 인자는 동작을 구성하는 동작요소로 정의될 수 있다. 이 경우, 동작요소는 동작을 시계열적으로 분할하여 구성하거나, 동작을 공간적으로 분할하여 구성할 수 있다.
학습부(230)는 복수개의 제1 기능 인자 각각의 상태변화에 따른 무인 자율주행차량에의 장애발생내역을 학습하여, 복수개의 제1 기능 인자 각각에 대응하는 복수개의 제1 고장 패턴을 생성할 수 있다. 여기서, 장애발생내역은 장애나 고장의 발생 여부, 종류, 고장발생시점, 고장 정도, 장애발생 부분 등을 포함할 수 있다.
구체적으로, 복수개의 제1 기능 인자 각각의 상태변화에 따른 무인 자율주행차량에의 장애발생내역은 달라질 수 있다. 즉, 기능 인자의 종류나 동작 상태에 따라 장애발생 여부나 장애발생 시점 등이 달라질 수 있다. 따라서, 학습부(230)는 이에 대한 다양한 데이터를 학습함으로써, 각 기능 인자에 따른 고장 패턴을 생성하게 된다. 고장 패턴은 시간 경과에 따른 고장 발생률을 표시하는 곡선 그래프이다.
학습부(230)는 무인 자율주행차량이 정상상태인 경우 및 장애발생상태인 경우 각각에 대한 빅데이터를 수집하고, 빅데이터를 학습하여 정상상태 및 장애발생상태에 대한 기준값을 설정할 수 있다.
한편, 학습부(230)는 머신 러닝, 딥 러닝 등을 포함하는 다양한 형태의 인공 지능에 의한 학습을 수행할 수 있다. 여기서, 머신 러닝은 지도 학습, 비지도 학습 및 강화 학습으로 분류될 수 있다. 지도 학습은 입력과 정답의 관계를 제시한 데이터를 학습 데이터로 입력하여 그 관계를 재현하도록 특징을 추출하여 모델을 생성한다. 비지도 학습은 아무 설명도 없는 학습 데이터를 입력하여 추출한 특징의 패턴으로부터 유사한 그룹을 찾아내고 각각의 모델을 생성한다. 강화 학습은 추론 결과에 대해 평가(보상)를 함으로써 어떤 결과를 원하는지를 제시하여 그 결과를 가장 잘 재현할 수 있는 모델을 생성한다.
제어부(240)는 소정 기준에 기초하여 복수개의 제1 기능 인자 중에서 무인 자율주행차량에 장애가 발생하는데 영향을 미치는 제2 기능 인자를 추출할 수 있다. 여기서, 제2 기능 인자는 복수개의 제1 기능 인자 중에서 선택된 소정의 제1 기능 인자로서, 동작을 구성하는 동작요소에 해당한다. 예를 들어, 제1 기능 인자가 [적재], [지지], [경로탐색] 및 [주행]인 경우, 제2 기능 인자는 이중에서 추출된 [지지]일 수 있다.
이 경우, 제어부(240)는 실시 예에 따라 소정 기준을 다르게 설정할 수 있다. 앞서 설명한 바와 같이, 소정 기준에 기초하여 제2 기능 인자가 추출된다. 따라서, 제어부(240)는 소정 기준을 변경함으로써, 원하는 기능 인자에 기초하여 장애나 고장에 대한 예지보전을 수행할 수 있다.
제어부(240)는 복수개의 제1 고장 패턴 중에서 제2 기능 인자에 대응하는 제2 고장 패턴에 기초하여 무인 자율주행차량의 고장발생시점을 예측할 수 있다.
여기서, 제2 고장 패턴은 복수개의 제1 고장 패턴 중에서 선택된 소정의 제1 고장 패턴으로서, 시간 경과에 따른 고장 발생률을 표시하는 곡선 그래프일 수 있다.
일 실시 예에 의하면, 제어부(240)는 복수개의 제1 기능 인자 중에서 두 개 이상의 제1 기능 인자를 선택하여 제2 기능 인자로 추출할 수 있다. 이 경우, 제어부(240)는 제2 기능 인자에 대응하는 제2고장 패턴에 의해 장애 발생이 예측되는 복수 개의 시점들을 추출하고, 현 시점으로부터 가장 빠르게 도래하는 시점을 고장발생시점으로 예측할 수 있다.
다른 실시 예에 의하면, 제어부(240)는 제2 기능 인자 상호간의 상관 관계를 반영하여, 제2고장 패턴을 조합하여 제3 고장 패턴을 생성하고, 제3 고장 패턴에 기초하여 고장발생시점을 예측할 수 있다.
