WO2022114750A1 - 차량의 불량 예측 시스템 및 그 방법 - Google Patents

차량의 불량 예측 시스템 및 그 방법 Download PDF

Info

Publication number
WO2022114750A1
WO2022114750A1 PCT/KR2021/017332 KR2021017332W WO2022114750A1 WO 2022114750 A1 WO2022114750 A1 WO 2022114750A1 KR 2021017332 W KR2021017332 W KR 2021017332W WO 2022114750 A1 WO2022114750 A1 WO 2022114750A1
Authority
WO
WIPO (PCT)
Prior art keywords
vehicle
information
pattern data
data
diagnosis
Prior art date
Application number
PCT/KR2021/017332
Other languages
English (en)
French (fr)
Inventor
정태욱
Original Assignee
(주)볼트마이크로
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 (주)볼트마이크로 filed Critical (주)볼트마이크로
Publication of WO2022114750A1 publication Critical patent/WO2022114750A1/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
    • 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
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
    • B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
    • 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
    • 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
    • G01M17/007—Wheeled or endless-tracked vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2306/00—Other features of vehicle sub-units
    • B60Y2306/15—Failure diagnostics

Definitions

  • the present invention relates to a vehicle failure prediction system and method, and more particularly, to a technical idea of predicting vehicle and internal component failures by analyzing a generation pattern of a vehicle diagnostic code.
  • the vehicle since it is difficult to detect signs of defects in the vehicle until the failure occurs, the vehicle may break down and stop on the road or cause an accident.
  • An object of the present invention is to provide a vehicle failure prediction system and method capable of more accurately predicting vehicle and internal component failures by analyzing a generation pattern of vehicle diagnostic codes.
  • Another object of the present invention is to provide a vehicle failure prediction system and method capable of remotely transmitting and receiving diagnostic information in a vehicle without physically accessing the vehicle.
  • a vehicle failure prediction system includes a data collection unit for collecting diagnostic information about a vehicle, extracting learning pattern data from information collected before a preset time among the collected diagnostic information, and extracting the extracted
  • a reference data generator that generates reference pattern data by performing artificial intelligence learning by inputting learning pattern data, and extracts occurrence pattern data from information collected after a preset time among diagnostic information about the collected vehicle, and the extracted occurrence It may include a failure determination unit that determines whether the vehicle is defective based on the pattern data and the generated reference pattern data.
  • the diagnosis information may be selected from among diagnosis result data for at least one electronic control unit (ECU) provided in the vehicle, information on the number of failures before diagnosis, information on the number of times of diagnosis failure, information on the number of times of successful diagnosis, and information on the number of times when diagnosis succeeds. It may include at least one piece of information.
  • ECU electronice control unit
  • the reference data generator may extract the learning pattern data and the occurrence pattern data based on the information on the generation pattern of the vehicle diagnostic code included in the diagnosis result data.
  • the reference data generator may generate reference pattern data by performing artificial intelligence learning based on a neural network algorithm including at least one hidden layer.
  • the failure determining unit compares the extracted occurrence pattern data with the generated reference pattern data, and when it is found that the comparison result is less than or equal to a predetermined degree of similarity, the failure determination unit may determine the failure.
  • the vehicle failure prediction system may further include a data providing unit that generates diagnosis information and provides the generated diagnosis information to a data collection unit using IP (internet protocol)-based communication.
  • IP internet protocol
  • a vehicle failure prediction method includes the steps of: collecting diagnostic information about the vehicle in a data collection unit; In the step of extracting learning pattern data, generating reference pattern data by performing artificial intelligence learning by inputting the extracted learning pattern data, and information collected after a preset time among diagnostic information about the collected vehicle in the failure determination unit extracting the occurrence pattern data from the , and determining whether the vehicle is defective based on the extracted occurrence pattern data and the generated reference pattern data.
  • the diagnosis information may be selected from among diagnosis result data for at least one electronic control unit (ECU) provided in the vehicle, information on the number of failures before diagnosis, information on the number of times of diagnosis failure, information on the number of times of successful diagnosis, and information on the number of times when diagnosis succeeds. It may include at least one piece of information.
  • ECU electronice control unit
  • the collecting of the diagnostic information may include extracting the learning pattern data and the occurrence pattern data based on the information on the occurrence pattern of the vehicle diagnostic code included in the diagnostic result data.
  • the method for predicting failure of a vehicle may further include generating pre-diagnosis information in the data providing unit and providing the generated diagnosis information to the data collecting unit using IP (internet protocol)-based communication.
  • IP internet protocol
  • the present invention may more accurately predict a vehicle and a component defect inside the vehicle by analyzing the generation pattern of the vehicle diagnostic code.
  • the present invention can remotely transmit and receive diagnostic information in a vehicle without physically accessing the vehicle.
  • FIG. 1 is a diagram for describing a system for predicting failure of a vehicle according to an exemplary embodiment.
  • FIG. 2 is a diagram for explaining an implementation example of a system for predicting failure of a vehicle according to an exemplary embodiment.
  • FIG. 3 is a diagram for describing a method for predicting a vehicle failure according to an exemplary embodiment.
  • a component When an (eg, first) component is referred to as being “connected (functionally or communicatively)” or “connected” to another (eg, second) component, a component is referred to as that other component. It may be directly connected to the element, or may be connected through another element (eg, a third element).
  • the expression “a device configured to” may mean that the device is “capable of” with other devices or parts.
  • a processor configured (or configured to perform) A, B, and C refers to a dedicated processor (eg, an embedded processor) for performing the corresponding operations, or by executing one or more software programs stored in a memory device.
  • a dedicated processor eg, an embedded processor
  • a general-purpose processor eg, a CPU or an application processor
  • FIG. 1 is a diagram for describing a system for predicting failure of a vehicle according to an exemplary embodiment.
  • the failure prediction system 100 may be provided inside or outside the vehicle to predict the occurrence of defects in the vehicle and parts inside the vehicle.
  • the failure prediction system 100 may analyze the occurrence pattern of a vehicle diagnostic trouble code (DTC) to more accurately predict the failure of the vehicle and parts inside the vehicle.
  • DTC vehicle diagnostic trouble code
  • the failure prediction system 100 may remotely transmit/receive diagnostic information from the vehicle without physically accessing the vehicle.
  • the failure prediction system 100 may include a data collection unit 110 , a reference data generation unit 120 , and a failure determination unit 130 . Also, the failure prediction system 100 may further include a data providing unit.
  • the data collection unit 110 may collect diagnostic information about the vehicle.
  • the diagnosis information may be selected from among diagnosis result data for at least one electronic control unit (ECU) provided in the vehicle, information on the number of failures before diagnosis, information on the number of times of diagnosis failure, information on the number of times of successful diagnosis, and information on the number of times when diagnosis succeeds. It may include at least one piece of information.
  • ECU electronice control unit
  • the reference data generation unit 120 extracts learning pattern data from information collected before a preset time (t ⁇ t set ) among the collected diagnostic information, and uses the extracted learning pattern data as an input for artificial intelligence. Learning may be performed to generate reference pattern data.
  • the reference data generator 120 may extract learning pattern data based on information about a generation pattern of a vehicle diagnosis code included in the diagnosis result data.
  • the reference data generator 120 may generate information on the number of failures in diagnosis and diagnosis success corresponding to the vehicle diagnostic code output from the vehicle diagnostic program before the preset time and the vehicle diagnostic code output before the preset time. Learning pattern data in which time information is reflected can be extracted.
  • the learning pattern data may include at least one of learning pattern data for each ECU, learning pattern data between ECUs, learning pattern data for each module constituting each ECU, and learning pattern data between modules constituting each ECU. have.
  • the reference data generator 120 may generate reference pattern data by performing artificial intelligence learning based on a neural network algorithm including at least one hidden layer.
  • the neural network algorithm may be an algorithm based on a multi-layer perceptron.
  • the neural network algorithm may include an input layer, an output layer, and at least one hidden layer provided between the input layer and the output layer, and each of the input layer, the at least one hidden layer, and the output layer is at least one node. (input node, hidden node and output node).
  • the neural network algorithm when learning pattern data is input to the input layer, the operation result performed by the hidden node included in at least one hidden layer becomes the input value of the hidden node in the next layer, and this process is carried out to the output layer It is possible to output the reference pattern data as a final result.
  • the neural network algorithm may adjust the number of hidden layers and the connection strength of the neural network algorithm based on the output reference pattern data and the prediction pattern data corresponding to the reference pattern data.
  • connection strength plays a role in connecting nodes in each layer of a neural network algorithm, and this connection cannot connect nodes in the same layer, but can connect nodes in different layers.
  • a node in can be connected to any node in the next layer.
  • the prediction pattern data corresponding to the reference pattern data may be a generation pattern of a vehicle diagnosis code verified by an expert or pre-stored big data information.
  • the reference data generator 120 compares the output reference pattern data with the prediction pattern data corresponding to the reference pattern data, and adjusts the connection strength between the hidden nodes in a direction to reduce the difference (error) according to the comparison result.
  • the failure determination unit 130 extracts occurrence pattern data from information collected after a preset time (t > t set ) among the collected diagnostic information on the vehicle, and extracts the occurrence pattern data and the generated Whether or not the vehicle is defective may be determined based on the reference pattern data.
  • the reference data generating unit 120 may extract the occurrence pattern data from the preset time to the current time, that is, from real-time diagnostic information in which artificial intelligence learning is not performed.
  • the reference data generator 120 may extract the occurrence pattern data based on information about the occurrence pattern of the vehicle diagnosis code included in the diagnosis result data.
  • the reference data generator 120 may include a vehicle diagnosis code output in real time from the vehicle diagnosis program from a preset time to the current time, and information and diagnosis on the total number of failures in diagnosis corresponding to the vehicle diagnosis code output in real time. It is possible to extract the occurrence pattern data in which the success occurrence time information is reflected.
  • the failure determination unit 130 compares the extracted occurrence pattern data with the reference pattern data generated through the reference data generation unit 120, and if the comparison result is less than or equal to a preset similarity, it may be determined as defective. .
