KR101934777B1 - 빅데이터 및 인공지능 학습 기반의 스크린도어 관리시스템 - Google Patents
빅데이터 및 인공지능 학습 기반의 스크린도어 관리시스템 Download PDFInfo
- Publication number
- KR101934777B1 KR101934777B1 KR1020170117698A KR20170117698A KR101934777B1 KR 101934777 B1 KR101934777 B1 KR 101934777B1 KR 1020170117698 A KR1020170117698 A KR 1020170117698A KR 20170117698 A KR20170117698 A KR 20170117698A KR 101934777 B1 KR101934777 B1 KR 101934777B1
- Authority
- KR
- South Korea
- Prior art keywords
- failure
- data
- module
- controller
- screen door
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title description 4
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 8
- 238000007726 management method Methods 0.000 claims description 84
- 238000004891 communication Methods 0.000 claims description 54
- 238000012790 confirmation Methods 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 18
- 238000007405 data analysis Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 5
- 238000013500 data storage Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 abstract description 8
- 230000007935 neutral effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 20
- 239000000470 constituent Substances 0.000 description 19
- 230000001965 increasing effect Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61B—RAILWAY SYSTEMS; EQUIPMENT THEREFOR NOT OTHERWISE PROVIDED FOR
- B61B1/00—General arrangement of stations, platforms, or sidings; Railway networks; Rail vehicle marshalling systems
- B61B1/02—General arrangement of stations and platforms including protection devices for the passengers
-
- E—FIXED CONSTRUCTIONS
- E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
- E01F—ADDITIONAL WORK, SUCH AS EQUIPPING ROADS OR THE CONSTRUCTION OF PLATFORMS, HELICOPTER LANDING STAGES, SIGNS, SNOW FENCES, OR THE LIKE
- E01F1/00—Construction of station or like platforms or refuge islands or like islands in traffic areas, e.g. intersection or filling-station islands; Kerbs specially adapted for islands in traffic areas
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Transportation (AREA)
- Strategic Management (AREA)
- Mechanical Engineering (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
본 발명은 시그니처 기반 이상 탐지기법 또는 오용 탐지기법을 이용하여 스크린도어 설비의 각 구성수단의 장애발생 여부를 판단함과 동시에 인공신경망 기법을 이용하여 각 구성수단의 장애를 사전에 예측하도록 구성됨으로써 스크린도어 설비의 안전성을 극대화시킴과 동시에 장애에 대한 신속한 대응이 이루어질 수 있고, 각 구성수단의 IOT 센서들에 의해 측정되어 축정된 센싱값들인 빅데이터를 분석하여 기 설정된 머신러닝 알고리즘을 이용하여 장애패턴 모델을 학습화하도록 구성됨으로써 연산 및 규칙의 수가 다양해지고 증가하더라도 장애를 사전에 정확하게 예측할 수 있는 스크린도어 관리시스템에 관한 것이다.
Description
본 발명은 빅데이터 및 인공지능 학습 기반의 스크린도어 관리시스템에 관한 것으로서, 상세하게로는 빅데이터 분석 및 인공지능 학습을 이용하여 스크린도어의 장애를 정확하게 판단 및 예측함과 동시에 장애 발생 시 신속하게 복구시킬 수 있는 빅데이터 및 인공지능 학습기반의 스크린도어 관리시스템에 관한 것이다.
최근 지하철 플랫폼에는 승객의 안전을 위해 스크린도어(PSD, Platform Screen Door)가 설치되고 있다.
종래의 스크린도어(PSD)는 통상적으로, ATO(Automatic Train Operation) 또는 ATC(Automatic Train Control Device) 장치에 의해 지하철과 통신을 수행하며, 지하철 진입 시 지하철의 도어의 개폐와 연계하여 개폐가 이루어지도록 구성된다.
이러한 스크린도어는 선로와의 이용객의 접근을 차단할 수 있기 때문에 승객의 추락 및 접촉사고 등의 안전사고를 사전에 방지할 수 있는 장점을 가지나, 장애 발생 시 인명사고로 직결될 수 있기 때문에 장애를 얼마나 사전에 정확하게 예측하며, 장애 발생 시 얼마나 신속하게 대응하는지가 안전성에 직결되게 된다.
한편, 최근 들어 각종 설비시스템에 이상 탐지 기법을 적용시켜, 각 구성수단의 비정상적인 상태를 탐지하기 위한 연구가 다양하게 진행되고 있고, 이상 탐지 기법으로는 시그니처 기반 이상 탐지기법과, 오용 탐지기법, 신경망 기법 등이 있다.
시그니처 기반 이상 탐지기법은, 각 구성수단이 비정상적으로 운용된다고 판단할 수 있는 임계범위를 사전에 생성하여 등록한 후 구동 시 특정 구성수단의 센싱값이 임계범위에 포함되는 경우 비정상 상태로 판단함으로써 판단의 정확성이 높은 장점을 가지나, 임계범위에 미리 등록되지 않은 비정상상태를 탐지할 수 있어 연산 및 규칙의 수가 증가할수록 감지율이 떨어지게 되는 단점을 갖는다.
오용 탐지기법은, 각 구성수단이 정상적으로 운용되고 있다고 판단할 수 있는 임계범위를 사전에 생성하여 등록한 후 구동 시 특정 구성수단의 센싱값이 임계범위를 벗어나는 경우 비정상 상태로 판단함으로써 판단의 정확성이 높은 장점을 가지나, 실제 비정상 상태가 아닌데도 비정상 행위로 판단하는 오류가 많으며, 시그니처 기반 이상 탐지기법과 마찬가지로 연산 및 규칙의 수가 증가할수록 감지율이 떨어지는 단점을 갖는다.
신경망 기법은 정상상태 또는 비정상 상태에 관한 학습데이터들을 이용하여 신경망 학습을 시킨 후, 학습된 모형을 이용하여 비정상 상태를 탐지하는 방법으로서, 전술하였던 두 가지 기법에 비교하여 탐지율이 높은 장점을 가지나, 신경망의 구성방법에 따라 정확도가 달라지고 신경망을 통한 산출결과가 정량적인 수치로 제시되어 임계치에 따라 정확도가 달라지기 때문에 사전 학습을 위한 학습데이터의 수가 많아야 하는 문제점이 있다.
특히 최근 들어서는 각종 설비시스템에 IOT 장비, 머신러닝 알고리즘(Machine learning algorithm) 및 신경망 기법을 이용하여 장비들 각각의 장애패턴을 학습한 후 학습된 패턴모델을 참조하여 현재 감지된 측정데이터들을 분석하여 장애를 사전에 예측하기 위한 장애발생 진단시스템에 대한 다양한 연구가 진행되고 있으나, 아직 스크린도어 시스템에 한해서는 이러한 연구가 전무한 실정이다.
국내등록특허 제10-1014256호(발명의 명칭 : 승강장 스크린도어의 안전장치)에서는 에어리어 센서(Area Sensor), 영상/적외선 센서 등을 설치하여 스크린도어 또는 전동차 출입문과 스크린도어 사이의 물체 끼임을 감지하도록 승강장에 적외선 센서를 설치함으로써 승객의 안전을 도모할 수 있는 장점을 가지나, 상기 안전장치에는 축적 및 수집된 빅데이터를 분석한 후 장애패턴을 학습하여 장애발생여부를 사전에 예측 및 판단하는 구성이 전혀 기재되어 있지 않기 때문에 장애가 발생한 이후 대처가 이루어져 안전선 및 신뢰도가 떨어지는 단점을 갖는다.
도 1은 국내공개특허 제10-2017-0069422호(발명의 명칭 : 승강장 스크린도어 사고방지시스템 및 방법)에 개시된 승강장 스크린도어 사고방지시스템을 개략적으로 나타낸 구성도이다.
도 1의 승강장 스크린도어 사고방지시스템(이하 종래기술이라고 함)(100)은 제1역(P1)의 진입지점 및 제2역(P2)의 진출지점에 설치되어 열차(190)의 운행위치를 감지하는 열차감지부(110)와, 스크린도어(192)에 설치되어 스크린도어(192)의 개폐를 감지하는 스크린도어 작동감지부(120)와, 열차감지부(110) 및 스크린도어 작동감지부(120)로부터 수신 받은 열차감지신호 및 스크린도어 개폐신호를 분석하는 위험경보장치(130)와, 위험경보장치(130)로부터 전송받은 위험경보신호에 따라 열차(190)의 운행을 중단시키는 제어신호를 생성하는 제어부(140)와, 제어부(140)로부터 전송받은 제어신호에 따라 운행조절부(150)로 이루어진다.