또 다른 실시 예에 의하면, 제어부(240)는 복수개의 센서 각각에 우선 순위를 설정하고, 상기 우선 순위에 기초하여 동작관련데이터를 수신하도록 수집부(210)를 제어할 수 있다.
한편, 제어부(240)는 실시간 스트리밍 방식에 의해 데이터를 처리할 수 있다. 일 실시 예에 의하면, 실시간 스트리밍 방식은 스파크 스트리밍일 수 있다. 구체적으로, 제어부(240)는 실시간 스트리밍을 통해 동작관련데이터를 수신하도록 수집부(210)를 제어하고, 상기 동작관련데이터를 연속적인 복수개의 서브 그룹들로 분할하여 소정 주기 마다 상기 복수개의 서브 그룹들 각각을 순차적으로 처리할 수 있다.
스파크 스트리밍에 대해서는 도 7에 대한 설명에서 후술한다.
도 3a와 도 3b는 본 발명에 따른 무인 자율주행차량의 예지보전장치가 수행하는 데이터 분석 방법을 설명하기 위한 도면이다.
구체적으로, 도 3a에는 무인 자율주행차량의 예지보전장치(200)의 분석부(220)의 상세 구성이 도시되어 있다. 분석부(220)는 센서에 의해 측정된 무인 자율주행차량의 동작관련데이터를 분석할 수 있다. 이를 위해, 분석부(220)는 동작 인식 모듈(310)과 기능 인자 분할 모듈(320)을 포함하여 구성될 수 있다.
동작 인식 모듈(310)은 동작관련데이터로부터 무인 자율주행차량의 동작을 인식할 수 있다. 구체적으로, 동작 인식 모듈(310)은 복수개의 동작관련데이터로 구성되는 데이터 집합으로부터 공통 목적을 추출하고, 추출된 공통 목적에 기초하여 무인 자율주행차량의 동작을 인식할 수 있다. 예를 들어, 반송로드, 반송시간, 장비와의 스케줄링 등으로 구성되는 데이터 집합으로부터 반송이라는 공통 목적을 추출하고, 이에 기초하여 반송이라는 동작을 인식할 수 있다.
기능 인자 분할 모듈(320)은 동작을 복수개의 제1 기능 인자로 분할할 수 있다.
일 실시 예에 의하면, 기능 인자 분할 모듈(320)은 동작을 시계열적으로 분할함으로써, 동작을 복수개의 제1 기능 인자로 분할할 수 있다. 예를 들어, 반송은 시계열적으로 [적재], [지지], [경로탐색], [주행]이 순차적으로 진행된다. 따라서, 기능 인자 분할 모듈(320)은 반송 동작을, [적재], [지지], [경로탐색] 및 [주행] 등의 4개의 제1 기능 인자들로 분할할 수 있다.
다른 실시 예에 의하면, 기능 인자 분할 모듈(320)은 동작을 공간적으로 분할함으로써, 동작을 복수개의 제1 기능 인자로 분할할 수 있다. 예를 들어, 반송 동작을 상세하게 분석하면, 송신단에서는 물품의 [적재]가 수행되고, 송신단과 수신단 사이에서는 [지지]가 수행된다. 따라서, 기능 인자 분할 모듈(320)은 반송 동작을, [적재], [지지] 등의 2개의 제1 기능 인자들로 분할할 수 있다.
도 3b는 동작 및 복수개의 제1 기능 인자를 순차적으로 추출하는 일 예이다. 복수개의 동작관련데이터(330)는 반송 로드, 반송 시간, 통신 상태 및 이동 경로에 대한 데이터를 포함한다. 이 경우, 복수개의 동작관련데이터(330)로부터 무인 자율주행차량의 동작을 [반송](340)으로 인식한다.
[반송](340) 동작을 시계열적으로 분할하여, 복수개의 제1 기능 인자(350)로 분할한다. 이에 의해, [반송](340) 동작을 [적재], [지지], [경로탐색] 및 [주행] 등의 4개의 제1 기능 인자들로 분할할 수 있다.
도 4a와 도 4b는 본 발명에 따른 무인 자율주행차량의 예지보전장치가 수행하는 학습 방법을 설명하기 위한 도면이다.
도 4a에는 무인 자율주행차량의 예지보전장치(200)의 학습부(230)의 상세 구성이 도시되어 있다. 학습부(230)는 학습을 수행하여 고장 패턴을 생성할 수 있다. 이를 위해, 학습부(230)는 장애 발생내역 학습 모듈(410)과 고장 패턴 생성 모듈(420)을 포함하여 구성될 수 있다.