  • the defect determination unit 130 determines that a defect has occurred in the vehicle and parts (or modules, etc.) when the ratio of the section in which the comparison result of the occurrence pattern data and the reference pattern data is less than or equal to a preset similarity exceeds a preset ratio
  • the failure determination unit 130 may output an alarm signal through a display, a speaker, and a preset user terminal, where the alarm signal may include information on whether or not a failure of a component corresponding to the occurrence pattern data has occurred.
  • the failure determining unit 130 generates a failure probability of the vehicle based on the extracted occurrence pattern data and the reference pattern data generated through the reference data generation unit 120, and the generated failure probability is a preset threshold. When the probability is exceeded, an alarm signal may be output.
  • the failure determination unit 130 when ⁇ B11FF, U2100 ⁇ is detected among the vehicle diagnostic codes included in the occurrence pattern data, the failure determination unit 130 generates a vehicle failure probability of '80% within 5 days' based on the reference pattern data. and may output an alarm signal based on the generated defective probability.
  • the reference pattern data may include information on the probability of occurrence of a defect according to a specific vehicle diagnostic code
  • the reference data generator 120 additionally inputs information about the mileage of the vehicle and information about the engine load. can be received to generate reference pattern data in which information on the probability of occurrence of a defect is reflected.
  • the data providing unit may generate diagnostic information and provide the generated diagnostic information to the data collection unit 110 using Internet protocol (IP)-based communication. That is, the data collection unit 110 may remotely receive the diagnosis information through the data providing unit.
  • IP Internet protocol
  • the data providing unit according to an embodiment will be described in more detail later with reference to FIG. 2 according to the embodiment.
  • FIG. 2 is a diagram for explaining an implementation example of a system for predicting failure of a vehicle according to an exemplary embodiment.
  • the failure prediction system 200 may include a diagnosis apparatus 210 and a data providing unit 220 .
  • the diagnosis apparatus 210 may include the data collection unit, the reference data generation unit, and the failure determination unit of FIG. 1 , and may be implemented in the form of a server.
  • the data providing unit 220 may be the data providing unit of FIG. 1 .
  • the data providing unit 220 may include a communication interface, a diagnostics over internet protocol (DoIP) stack module, a unified diagnostic services (USD) software stack module, a diagnostic program, and a firmware over the air (FOTA) control unit.
  • DoIP diagnostics over internet protocol
  • USD unified diagnostic services
  • FOTA firmware over the air
  • the communication interface may support wired or wireless communication with the communication interface.
  • the communication interface may be an interface based on at least one of Ethernet, wireless LAN (WLAN), and mobile communication (3G, LTE, and 5G).
  • the DoIP stack module is a module based on the vehicle's standard diagnostic protocol 'ISO 13400', and is linked to the diagnostic device 110 through a communication interface such as Ethernet to provide diagnostics (eg, failure prediction) and diagnostic programs for the ECU. It can support the function of software upgrade.
  • the USD software stack module is a module based on the vehicle's standard diagnostic protocol 'ISO 14229-5', and can support communication with the ECU, and can also support the ability to diagnose errors and reprogram the ECU.
  • the USD software stack module can read and clear the ECU's fault memory or provide a flashing function for the ECU's new firmware.
  • the flashing refers to a technique of overwriting data (firmware data) in a read only memory (ROM) among memories corresponding to the ECU.
  • the flashing function may be largely divided into an upgrade preparation process, a flashing process, and a flashing finishing process and may be operated.
  • flashing can be performed on a file whose integrity has been checked.
  • an error code can be output as a pop-up.
  • the diagnostic program may perform diagnostics on at least one ECU and output diagnostic information, and the diagnostic information may include information about a vehicle diagnostic code.
  • the FOTA controller may store and manage the firmware update file downloaded from the diagnostic apparatus 110 .
  • the FOTA control unit determines a cache weight for the firmware update file based on difference information included in the downloaded firmware update file, determines a cache capacity for the firmware update file based on the determined cache weight, and determines the cache
  • the firmware update file may be cached in the cache memory based on capacity.
  • the FOTA controller may determine the cache weight as a predetermined value based on at least one of the size and type of difference information pre-stored in the firmware update file.
  • the FOTA controller may improve the software update speed by using the cache function of the terminal when software is updated for the vehicle.
  • FIG. 3 is a diagram for describing a method for predicting a vehicle failure according to an exemplary embodiment.
  • FIG. 3 is a view for explaining a method of operating the system for predicting failure of a vehicle according to an exemplary embodiment described with reference to FIGS. 1 and 2 , and among the contents described with reference to FIG. 3 , described with reference to FIGS. 1 and 2 . A description that overlaps with the content will be omitted.
  • the data providing unit in step 310, in the failure prediction method according to an embodiment, the data providing unit generates diagnostic information about the vehicle, and provides the generated diagnostic information to the data collection unit using IP (internet protocol)-based communication. can do.
  • IP internet protocol
  • the diagnosis information may be selected from among diagnosis result data for at least one electronic control unit (ECU) provided in the vehicle, information on the number of failures before diagnosis, information on the number of times of diagnosis failure, information on the number of times of successful diagnosis, and information on the number of times when diagnosis succeeds. It may include at least one piece of information.
  • ECU electronice control unit
  • the data collection unit may collect diagnostic information about the vehicle.
  • the failure prediction method extracts learning pattern data from information collected before a preset time (t ⁇ t set ) among the diagnostic information collected by the reference data generator, and extracts the extracted learning It is possible to generate reference pattern data by performing artificial intelligence learning by inputting pattern data.
  • the failure prediction method may extract learning pattern data based on information about a generation pattern of a vehicle diagnosis code included in the diagnosis result data.
  • the failure prediction method includes a vehicle diagnostic code output from the vehicle diagnostic program before a preset time and information on the total number of failures in diagnosis corresponding to the vehicle diagnostic code output before a preset time And it is possible to extract the learning pattern data in which the diagnosis success occurrence time information is reflected.
  • the learning pattern data may include at least one of learning pattern data for each ECU, learning pattern data between ECUs, learning pattern data for each module constituting each ECU, and learning pattern data between modules constituting each ECU. have.
  • the failure prediction method may generate reference pattern data by performing artificial intelligence learning based on a neural network algorithm including at least one hidden layer.
  • the neural network algorithm may be an algorithm based on a multi-layer perceptron.
  • the neural network algorithm may include an input layer, an output layer, and at least one hidden layer provided between the input layer and the output layer, and each of the input layer, the at least one hidden layer, and the output layer is at least one node. (input node, hidden node and output node).
  • the neural network algorithm when learning pattern data is input to the input layer, the operation result performed by the hidden node included in at least one hidden layer becomes the input value of the hidden node in the next layer, and this process is carried out to the output layer It is possible to output the reference pattern data as a final result.
  • the neural network algorithm may adjust the number of hidden layers and the connection strength of the neural network algorithm based on the output reference pattern data and the prediction pattern data corresponding to the reference pattern data.
  • connection strength plays a role in connecting nodes in each layer of a neural network algorithm, and this connection cannot connect nodes in the same layer, but can connect nodes in different layers.
  • a node in can be connected to any node in the next layer.
  • the prediction pattern data corresponding to the reference pattern data may be a generation pattern of a vehicle diagnosis code verified by an expert or pre-stored big data information.
  • the failure prediction method compares the output reference pattern data and the prediction pattern data corresponding to the reference pattern data, and the difference (error) between the hidden nodes is reduced in the direction of reducing the difference (error) according to the comparison result. Connection strength can be adjusted.
  • the failure prediction method extracts the occurrence pattern data from the information collected after a preset time (t > t set ) among the diagnostic information about the vehicle collected by the failure determination unit, and extracts Based on the generated pattern data and the generated reference pattern data, it is possible to determine whether the vehicle is defective.
  • the failure prediction method may extract occurrence pattern data from real-time diagnostic information from a preset time to a current time, ie, in which artificial intelligence learning is not performed.
  • the failure prediction method may extract the occurrence pattern data based on information about the occurrence pattern of the vehicle diagnosis code included in the diagnosis result data.
  • the failure prediction method includes a vehicle diagnostic code output from the vehicle diagnostic program in real time from a preset time to the current time, and a diagnostic total failure corresponding to the vehicle diagnostic code output in real time. It is possible to extract the occurrence pattern data in which the number of times information and the diagnosis success occurrence time information are reflected.
  • the failure prediction method compares the occurrence pattern data and the reference pattern data, and when the comparison result is found to be less than or equal to a preset similarity, the failure may be determined.
  • the failure prediction method includes a comparison result between the occurrence pattern data and the reference pattern data.
  • the ratio of a section having a similarity or less exceeds a preset ratio, the vehicle and parts (or modules, etc.)
  • the user can induce a detailed inspection of a part or vehicle showing an abnormal pattern.
  • the failure prediction method may output an alarm signal through a display, a speaker, and a preset user terminal, where the alarm signal is based on whether a component corresponding to the occurrence pattern data is defective. It may contain information about
  • the failure prediction method in step 340, the failure prediction method according to an embodiment generates a failure probability of the vehicle based on the occurrence pattern data and the reference pattern data, and generates an alarm signal when the generated failure probability exceeds a preset threshold probability. You can also print
  • the failure prediction method determines the failure probability of the vehicle based on the reference pattern data within '5 days. 80%' can be generated, and an alarm signal can be output based on the generated defective probability.
  • the reference pattern data may include information on the probability of occurrence of a failure according to a specific vehicle diagnostic code, and in step 330 , the failure prediction method according to an embodiment includes information on the mileage of the vehicle and information on the engine load. By receiving the information as an additional input, it is possible to generate reference pattern data in which information about the probability of occurrence of a defect is reflected.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Transportation (AREA)
  • Vehicle Cleaning, Maintenance, Repair, Refitting, And Outriggers (AREA)