이와 같이 구성되는 종래기술(100)은 열차의 운행 정보와 스크린도어의 개폐정보를 신속하게 확인할 수 있으며, 열차 운행정보 및 스크린도어 개폐정보로부터 위험신호가 형성될 경우 위험경보를 발생시킴과 동시에 열차의 운행을 중단시킴으로써 승강장 스크린도어에서 열차와의 사고를 효과적으로 예방할 수 있는 장점을 갖는다.
그러나 종래기술(100)은 단순히 열차의 운행과 스크린도어의 개폐를 통해 위험경보를 발생시키도록 구성된 것이기 때문에, 스크린도어를 구동 및 감지하기 위한 각 장비의 동작 상태를 검출 및 수집하는 구성수단과, 수집된 데이터분석을 통해 장애발생여부를 예측 및 판단하는 구성수단이 전혀 기재되어 있지 않기 때문에 특정 장비에 장애가 발생하더라도 장애 발생 후 이를 인지할 수 있어 안전성 및 신뢰도가 떨어지는 구조적 한계를 갖는다.
본 발명은 이러한 문제를 해결하기 위한 것으로, 본 발명의 해결과제는 시그니처 기반 이상 탐지기법 또는 오용 탐지기법을 이용하여 스크린도어 설비의 각 구성수단의 장애발생 여부를 판단함과 동시에 인공신경망 기법을 이용하여 각 구성수단의 장애를 사전에 예측하도록 구성됨으로써 스크린도어 설비의 안전성을 극대화시킴과 동시에 장애에 대한 신속한 대응이 이루어질 수 있는 스크린도어 관리시스템을 제공하기 위한 것이다.
또한 본 발명의 다른 해결과제는 각 구성수단의 IOT 센서들에 의해 측정되어 축정된 센싱값들인 빅데이터를 분석하여 기 설정된 머신러닝 알고리즘을 이용하여 장애패턴 모델을 학습화하도록 구성됨으로써 연산 및 규칙의 수가 다양해지고 증가하더라도 장애를 사전에 정확하게 예측할 수 있는 스크린도어 관리시스템을 제공하기 위한 것이다.
본 발명의 또 다른 해결과제는 컨트롤러가 IOT 센서부에 의해 측정된 센싱값들을 분석하여 장애를 1차적으로 점검하되, 관리서버가 동일한 센싱값을 이용하여 해당 컨트롤러의 장애를 2차로 점검하도록 구성됨으로써 장애 판단의 정확성 및 신뢰도를 높일 수 있는 스크린도어 관리시스템을 제공하기 위한 것이다.
또한 본 발명의 또 다른 해결과제는 로컬서버가 공지된 핑-테스트(Ping-test)를 이용하여 컨트롤러들 및 관리서버와의 통신 상태를 주기적으로 점검하며, 만약 통신 장애가 발생되었다고 판단하는 경우 컨트롤러 또는 자기 자신을 재부팅(리셋) 시키도록 구성됨으로써 장비의 일시적인 부하로 인한 오류를 절감시켜 장애 복구 효율성을 획기적으로 높일 수 있는 스크린도어 관리시스템을 제공하기 위한 것이다.
상기 과제를 해결하기 위한 본 발명의 해결수단은 기 설정된 동작을 수행하는 구성수단들과 상기 구성수단들 각각에 설치되는 IOT 센서들을 포함하는 스크린도어 설비와, 상기 스크린도어 설비를 제어하는 컨트롤러를 포함하는 스크린도어 설비 관리시스템에 있어서: 상기 컨트롤러는 상기 IOT 센서들에 의해 측정된 센싱값들이 저장되는 메모리; 기 설정된 주기 동안 축적된 센싱값들인 빅데이터를 분석하여 구성수단 및 기 설정된 카테고리 별 통계데이터를 생성하는 빅데이터 처리부; 상기 IOT 센서들에 의해 측정된 센싱값들 각각을 대응되는 구성수단의 기 설정된 임계치와 비교하여 장애 발생여부를 판단하는 장애 판단부; 상기 빅데이터 처리부에 의해 생성된 통계데이터를 입력값으로 하되, 장애를 타겟으로 하는 기 설정된 머신러닝 알고리즘(Machine learning Algorithm)을 이용하여 특징패턴과 장애 사이의 맵핑 관계(의존 관계)를 검출하여 장애패턴 모델을 주어진 다수의 데이터 및 맵핑 관계로부터 학습하는 학습관리부; 상기 학습관리부에 의해 학습된 장애패턴 모델과, 상기 빅데이터 처리부에 의한 통계데이터를 이용하여 장애를 사전에 예측하는 장애 예측부를 포함하고,상기 장애 예측부는 상기 빅데이터 처리부에 의한 통계데이터를 입력받는 통계데이터 입력모듈; 기 설정된 특징패턴 검출 알고리즘을 이용하여 통계데이터 입력모듈에 의해 입력된 구성수단 및 카테고리 별 통계데이터들 각각의 특징패턴을 검출하는 특징패턴 검출모듈; 상기 특징패턴 검출모듈에 의해 검출된 각 특징패턴과, 해당 구성수단의 카테고리에 대응되는 장애패턴 모델의 특징패턴을 비교하여 두 패턴의 연관성을 산출하는 연관성 산출모듈; 상기 연관성 산출모듈에 의해 산출된 연관성이 기 설정된 설정값(TH, Threshold) 이상인 경우 차후 장애가 발생할 것으로 판단하는 장애예측 판단모듈; 상기 장애예측 판단모듈에 의해 장애가 발생할 것으로 판단할 때 구동되며, 장애가 예측된 구성수단의 식별코드정보와 관련내용정보를 포함하는 장애예측 데이터를 생성하는 장애예측 데이터 생성모듈을 더 포함하는 것이다.
삭제
또한 본 발명에서 상기 장애 판단부는 상기 IOT 센서들에 의해 측정된 센싱값들 각각을, 해당 구성수단에 대응되는 기 설정된 임계범위에 비교하는 비교모듈; 상기 비교모듈에서 센싱값이 대응되는 임계범위에 포함되는 경우 장애가 발생하였다고 판단하는 장애판단모듈; 상기 장애판단모듈에 의해 장애가 발생되었다고 판단될 때 구동되며, 장애가 발생된 구성수단의 식별코드정보 및 관련내용정보를 포함하는 장애 확인데이터를 생성하는 장애확인 데이터 생성모듈을 더 포함하는 것이 바람직하다.
또한 본 발명에서 상기 빅데이터 처리부는 상기 IOT 센서들에 의해 측정된 센싱값들을 수집하는 데이터 수집모듈; 기 설정된 주기 동안 상기 데이터 수집모듈에 의해 수집된 센싱값들인 빅데이터를 기 설정된 구성수단 및 카테고리 별로 분류시키는 빅데이터 분석 및 분류모듈; 상기 빅데이터 분석 및 분류모듈에 의해 분류된 구성수단 및 카테고리 별 빅데이터에 대한 통계데이터를 생성하는 통계데이터 생성모듈; 상기 통계데이터 생성모듈에 의해 생성된 통계데이터를 상기 메모리에 저장시키는 데이터 저장모듈을 더 포함하는 것이 바람직하다.
또한 본 발명에서 상기 스크린도어 관리시스템은 관리서버와, 관리자단말기들을 더 포함하고, 상기 컨트롤러는 상기 IOT 센서들에 의해 측정된 센싱값들 및 통계데이터를 주기적으로 상기 관리서버로 전송하며, 상기 장애 판단부 및 상기 장애 예측부로부터 장애 확인데이터 및 장애예측 데이터가 생성되면, 생성된 장애 확인데이터 및 장애예측 데이터를 상기 관리서버로 전송하고, 상기 관리서버는 상기 컨트롤러로부터 전송받은 센싱값들과 통계데이터를 저장하되, 상기 컨트롤러로부터 장애 확인데이터 또는 장애예측 데이터를 전송받으면, 해당 플랫폼에 대응되는 관리자 단말기로 장애 확인데이터 또는 장애예측 데이터를 전송하는 것이 바람직하다.
상기 과제와 해결수단을 갖는 본 발명에 따르면 시그니처 기반 이상 탐지기법 또는 오용 탐지기법을 이용하여 스크린도어 설비의 각 구성수단의 장애발생 여부를 판단함과 동시에 인공신경망 기법을 이용하여 각 구성수단의 장애를 사전에 예측하도록 구성됨으로써 스크린도어 설비의 안전성을 극대화시킴과 동시에 장애에 대한 신속한 대응이 이루어지게 된다.