장애 발생내역 학습 모듈(410)은 복수개의 제1 기능 인자 각각의 상태변화에 따른 무인 자율주행차량에의 장애발생내역을 학습할 수 있다. 이 경우, 장애 발생내역 학습 모듈(410)은 복수개의 제1 기능 인자 각각의 상태변화에 따라 달라지는 장애발생여부와 장애발생시점 및 장애발생정도 등의 데이터를 학습할 수 있다. 예를 들어, 제1 기능 인자가 적재라고 가정할 때, 물품의 적재량에 따라 달라지는 장애발생여부 및 장애발생시점을 학습할 수 있다.
고장 패턴 생성 모듈(420)은 복수개의 제1 기능 인자 각각에 대응하는 복수개의 제1 고장 패턴을 생성할 수 있다.
구체적으로, 고장 패턴 생성 모듈(420)은 장애 발생내역 학습 모듈(410)의 학습 결과에 기초하여, 시간 경과에 따른 고장 발생률을 계산할 수 있다.
고장 패턴 생성 모듈(420)은 시간 경과에 따른 고장 발생률을 곡선 그래프로 표시함으로써 제1 고장 패턴을 생성할 수 있다. 이 경우, 고장 패턴 생성 모듈(420)은 복수개의 제1 기능 인자 각각에 대응하여, 복수개의 제1 고장 패턴을 생성할 수 있다.
도 4b는 복수개의 제1 고장 패턴의 일 예를 도시한다.
복수개의 제1 고장 패턴은 복수개의 제1 기능 인자 각각에 대응하며, 곡선 그래프 형태로 표시된다. 도 4b를 참조하면, [적재]에 대응하는 고장 패턴(430), [지지]에 대응하는 고장 패턴(440), [경로탐색]에 대응하는 고장 패턴(450) 및 [주행]에 대응하는 고장 패턴(460)이 각각 도시되어 있다.
이를 참조하면, 기능 인자에 따라 고장 발생률, 고장 발생 시점, 고장 발생 정도 등이 모두 상이하다는 것을 알 수 있다.
도 5는 본 발명에 따른 무인 자율주행차량의 예지보전장치가 센서에 대응하여 고장 패턴을 생성하는 일 예를 설명하기 위한 도면이다.
무인 자율주행차량의 동작관련데이터를 측정하는 센서는 복수 개일 수 있다. 이 경우, 복수개의 센서 각각은 서로 다른 종류의 데이터를 측정할 수 있다.
무인 자율주행차량의 예지보전장치(200)는 복수개의 센서 각각에 대응하여 고장 패턴을 생성할 수 있다. 이 경우, 각각의 센서에서 수집된 동작관련데이터에 기초하여 고장 패턴을 생성할 수 있다.
도 5를 참조하면, 제1센서에 대응하는 고장 패턴(510), 제2센서에 대응하는 고장 패턴(520), 제3센서에 대응하는 고장 패턴(530)이 생성되어 있다. 각각의 고장 패턴(510, 520, 530)에서, 곡선의 기울기, 고장 정도, 고장발생시점 등은 모두 상이하다. 이 경우, 무인 자율주행차량의 예지보전장치(200)는 복수개의 고장 패턴(510, 520, 530)을 종합적으로 고려하여, 고장발생시점을 예측할 수 있다. 도 5의 경우, 고장발생시점은 시간 t1 및 시간 t2 로 예측된다.
도 6은 본 발명에 따른 무인 자율주행차량의 예지보전장치가 고장 패턴을 생성하는 다른 예를 설명하기 위한 도면이다.
무인 자율주행차량의 예지보전장치(200)는 제2 기능 인자 상호간의 상관 관계를 반영하여, 제2고장 패턴을 조합하여 제3 고장 패턴을 생성하고, 제3 고장 패턴에 기초하여 고장발생시점을 예측할 수 있다.
제1 기능 인자들은 상호간에 서로 영향을 미칠 수 있으며, 이에 의해 고장이나 장애의 발생시점 또는 발생정도가 달라지기도 한다. 예를 들어, 적재량이 늘어날수록 주행을 수행하는 바퀴의 노후화가 빨라져 무인 자율주행차량의 고장발생시점을 빨라진다. 즉, [적재]와 [주행]은 고장발생시점을 가속화시키는 상관 관계를 가진다.
따라서, 기능 인자들의 상관관계를 반영한 고장 패턴을 생성하고 이에 기초하여 고장발생시점을 예측하는 경우, 두 개 이상의 기능 인자들이 서로 영향을 미치는 경우에도 고장발생시점을 정확하게 예측할 수 있다.