Abstract

본 발명은 차량의 불량 예측 시스템 및 그 방법에 관한 것으로서, 일실시예에 따른 불량 예측 시스템은 차량에 대한 진단 정보를 수집하는 데이터 수집부와, 수집된 진단 정보 중 기설정된 시간 이전에 수집된 정보로부터 학습 패턴 데이터를 추출하고, 추출된 학습 패턴 데이터를 입력으로 인공지능 학습을 수행하여 기준 패턴 데이터를 생성하는 기준 데이터 생성부 및 수집된 차량에 대한 진단 정보 중 기설정된 시간 이후에 수집된 정보로부터 발생 패턴 데이터를 추출하고, 추출된 발생 패턴 데이터와 생성된 기준 패턴 데이터에 기초하여 차량에 대한 불량 여부를 판단하는 불량 판단부를 포함한다.

Description

차량의 불량 예측 시스템 및 그 방법
본 발명은 차량의 불량 예측 시스템 및 그 방법에 관한 것으로, 보다 상세하게는 차량 진단 코드의 발생 패턴을 분석하여 차량 및 차량 내부의 부품 불량을 예측하는 기술적 사상에 관한 것이다.
최근 차량들은 전자적인 기능들이 증가하고 있으며, 이에 따라 차량에는 다양한 전자장치들이 설치되어 사용되고 있다. 이러한 전자장치들은 기존에 차량에 있던 기능들을 대체하는 경우도 있지만 새로운 기능의 구현을 위해 설치되는 경우가 더 많다.
즉, 차량에는 기존의 기계장치들과 함께 전자장치들이 부가됨에 따라 고장이 발생할 수 있는 부품들의 수가 크게 늘어나고 있다.
이러한 부품의 증가에 따라, 전자장치들이나 기계장치들 중 일부 기능들의 고장을 자동으로 진단할 수 있는 고장진단용 전자제품들이 출시되어 사용되고 있다.
그러나, 이러한 전자제품들은 일부 부품들의 진단만 가능할 뿐만 아니라, 고장이 발생한 이후에 고장이 발생하였음을 알리게 된다. 또한, 엔진오일, 미션오일, 점화플러그, 타이밍 벨트 등 일반적으로 교환주기가 설정된 차량 소모품의 교환주기를 알려주는 것이 전부이다.
즉, 차량이 고장 발생 전까지 차량의 불량 징후를 발견하기 어렵기 때문에 차량에 고장이 발생하여 도로에 멈추거나 사고를 유발할 수 있다.
이에, 차량의 불량 징후를 보다 정확하게 예측하여 차량의 고장 발생 전에 이를 대비할 수 있는 기술이 필요한 실정이다.
본 발명은 차량 진단 코드의 발생 패턴을 분석하여 차량 및 차량 내부의 부품 불량을 보다 정확하게 예측할 수 있는 차량의 불량 예측 시스템 및 그 방법을 제공하고자 한다.
또한, 본 발명은 차량에 물리적으로 액세스하지 않아도 차량에서 진단 정보를 원격으로 송수신할 수 있는 차량의 불량 예측 시스템 및 그 방법을 제공하고자 한다.
본 발명의 일실시예에 따른 차량의 불량 예측 시스템은 차량에 대한 진단 정보를 수집하는 데이터 수집부와, 수집된 진단 정보 중 기설정된 시간 이전에 수집된 정보로부터 학습 패턴 데이터를 추출하고, 추출된 학습 패턴 데이터를 입력으로 인공지능 학습을 수행하여 기준 패턴 데이터를 생성하는 기준 데이터 생성부 및 수집된 차량에 대한 진단 정보 중 기설정된 시간 이후에 수집된 정보로부터 발생 패턴 데이터를 추출하고, 추출된 발생 패턴 데이터와 생성된 기준 패턴 데이터에 기초하여 차량에 대한 불량 여부를 판단하는 불량 판단부를 포함할 수 있다.
일측에 따르면, 진단 정보는 차량 내에 구비된 적어도 하나의 ECU(electronic control unit)에 대한 진단 결과 데이터, 진단 전실패 횟수 정보, 진단 실패 발생 시간 정보, 진단 성공 발생 횟수 정보 및 진단 성공 발생 시간 정보 중 적어도 하나의 정보를 포함할 수 있다.
일측에 따르면, 기준 데이터 생성부는 진단 결과 데이터에 포함된 차량 진단 코드의 발생 패턴에 관한 정보에 기초하여 학습 패턴 데이터 및 발생 패턴 데이터를 추출할 수 있다.
일측에 따르면, 기준 데이터 생성부는 적어도 하나의 은닉 계층(hidden layer)을 포함하는 신경망 알고리즘에 기반한 인공지능 학습을 수행하여 기준 패턴 데이터를 생성할 수 있다.
일측에 따르면, 불량 판단부는 추출된 발생 패턴 데이터와 생성된 기준 패턴 데이터를 비교하고 비교한 결과가 기설정된 유사도 이하인 것으로 나타나면 불량으로 판단할 수 있다.
일측에 따르면, 차량의 불량 예측 시스템은 진단 정보를 생성하고, 생성된 진단 정보를 IP(internet protocol) 기반 통신을 이용하여 데이터 수집부로 제공하는 데이터 제공부를 더 포함할 수 있다.
본 발명의 일실시예에 따른 차량의 불량 예측 방법은 데이터 수집부에서, 차량에 대한 진단 정보를 수집하는 단계와, 기준 데이터 생성부에서, 수집된 진단 정보 중 기설정된 시간 이전에 수집된 정보로부터 학습 패턴 데이터를 추출하고, 추출된 학습 패턴 데이터를 입력으로 인공지능 학습을 수행하여 기준 패턴 데이터를 생성하는 단계 및 불량 판단부에서, 수집된 차량에 대한 진단 정보 중 기설정된 시간 이후에 수집된 정보로부터 발생 패턴 데이터를 추출하고, 추출된 발생 패턴 데이터와 생성된 기준 패턴 데이터에 기초하여 차량에 대한 불량 여부를 판단하는 단계를 포함할 수 있다.
일측에 따르면, 진단 정보는 차량 내에 구비된 적어도 하나의 ECU(electronic control unit)에 대한 진단 결과 데이터, 진단 전실패 횟수 정보, 진단 실패 발생 시간 정보, 진단 성공 발생 횟수 정보 및 진단 성공 발생 시간 정보 중 적어도 하나의 정보를 포함할 수 있다.
일측에 따르면, 진단 정보를 수집하는 단계는 진단 결과 데이터에 포함된 차량 진단 코드의 발생 패턴에 관한 정보에 기초하여 학습 패턴 데이터 및 발생 패턴 데이터를 추출할 수 있다.
일측에 따르면, 차량의 불량 예측 방법은 데이터 제공부에서 기 진단 정보를 생성하고, 생성된 진단 정보를 IP(internet protocol) 기반 통신을 이용하여 데이터 수집부로 제공하는 단계를 더 포함할 수 있다.
일실시예에 따르면, 본 발명은 차량 진단 코드의 발생 패턴을 분석하여 차량 및 차량 내부의 부품 불량을 보다 정확하게 예측할 수 있다.
일실시예에 따르면, 본 발명은 차량에 물리적으로 액세스하지 않아도 차량에서 진단 정보를 원격으로 송수신할 수 있다.
도 1은 일실시예에 따른 차량의 불량 예측 시스템을 설명하기 위한 도면이다.
도 2는 일실시예에 따른 차량의 불량 예측 시스템의 구현예를 설명하기 위한 도면이다.
도 3은 일실시예에 따른 차량의 불량 예측 방법을 설명하기 위한 도면이다.
실시 예 및 이에 사용된 용어들은 본 문서에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 해당 실시 예의 다양한 변경, 균등물, 및/또는 대체물을 포함하는 것으로 이해되어야 한다.
하기에서 다양한 실시 예들을 설명에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.
그리고 후술되는 용어들은 다양한 실시 예들에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다.
본 문서에서, "A 또는 B" 또는 "A 및/또는 B 중 적어도 하나" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다.