또한 본 발명에 의하면 각 구성수단의 IOT 센서들에 의해 측정되어 축정된 센싱값들인 빅데이터를 분석하여 기 설정된 머신러닝 알고리즘을 이용하여 장애패턴 모델을 학습화하도록 구성됨으로써 연산 및 규칙의 수가 다양해지고 증가하더라도 장애를 사전에 정확하게 예측할 수 있게 된다.
또한 본 발명에 의하면 컨트롤러가 IOT 센서부에 의해 측정된 센싱값들을 분석하여 장애를 1차적으로 점검하되, 관리서버가 동일한 센싱값을 이용하여 해당 컨트롤러의 장애를 2차로 점검하도록 구성됨으로써 장애 판단의 정확성 및 신뢰도를 높일 수 있다.
또한 본 발명에 의하면 로컬서버가 공지된 핑-테스트(Ping-test)를 이용하여 컨트롤러들 및 관리서버와의 통신 상태를 주기적으로 점검하며, 만약 통신 장애가 발생되었다고 판단하는 경우 컨트롤러 또는 자기 자신을 재부팅(리셋) 시키도록 구성됨으로써 장비의 일시적인 부하로 인한 오류를 절감시켜 장애 복구 효율성을 획기적으로 높일 수 있다.
도 1은 국내공개특허 제10-2017-0069422호(발명의 명칭 : 승강장 스크린도어 사고방지시스템 및 방법)에 개시된 승강장 스크린도어 사고방지시스템을 개략적으로 나타낸 구성도이다.
도 2는 본 발명의 일실시예인 스크린도어 관리시스템을 나타내는 구성도이다.
도 3은 도 2의 컨트롤러를 나타내는 블록도이다.
도 4는 도 3의 빅데이터 처리부를 나타내는 블록도이다.
도 5는 도 3의 학습관리부를 나타내는 블록도이다.
도 6은 도 3의 장애 판단부를 나타내는 블록도이다.
도 7은 도 3의 장애 예측부를 나타내는 블록도이다.
도 8은 도 3의 리셋제어부를 나타내는 블록도이다.
도 9는 도 2의 로컬서버를 나타내는 블록도이다.
도 10은 도 9의 통신장애 판단모듈을 나타내는 블록도이다.
도 2는 본 발명의 일실시예인 스크린도어 관리시스템을 나타내는 구성도이다.
도 3은 도 2의 컨트롤러를 나타내는 블록도이다.
도 4는 도 3의 빅데이터 처리부를 나타내는 블록도이다.
도 5는 도 3의 학습관리부를 나타내는 블록도이다.
도 6은 도 3의 장애 판단부를 나타내는 블록도이다.
도 7은 도 3의 장애 예측부를 나타내는 블록도이다.
도 8은 도 3의 리셋제어부를 나타내는 블록도이다.
도 9는 도 2의 로컬서버를 나타내는 블록도이다.
도 10은 도 9의 통신장애 판단모듈을 나타내는 블록도이다.
이하, 첨부된 도면을 참조하여 본 발명의 일실시예를 설명한다.
도 2는 본 발명의 일실시예인 스크린도어 관리시스템을 나타내는 구성도이다.
본 발명의 일실시예인 스크린도어 관리시스템(1)은 도 2에 도시된 바와 같이, 스크린도어 설비(4)와, 컨트롤러(3-1), ..., (3-N)들, 로컬서버(5)들, 관리서버(7), 관리자 단말기(9-1), ..., (9-N)들, 통신망(10)으로 이루어진다.
이때 본 발명에서는 설명의 편의를 위해 로컬서버(5)가 기 할당된 컨트롤러(3-1), ..., (3-N)들 및 관리서버(7) 사이에 설치되어 데이터를 중개하는 것으로 예를 들어 설명하였으나, 컨트롤러(3-1), ..., (3-N)들은 로컬서버(5)를 경유하지 않고 곧바로 관리서버(7)와 데이터를 송수신하는 것으로 구성될 수 있음은 당연한다.
스크린도어 설비(4)는 전동차 승강장에 설치되는 통상의 스크린도어(PSD, Platform Screen Door)이다.
또한 스크린도어 설비(4)는 이동부(41), 구동부(43), IOT 센서부(45)를 포함한다.
이때 이동부(41)는 기 설정된 동작을 수행하는 부품 및 장비로 정의되며, 상세하게로는 가동도어, 횡행장치, 이동레일, 벨트 등으로 이루어질 수 있다.
또한 구동부(43)는 동력을 발생시켜 이동부(41)를 구동시키는 동력수단으로 정의되며, 상세하게로는 가동도어용 모터, 횡행장치용 모터, 이동레일용 모터 등으로 이루어질 수 있다.
또한 IOT 센서부(45)는 이동부(41) 및 구동부(43)의 이동 및 동작을 감지하거나 또는 인체, 온도, 조도 등의 특정 대상을 감지하기 위한 센서로 정의되며, 상세하게로는 도어 리미트 스위치, 정위치 센서, 가동도어 개폐센서, 피트 센서, 전압센서, 온도센서, 조도센서, 인체감지센서, 자이로센서, 적외선센서, 메탄센서 등으로 이루어질 수 있다.
즉 스크린도어 설비(4)는 진입한 전동차의 출입문의 개폐에 따라 가동도어를 개폐시키도록 구성됨은 당연하고, 이러한 스크린도어 설비(4)의 구성 및 동작과정은 스크린도어 시스템에서 통상적으로 사용되는 기술이기 때문에 상세한 설명은 생략하기로 한다.
또한 스크린도어 설비(4)의 이동부(41), 구동부(43) 및 IOT 센서부(45)는 컨트롤러(3)의 제어에 따라 구동된다.
또한 스크린도어 설비(4)의 IOT 센서부(45)는 각종 센서로부터 측정된 센싱값을 해당 컨트롤러(3)로 실시간 전송한다.
통신망(10)은 컨트롤러(3-1), ..., (3-N)들, 로컬서버(5)들, 관리서버(7) 및 관리자단말기(9-1), ..., (9-N)들 사이의 데이터 이동경로를 제공하며, 상세하게로는 광역통신망(WAN), 이동통신망, 유선통신망, 와이파이(Wi-Fi), LTE 등으로 구성될 수 있다.
관리자 단말기(9-1), ..., (9-N)들은 관리자가 소지한 단말기이며, 상세하게로는 통신망(10)과의 접속이 지원 가능함과 동시에 관리서버(7)로부터 전송받은 콘텐츠의 전시가 가능한 통상의 데스크톱 PC(Desktop PC), 노트북(Note-book), 스마트폰(Smart-phone), PDA(Personal Digital Assistants) 등으로 이루어질 수 있다.
컨트롤러(3-1), ..., (3-N)들은 대응되는 스크린도어 설비(4)의 동작을 관리 및 제어한다. 이때 컨트롤러(3-1), ..., (3-N)들은 동일한 플랫폼에 설치될 수도 있으나, 다른 장소의 플랫폼에 설치될 수 있음은 당연하다.
또한 컨트롤러(3)는 스크린도어 설비(4)의 IOT 센서부(45)에 의해 측정된 센싱값을 분석하여 각 구성수단(이동부 및 구동부를 포함)의 장애발생여부를 판단하며, 만약 특정 구성수단에 장애가 발생되었다고 판단되는 경우, 해당 구성수단의 식별정보 및 장애 관련 내용정보를 포함하는 장애 확인데이터를 생성한다.
이때 컨트롤러(3)는 공지된 시그니처 기반 이상 탐지기법 또는 오용 탐지기법을 이용하여 각 구성수단에 현재 장애가 발생하였는지를 판별한다.
또한 컨트롤러(3)는 IOT 센서부(45)에 의해 측정된 센싱값과, 장애 확인데이터를 로컬서버(5)로 전송한다.
또한 컨트롤러(3)는 신경망 기법을 이용하여 장애패턴 모델을 학습화하여 장애를 사전에 예측하며, 상세하게로는 스크린도어 설비(4)의 IOT 센서부(45)에 의해 측정된 센싱값을 저장하며, 축적된 센싱값들인 빅데이터를 분석하여 각 구성수단의 특징패턴 정보를 검출하며, 검출된 특징패턴 정보를 기 학습된 장애패턴모델과 비교하여 두 데이터의 연관도가 기 설정된 설정값(TH: Threshold) 이상이면 해당 구성수단에 장애가 발생될 수 있다는 내용을 의미하는 장애예측 데이터를 생성한다.
이때 컨트롤러(3)는 장애 확인데이터 또는 장애예측 데이터가 생성되면, 생성된 장애 확인데이터 또는 장애예측 데이터를 관리서버(7)로 전송한다.