도 6에 도시된 바와 같이, 두 개의 제1 고장 패턴(610, 620)을 조합하여 제3 고장 패턴(630)을 생성할 수 있다. 두 개의 제1 고장 패턴(610, 620)에서 고장발생시점은 각각 시간 t1 및 시간 t2 로 예측되지만, 조합된 제3 고장 패턴(630)에 의하면 고장발생시점이 시간 t3 로 예측된다. 이와 같이, 두 개의 기능 인자가 상호 영향을 미치게 되어, 고장발생시점은 달라지게 된다.
도 7은 본 발명에 따른 무인 자율주행차량의 예지보전장치가 실시간 스트리밍을 통해 데이터를 처리하는 방법을 설명하기 위한 도면이다.
무인 자율주행차량의 예지보전장치(200)는 실시간 스트리밍을 통해 데이터 수집, 딥러닝 활용 분석 및 예지보전 등을 수행할 수 있다. 일 실시 예에 의하면, 무인 자율주행차량의 예지보전장치(200)는 스파크 스트리밍을 사용하여 실시간으로 데이터를 수신하여 처리하고 분석할 수 있다.
스파크 스트리밍은 이산 스트림(Discretized stream: DStream)이라 불리는 논리적 개념에 기초한다. 이산 스트림(DStream)은 시간별로 도착한 데이터들의 연속적인 모음으로 정의된다.
스트리밍 처리는 데이터의 작은 배치 단위들 위에서 각 배치 처리의 연속적인 흐름으로 간주되고, 스파크 스트리밍은 다양한 입력 소스로부터 데이터를 수신하여 이것들을 작은 그룹들로 묶는다. 새로운 배치들은 정해진 시간 간격마다 생성된다.
도 7에 도시된 바와 같이, 복수개의 무인 자율주행차량으로부터 실시간으로 데이터 스트림을 입력 받는다. 데이터 스트림은 AGV 데이터 1. AGV 데이터 2, AGV 데이터 3 등을 포함할 수 있다.
제어부(240)는 스파크 스트리밍을 사용하여 입력된 데이터 스트림을 배치 단위들로 분할한다. 이 경우, 배치 단위 각각을 실시간으로 처리하고, 처리 결과에 기초하여 AGV 예지보전을 수행할 수 있다.
도 8은 본 발명에 따른 무인 자율주행차량의 예지보전과정을 도시한 도면이다.
센서로부터 무인 자율주행차량의 동작관련데이터를 수신한다(S801).
무인 자율주행차량의 예지보전장치(200)는 센서에 의해 측정된 무인 자율주행차량의 동작관련데이터를 수신할 수 있다. 여기서, 동작관련데이터는, 반송 시간, 부하율, 장비와의 통신 상태, AGV 주행 속도, AGV 구동회로의 온도 등 그 외 AGV의 현재 상태를 확인할 수 있는 모든 종류의 데이터를 포함할 수 있다.
동작관련데이터로부터 무인 자율주행차량의 동작을 인식한다(S802).
무인 자율주행차량의 예지보전장치(200)는 복수개의 동작관련데이터로 구성되는 데이터 집합으로부터 공통 목적을 추출하고, 추출된 공통 목적에 기초하여 무인 자율주행차량의 동작을 인식할 수 있다.
인식된 동작을 복수개의 제1 기능 인자로 분할한다(S803).
제1 기능 인자는 동작을 구성하는 동작요소로 정의될 수 있다. 이 경우, 동작요소는 동작을 시계열적으로 분할하여 구성하거나, 동작을 공간적으로 분할하여 구성할 수 있다.
복수개의 제1 기능 인자 각각의 상태변화에 따른 무인 자율주행차량에의 장애발생내역을 학습한다(S804).
여기서, 장애발생내역은 장애나 고장의 발생 여부, 종류, 고장발생시점, 고장 정도, 장애발생 부분 등을 포함할 수 있다.
복수개의 제1 기능 인자 각각의 상태변화에 따른 무인 자율주행차량에의 장애발생내역은 달라질 수 있다. 즉, 기능 인자의 종류나 동작 상태에 따라 장애발생 여부나 장애발생 시점 등이 달라질 수 있다. 따라서, 장애발생내역에 대한 다양한 데이터를 학습함으로써, 각 기능 인자에 따른 고장 패턴을 생성하게 된다. 고장 패턴은 시간 경과에 따른 고장 발생률을 표시하는 곡선 그래프이다.