"제1," "제2," "첫째," 또는 "둘째," 등의 표현들은 해당 구성요소들을, 순서 또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.
어떤(예: 제1) 구성요소가 다른(예: 제2) 구성요소에 "(기능적으로 또는 통신적으로) 연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다.
본 명세서에서, "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, 하드웨어적 또는 소프트웨어적으로 "~에 적합한," "~하는 능력을 가지는," "~하도록 변경된," "~하도록 만들어진," "~를 할 수 있는," 또는 "~하도록 설계된"과 상호 호환적으로(interchangeably) 사용될 수 있다.
어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다.
예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(예: CPU 또는 application processor)를 의미할 수 있다.
또한, '또는' 이라는 용어는 배타적 논리합 'exclusive or' 이기보다는 포함적인 논리합 'inclusive or' 를 의미한다.
즉, 달리 언급되지 않는 한 또는 문맥으로부터 명확하지 않는 한, 'x가 a 또는 b를 이용한다' 라는 표현은 포함적인 자연 순열들(natural inclusive permutations) 중 어느 하나를 의미한다.
상술한 구체적인 실시 예들에서, 발명에 포함되는 구성 요소는 제시된 구체적인 실시 예에 따라 단수 또는 복수로 표현되었다.
그러나, 단수 또는 복수의 표현은 설명의 편의를 위해 제시한 상황에 적합하게 선택된 것으로서, 상술한 실시 예들이 단수 또는 복수의 구성 요소에 제한되는 것은 아니며, 복수로 표현된 구성 요소라 하더라도 단수로 구성되거나, 단수로 표현된 구성 요소라 하더라도 복수로 구성될 수 있다.
한편 발명의 설명에서는 구체적인 실시 예에 관해 설명하였으나, 다양한 실시 예들이 내포하는 기술적 사상의 범위에서 벗어나지 않는 한도 내에서 여러 가지 변형이 가능함은 물론이다.
그러므로 본 발명의 범위는 설명된 실시 예에 국한되어 정해져서는 아니되며 후술하는 청구범위뿐만 아니라 이 청구범위와 균등한 것들에 의해 정해져야 한다.
도 1은 일실시예에 따른 차량의 불량 예측 시스템을 설명하기 위한 도면이다.
도 1을 참조하면, 이하에서 설명하는 일실시예에 따른 불량 예측 시스템(100)은 차량의 내부 또는 외부에 구비되어 차량 및 차량 내부의 부품에 대한 불량 발생을 예측할 수 있다.
구체적으로, 불량 예측 시스템(100)은 차량 진단 코드(diagnostic trouble code, DTC)의 발생 패턴을 분석하여 차량 및 차량 내부의 부품 불량을 보다 정확하게 예측할 수 있다.
또한, 불량 예측 시스템(100)은 차량에 물리적으로 액세스하지 않아도 차량에서 진단 정보를 원격으로 송수신할 수 있다.
이를 위해, 불량 예측 시스템(100)은 데이터 수집부(110), 기준 데이터 생성부(120) 및 불량 판단부(130)를 포함할 수 있다. 또한, 불량 예측 시스템(100)은 데이터 제공부를 더 포함할 수도 있다.
일실시예에 따른 데이터 수집부(110)는 차량에 대한 진단 정보를 수집할 수 있다.
일측에 따르면, 진단 정보는 차량 내에 구비된 적어도 하나의 ECU(electronic control unit)에 대한 진단 결과 데이터, 진단 전실패 횟수 정보, 진단 실패 발생 시간 정보, 진단 성공 발생 횟수 정보 및 진단 성공 발생 시간 정보 중 적어도 하나의 정보를 포함할 수 있다.
일실시예에 따른 기준 데이터 생성부(120)는 수집된 진단 정보 중 기설정된 시간 이전(t ≤ tset)에 수집된 정보로부터 학습 패턴 데이터를 추출하고, 추출된 학습 패턴 데이터를 입력으로 인공지능 학습을 수행하여 기준 패턴 데이터를 생성할 수 있다.
일측에 따르면, 기준 데이터 생성부(120)는 진단 결과 데이터에 포함된 차량 진단 코드의 발생 패턴에 관한 정보에 기초하여 학습 패턴 데이터를 추출할 수 있다.
예를 들면, 기준 데이터 생성부(120)는 기설정된 시간 이전까지 차량 진단 프로그램으로부터 출력되는 차량 진단 코드와, 기설정된 시간 이전까지 출력되는 차량 진단 코드에 대응되는 진단 전실패 횟수 정보 및 진단 성공 발생 시간 정보가 반영된 학습 패턴 데이터를 추출할 수 있다.
또한, 학습 패턴 데이터는 각각의 ECU별 학습 패턴 데이터, ECU간 학습 패턴 데이터, 각각의 ECU를 구성하는 모듈별 학습 패턴 데이터 및 각각의 ECU를 구성하는 모듈간 학습 패턴 데이터 중 적어도 하나를 포함할 수 있다.
일측에 따르면, 기준 데이터 생성부(120)는 적어도 하나의 은닉 계층(hidden layer)을 포함하는 신경망 알고리즘에 기반한 인공지능 학습을 수행하여 기준 패턴 데이터를 생성할 수 있다.
바람직하게는, 신경망 알고리즘은 멀티 레이어 퍼셉트론(multi-layer perceptron)을 기반으로 하는 알고리즘일 수 있다.
예를 들면, 신경망 알고리즘은 입력 계층, 출력 계층, 입력 계층과 출력 계층 사이에 구비되는 적어도 하나의 은닉 계층으로 구성될 수 있으며, 입력 계층, 적어도 하나의 은닉 계층 및 출력 계층 각각은 적어도 하나의 노드(입력 노드, 은닉 노드 및 출력 노드)를 구비할 수 있다.
또한, 신경망 알고리즘은 학습 패턴 데이터가 입력 계층에 입력되면, 적어도 하나의 은닉 계층에 포함된 은닉 노드에 의해 수행된 연산결과가 다음 계층에 있는 은닉 노드의 입력값이 되며, 이러한 과정을 출력 계층까지 수행하여 최종 결과로 기준 패턴 데이터를 출력할 수 있다.
일측에 따르면, 신경망 알고리즘은 출력되는 기준 패턴 데이터와 기준 패턴 데이터에 대응되는 예측 패턴 데이터에 기초하여, 신경망 알고리즘의 은닉 계층의 수와 연결 강도를 조절할 수 있다.
예를 들면, 연결강도는 신경망 알고리즘의 각 계층에 있는 노드를 연결시켜주는 역할을 수행하는 것으로, 이 연결은 같은 계층에 있는 노드를 연결할 수 없고 다른 계층에 있는 노드를 연결할 수 있으며, 일반적으로 하나의 노드는 다음 층에 있는 모든 노드와 연결될 수 있다.
또한, 기준 패턴 데이터에 대응되는 예측 패턴 데이터는 전문가 또는 기저장된 빅데이터 정보에 의해 검증된 차량 진단 코드의 발생 패턴일 수 있다.
구체적으로, 기준 데이터 생성부(120)는 출력된 기준 패턴 데이터와 기준 패턴 데이터에 대응되는 예측 패턴 데이터를 비교하고, 비교 결과에 따른 차이(오차)를 감소시키는 방향으로 은닉 노드간의 연결강도를 조절할 수 있다.
일실시예에 따른 불량 판단부(130)는 수집된 차량에 대한 진단 정보 중 기설정된 시간 이후(t > tset)에 수집된 정보로부터 발생 패턴 데이터를 추출하고, 추출된 발생 패턴 데이터와 생성된 기준 패턴 데이터에 기초하여 차량에 대한 불량 여부를 판단할 수 있다.
예를 들면, 기준 데이터 생성부(120)는 기설정된 시간 이후부터 현재 시간까지, 즉 인공지능 학습이 수행되지 않은 실시간 진단 정보로부터 발생 패턴 데이터를 추출할 수 있다.