또한 컨트롤러(3)는 인공 신경망 기법을 이용하여 축적된 센싱값들인 빅데이터를 입력값으로 하되, 장애를 출력값으로 하여 장애패턴모델을 학습하며, 상세하게로는 빅데이터 및 목적함수를 이용하여 데이터 벡터화를 위한 벡터를 구현하고, 형식에 맞게 공통 벡터화하여 장애패턴모델을 학습한다.
이때 저장된 장애패턴 모델은 차후 장애예측 연산처리 시 참조모델로 활용된다.
또한 컨트롤러(3)는 학습된 장애패턴모델을 주기적으로 로컬서버(5)로 전송하고, 로컬서버(5)는 전송받은 장애패턴모델을 관리서버(7)로 전송하고, 관리서버(7)는 전송받은 센싱값을 분석하여 2차적으로 해당 컨트롤러의 장애를 검출한다.
관리서버(7)는 로컬서버(5)들 및 컨트롤러(3)들을 관리 및 제어하며, 로컬서버(5)를 통해 컨트롤러(3)로부터 전송받은 센싱값, 장애패턴모델, 장애 확인데이터 및 장애예측 데이터를 저장 및 모니터링 한다.
또한 관리서버(7)는 로컬서버(5)로부터 장애 확인데이터를 전송받으면, 해당 플랫폼의 관리자 단말기로 장애 확인데이터를 전송하여 장애에 대한 신속한 대처가 이루어지도록 한다. 이때 관리자는 관리자 단말기를 통해 장애가 발생된 스크린도어 및 구성수단의 위치와, 장애내용을 효율적으로 열람할 수 있게 된다.
또한 관리서버(7)는 로컬서버(5)로부터 장애예측 데이터를 전송받으면, 해당 플랫폼의 관리자 단말기로 장애예측 데이터를 전송하여 장애가 예측되는 구성수단에 대한 신속한 점검 및 교체가 이루어지도록 한다.
또한 관리서버(7)는 로컬서버(5)를 통해 컨트롤러(3)들로부터 전송받은 센싱값들을 분석하여 각 컨트롤러(3)의 장애발생여부를 2차적으로 판단하며, 만약 특정 컨트롤러의 장애가 발생되었다고 판단되면 장애 확인데이터를 해당 로컬서버(5)로 전송한다. 이때 관리서버(7)는 컨트롤러(3)와 동일한 방식으로 장애발생여부를 판단하도록 구성된다.
로컬서버(5)들은 기 할당된 컨트롤러(3)들을 관리 및 제어하며, 할당된 컨트롤러(3)들 및 관리서버(7) 사이에서 데이터를 중개하는 기능을 수행한다.
또한 로컬서버(5)는 컨트롤러(3)들로부터 센싱값들, 장애 확인데이터를 전송받으면, 전송받은 데이터들을 관리서버(7)로 전송한다.
또한 로컬서버(5)는 특정 컨트롤러로부터 장애 확인데이터를 전송받으면, 해당 컨트롤러(3)를 리셋(재부팅) 시키기 위한 리셋 명령데이터를 해당 컨트롤러(3)로 전송한다. 이때 로컬서버(5)는 컨트롤러(3)로 리셋 명령데이터를 전송할 때, 외부로부터 전송받은 지하철 노선 및 현재 지하철들 각각의 위치정보가 매칭된 지하철정보를 해당 컨트롤러(3)로 함께 전송한다.
이때 컨트롤러(3)는 로컬서버(5)로부터 리셋 명령데이터 및 지하철정보를 전송받으면, 지하철의 도착예정시간이 임계시간 이상일 때, 자기 자신(컨트롤러)을 리셋(재부팅) 시킴으로써 일시적인 부하로 인한 장애를 자체적으로 해결할 수 있도록 한다.
또한 로컬서버(5)는 주기적으로 할당된 로컬서버들 각각에 대한 핑-테스트(Ping-test)를 수행하여 핑 데이터를 검출한 후 검출된 핑 데이터를 임계치와 비교하여 각 컨트롤러에 대한 통신장애를 판단한다. 이때 핑(Ping)은 통신망(10)에 연결된 특정 단말기로 일정한 테스트 데이터를 보내어 상대방 단말기의 통신 동작 여부를 테스트할 수 있는 유닉스(Unix) 명령어이고, 이러한 핑-테스트는 네트워크 시스템에서 네트워크 상태를 점검하기 위한 목적으로 통상적으로 사용되는 기술이기 때문에 상세한 설명은 생략하기로 한다.
이때 로컬서버(5)는 만약 할당된 컨트롤러(3)들 전체에 통신장애가 발생되는 경우, 자기 자신을 리셋(재부팅) 시키며, 만약 할당된 컨트롤러(3)들 중 적어도 하나 이상에 통신장애가 발생되는 경우, 해당 컨트롤러로 리셋 명령데이터를 전송한다.
또한 로컬서버(5)는 주기적으로 관리서버(7)와의 핑-테스트를 수행하여 통신장애를 판단하며, 만약 관리서버(7)와의 통신장애가 판별되는 경우 자기 자신을 리셋 시킨다.
또한 로컬서버(5)는 관리서버(7)로부터 장애 확인데이터를 전송받으면, 전송받은 시점으로부터 임계범위 이전 사이인 탐색주기(T) 동안 해당 컨트롤러에 장애가 발생된 적이 있으면 별도의 동작을 수행하지 않되, 탐색주기(T) 동안 해당 컨트롤러에 장애가 발생된 적이 없으면 리셋대상을 자기 자신인 로컬서버(5)로 결정함으로써 자체적인 부하로 인한 장애를 신속하게 해결하도록 한다.
도 3은 도 2의 컨트롤러를 나타내는 블록도이다.
컨트롤러(3)는 제어부(30)와, 메모리(31), 통신 인터페이스부(32), 설비관리부(33), 빅데이터 처리부(34), 학습관리부(35), 장애 판단부(36), 장애 예측부(37), 리셋제어부(38)로 이루어진다.
제어부(30)는 컨트롤러(3)의 O.S(Operating System)이며, 제어대상(31), (32), (33), (34), (35), (36), (37), (38)들을 관리 및 제어한다.
또한 제어부(30)는 통신 인터페이스부(32)를 통해 스크린도어 설비(4)의 IOT 센서부(45)로부터 센싱값을 입력받으면, 입력된 센싱값을 빅데이터 처리부(34) 및 장애 판단부(36)로 입력하며, 입력된 센싱값이 로컬서버(5)로 전송되도록 통신 인터페이스부(32)를 제어한다.
또한 제어부(30)는 빅데이터 처리부(34)에 의해 축적된 빅데이터 통계데이터를 주기적으로 장애예측부(37)로 입력한다.
또한 제어부(30)는 기 설정된 주기 마다 빅데이터 처리부(34)에 의해 축적된 빅데이터 통계데이터를 학습관리부(35)로 입력한다.
또한 제어부(30)는 주기 마다 학습관리부(35)에 의해 학습된 장애패턴모델을 로컬서버(5)로 전송한다. 이때 로컬서버(5)는 전송받은 장애패턴모델을 관리서버(7)로 전송하고, 관리서버(7)는 로컬서버(5)를 통해 컨트롤러(3)로부터 전송받은 장애패턴모델 및 센싱값들을 이용하여 장애 발생여부를 2차로 판단한다.
또한 제어부(30)는 장애 판단부(36)에 의해 장애 확인데이터가 생성되거나 또는 장애 예측부(37)에 의해 장애예측 데이터가 생성되면, 통신 인터페이스부(32)를 제어하여 생성된 장애 확인데이터 또는 장애예측 데이터가 로컬서버(5)로 전송되도록 한다.
또한 제어부(30)는 로컬서버(5)로부터 리셋 명령데이터를 전송받으면, 전송받은 리셋 명령데이터 및 지하철위치정보를 리셋제어부(38)로 입력한다.
메모리(31)에는 스크린도어 설비(4)의 IOT 센서부(45)에 의해 측정된 센싱값이 저장된다.
또한 메모리(31)에는 빅데이터 처리부(34)에 의해 생성된 빅데이터 통계데이터가 저장된다.
또한 메모리(31)에는 학습관리부(35)에 의해 학습된 장애패턴 모델이 저장된다. 이때 장애패턴 모델은 특정 구성수단에 장애가 발생될 수 있음은 예측할 수 있는 비교패턴정보로 정의된다.
또한 메모리(31)에는 장애 판단부(36)에 의해 생성되는 장애 확인데이터와, 장애 예측부(37)에 의해 생성된 장애예측 데이터가 임시 저장된다.
통신 인터페이스부(32)는 스크린도어 설비(4)의 IOT 센서부(45), 이동부(41) 및 구동부(43)와 데이터를 입출력한다.
또한 통신 인터페이스부(32)는 통신망(10)과의 접속을 지원하여 통신망(10)을 통해 로컬서버(5)와 데이터를 송수신한다.