복수개의 제1 기능 인자 각각에 대응하는 복수개의 제1 고장 패턴을 생성한다(S805).
복수개의 제1 기능 인자 중에서 무인 자율주행차량에 장애가 발생하는데 영향을 미치는 제2 기능 인자를 추출한다(S806).
무인 자율주행차량의 예지보전장치(200)는 소정 기준에 기초하여 복수개의 제1 기능 인자 중에서 무인 자율주행차량에 장애가 발생하는데 영향을 미치는 제2 기능 인자를 추출할 수 있다.
이 경우, 무인 자율주행차량의 예지보전장치(200)는 실시 예에 따라 소정 기준을 다르게 설정할 수 있다. 소정 기준을 변경함으로써, 원하는 기능 인자를 기준으로 장애나 고장에 대한 예지보전을 수행할 수 있다.
복수개의 제1 고장 패턴 중에서 제2 기능 인자에 대응하는 제2 고장 패턴에 기초하여 무인 자율주행차량의 고장발생시점을 예측한다(S807).
이 경우, 무인 자율주행차량의 예지보전장치(200)는 현재상태를 진단하고 유지보수 등의 예지보전을 수행할 수 있다.
도 9는 본 발명의 실시예에 따른 무인 자율주행차량의 예지보전을 수행하는 컴퓨팅 장치를 나타내는 도면이다.
도 9의 컴퓨팅 장치(TN100)는 본 명세서에서 기술된 장치일 수 있다.
도 9의 실시예에서, 컴퓨팅 장치(TN100)는 적어도 하나의 프로세서(TN110), 송수신 장치(TN120), 및 메모리(TN130)를 포함할 수 있다. 또한, 컴퓨팅 장치(TN100)는 저장 장치(TN140), 입력 인터페이스 장치(TN150), 출력 인터페이스 장치(TN160) 등을 더 포함할 수 있다. 컴퓨팅 장치(TN100)에 포함된 구성 요소들은 버스(bus)(TN170)에 의해 연결되어 서로 통신을 수행할 수 있다.
프로세서(TN110)는 메모리(TN130) 및 저장 장치(TN140) 중에서 적어도 하나에 저장된 프로그램 명령(program command)을 실행할 수 있다. 프로세서(TN110)는 중앙 처리 장치(CPU: central processing unit), 그래픽 처리 장치(GPU: graphics processing unit), 또는 본 발명의 실시예에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다. 프로세서(TN110)는 본 발명의 실시예와 관련하여 기술된 절차, 기능, 및 방법 등을 구현하도록 구성될 수 있다. 프로세서(TN110)는 컴퓨팅 장치(TN100)의 각 구성 요소를 제어할 수 있다.
메모리(TN130) 및 저장 장치(TN140) 각각은 프로세서(TN110)의 동작과 관련된 다양한 정보를 저장할 수 있다. 메모리(TN130) 및 저장 장치(TN140) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(TN130)는 읽기 전용 메모리(ROM: read only memory) 및 랜덤 액세스 메모리(RAM: random access memory) 중에서 적어도 하나로 구성될 수 있다.
송수신 장치(TN120)는 유선 신호 또는 무선 신호를 송신 또는 수신할 수 있다. 송수신 장치(TN120)는 네트워크에 연결되어 통신을 수행할 수 있다.
한편, 본 발명의 실시예는 지금까지 설명한 장치 및/또는 방법을 통해서만 구현되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있으며, 이러한 구현은 상술한 실시예의 기재로부터 본 발명이 속하는 기술 분야의 통상의 기술자라면 쉽게 구현할 수 있는 것이다.
이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 통상의 기술자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