일측에 따르면, 기준 데이터 생성부(120)는 진단 결과 데이터에 포함된 차량 진단 코드의 발생 패턴에 관한 정보에 기초하여 발생 패턴 데이터를 추출할 수 있다.
예를 들면, 기준 데이터 생성부(120)는 기설정된 시간 이후부터 현재 시간까지 차량 진단 프로그램으로부터 실시간으로 출력되는 차량 진단 코드와, 실시간으로 출력되는 차량 진단 코드에 대응되는 진단 전실패 횟수 정보 및 진단 성공 발생 시간 정보가 반영된 발생 패턴 데이터를 추출할 수 있다.
일측에 따르면, 불량 판단부(130)는 추출된 발생 패턴 데이터와 기준 데이터 생성부(120)를 통해 생성된 기준 패턴 데이터를 비교하고 비교한 결과가 기설정된 유사도 이하인 것으로 나타나면 불량으로 판단할 수 있다.
구체적으로, 불량 판단부(130)는 발생 패턴 데이터와 기준 패턴 데이터의 비교 결과가 기설정된 유사도 이하인 구간의 비율이 기설정된 비율을 초과하면, 차량 및 부품(또는 모듈 등)에 불량이 발생한 것으로 판단하여 알람 신호를 출력하여, 사용자로 하여금 이상 패턴을 보이는 부품 또는 차량에 대한 정밀 점검을 유도할 수 있다.
예를 들면, 불량 판단부(130)는 디스플레이, 스피커 및 기설정된 사용자 단말을 통해 알람 신호를 출력할 수 있으며, 여기서 알람 신호는 발생 패턴 데이터에 대응되는 부품의 불량 발생 여부에 관한 정보를 포함할 수 있다.
일측에 따르면, 불량 판단부(130)는 추출된 발생 패턴 데이터와 기준 데이터 생성부(120)를 통해 생성된 기준 패턴 데이터에 기초하여 차량의 불량 확률을 생성하고, 생성된 불량 확률이 기설정된 임계 확률을 초과하는 경우 알람 신호를 출력할 수도 있다.
예를 들면, 불량 판단부(130)는 발생 패턴 데이터에 포함된 차량 진단 코드 중 {B11FF, U2100}이 검출되면, 기준 패턴 데이터에 기초하여 차량이 불량 확률을 '5일 내에 80%'로 생성할 수 있으며, 생성된 불량 확률에 기초하여 알람 신호를 출력할 수 있다.
일측에 따르면, 기준 패턴 데이터는 특정 차량 진단 코드에 따른 불량 발생 확률에 대한 정보를 포함할 수 있으며, 기준 데이터 생성부(120)는 차량의 주행 거리에 관한 정보 및 엔진 부하에 관한 정보를 추가 입력으로 수신하여 불량 발생 확률에 대한 정보가 반영된 기준 패턴 데이터를 생성할 수 있다.
한편, 데이터 제공부는 진단 정보를 생성하고, 생성된 진단 정보를 IP(internet protocol) 기반 통신을 이용하여 데이터 수집부(110)로 제공할 수 있다. 즉, 데이터 수집부(110)는 데이터 제공부를 통해 진단 정보를 원격으로 수신할 수 있다.
일실시예에 따른 데이터 제공부는 이후 실시예 도 2를 통해 보다 구체적으로 설명하기로 한다.
도 2는 일실시예에 따른 차량의 불량 예측 시스템의 구현예를 설명하기 위한 도면이다.
도 2를 참조하면, 일실시예에 따른 불량 예측 시스템(200)은 진단 장치(210) 및 데이터 제공부(220)를 포함할 수 있다.
예를 들면, 진단 장치(210)는 도 1의 데이터 수집부, 기준 데이터 생성부 및 불량 판단부를 포함할 수 있으며, 서버(server)의 형태로 구현될 수도 있다. 또한, 데이터 제공부(220)는 도 1의 데이터 제공부일 수 있다.
데이터 제공부(220)는 통신 인터페이스(interface), DoIP(diagnostics over internet protocol) 스택 모듈, USD(unified diagnostic services) 소프트웨어 스택 모듈, 진단(diagnostic) 프로그램 및 FOTA(firmware over the air) 제어부를 포함할 수 있다.
구체적으로, 통신 인터페이스는 통신 인터페이스와의 유선 또는 무선 통신을 지원할 수 있다. 예를 들면, 통신 인터페이스는 이더넷(ethernet), WLAN(wireless LAN) 및 이동통신(3G, LTE 및 5G) 중 적어도 하나에 기반한 인터페이스일 수 있다.
DoIP 스택 모듈은 차량의 표준 진단 프로토콜 'ISO 13400'에 기반하는 모듈로, 이더넷 등의 통신 인터페이스를 통해 진단 장치(110)와 연동되어 ECU에 대한 진단(일례로, 불량 예측) 및 진단 프로그램에 대한 소프트웨어 업그레이드의 기능을 지원할 수 있다.
USD 소프트웨어 스택 모듈은 차량의 표준 진단 프로토콜 'ISO 14229-5'에 기반하는 모듈로, ECU와의 통신을 지원할 수 있으며 오류를 진단하고 ECU를 다시 프로그램밍하는 기능을 지원할 수도 있다.
예를 들면, USD 소프트웨어 스택 모듈은 ECU의 오류 메모리를 읽고 삭제하거나 ECU의 새로운 펌웨어에 대한 플래싱(flashing) 기능을 제공할 수 있다.
여기서, 플래싱은 ECU에 대응되는 메모리 중 ROM(read only memory)에 데이터(펌웨어 데이터)를 덮어쓰기하는 기술을 의미한다.
보다 구체적인 예를 들면, 플래싱 기능은 크게 업그레이드 준비 과정, 플래싱 과정 및 플래싱 마무리 과정으로 구분하여 동작할 수 있다.
업그레이드 준비 과정에서는 업그레이드에 필요한 바이너리 파일이 무엇인지 파악하고 다운로드하며, 다운로드한 파일의 무결성 검사를 수행할 수 있다.
플래싱 과정에서는 무결성 검사를 완료한 파일에 대한 플래싱을 수행할 수 있다.
플래싱 마무리 과정에서는 플래싱 과정에서 오류가 발생되면 오류 코드를 팝업으로 출력할 수 있으며, 오류가 발생되지 않고 성공적으로 플래싱이 종료되면 다운로드한 임시 파일들을 제거하고 ECU를 재부팅할 수 있다.
진단 프로그램은 적어도 하나의 ECU에 대한 진단을 수행하여, 진단 정보를 출력할 수 있으며, 진단 정보는 차량 진단 코드에 관한 정보를 포함할 수 있다.
FOTA 제어부는 진단 장치(110)로부터 다운로드한 펌웨어 업데이트 파일을 저장 및 관리할 수 있다.
일측에 따르면, FOTA 제어부는 다운로드한 펌웨어 업데이트 파일에 포함된 차분 정보에 기초하여 펌웨어 업데이트 파일에 대한 캐시 가중치를 결정하고, 결정된 캐시 가중치에 기초하여 펌웨어 업데이트 파일에 대한 캐시 용량을 결정하며, 결정된 캐시 용량에 기초하여 캐시 메모리에 펌웨어 업데이트 파일을 캐시할 수 있다.
예를 들면, FOTA 제어부는 펌웨어 업데이트 파일에 기저장된 차분 정보의 크기 및 종류 중 적어도 하나에 기초하여 캐시 가중치를 미리 정해진 값으로 결정할 수 있다.
즉, FOTA 제어부는 차량에 대한 소프트웨어 업데이트 시에 단말기의 캐시 기능을 사용하여 소프트웨어를 업데이트 속도를 향상시킬 수 있다.
도 3은 일실시예에 따른 차량의 불량 예측 방법을 설명하기 위한 도면이다.
다시 말해, 도 3은 도 1 내지 도 2를 통해 설명한 일실시예에 따른 차량의 불량 예측 시스템의 동작 방법을 설명하는 도면으로, 이후 도 3을 통해 설명하는 내용 중 도 1 내지 도 2를 통해 설명한 내용과 중복되는 설명은 생략하기로 한다.
도 3을 참조하면, 310 단계에서 일실시예에 따른 불량 예측 방법은 데이터 제공부에서 차량에 대한 진단 정보를 생성하고, 생성된 진단 정보를 IP(internet protocol) 기반 통신을 이용하여 데이터 수집부로 제공할 수 있다.