설비관리부(33)는 통상의 스크린도어(PSD)의 제어부의 기능을 수행하며, 상세하게로는 지상차 제어부와 통신을 수행함과 동시에 IOT 센서부(45), 이동부(41) 및 구동부(43)의 동작을 관리 및 제어한다.
이러한 설비관리부(33)는 스크린도어 시스템에 있어서 통상적으로 사용되는 기술이기 때문에 상세한 설명은 생략하기로 한다.
도 4는 도 3의 빅데이터 처리부를 나타내는 블록도이다.
빅데이터 처리부(34)는 스크린도어 설비(4)의 IOT 센서부(45)로부터 전송받은 센싱값이 학습관리부(35) 및 장애예측부(37)에 활용 및 참조될 수 있도록 빅데이터를 가공 및 활용하여 통계데이터를 생성한다.
또한 빅데이터 처리부(34)는 도 4에 도시된 바와 같이, 데이터 수집모듈(341)과, 빅데이터 분석 및 분류모듈(342), 통계데이터 생성모듈(343), 데이터 저장모듈(344)로 이루어진다.
데이터 수집모듈(341)은 스크린도어 설비(4)의 IOT 센서부(45)에 의해 측정된 센싱값들을 수집한다.
이때 수집되는 데이터로는, 각 IOT 센서부(45)에 의해 측정된 측정값을 포함하는 정형데이터와, 층별 사용자 분포도, 평균 탑승 사용자수, 입구 대비 호기 접근성 등을 포함하는 비정형 데이터로 이루어질 수 있다.
빅데이터 분석 및 분류모듈(342)은 기 설정된 주기 동안 축적된 센싱값들인 빅데이터를 기 설정된 구성수단 및 카테고리 별로 분류시킨다.
통계데이터 생성모듈(343)은 빅데이터 분석 및 분류모듈(342)에 의해 분류된 각 구성수단 및 카테고리별 빅데이터에 대한 통계데이터를 생성한다.
데이터 저장모듈(344)은 빅데이터 분석 및 분류모듈(342)에 의해 분류된 빅데이터와, 통계데이터 생성모듈(343)에 의해 생성된 통계데이터를 메모리(31)에 저장시킨다.
도 5는 도 3의 학습관리부를 나타내는 블록도이다.
학습관리부(35)는 인공 신경망 기법을 이용하여 통계데이터 및 맵핑 관계를 이용하여 장애패턴모듈을 학습한다.
또한 학습관리부(35)는 도 5에 도시된 바와 같이, 제어부(30)의 제어에 따라 장애가 발생된 구동수단에 대응되는 임의 기간 동안의 통계데이터를 입력받는 입력모듈(351)과, 기 설정된 머신러닝 알고리즘을 이용하여 입력된 통계데이터를 입력값으로 하되 해당 장애를 출력값으로 하여 장애패턴 모델을 추론하는 학습모듈(353)로 이루어진다.
학습모듈(353)은 입력모듈(351)에 의한 통계데이터를 입력값으로 활용하되, 장애를 타겟으로 하는 기 설정된 머신러닝 알고리즘(Machine learning Algorithm)을 이용하여 특징패턴과 장애 사이의 맵핑 관계(의존 관계)를 검출하여 장애패턴 모델을 주어진 다수의 데이터 및 맵핑 관계로부터 학습한다.
도 6은 도 3의 장애 판단부를 나타내는 블록도이다.
장애 판단부(36)는 도 6에 도시된 바와 같이, 비교모듈(361)과, 장애판단모듈(362), 장애확인 데이터 생성모듈(363)로 이루어진다.
비교모듈(361)은 스크린도어 설비(4)의 IOT 센서부(45)로부터 전송받은 센싱값들 각각을, 해당 구성수단에 대응되는 기 설정된 임계범위에 비교한다.
이때 임계범위는 특정 구성수단의 상태가 정상이라고 판단할 수 있는 측정범위로 정의된다.
장애판단모듈(362)은 만약 비교모듈(361)에서 센싱값이 대응되는 임계범위에 포함되는 경우, 장애가 발생하지 않았다고 판단한다.
또한 장애판단모듈(362)은 만약 비교모듈(361)에서 센싱값이 대응되는 임계범위에 포함되지 않는 경우(벗어나는 경우), 해당 구성수단에 장애가 발생하였다고 판단한다.
예를 들어 스크린도어 설비의 구성수단이 정위치 센서이고, 센싱값이 출력전압이고, 해당 정위치 센서에 대한 기 설정된 임계범위가 3 ~ 5V라고 가정할 때, 정위치 센서의 측정값이 0V로 측정되는 경우 장애판단모듈(362)은 측정값(0V)이 임계범위(3 ~ 5V)를 벗어나기 때문에 정위치 센서에 장애가 발생하였다고 판단한다.
또한 장애판단모듈(362)에 의해 장애가 발생되었다고 판단되는 경우, 제어부(30)의 제어에 따라 장애확인 데이터 생성모듈(363)이 구동된다.
장애확인 데이터 생성모듈(363)은 장애판단모듈(362)에 의해 장애가 발생되었다고 판단되는 경우 구동되며, 장애 확인데이터를 생성한다.
이때 장애 확인데이터는 장애가 발생된 구성수단의 식별코드정보와, 장애관련 내용정보, 시간정보를 포함한다.
도 7은 도 3의 장애 예측부를 나타내는 블록도이다.
장애 예측부(37)는 도 7에 도시된 바와 같이, 통계데이터 입력모듈(371)과, 특징패턴 검출모듈(372), 연관성 산출모듈(373), 장애예측 판단모듈(374), 장애예측 데이터 생성모듈(375)로 이루어진다.
통계데이터 입력모듈(371)은 기 설정된 주기(T) 마다 빅데이터 처리부(34)에 의해 생성된 각 구성수단 및 카테고리 별 통계데이터를 입력받는다.
특징패턴 검출모듈(372)은 기 설정된 특징패턴 검출 알고리즘을 이용하여 통계데이터 입력모듈(371)에 의해 입력된 각 구성수단 및 카테고리 별 통계데이터의 특징패턴을 검출한다.
연관성 산출모듈(373)은 특징패턴 검출모듈(372)에 의해 검출된 특징패턴과, 해당 구성수단의 해당 카테고리에 대응되는 장애패턴 모델의 특징패턴을 비교하여 두 패턴의 연관성을 산출한다.
이때 두 개의 패턴 데이터들의 연관성을 검출하기 위한 기술 및 방법은 공지된 다양한 기술 및 방법이 적용될 수 있다.
장애예측 판단모듈(374)은 만약 연관성 산출모듈(373)에 의해 산출된 연관성이 기 설정된 설정값(TH) 미만인 경우 차후 장애가 발생하지 않을 것으로 예측한다.
또한 장애예측 판단모듈(374)은 만약 연관성 산출모듈(373)에 의해 산출된 연관성이 설정값(TH) 이상인 경우 차후 장애가 발생할 것으로 예측한다.
장애예측 데이터 생성모듈(375)은 장애예측 판단모듈(374)에 의해 차후 장애가 발생할 것으로 예측하는 경우 구동되며, 장애예측 데이터를 생성한다.
이때 장애예측 데이터는 장애가 예측된 구성수단의 식별코드정보와, 장애예측 관련 내용정보, 시간정보를 포함한다.
도 8은 도 3의 리셋제어부를 나타내는 블록도이다.
리셋제어부(38)는 컨트롤러(3)를 리셋(재부팅) 시키는 기능을 수행한다.
또한 리셋제어부(38)는 도 8에 도시된 바와 같이, 도착예정경과시간 산출모듈(381)과, 비교모듈(382), 판단모듈(383), 구동모듈(384)로 이루어진다.
도착예정경과시간 산출모듈(381)은 제어부(30)의 제어에 따라 로컬서버(5)로부터 전송된 리셋 명령데이터 및 지하철위치정보를 입력받으면 구동되며, 입력된 지하철위치정보를 이용하여 해당 지하철이 현재 플랫폼까지 도착하기까지의 시간인 도착예정경과시간(TM1)을 산출한다.
비교모듈(382)은 도착예정경과시간 산출모듈(381)에 의해 산출된 도착예정경과시간(TM1)을 기 설정된 설정경과시간(TM)과 비교한다.
이때 설정경과시간(TM)은 컨트롤러(3)가 리셋을 수행한 후 정상상태로 복구하는데 소요되는 최대경과시간으로 정의된다.
또한 비교모듈(382)은 만약 도착예정경과시간(TM1)이 설정경과시간(TM) 미만이면, 도착예정경과시간(TM1)이 설정경과시간(TM) 이상이 될 때까지 주기적으로 연산을 반복처리한다.