Claims (10)

  1. 무인 자율주행차량의 예지보전장치에 있어서,
    센서에 의해 측정된 무인 자율주행차량의 동작관련데이터를 수신하는 수집부;
    상기 동작관련데이터로부터 상기 무인 자율주행차량의 동작을 인식하고, 상기 동작을 복수개의 제1 기능 인자로 분할하는 분석부;
    상기 복수개의 제1 기능 인자 각각의 상태변화에 따른 상기 무인 자율주행차량에의 장애발생내역을 학습하여, 상기 복수개의 제1 기능 인자 각각에 대응하는 복수개의 제1 고장 패턴을 생성하는 학습부; 및
    소정 기준에 기초하여 상기 복수개의 제1 기능 인자 중에서 상기 무인 자율주행차량에 장애가 발생하는데 영향을 미치는 제2 기능 인자를 추출하고, 상기 복수개의 제1 고장 패턴 중에서 상기 제2 기능 인자에 대응하는 제2 고장 패턴에 기초하여 상기 무인 자율주행차량의 고장발생시점을 예측하는 제어부를 포함하는, 무인 자율주행차량의 예지보전장치.
  2. 제1항에 있어서,
    상기 제어부는,
    상기 복수개의 제1 기능 인자 중에서 두 개 이상의 제1 기능 인자를 선택하여 상기 제2 기능 인자로 추출하는 것을 특징으로 하는, 무인 자율주행차량의 예지보전장치.
  3. 제2항에 있어서,
    상기 제어부는,
    상기 제2 기능 인자에 대응하는 상기 제2 고장 패턴에 의해 장애 발생이 예측되는 복수개의 시점들을 추출하고, 현 시점으로부터 가장 빠르게 도래하는 시점을 상기 고장발생시점으로 예측하는 것을 특징으로 하는, 무인 자율주행차량의 예지보전장치.
  4. 제2항에 있어서,
    상기 제어부는,
    상기 제2 기능 인자 상호간의 상관 관계를 반영하여, 상기 제2 고장 패턴을 조합하여 제3 고장 패턴을 생성하고, 상기 제3 고장 패턴에 기초하여 상기 고장발생시점을 예측하는 것을 특징으로 하는, 무인 자율주행차량의 예지보전장치.
  5. 제1항에 있어서,
    상기 동작관련데이터는,
    반송로드, 반송시간 및 통신 상태 중 적어도 하나를 포함하는 것을 특징으로 하는, 무인 자율주행차량의 예지보전장치.
  6. 제1항에 있어서,
    상기 센서는,
    각각 서로 다른 종류의 데이터를 측정하는 복수개의 센서를 포함하고,
    상기 복수개의 센서 중 일부는 상기 무인 자율주행차량에 부착되는 것을 특징으로 하는, 무인 자율주행차량의 예지보전장치.
  7. 제6항에 있어서,
    상기 제어부는,
    상기 복수개의 센서 각각에 우선 순위를 설정하고, 상기 우선 순위에 기초하여 상기 동작관련데이터를 수신하도록 상기 수집부를 제어하는 것을 특징으로 하는, 무인 자율주행차량의 예지보전장치.
  8. 제1항에 있어서,
    상기 제어부는,
    실시간 스트리밍을 통해 상기 동작관련데이터를 수신하도록 상기 수집부를 제어하고, 상기 동작관련데이터를 연속적인 복수개의 서브 그룹들로 분할하여 소정 주기 마다 상기 복수개의 서브 그룹들 각각을 순차적으로 처리하는 것을 특징으로 하는, 무인 자율주행차량의 예지보전장치.
  9. 무인 자율주행차량의 예지보전방법에 있어서,
    센서에 의해 측정된 무인 자율주행차량의 동작관련데이터를 수신하는 단계;
    상기 동작관련데이터로부터 상기 무인 자율주행차량의 동작을 인식하고, 상기 동작을 복수개의 제1 기능 인자로 분할하는 단계;
    상기 복수개의 제1 기능 인자 각각의 상태변화에 따른 상기 무인 자율주행차량에의 장애발생내역을 학습하여, 상기 복수개의 제1 기능 인자 각각에 대응하는 복수개의 제1 고장 패턴을 생성하는 단계;
    소정 기준에 기초하여 상기 복수개의 제1 기능 인자 중에서 상기 무인 자율주행차량에 장애가 발생하는데 영향을 미치는 제2 기능 인자를 추출하는 단계; 및
    상기 복수개의 제1 고장 패턴 중에서 상기 제2 기능 인자에 대응하는 제2 고장 패턴에 기초하여 상기 무인 자율주행차량의 고장발생시점을 예측하는 단계를 포함하는, 무인 자율주행차량의 예지보전방법.
  10. 제9항에 의한 무인 자율주행차량의 예지보전방법을 수행하는 프로그램이 기록된 컴퓨터로 판독 가능한 기록매체.
PCT/KR2020/008454 2020-04-23 2020-06-29 무인 자율주행차량의 예지보전장치 및 이의 예지보전방법 WO2021080116A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2020541531A JP6996795B2 (ja) 2020-04-23 2020-06-29 無人搬送車の予知保全装置及びその予知保全方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2020-0049534 2020-04-23
KR1020200049534A KR102129480B1 (ko) 2020-04-23 2020-04-23 무인 자율주행차량의 예지보전장치 및 이의 예지보전방법

Publications (1)

Publication Number Publication Date
WO2021080116A1 true WO2021080116A1 (ko) 2021-04-29

Family

ID=71599725

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/008454 WO2021080116A1 (ko) 2020-04-23 2020-06-29 무인 자율주행차량의 예지보전장치 및 이의 예지보전방법

Country Status (3)

Country Link
JP (1) JP6996795B2 (ko)
KR (1) KR102129480B1 (ko)
WO (1) WO2021080116A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015088078A (ja) * 2013-11-01 2015-05-07 株式会社日立パワーソリューションズ 異常予兆検知システム及び異常予兆検知方法
JP2016033778A (ja) * 2014-07-31 2016-03-10 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法
JP2017033526A (ja) * 2015-07-31 2017-02-09 ファナック株式会社 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
US20180190378A1 (en) * 2015-09-24 2018-07-05 Fujifilm Corporation Fault diagnosis apparatus, fault diagnosis method, and fault diagnosis program
KR20190001414A (ko) * 2017-06-27 2019-01-04 주식회사 큐엔티 실시간 로봇 모니터링 서비스 제공 방법, 서버 및 프로그램

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4583594B2 (ja) * 2000-12-28 2010-11-17 富士重工業株式会社 車両管理システム
US8543280B2 (en) * 2011-04-29 2013-09-24 Toyota Motor Engineering & Manufacturing North America, Inc. Collaborative multi-agent vehicle fault diagnostic system and associated methodology
US10599982B2 (en) * 2015-02-23 2020-03-24 Machinesense, Llc Internet of things based determination of machine reliability and automated maintainenace, repair and operation (MRO) logs
JP2020042708A (ja) * 2018-09-13 2020-03-19 いすゞ自動車株式会社 モデル作成装置、モデル作成方法及びプログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015088078A (ja) * 2013-11-01 2015-05-07 株式会社日立パワーソリューションズ 異常予兆検知システム及び異常予兆検知方法
JP2016033778A (ja) * 2014-07-31 2016-03-10 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法
JP2017033526A (ja) * 2015-07-31 2017-02-09 ファナック株式会社 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
US20180190378A1 (en) * 2015-09-24 2018-07-05 Fujifilm Corporation Fault diagnosis apparatus, fault diagnosis method, and fault diagnosis program
KR20190001414A (ko) * 2017-06-27 2019-01-04 주식회사 큐엔티 실시간 로봇 모니터링 서비스 제공 방법, 서버 및 프로그램

Also Published As

Publication number Publication date
KR102129480B1 (ko) 2020-07-02
JP6996795B2 (ja) 2022-01-17
JP2022501241A (ja) 2022-01-06

Similar Documents

Publication Publication Date Title
JP2644844B2 (ja) 分散型画像認識システム
WO2018030772A1 (ko) 감응식 교통 신호 제어 방법 및 그 장치
WO2022131388A1 (ko) 이동식 무인탐지장치를 이용한 인공지능 기반 안전관리 시스템
WO2016125941A1 (ko) 환경 오염 예측 시스템 및 방법
WO2018044036A1 (ko) 원격지에서 원자력 발전소의 온라인 통합 모니터링 방법 및 온라인 통합 모니터링 시스템
WO2019146849A1 (ko) 설비 진단 시스템을 이용한 설비 진단 방법
EP3617117B1 (en) Model development framework for remote monitoring condition-based maintenance
WO2023106890A1 (ko) 전자 장치 및 그 제어 방법
WO2023043215A1 (ko) 표준 운용 수준 평가 기반 산업 설비 운용 제어 장치 및 그 동작 방법
WO2020004996A1 (ko) 발전소 고장 예측 및 진단시스템의 학습모델을 위한 학습데이터 생성장치 및 방법
WO2023090876A1 (ko) 선제적 풍력발전 유지관리 시스템
WO2020189831A1 (ko) 자율주행 차량의 모니터링 및 제어 방법
WO2021080116A1 (ko) 무인 자율주행차량의 예지보전장치 및 이의 예지보전방법
WO2018186625A1 (ko) 전자 장치, 그의 경고 메시지 제공 방법 및 비일시적 컴퓨터 판독가능 기록매체
WO2022177345A1 (ko) 인공지능 기반으로 화면 정보를 인지하여 화면 상의 오브젝트에 이벤트를 발생시키는 방법 및 시스템
WO2019240330A1 (ko) 영상 기반 힘 예측 시스템 및 그 방법
WO2022203127A1 (ko) 객체 이상 탐지 및 상태 분류 모델의 지속적인 학습을 위한 방법 및 이를 위한 장치
WO2021215813A1 (ko) 무인 자율주행차량의 경로제어장치 및 경로제어방법
WO2019189950A1 (ko) 설비의 원격 진단 방법, 시스템 및 프로그램
WO2023027283A1 (ko) 클라우드 로봇 제어 개발을 위한 시뮬레이션 시스템 및 그 방법
WO2019221461A1 (ko) 네트워크 장애 원인 분석 장치 및 방법
WO2022114655A1 (ko) 클라우드 기반 디바이스 인공지능 설정 시스템 및 방법
WO2020130687A1 (en) System and method for automated execution of user-specified commands
WO2022114453A1 (ko) 차량 고장 여부를 예측하기 위한 인공 신경망 학습 방법, 차량 고장 여부 판단 방법, 및 이를 수행하는 컴퓨팅 시스템
WO2021261905A1 (ko) 영상 분석 기반 작업 동작 인식 및 생산량 측정 장치와 그 방법

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2020541531

Country of ref document: JP

Kind code of ref document: A

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20878394

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20878394

Country of ref document: EP

Kind code of ref document: A1