일측에 따르면, 진단 정보는 차량 내에 구비된 적어도 하나의 ECU(electronic control unit)에 대한 진단 결과 데이터, 진단 전실패 횟수 정보, 진단 실패 발생 시간 정보, 진단 성공 발생 횟수 정보 및 진단 성공 발생 시간 정보 중 적어도 하나의 정보를 포함할 수 있다.
다음으로, 320 단계에서 일실시예에 따른 불량 예측 방법은 데이터 수집부에서 차량에 대한 진단 정보를 수집할 수 있다.
다음으로, 330 단계에서 일실시예에 따른 불량 예측 방법은 기준 데이터 생성부에서 수집된 진단 정보 중 기설정된 시간 이전(t ≤ tset)에 수집된 정보로부터 학습 패턴 데이터를 추출하고, 추출된 학습 패턴 데이터를 입력으로 인공지능 학습을 수행하여 기준 패턴 데이터를 생성할 수 있다.
일측에 따르면, 330 단계에서 일실시예에 따른 불량 예측 방법은 진단 결과 데이터에 포함된 차량 진단 코드의 발생 패턴에 관한 정보에 기초하여 학습 패턴 데이터를 추출할 수 있다.
예를 들면, 330 단계에서 일실시예에 따른 불량 예측 방법은 기설정된 시간 이전까지 차량 진단 프로그램으로부터 출력되는 차량 진단 코드와, 기설정된 시간 이전까지 출력되는 차량 진단 코드에 대응되는 진단 전실패 횟수 정보 및 진단 성공 발생 시간 정보가 반영된 학습 패턴 데이터를 추출할 수 있다.
또한, 학습 패턴 데이터는 각각의 ECU별 학습 패턴 데이터, ECU간 학습 패턴 데이터, 각각의 ECU를 구성하는 모듈별 학습 패턴 데이터 및 각각의 ECU를 구성하는 모듈간 학습 패턴 데이터 중 적어도 하나를 포함할 수 있다.
일측에 따르면, 330 단계에서 일실시예에 따른 불량 예측 방법은 적어도 하나의 은닉 계층(hidden layer)을 포함하는 신경망 알고리즘에 기반한 인공지능 학습을 수행하여 기준 패턴 데이터를 생성할 수 있다.
바람직하게는, 신경망 알고리즘은 멀티 레이어 퍼셉트론(multi-layer perceptron)을 기반으로 하는 알고리즘일 수 있다.
예를 들면, 신경망 알고리즘은 입력 계층, 출력 계층, 입력 계층과 출력 계층 사이에 구비되는 적어도 하나의 은닉 계층으로 구성될 수 있으며, 입력 계층, 적어도 하나의 은닉 계층 및 출력 계층 각각은 적어도 하나의 노드(입력 노드, 은닉 노드 및 출력 노드)를 구비할 수 있다.
또한, 신경망 알고리즘은 학습 패턴 데이터가 입력 계층에 입력되면, 적어도 하나의 은닉 계층에 포함된 은닉 노드에 의해 수행된 연산결과가 다음 계층에 있는 은닉 노드의 입력값이 되며, 이러한 과정을 출력 계층까지 수행하여 최종 결과로 기준 패턴 데이터를 출력할 수 있다.
일측에 따르면, 신경망 알고리즘은 출력되는 기준 패턴 데이터와 기준 패턴 데이터에 대응되는 예측 패턴 데이터에 기초하여, 신경망 알고리즘의 은닉 계층의 수와 연결 강도를 조절할 수 있다.
예를 들면, 연결강도는 신경망 알고리즘의 각 계층에 있는 노드를 연결시켜주는 역할을 수행하는 것으로, 이 연결은 같은 계층에 있는 노드를 연결할 수 없고 다른 계층에 있는 노드를 연결할 수 있으며, 일반적으로 하나의 노드는 다음 층에 있는 모든 노드와 연결될 수 있다.
또한, 기준 패턴 데이터에 대응되는 예측 패턴 데이터는 전문가 또는 기저장된 빅데이터 정보에 의해 검증된 차량 진단 코드의 발생 패턴일 수 있다.
구체적으로, 330 단계에서 일실시예에 따른 불량 예측 방법은 출력된 기준 패턴 데이터와 기준 패턴 데이터에 대응되는 예측 패턴 데이터를 비교하고, 비교 결과에 따른 차이(오차)를 감소시키는 방향으로 은닉 노드간의 연결강도를 조절할 수 있다.
다음으로, 340 단계에서 일실시예에 따른 불량 예측 방법은 불량 판단부에서 수집된 차량에 대한 진단 정보 중 기설정된 시간 이후(t > tset)에 수집된 정보로부터 발생 패턴 데이터를 추출하고, 추출된 발생 패턴 데이터와 생성된 기준 패턴 데이터에 기초하여 차량에 대한 불량 여부를 판단할 수 있다.
예를 들면, 340 단계에서 일실시예에 따른 불량 예측 방법은 기설정된 시간 이후부터 현재 시간까지, 즉 인공지능 학습이 수행되지 않은 실시간 진단 정보로부터 발생 패턴 데이터를 추출할 수 있다.
일측에 따르면, 340 단계에서 일실시예에 따른 불량 예측 방법은 진단 결과 데이터에 포함된 차량 진단 코드의 발생 패턴에 관한 정보에 기초하여 발생 패턴 데이터를 추출할 수 있다.
예를 들면, 340 단계에서 일실시예에 따른 불량 예측 방법은 기설정된 시간 이후부터 현재 시간까지 차량 진단 프로그램으로부터 실시간으로 출력되는 차량 진단 코드와, 실시간으로 출력되는 차량 진단 코드에 대응되는 진단 전실패 횟수 정보 및 진단 성공 발생 시간 정보가 반영된 발생 패턴 데이터를 추출할 수 있다.
일측에 따르면, 340 단계에서 일실시예에 따른 불량 예측 방법은 발생 패턴 데이터와 기준 패턴 데이터를 비교하고 비교한 결과가 기설정된 유사도 이하인 것으로 나타나면 불량으로 판단할 수 있다.
구체적으로, 340 단계에서 일실시예에 따른 불량 예측 방법은 발생 패턴 데이터와 기준 패턴 데이터의 비교 결과가 기설정된 유사도 이하인 구간의 비율이 기설정된 비율을 초과하면, 차량 및 부품(또는 모듈 등)에 불량이 발생한 것으로 판단하여 알람 신호를 출력하여, 사용자로 하여금 이상 패턴을 보이는 부품 또는 차량에 대한 정밀 점검을 유도할 수 있다.
예를 들면, 340 단계에서 일실시예에 따른 불량 예측 방법은 디스플레이, 스피커 및 기설정된 사용자 단말을 통해 알람 신호를 출력할 수 있으며, 여기서 알람 신호는 발생 패턴 데이터에 대응되는 부품의 불량 발생 여부에 관한 정보를 포함할 수 있다.
일측에 따르면, 340 단계에서 일실시예에 따른 불량 예측 방법은 발생 패턴 데이터와 기준 패턴 데이터에 기초하여 차량의 불량 확률을 생성하고, 생성된 불량 확률이 기설정된 임계 확률을 초과하는 경우 알람 신호를 출력할 수도 있다.
예를 들면, 340 단계에서 일실시예에 따른 불량 예측 방법은 발생 패턴 데이터에 포함된 차량 진단 코드 중 {B11FF, U2100}이 검출되면, 기준 패턴 데이터에 기초하여 차량이 불량 확률을 '5일 내에 80%'로 생성할 수 있으며, 생성된 불량 확률에 기초하여 알람 신호를 출력할 수 있다.
일측에 따르면, 기준 패턴 데이터는 특정 차량 진단 코드에 따른 불량 발생 확률에 대한 정보를 포함할 수 있으며, 330 단계에서 일실시예에 따른 불량 예측 방법은 차량의 주행 거리에 관한 정보 및 엔진 부하에 관한 정보를 추가 입력으로 수신하여 불량 발생 확률에 대한 정보가 반영된 기준 패턴 데이터를 생성할 수 있다.
결국, 본 발명을 이용하면, 차량 진단 코드의 발생 패턴을 분석하여 차량 및 차량 내부의 부품 불량을 보다 정확하게 예측할 수 있다.
또한, 본 발명을 이용하면, 차량에 물리적으로 액세스하지 않아도 차량에서 진단 정보를 원격으로 송수신할 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (10)