판단모듈(383)은 비교모듈(382)에서 도착예정경과시간(TM1)이 설정경과시간(TM) 이상일 때 구동되며, 해당 컨트롤러(3)의 리셋(재부팅)을 수행하여도 무방하다고 판단한다.
구동모듈(384)은 판단모듈(383)에 의해 컨트롤러(3)의 리셋이 가능하다고 판단될 때 구동되며, 컨트롤러(3)를 리셋 시킨다.
도 9는 도 2의 로컬서버를 나타내는 블록도이다.
로컬서버(5)는 기 할당된 컨트롤러(3)들 및 통합 스마트 센서(3)들 및 관리서버(7) 사이에 설치되어 이들을 중개하는 기능을 수행한다.
또한 로컬서버(5)는 도 9에 도시된 바와 같이, 제어모듈(51)과, 통신모듈(52), 통신장애 판단모듈(53), 재부팅대상 결정모듈(54), 리셋처리모듈(55)로 이루어진다.
제어모듈(51)은 로컬서버(5)의 O.S(Operating System)이며, 제어대상(52), (53), (54), (55)들을 관리 및 제어한다.
또한 제어모듈(51)은 컨트롤러(3)들로부터 전송받은 장애 확인데이터 및 센싱값들이 관리서버(7)로 전송되도록 통신모듈(52)을 제어하며, 전송받은 장애 확인데이터를 재부팅대상 결정모듈(54)로 입력한다. 이때 재부팅대상 결정모듈(54)은
또한 제어모듈(51)은 관리서버(7)로부터 장애 확인데이터를 전송받으면 전송받은 장애 확인데이터를 재부팅대상 결정모듈(54)로 입력한다.
또한 제어모듈(51)은 재부팅대상 결정모듈(54)에 의해 재부팅대상이 특정 컨트롤러(3)로 결정되면, 리셋 명령데이터를 해당 컨트롤러(3)로 전송하도록 통신모듈(52)을 제어한다.
도 10은 도 9의 통신장애 판단모듈을 나타내는 블록도이다.
통신장애 판단모듈(53)은 도 10에 도시된 바와 같이, 핑 검사모듈(531)과, 비교모듈(532), 통신장애여부 판별모듈(533)로 이루어진다.
핑 검사모듈(531)은 기 설정된 핑-테스트 알고리즘을 이용하여 컨트롤러(3)들 각각에 대한 핑-테스트(Ping-test)를 수행하여 핑 데이터를 검출한다. 이때 핑(Ping)은 통신망(10)에 연결된 특정 단말기로 일정한 테스트 데이터를 보내어 상대방 단말기의 통신 동작 여부를 테스트할 수 있는 유닉스(Unix) 명령어이고, 이러한 핑-테스트는 네트워크 시스템에서 네트워크 상태를 점검하기 위한 목적으로 통상적으로 사용되는 기술이기 때문에 상세한 설명은 생략하기로 한다.
또한 핑 검사모듈(531)은 관리서버(7)와의 핑-테스트를 수행하여 핑 데이터를 검출한다.
비교모듈(532)은 핑 검사모듈(531)에 의해 검출된 핑 데이터를 기 설정된 임계값과 비교한다.
통신장애여부 판별모듈(533)은 비교모듈(532)에 의해 핑 데이터가 임계값을 벗어나는 경우 통신장애가 발생하였다고 판단한다.
이때 제어모듈(51)은 통신장애여부 판별모듈(533)에 의해 통신장애가 발생되었다고 판단되면 재부팅대상 결정모듈(54)로 결과데이터를 입력한다.
재부팅대상 결정모듈(54)은 1)컨트롤러(3)들로부터 장애 확인데이터를 전송받으면, 해당 컨트롤러(3)를 재부팅대상으로 결정하여 리셋 명령데이터를 생성한다. 이때 생성된 리셋 명령데이터는 제어모듈(51)의 제어에 따라 해당 컨트롤러(3)로 전송되고, 해당 컨트롤러(3)는 리셋 명령데이터를 전송받으면 재부팅을 수행하여 일시적인 부하로 인한 장애가 해결될 수 있게 된다.
또한 재부팅대상 결정모듈(54)은 2)통신장애 판단모듈(53)에 의해 컨트롤러(3)들 전체에 장애가 발생되었다고 판단되면, 자기 자신(로컬서버)을 재부팅대상으로 결정한다.
또한 재부팅대상 결정모듈(54)은 3)통신장애 판단모듈(53)에 의해 컨트롤러(3)들 전체가 아닌 이들 중 적어도 하나 이상에 통신장애가 발생되었다고 판단되면, 해당 컨트롤러(3)를 재부팅대상으로 결정하여 리셋 명령데이터를 생성한다.
또한 재부팅대상 결정모듈(54)은 4)통신장애 판단모듈(53)에 의해 관리서버(7)와의 통신장애가 발생되었다고 판단되면, 자기 자신을 재부팅대상으로 결정한다.
이때 재부팅대상 결정모듈(54)에 의해 재부팅대상이 자기 자신으로 결정되면, 리셋처리모듈(55)이 구동되어 로컬서버(5)를 재부팅 시킨다.
또한 재부팅대상 결정모듈(54)은 5)관리서버(7)로부터 장애 확인데이터를 입력받으면, 입력된 시점부터 기 설정된 임계시간 이전 사이인 탐색주기(T) 동안 해당 컨트롤러로부터 장애 확인데이터를 전송받았는지를 비교한다.
이때 재부팅대상 결정모듈(54)은 만약 탐색주기(T) 동안 해당 컨트롤러로부터 장애 확인데이터를 전송받았으면, 별도의 동작을 수행하지 않고, 만약 탐색주기(T) 동안 해당 컨트롤러로부터 장애 확인데이터를 전송받지 않았으면, 재부팅대상을 자기 자신인 로컬서버(5)로 결정한다.
즉 본 발명은 스크린도어설비(4)의 장애를 컨트롤러(3) 및 관리서버(7)에서 2중으로 수행됨으로써 장애판단의 정확성 및 신뢰도를 높임과 동시에 만약 동일한 센싱값에 대하여 컨트롤러(3)에서는 장애를 검출하지 못하되, 관리서버(7)에서만 장애가 검출되는 경우 컨트롤러(3)에 일시적인 부하가 발생하였다고 판단하여 컨트롤러(3)를 리셋(재부팅) 시킴으로써 부하로 인한 장애를 해결할 수 있게 된다.
리셋처리모듈(55)은 재부팅대상 결정모듈(54)에 의해 로컬서버(5) 자체가 재부팅대상으로 결정되는 경우 로컬서버(5)를 재부팅 시킨다.
이와 같이 본 발명의 일실시예인 스크린도어 관리시스템(1)은 시그니처 기반 이상 탐지기법 또는 오용 탐지기법을 이용하여 스크린도어 설비의 각 구성수단의 장애발생 여부를 판단함과 동시에 인공신경망 기법을 이용하여 각 구성수단의 장애를 사전에 예측하도록 구성됨으로써 스크린도어 설비의 안전성을 극대화시킴과 동시에 장애에 대한 신속한 대응이 이루어질 수 있다.
또한 본 발명의 스크린도어 관리시스템(1)은 각 구성수단의 IOT 센서들에 의해 측정되어 축정된 센싱값들인 빅데이터를 분석하여 기 설정된 머신러닝 알고리즘을 이용하여 장애패턴 모델을 학습화하도록 구성됨으로써 연산 및 규칙의 수가 다양해지고 증가하더라도 장애를 사전에 정확하게 예측할 수 있게 된다.
또한 본 발명의 스크린도어 관리시스템(1)은 컨트롤러가 IOT 센서부에 의해 측정된 센싱값들을 분석하여 장애를 1차적으로 점검하되, 관리서버가 동일한 센싱값을 이용하여 해당 컨트롤러의 장애를 2차로 점검하도록 구성됨으로써 장애 판단의 정확성 및 신뢰도를 높일 수 있다.
또한 본 발명의 스크린도어 관리시스템(1)은 로컬서버가 공지된 핑-테스트(Ping-test)를 이용하여 컨트롤러들 및 관리서버와의 통신 상태를 주기적으로 점검하며, 만약 통신 장애가 발생되었다고 판단하는 경우 컨트롤러 또는 자기 자신을 재부팅(리셋) 시키도록 구성됨으로써 장비의 일시적인 부하로 인한 오류를 절감시켜 장애 복구 효율성을 획기적으로 높일 수 있다.