  1. 차량에 대한 진단 정보를 수집하는 데이터 수집부;
    상기 수집된 진단 정보 중 기설정된 시간 이전에 수집된 정보로부터 학습 패턴 데이터를 추출하고, 상기 추출된 학습 패턴 데이터를 입력으로 인공지능 학습을 수행하여 기준 패턴 데이터를 생성하는 기준 데이터 생성부 및
    상기 수집된 차량에 대한 진단 정보 중 상기 기설정된 시간 이후에 수집된 정보로부터 발생 패턴 데이터를 추출하고, 상기 추출된 발생 패턴 데이터와 상기 생성된 기준 패턴 데이터에 기초하여 상기 차량에 대한 불량 여부를 판단하는 불량 판단부
    를 포함하는 차량의 불량 예측 시스템.
  2. 제1항에 있어서,
    상기 진단 정보는,
    상기 차량 내에 구비된 적어도 하나의 ECU(electronic control unit)에 대한 진단 결과 데이터, 진단 전실패 횟수 정보, 진단 실패 발생 시간 정보, 진단 성공 발생 횟수 정보 및 진단 성공 발생 시간 정보 중 적어도 하나의 정보를 포함하는
    차량의 불량 예측 시스템.
  3. 제2항에 있어서,
    상기 기준 데이터 생성부는,
    상기 진단 결과 데이터에 포함된 차량 진단 코드의 발생 패턴에 관한 정보에 기초하여 상기 학습 패턴 데이터 및 상기 발생 패턴 데이터를 추출하는
    차량의 불량 예측 시스템.
  4. 제1항에 있어서,
    상기 기준 데이터 생성부는,
    적어도 하나의 은닉 계층(hidden layer)을 포함하는 신경망 알고리즘에 기반한 상기 인공지능 학습을 수행하여 상기 기준 패턴 데이터를 생성하는
    차량의 불량 예측 시스템.
  5. 제1항에 있어서,
    상기 불량 판단부는,
    상기 추출된 발생 패턴 데이터와 상기 생성된 기준 패턴 데이터를 비교하고 비교한 결과가 기설정된 유사도 이하인 것으로 나타나면 불량으로 판단하는
    차량의 불량 예측 시스템.
  6. 제1항에 있어서,
    상기 진단 정보를 생성하고, 상기 생성된 진단 정보를 IP(internet protocol) 기반 통신을 이용하여 상기 데이터 수집부로 제공하는 데이터 제공부
    를 더 포함하는 차량의 불량 예측 시스템.
  7. 데이터 수집부에서, 차량에 대한 진단 정보를 수집하는 단계;
    기준 데이터 생성부에서, 상기 수집된 진단 정보 중 기설정된 시간 이전에 수집된 정보로부터 학습 패턴 데이터를 추출하고, 상기 추출된 학습 패턴 데이터를 입력으로 인공지능 학습을 수행하여 기준 패턴 데이터를 생성하는 단계 및
    불량 판단부에서, 상기 수집된 차량에 대한 진단 정보 중 상기 기설정된 시간 이후에 수집된 정보로부터 발생 패턴 데이터를 추출하고, 상기 추출된 발생 패턴 데이터와 상기 생성된 기준 패턴 데이터에 기초하여 상기 차량에 대한 불량 여부를 판단하는 단계
    를 포함하는 차량의 불량 예측 방법.
  8. 제7항에 있어서,
    상기 진단 정보는,
    상기 차량 내에 구비된 적어도 하나의 ECU(electronic control unit)에 대한 진단 결과 데이터, 진단 전실패 횟수 정보, 진단 실패 발생 시간 정보, 진단 성공 발생 횟수 정보 및 진단 성공 발생 시간 정보 중 적어도 하나의 정보를 포함하는
    차량의 불량 예측 방법.
  9. 제8항에 있어서,
    상기 진단 정보를 수집하는 단계는,
    상기 진단 결과 데이터에 포함된 차량 진단 코드의 발생 패턴에 관한 정보에 기초하여 상기 학습 패턴 데이터 및 상기 발생 패턴 데이터를 추출하는
    차량의 불량 예측 방법.
  10. 제7항에 있어서,
    데이터 제공부에서, 상기 진단 정보를 생성하고, 상기 생성된 진단 정보를 IP(internet protocol) 기반 통신을 이용하여 상기 데이터 수집부로 제공하는 단계
    를 더 포함하는 차량의 불량 예측 방법.
PCT/KR2021/017332 2020-11-26 2021-11-24 차량의 불량 예측 시스템 및 그 방법 WO2022114750A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2020-0161009 2020-11-26
KR1020200161009A KR102502394B1 (ko) 2020-11-26 2020-11-26 차량의 불량 예측 시스템 및 그 방법

Publications (1)

Publication Number Publication Date
WO2022114750A1 true WO2022114750A1 (ko) 2022-06-02

Family

ID=81754864

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/017332 WO2022114750A1 (ko) 2020-11-26 2021-11-24 차량의 불량 예측 시스템 및 그 방법

Country Status (2)

Country Link
KR (1) KR102502394B1 (ko)
WO (1) WO2022114750A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101683242B1 (ko) * 2015-10-15 2016-12-07 주식회사 카이즈 차량 상태 진단 및 운전자 정보 제공 시스템
JP2017223534A (ja) * 2016-06-15 2017-12-21 株式会社日立製作所 車両診断装置
KR20180105850A (ko) * 2017-03-16 2018-10-01 주식회사 만도 차량 고장 진단 시스템 및 그 진단방법
KR20190069421A (ko) * 2016-10-12 2019-06-19 하만인터내셔날인더스트리스인코포레이티드 차량내 예측적 고장 검출을 위한 시스템 및 방법
KR20200044225A (ko) * 2018-10-12 2020-04-29 가톨릭관동대학교산학협력단 딥러닝을 기반으로 한 자율차량을 위한 통합진단 시스템

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102420667B1 (ko) * 2017-12-15 2022-07-14 현대자동차주식회사 단말기, 차량 및 그 제어방법
KR102168218B1 (ko) * 2018-10-31 2020-10-20 한국철도기술연구원 열차 고장 예측 장치 및 방법
KR102186297B1 (ko) * 2019-01-09 2020-12-03 동명대학교산학협력단 멀티플랫폼 지능형 자동차 진단 시스템
JP7240248B2 (ja) 2019-05-17 2023-03-15 株式会社東芝 車両用空調装置の診断装置及び診断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101683242B1 (ko) * 2015-10-15 2016-12-07 주식회사 카이즈 차량 상태 진단 및 운전자 정보 제공 시스템
JP2017223534A (ja) * 2016-06-15 2017-12-21 株式会社日立製作所 車両診断装置
KR20190069421A (ko) * 2016-10-12 2019-06-19 하만인터내셔날인더스트리스인코포레이티드 차량내 예측적 고장 검출을 위한 시스템 및 방법
KR20180105850A (ko) * 2017-03-16 2018-10-01 주식회사 만도 차량 고장 진단 시스템 및 그 진단방법
KR20200044225A (ko) * 2018-10-12 2020-04-29 가톨릭관동대학교산학협력단 딥러닝을 기반으로 한 자율차량을 위한 통합진단 시스템

Also Published As

Publication number Publication date
KR20220073171A (ko) 2022-06-03
KR102502394B1 (ko) 2023-02-23

Similar Documents

Publication Publication Date Title
US8676432B2 (en) Fault prediction framework using temporal data mining
WO2019124976A1 (ko) 차량 내 네트워크에 보안을 제공하는 시스템 및 방법
WO2012023657A1 (ko) 가상 머신을 이용한 네트워크 기반 유해 프로그램 검출 방법 및 그 시스템
WO2013042928A1 (ko) 부분방전 결함유형 판정 방법 및 그 장치
WO2020111754A9 (ko) 세미 슈퍼바이즈드 학습을 이용한 진단 시스템 제공방법 및 이를 이용하는 진단 시스템
WO2019039757A1 (ko) 훈련 데이터를 생성하는 방법, 장치 및 컴퓨터-판독가능 저장 매체에 저장된 컴퓨터 프로그램
WO2020242008A1 (en) Method and device for managing multiple remote radio heads in communication network
WO2020004996A1 (ko) 발전소 고장 예측 및 진단시스템의 학습모델을 위한 학습데이터 생성장치 및 방법
JP2004086367A (ja) プラントネットワーク健全性診断装置とその方法
WO2023075228A1 (ko) 전력 설비를 위한 양방향 제어시스템
WO2023090876A1 (ko) 선제적 풍력발전 유지관리 시스템
WO2022114750A1 (ko) 차량의 불량 예측 시스템 및 그 방법
WO2022260254A1 (ko) 전이학습을 통한 적응형 모델 기반의 온 디바이스 안드로이드 악성코드 탐지 방법, 이를 수행하기 위한 기록 매체 및 장치
WO2019103443A1 (en) Method, apparatus and system for managing electronic fingerprint of electronic file
WO2018074750A1 (ko) 열차 정보 관리 장치
WO2021033969A1 (en) Apparatus and method for detecting defective component using infrared camera
US7418321B2 (en) Diagnostic method for an electronic systems unit
WO2022231318A1 (ko) 차량 출입 관리 시스템 및 차량 출입 관리 방법
WO2023128320A1 (ko) 인공지능 검증 시스템 및 방법
WO2022114453A1 (ko) 차량 고장 여부를 예측하기 위한 인공 신경망 학습 방법, 차량 고장 여부 판단 방법, 및 이를 수행하는 컴퓨팅 시스템
WO2021015489A2 (ko) 인코더를 이용한 이미지의 특이 영역 분석 방법 및 장치
WO2021221201A1 (ko) 신경망 모델에 기반한 iot 디바이스 태깅 방법 및 태깅 장치
WO2021040137A1 (ko) 무감독 학습 기반의 탐지 방법 및 그를 이용한 운전자 프로파일 기반 차량 도난 감지 장치 및 방법
WO2024049194A1 (ko) 인공지능 모델 기반의 이상 진단 방법, 이를 이용한 이상 진단 장치 및 공장 모니터링 시스템
WO2012091436A2 (ko) 차량제어장치의 통신오류탐지 방법

Legal Events

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

Ref document number: 21898576

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: 21898576

Country of ref document: EP

Kind code of ref document: A1