1:스크린도어 관리시스템 3:컨트롤러 4:스크린도어 설비
7:관리서버 9:관리자 단말기 10:통신망
41:이동부 43:구동부 45:IOT 센서부
30:제어부 31:메모리 32:통신 인터페이스부
33:설비관리부 34:빅데이터 처리부 35:학습관리부
36:장애 판단부 37:장애 예측부 341:데이터 수집모듈
342:빅데이터 분석 및 분류모듈 343:통계데이터 생성모듈
344:데이터 저장모듈 351:입력모듈 353:학습모듈
361:비교모듈 362:장애판단모듈
363:장애확인 데이터 생성모듈 371:통계데이터 입력모듈
372:특징패턴 검출모듈 373:연관성 산출모듈 374:장애예측 판단모듈
375:장애예측 데이터 생성모듈
7:관리서버 9:관리자 단말기 10:통신망
41:이동부 43:구동부 45:IOT 센서부
30:제어부 31:메모리 32:통신 인터페이스부
33:설비관리부 34:빅데이터 처리부 35:학습관리부
36:장애 판단부 37:장애 예측부 341:데이터 수집모듈
342:빅데이터 분석 및 분류모듈 343:통계데이터 생성모듈
344:데이터 저장모듈 351:입력모듈 353:학습모듈
361:비교모듈 362:장애판단모듈
363:장애확인 데이터 생성모듈 371:통계데이터 입력모듈
372:특징패턴 검출모듈 373:연관성 산출모듈 374:장애예측 판단모듈
375:장애예측 데이터 생성모듈
Claims (8)
- 기 설정된 동작을 수행하는 구성수단들과 상기 구성수단들 각각에 설치되는 IOT 센서들을 포함하는 스크린도어 설비와, 상기 스크린도어 설비를 제어하는 컨트롤러를 포함하는 스크린도어 설비 관리시스템에 있어서:
상기 컨트롤러는
상기 IOT 센서들에 의해 측정된 센싱값들이 저장되는 메모리;
기 설정된 주기 동안 축적된 센싱값들인 빅데이터를 분석하여 구성수단 및 기 설정된 카테고리별 통계데이터를 생성하는 빅데이터 처리부;
상기 IOT 센서들에 의해 측정된 센싱값들 각각을 대응되는 구성수단의 기 설정된 임계치와 비교하여 장애 발생여부를 판단하는 장애 판단부;
상기 빅데이터 처리부에 의해 생성된 통계데이터를 입력값으로 하되, 장애를 타겟으로 하는 기 설정된 머신러닝 알고리즘(Machine learning Algorithm)을 이용하여 특징패턴과 장애 사이의 맵핑 관계(의존 관계)를 검출하여 장애패턴 모델을 주어진 다수의 데이터 및 맵핑 관계로부터 학습하는 학습관리부;
상기 학습관리부에 의해 학습된 장애패턴 모델과, 상기 빅데이터 처리부에 의한 통계데이터를 이용하여 장애를 사전에 예측하는 장애 예측부를 포함하고,
상기 장애 예측부는
상기 빅데이터 처리부에 의한 통계데이터를 입력받는 통계데이터 입력모듈;
기 설정된 특징패턴 검출 알고리즘을 이용하여 통계데이터 입력모듈에 의해 입력된 구성수단 및 카테고리 별 통계데이터들 각각의 특징패턴을 검출하는 특징패턴 검출모듈;
상기 특징패턴 검출모듈에 의해 검출된 각 특징패턴과, 해당 구성수단의 카테고리에 대응되는 장애패턴 모델의 특징패턴을 비교하여 두 패턴의 연관성을 산출하는 연관성 산출모듈;
상기 연관성 산출모듈에 의해 산출된 연관성이 기 설정된 설정값(TH, Threshold) 이상인 경우 차후 장애가 발생할 것으로 판단하는 장애예측 판단모듈;
상기 장애예측 판단모듈에 의해 장애가 발생할 것으로 판단할 때 구동되며, 장애가 예측된 구성수단의 식별코드정보와 관련내용정보를 포함하는 장애예측 데이터를 생성하는 장애예측 데이터 생성모듈을 더 포함하는 것을 특징으로 하는 스크린도어 관리시스템. - 삭제
- 청구항 제1항에 있어서, 상기 장애 판단부는
상기 IOT 센서들에 의해 측정된 센싱값들 각각을, 해당 구성수단에 대응되는 기 설정된 임계범위에 비교하는 비교모듈;
상기 비교모듈에서 센싱값이 대응되는 임계범위에 포함되는 경우 장애가 발생하였다고 판단하는 장애판단모듈;
상기 장애판단모듈에 의해 장애가 발생되었다고 판단될 때 구동되며, 장애가 발생된 구성수단의 식별코드정보 및 관련내용정보를 포함하는 장애 확인데이터를 생성하는 장애확인 데이터 생성모듈을 더 포함하는 것을 특징으로 하는 스크린도어 관리시스템. - 청구항 제3항에 있어서, 상기 빅데이터 처리부는
상기 IOT 센서들에 의해 측정된 센싱값들을 수집하는 데이터 수집모듈;
기 설정된 주기 동안 상기 데이터 수집모듈에 의해 수집된 센싱값들인 빅데이터를 기 설정된 구성수단 및 카테고리 별로 분류시키는 빅데이터 분석 및 분류모듈;
상기 빅데이터 분석 및 분류모듈에 의해 분류된 구성수단 및 카테고리 별 빅데이터에 대한 통계데이터를 생성하는 통계데이터 생성모듈;
상기 통계데이터 생성모듈에 의해 생성된 통계데이터를 상기 메모리에 저장시키는 데이터 저장모듈을 더 포함하는 것을 특징으로 하는 스크린도어 관리시스템. - 청구항 제4항에 있어서, 상기 스크린도어 관리시스템은 로컬서버와, 관리서버, 관리서버, 관리자단말기들을 더 포함하고,
상기 컨트롤러는 상기 IOT 센서들에 의해 측정된 센싱값들 및 통계데이터를 주기적으로 상기 로컬서버로 전송하며, 상기 장애 판단부 및 상기 장애 예측부로부터 장애 확인데이터 및 장애예측 데이터가 생성되면, 생성된 장애 확인데이터 및 장애예측 데이터를 상기 로컬서버로 전송하고,
상기 로컬서버는 기 할당된 컨트롤러들로부터 전송받은 데이터를 상기 관리서버로 전송하고,
상기 관리서버는
상기 로컬서버로부터 전송받은 센싱값들과 통계데이터를 저장하되, 장애 확인데이터 또는 장애예측 데이터를 전송받으면, 해당 플랫폼에 대응되는 관리자 단말기로 장애 확인데이터 또는 장애예측 데이터를 전송하는 것을 특징으로 하는 스크린도어 관리시스템. - 청구항 제5항에 있어서, 상기 로컬서버는
상기 컨트롤러들 중 적어도 하나 이상으로부터 장애 확인데이터를 전송받으면, 재부팅대상을 장애 확인데이터를 송신한 컨트롤러로 결정하는 재부팅대상 결정모듈;
상기 재부팅대상 결정모듈에 의해 재부팅대상이 자신인 로컬서버로 결정되는 경우 자체적으로 재부팅을 수행하는 리셋처리모듈;
상기 재부팅대상 결정모듈에 의해 재부팅대상으로 결정된 컨트롤러로 재부팅을 수행하라는 리셋 명령데이터를 전송하는 제어모듈을 더 포함하고,
상기 관리서버는 로컬서버로부터 전송받은 센싱값을 분석하여 장애를 판단하며, 만약 장애가 발생되었다고 판단되면 장애 확인데이터를 상기 로컬서버로 전송하고,
상기 로컬서버의 상기 재부팅대상 결정모듈은
상기 관리서버로부터 장애 확인데이터를 전송받으면, 전송받은 시점부터 기 설정된 임계시간 이전 사이인 탐색주기(T) 동안에 해당 컨트롤러에 장애가 발생되었는지를 비교하며, 만약 탐색주기(T) 동안 해당 컨트롤러에 장애가 검출된 적이 있으면 별도의 동작을 수행하지 않고, 만약 탐색주기(T) 동안 해당 컨트롤러에 장애가 검출된 적이 있으면 재부팅대상을 자기 자신인 로컬서버로 결정하고,
상기 컨트롤러는
상기 로컬서버로부터 리셋 명령데이터를 전송받으면 상기 컨트롤러를 리셋시키는 리셋제어부를 더 포함하는 것을 특징으로 하는 스크린도어 관리시스템. - 청구항 제6항에 있어서, 상기 로컬서버는 통신장애 판단모듈을 더 포함하고,
상기 통신장애 판단모듈은
기 설정된 핑-테스트 알고리즘을 이용하여 기 할당된 컨트롤러들 각각과 상기 관리서버에 대한 핑-테스트(Ping-test)를 수행하여 핑 데이터를 검출하는 핑 검사모듈;
상기 핑 검사모듈에 의해 검출된 핑-데이터를 기 설정된 임계값과 비교하는 비교모듈;
상기 비교모듈에 의해 검출된 핑-데이터가 임계값을 벗어나는 경우 통신 장애가 발생하였다고 판단하는 통신장애 판별모듈을 더 포함하고,
상기 재부팅대상 결정모듈은
상기 통신장애 판단모듈에 의해 기 할당된 컨트롤러들 전체에서 통신장애가 발생하였다고 판단되면, 재부팅대상을 자기 자신으로 결정하며, 기 할당된 컨트롤러들 전체가 아니면서 기 할당된 컨트롤러들 중 적어도 하나 이상에 장애가 발생하였다고 판단되면, 재부팅대상을 해당 컨트롤러들로 결정하며, 상기 관리서버에서 통신장애가 발생되었다고 판단되면, 재부팅대상을 자기 자신인 컨트롤러로 결정하는 것을 특징으로 하는 스크린도어 관리시스템. - 청구항 제7항에 있어서, 상기 로컬서버는
지상차의 노선 및 지상차들 각각의 위치정보가 포함되는 지하철위치정보를 외부 서버로부터 전송받아 저장하며, 상기 재부팅대상 결정모듈에 의해 재부팅대상이 결정된 컨트롤러로 리셋 명령데이터를 전송할 때 지하철위치정보를 매칭시켜 전송하며,
상기 컨트롤러의 상기 리셋제어부는
상기 로컬서버로부터 전송된 리셋 명령데이터 및 지하철위치정보를 입력받을 때 구동되며, 입력된 지하철위치정보를 이용하여 해당 지하철이 현재 플랫폼까지 도착하기까지의 시간인 도착예정경과시간(TM1)을 산출하는 도착예정경과시간 산출모듈;
상기 도착예정경과시간 산출모듈에 의해 산출된 도착예정경과시간(TM1)을, 상기 컨트롤러가 리셋을 수행한 후 정상상태로 복구하는데 소요되는 최대경과시간인 기 설정된 설정경과시간(TM)과 비교하며, 만약 도착예정경과시간(TM1)이 설정경과시간(TM) 미만이면, 도착예정경과시간(TM1)이 설정경과시간(TM) 이상이 될 때까지 주기적으로 연산을 반복처리하는 비교모듈;
상기 비교모듈에서 도착예정경과시간(TM1)이 설정경과시간(TM) 이상일 때 구동되어 자신의 리셋(재부팅)을 수행하여도 무방하다고 판단하는 판단모듈;
상기 판단모듈에 의해 자신의 리셋이 가능하다고 판단될 때 구동되며, 자신을 리셋시키는 구동모듈을 더 포함하는 것을 특징으로 하는 스크린도어 관리시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170117698A KR101934777B1 (ko) | 2017-09-14 | 2017-09-14 | 빅데이터 및 인공지능 학습 기반의 스크린도어 관리시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170117698A KR101934777B1 (ko) | 2017-09-14 | 2017-09-14 | 빅데이터 및 인공지능 학습 기반의 스크린도어 관리시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR101934777B1 true KR101934777B1 (ko) | 2019-01-03 |
Family
ID=65022091
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170117698A KR101934777B1 (ko) | 2017-09-14 | 2017-09-14 | 빅데이터 및 인공지능 학습 기반의 스크린도어 관리시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101934777B1 (ko) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102175724B1 (ko) * | 2019-10-18 | 2020-11-06 | 한전케이디엔 주식회사 | 사물인터넷 센서 및 그를 이용한 사물인터넷 보안 강화 방법 |
| KR20200137085A (ko) * | 2019-05-28 | 2020-12-09 | 한국철도기술연구원 | 전동차의 전기식 출입문 고장예측 장치 |
| CN114439345A (zh) * | 2021-12-17 | 2022-05-06 | 交控科技股份有限公司 | 一种基于安全计算机的站台门控制装置及*** |
| KR102498293B1 (ko) * | 2021-10-24 | 2023-02-10 | (주)에스디플렉스 | 승강장 안전문 통합 관제 방법 및 승강장 안전문 통합 관제 시스템 |
| KR102533503B1 (ko) * | 2022-10-13 | 2023-05-16 | 윤명균 | 철도용 승강장의 안전 발판 보호 시스템 및 안전 발판 보호 방법 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008094299A (ja) * | 2006-10-13 | 2008-04-24 | Mitsubishi Electric Corp | ホームドア動作異常検出システム |
-
2017
- 2017-09-14 KR KR1020170117698A patent/KR101934777B1/ko active IP Right Grant
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008094299A (ja) * | 2006-10-13 | 2008-04-24 | Mitsubishi Electric Corp | ホームドア動作異常検出システム |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200137085A (ko) * | 2019-05-28 | 2020-12-09 | 한국철도기술연구원 | 전동차의 전기식 출입문 고장예측 장치 |
| KR102235728B1 (ko) | 2019-05-28 | 2021-04-05 | 한국철도기술연구원 | 전동차의 전기식 출입문 고장예측 장치 |
| KR102175724B1 (ko) * | 2019-10-18 | 2020-11-06 | 한전케이디엔 주식회사 | 사물인터넷 센서 및 그를 이용한 사물인터넷 보안 강화 방법 |
| KR102498293B1 (ko) * | 2021-10-24 | 2023-02-10 | (주)에스디플렉스 | 승강장 안전문 통합 관제 방법 및 승강장 안전문 통합 관제 시스템 |
| CN114439345A (zh) * | 2021-12-17 | 2022-05-06 | 交控科技股份有限公司 | 一种基于安全计算机的站台门控制装置及*** |
| KR102533503B1 (ko) * | 2022-10-13 | 2023-05-16 | 윤명균 | 철도용 승강장의 안전 발판 보호 시스템 및 안전 발판 보호 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101934777B1 (ko) | 빅데이터 및 인공지능 학습 기반의 스크린도어 관리시스템 | |
| KR101967339B1 (ko) | 심층학습 기반의 ａｄａｓ 센서 고장 진단 및 백업을 위한 장치 및 방법 | |
| KR101765235B1 (ko) | 사물인터넷 기반 센서와 무인비행체를 이용한 시설물 유지관리 시스템 및 그 방법 | |
| CN104787635B (zh) | 电梯楼层数据采集装置和电梯楼层运行监控***及方法 | |
| CN104044969B (zh) | 电梯故障预警方法和*** | |
| CN107271839B (zh) | 用于监测车辆的车载电气***的方法和控制装置 | |
| KR102158497B1 (ko) | 자율주행 평가시스템 | |
| US20220264081A1 (en) | Sensing performance evaluation and diagnosis system and sensing performance evaluation and diagnosis method for external-environment recognition sensor | |
| KR101817219B1 (ko) | Iot 장비를 이용한 기계식 주차설비용 자동장애 감지시스템 | |
| EP2562614A2 (en) | Control device of control system and elevator systems | |
| US10907394B2 (en) | Diagnostic operation method and system for a transport vehicle automatic or semi-automatic access device | |
| KR20200137085A (ko) | 전동차의 전기식 출입문 고장예측 장치 | |
| KR20150112049A (ko) | 모바일 기기를 이용한 전기자동차 긴급구난 시스템 | |
| Shimada et al. | A statistical approach to reduce failure facilities based on predictive maintenance | |
| CN111137773B (zh) | 用于检测电梯***的故障的方法和*** | |
| KR20200058132A (ko) | 철도차량 주요부품 및 시스템 진단장치 | |
| KR101023533B1 (ko) | 고속철도 에이티시의 실시간 원격복구 시스템 및 그 제어방법 | |
| KR20210084094A (ko) | 무선 진동 센서의 배터리 상태 감시 시스템 및 방법 | |
| KR102296561B1 (ko) | 지그비를 이용한 인공지능 기반 복수개의 배전반 통합 관제시스템 | |
| KR102549245B1 (ko) | IoT 기반 전기차 급속/완속 충전기 원격 차단기 제어시스템 | |
| EP3748450B1 (en) | Data driven machine learning for modeling aircraft sensors | |
| KR20220167008A (ko) | 선박용 고장 예측진단 시스템 및 그 예측진단 방법 | |
| KR101909517B1 (ko) | 저장탱크 모니터링 및 관리시스템 | |
| CN114314243A (zh) | 基于视频识别技术的升降机超载报警***及超载报警方法 | |
| KR102454756B1 (ko) | 무선통신을 이용한 ai 탑재형 다중 검지 영역 통합 차단시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |