KR102470520B1 - 국제표준(sae j1739) 기반의 잠재적 고장 영향 분석 방법 - Google Patents
국제표준(sae j1739) 기반의 잠재적 고장 영향 분석 방법 Download PDFInfo
- Publication number
- KR102470520B1 KR102470520B1 KR1020210094684A KR20210094684A KR102470520B1 KR 102470520 B1 KR102470520 B1 KR 102470520B1 KR 1020210094684 A KR1020210094684 A KR 1020210094684A KR 20210094684 A KR20210094684 A KR 20210094684A KR 102470520 B1 KR102470520 B1 KR 102470520B1
- Authority
- KR
- South Korea
- Prior art keywords
- information
- failure
- grade
- effect analysis
- memory
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/027—Alarm generation, e.g. communication protocol; Forms of alarm
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
-
- 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
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0816—Indicating performance data, e.g. occurrence of a malfunction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
본 발명은 고장 영향 분석 방법에 관한 것으로서, 본 발명의 고장 영향 분석 장치에서 고장 영향 분석 방법은, 대상체에 대한 소리 감지 정보 및 영상 캡쳐 정보를 수집하는 단계, 상기 소리 감지 정보에 대한 제1고장등급을 분석하고 상기 영상 캡쳐 정보에 대한 제2 고장등급을 분석하는 단계, 상기 제1고장등급 및 상기 제2 고장등급을 조합하여 최종고장등급을 판정하는 단계, 및 상기 최종고장등급을 포함하는 고장 영향 분석 정보를 유저 인터페이스에 표시하는 단계를 포함한다.
Description
본 발명은 자동차 부품 제조기업의 국제표준(SAE J1739) 기반으로 제조되는 차량 부품에 대한 고장 영향 분석 방법에 관한 것으로, 더욱 상세하게는 자동차 부품 등에서 나는 소리나 크기의 변형 등을 기초로 고장 영향을 분석하여 운전자 등 사용자에게 고장 영향 분석 정보를 제공하는 방법에 관한 것이다.
고장 형태 영향 분석(FMEA; Failure Mode Effect Analysis)은 제품 설계 및 공정 설계 단계에서 시스템의 고장을 미연에 방지하는 신뢰성 도구이다. 고장 (Failure)은 요구된 대로 기능을 수행하는 아이템의 능력이 종료되는 것을 의미한다. 고장 영향 분석은 본래 제품 개발 시에 시스템 혹은 하위 시스템 수준에서 설계 개선에 사용되는 정성적 예측 기법이며, 점차 공정 설계, 설비설계의 개선, 예지보전방식의 설계, 공정관리 등에도 폭 넓게 사용되고 있다. 또한 고장 영향 분석은 부품 등 하위 아이템(시스템 요소)의 고장이 상위 아이템(시스템 또는 시스템 요소)에 어떻게 나타나는가를 고려하여 최종 시스템의 임무에 대한 영향을 파악하고 영향이 큰 고장 형태 방지 대책을 수립하기 위한 상향식 기법이다. 다시 말하면 고장 영향 분석은 시스템의 고장 형태(Failure mode)를 확인하고, 확인된 고장 형태에 따른 고장 영향(Failure effect)을 평가하고, 고장의 검출 방법을 미리 검토하기 위한 시스템적이며 구조적인 방법이다.
고장 형태(Failure mode)는 잠재결함이 진전되어 발생결함이 되어 고장이 발생하는 방식을 의미하며 잠재적 고장 형태를 포함한다. 개방회로, 갈라짐, 깨짐, 부식, 누출, 부정확한 치수 등이 그 예가 될 수 있다. 고장 영향(Failure effect)은 고장 형태의 발생 시 시스템의 작동, 기능, 상태에 미치는 결과를 의미하며, 고객이 이해 또는 경험할 수 있는 용어로 기술한다. 예를 들면, 모터가 가동하지 않음, 불쾌한 냄새, 사고, 인명 손상 등을 들 수 있다. 고장 원인(Failure cause)은 각 고장 영향에 대해 고장의 근본 원인이나 고장 매커니즘으로 표시되며, 고장 원인에 대해 조치가 가능하도록 기술된다. 예를 들면, 설계 FMEA의 부품 결함, 적정 틈 부족, 열화, 베어링의 닳음 등을 들 수 있다.
상기와 같이 분석된 고장 원인, 고장 형태, 고장 영향의 정보 등의 위험 분석 결과의 정보는, 제품의 설계나 공정 등에 관하여는 담당자에게 제공되고, 설계 변경, 품질 관리 절차 변경, 신뢰성 높은 부품의 선택, 시험에 의한 실증, 표준 매뉴얼의 수정 등의 권고 시정 조치를 수립하기 위한 기초가 될 수 있다. 또한 권고 시정 조치가 실시된 이 후에는 등급의 개선 정도를 재평가할 수 있다.
이와 같이 고장 영향 분석 과정에서 획득되거나 산출되는 정보들은 담당자들이 인식할 수 있는 상태로 제공되어야 한다. 종래 이러한 정보들은 새로운 설계/공정에서 요구되는 사양 및 과거의 유사 제품의 고장 이력 정보를 기반으로 사람이 직접 도출하고, 그 위험 정도를 평가하여 표에 기입하고, 권고 시정 조치를 수립한 후 재평가하는 등의 품질개선 활동을 수행하여 왔다.
따라서, 본 발명은 상술한 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 목적은, 국제표준(SAE J1739)을 기반으로 하며 차량 부품 등의 고장 영향 분석 정보를 자동 생성하여 제공하되, 차량 부품 등에서 나는 소리나 크기의 변형 등에 대한 인공지능 기반의 기계학습을 이용하여 차량 부품 등의 고장 영향을 분석하여 운전자 등 사용자에게 고장 영향 분석 정보를 제공하는 고장 영향 분석 방법을 제공하는 데 있다.
먼저, 본 발명의 특징을 요약하면, 상기의 목적을 달성하기 위한 본 발명의 일면에 따른 고장 영향 분석 장치에서 고장 영향 분석 방법은, 대상체에 대한 소리 감지 정보 및 영상 캡쳐 정보를 수집하는 단계; 상기 소리 감지 정보에 대한 제1고장등급을 분석하고 상기 영상 캡쳐 정보에 대한 제2 고장등급을 분석하는 단계; 상기 제1고장등급 및 상기 제2 고장등급을 조합하여 최종고장등급을 판정하는 단계; 및 상기 최종고장등급을 포함하는 고장 영향 분석 정보를 유저 인터페이스에 표시하는 단계를 포함한다.
상기 대상체는 차량의 부품 중 하나 이상을 포함할 수 있다.
상기 최종고장등급은 상기 제1고장등급과 상기 제2고장등급에 대한 각각의 가중치에 따라 결정될 수 있다.
상기 고장 영향 분석 정보는 상기 대상체에 대응하는 고장나무 정보를 포함할 수 있다.
상기 고장 영향 분석 정보는, 상기 제1고장등급 및 상기 제2 고장등급을 조합하여 계산한 심각도 정보, 발생도 정보 및 검출도 정보를 포함할 수 있다.
상기 고장 영향 분석 정보는, 상기 심각도 정보, 상기 발생도 정보 및 상기 검출도 정보를 기초로 산출된, 위험 수준의 평가 정보를 더 포함할 수 있다.
상기 소리 감지 정보에 대한 제1고장등급은, 제1주기 마다 메모리에 저장된 소정의 시간 동안의 상기 소리 감지 정보의 시간적 추이와, 상기 메모리에 저장된 상기 소정의 시간 동안의 기준 소리 정보의 시간적 추이 사이의 차이에 따라 변화 정도를 분류한 복수의 등급 중 하나일 수 있다.
인공지능 기반의 기계학습을 이용하여, 상기 제1주기 마다 메모리에 수집된 상기 소리 감지 정보에 따른 상기 복수의 등급이 반영되도록, 상기 기준 소리 정보의 시간적 추이 정보가 주기적으로 업데이트될 수 있다.
상기 영상 캡쳐 정보에 대한 제2 고장등급은, 제2주기 마다 메모리에 수집된 상기 영상 캡쳐 정보와, 상기 메모리에 저장된 기준 영상 정보 사이의 차이에 따라 변형 정도를 분류한 복수의 등급 중 하나일 수 있다.
인공지능 기반의 기계학습을 이용하여, 상기 제2주기 마다 메모리에 수집된 상기 영상 캡쳐 정보에 따른 상기 복수의 등급이 반영되도록, 상기 기준 영상 정보가 주기적으로 업데이트될 수 있다.
상기 고장 영향 분석 방법은, 상기 유저 인터페이스에 표시하는 단계 후에, 상기 최종고장등급이 임계치 이상인 경우, 사용자가 상기 대상체에 연관된 버튼의 조작 시에, 상기 유저 인터페이스에 고장 경보 정보를 더 표시하는 단계를 더 포함할 수 있다.
상기 고장 경보 정보는 음성 또는 디스플레이로 출력되는 고장 조치 안내 정보를 포함할 수 있다.
그리고, 본 발명의 다른 일면에 따른 고장 영향 분석 장치는, 대상체에 대한 소리 감지 정보 및 영상 캡쳐 정보를 수집하는 수집부; 상기 소리 감지 정보에 대한 제1고장등급을 분석하고 상기 영상 캡쳐 정보에 대한 제2 고장등급을 분석하는 분석부; 상기 제1고장등급 및 상기 제2 고장등급을 조합하여 최종고장등급을 판정하는 판정부; 및 상기 최종고장등급을 포함하는 고장 영향 분석 정보를 유저 인터페이스에 표시하도록 제공하는 제공부를 포함한다.
본 발명에 따른 고장 영향 분석 방법에 따르면, 차량 부품 등의 고장 영향 분석 정보를 자동 생성하여 제공하되, 차량 부품 등에서 나는 소리나 크기의 변형 등에 대한 인공지능 기반의 기계학습을 이용하여 차량 부품 등의 고장 영향을 분석하여 운전자 등 사용자에게 고장 영향 분석 정보를 빠르고 정확하게 제공할 수 있다.
본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는 첨부도면은, 본 발명에 대한 실시예를 제공하고 상세한 설명과 함께 본 발명의 기술적 사상을 설명한다.
도 1은 본 발명의 일 실시예에 따른 고장 영향 분석 장치를 설명하기 위한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 고장 영향 분석 장치의 동작을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 인공지능을 이용한 기계 학습의 인공신경망 구성을 설명하기 위한 모식도이다.
도 4a 및 도 4b는 본 발명의 일 실시예에 따른 고장나무 정보를 설명하기 위한 모식도이다.
도 5는 본 발명의 일 실시예에 따른 인공지능을 이용한 고장 나무 정보의 생성 및 운용 과정을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 고장 영향 분석을 처리하는 고장 영향 분석 장치의 구현 방법의 일례를 설명하기 위한 도면이다.
도 1은 본 발명의 일 실시예에 따른 고장 영향 분석 장치를 설명하기 위한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 고장 영향 분석 장치의 동작을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 인공지능을 이용한 기계 학습의 인공신경망 구성을 설명하기 위한 모식도이다.
도 4a 및 도 4b는 본 발명의 일 실시예에 따른 고장나무 정보를 설명하기 위한 모식도이다.
도 5는 본 발명의 일 실시예에 따른 인공지능을 이용한 고장 나무 정보의 생성 및 운용 과정을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 고장 영향 분석을 처리하는 고장 영향 분석 장치의 구현 방법의 일례를 설명하기 위한 도면이다.
이하에서는 첨부된 도면들을 참조하여 본 발명에 대해서 자세히 설명한다. 이때, 각각의 도면에서 동일한 구성 요소는 가능한 동일한 부호로 나타낸다. 또한, 이미 공지된 기능 및/또는 구성에 대한 상세한 설명은 생략한다. 이하에 개시된 내용은, 다양한 실시 예에 따른 동작을 이해하는데 필요한 부분을 중점적으로 설명하며, 그 설명의 요지를 흐릴 수 있는 요소들에 대한 설명은 생략한다. 또한 도면의 일부 구성요소는 과장되거나 생략되거나 또는 개략적으로 도시될 수 있다. 각 구성요소의 크기는 실제 크기를 전적으로 반영하는 것이 아니며, 따라서 각각의 도면에 그려진 구성요소들의 상대적인 크기나 간격에 의해 여기에 기재되는 내용들이 제한되는 것은 아니다.
본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 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. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.
또한, 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되는 것은 아니며, 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
도 1은 본 발명의 일 실시예에 따른 고장 영향 분석 장치(100)를 설명하기 위한 블록도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 고장 영향 분석 장치(100)는, 제어부(110), 메모리(111), 유저 인터페이스(120), 수집부(130), 분석부(140), 판정부(150), 제공부(160) 및 학습부(170)를 포함한다.
본 발명의 일 실시예에 따른 고장 영향 분석 장치(100)는, 전기차량, 하이브리드 차량, 내연기관 차량 등 다양한 차량 등에 장착되어 차량 부품 등에서 나는 소리나 크기의 변형 등을 기초로 고장 영향을 분석하여 운전자 등 사용자에게 고장 영향 분석 정보를 실시간으로 제공하도록, 운용될 수 있다. 다만, 고장 영향 분석 장치(100)는, 필요에 따라 차량 이외에도 각종 설비나 다양한 전자 제품등에도 설치되어 부품 등에서 나는 소리나 크기의 변형 등을 기초로 고장 영향을 분석하여 사용자에게 고장 영향 분석 정보를 실시간으로 제공하도록, 운용될 수도 있다.
차량 등에 탑재될 수 있는 본 발명의 일 실시예에 따른 고장 영향 분석 장치(100)의 각부 구성 요소들은, 반도체 프로세서와 같은 하드웨어, 응용 프로그램과 같은 소프트웨어, 또는 이들의 결합으로 구현될 수 있다. 또한, 전반적인 제어를 담당하는 제어부(110)는 다른 구성 요소들 중 하나 이상의 기능을 포함하도록 구현될 수 있으며, 제어부(110)의 일부 기능이 다른 유닛으로서 별도 구성 요소 형태로 구현되는 것도 가능하다. 메모리(111)는 고장 영향 분석 장치(100)의 동작을 위하여 필요한 데이터나 설정 정보 등을 저장한다.
유저 인터페이스(120)는 사용자가 고장 영향 분석 장치(100)를 운용하는데 필요한 각종 데이터를 입출력하도록 지원한다. 예를 들어, 유저 인터페이스(120)는 터치스크린이 지원되는 디스플레이 장치, 스피커, 각종 메뉴 선택이나 데이터의 입력을 위한 버튼들을 포함할 수 있으며, 경우에 따라서는 외부 기기와 이동통신이나 무선통신을 지원하기 위한 통신 모듈을 더 포함할 수도 있다.
본 발명의 일 실시예에 따른 고장 영향 분석 장치(100)는, 이와 같은 차량 부품 등의 고장 영향 분석 정보를 자동 생성하여 제공하되, 차량 부품 등에서 나는 소리나 크기의 변형 등에 대한 인공지능 기반의 기계학습을 이용하여 차량 부품 등의 고장 영향을 분석하여 운전자 등 사용자에게 고장 영향 분석 정보를 빠르고 정확하게 제공할 수 있도록 하였다.
이하, 도 2 내지 도 6을 참조하여 본 발명의 일 실시예에 따른 고장 영향 분석 장치(100)의 동작을 좀 더 자세히 설명한다.
도 2는 본 발명의 일 실시예에 따른 고장 영향 분석 장치(100)의 동작을 설명하기 위한 흐름도이다.
도 2를 참조하면, 먼저, 수집부(130)는 하나 이상의 차량 부품 등의 대상체에 대한 소리 감지 정보 및 영상 캡쳐 정보를 수집한다(S110). 예를 들어, 차량 핸들과 관련된 벨로우즈, 라이트 노브(knob), 와이퍼 노브(knob), 엔진 주변의 크랭크 샤프트, 캠 샤프트 등 감시가 필요한 다양한 차량의 부품 등의 주변에, 소리 감지 센서를 설치하여 주기적으로 소리 감지 정보를 수집할 수 있으며, 카메라 등 영상 캡쳐 장치를 설치하여 영상 캡쳐 정보(예, 정지영상, 동영상 등)를 주기적으로 수집할 수 있다.
분석부(140)는 상기 소리 감지 정보에 대한 복수의 등급으로 구분된 제1고장등급을 분석하고 상기 영상 캡쳐 정보에 대한 복수의 등급으로 구분된 제2고장등급을 분석한다(S120).
예를 들어, 메모리(111)에는 대상체에 대한 운행 중의 소정의 시간 동안(예, 1초, 10초, 30초, 1분,,,,등)의 기준 소리 정보 및 기준 영상 정보(정지영상 또는 소정의 시간 동안의 동영상)가 저장되어 있으며, 분석부(140)는 메모리(111)에 수집 저장되는 소리 감지 정보 및 영상 캡쳐 정보와 비교 분석하여, 복수의 등급 중 제1고장등급 및 복수의 등급 중 제2고장등급을 결정한다.
메모리(111)에는 제1주기 마다(예, 1초, 10초, 30초, 1분,,,,등) 수집부(130)가 수집하는 소정의 시간 동안(예, 1초, 10초, 30초, 1분,,,,등)의 소리 감지 정보를 저장할 수 있으며, 분석부(140)는 메모리(111)의 소리 감지 정보의 시간적 추이와, 메모리(111)에 저장된 기준 소리 정보의 시간적 추이 사이의 차이에 따라 변화 정도를 분류하여, 해당 변화 정도에 대한 복수의 등급 중의 어느 한 등급을 결정할 수 있다.
이와 같은 소리 정보에 대한 특징을 추출하고 분석하기 위하여, MFCC(Mel Frequency Cepstral Coefficient), dMFCC(delta Mel Frequency Cepstral Coefficient), ddMFCC(delta delta Mel Frequency Cepstral Coefficient) 등의 알고리즘이 이용될 수 있다.
분석부(140)는 시간 영역 또는 주파수 영역에서 분석하여, 이와 같은 실시간 수집되는 소리 감지 정보의 시간적 추이가 기준 소리 정보의 시간적 추이로부터 변화된 정도를 소정의 값으로 산출할 수 있으며, 상중하 또는 1~10 단계 등의 미리 정해진 복수의 등급 구간 중 해당하는 구간을 찾아, 해당 제1고장등급이 속하는 등급을 결정할 수 있다.
또한, 메모리(111)에는 제2주기 마다(예, 1초, 10초, 30초, 1분,,,,등) 수집부(130)가 수집하는 영상 캡쳐 정보(예, 정지영상 또는 동영상)를 저장할 수 있으며, 분석부(140)는 메모리(111)의 영상 캡쳐 정보와, 메모리(111)에 저장된 기준 영상 정보 사이의 차이에 따라 변형 정도를 분류하여, 해당 변화 정도에 대한 복수의 등급 중의 어느 한 등급을 결정할 수 있다.
이와 같은 영상 정보에 대한 특징을 추출하고 분석하기 위하여, Shi-Tomasi 알고리즘, FAST 알고리즘 등의 알고리즘이 이용될 수 있다.
분석부(140)는 이와 같은 실시간 수집되는 영상 캡쳐 정보(예, 정지영상 또는 동영상)가 기준 영상 정보로부터 변형된 정도(예, 위치 이동, 외형의 모양 변경 등)를 소정의 값으로 산출할 수 있으며, 상중하 또는 1~10 단계 등의 미리 정해진 복수의 등급 구간 중 해당하는 구간을 찾아, 해당 제2고장등급이 속하는 등급을 결정할 수 있다.
도 3은 본 발명의 일 실시예에 따른 인공지능을 이용한 기계 학습의 인공신경망 구성을 설명하기 위한 모식도이다.
도 3을 참조하면, 학습부(170)는 인공 신경망(ANN, Artificial Neural Network)을 이용하여 메모리(111)에 저장된 상기 기준 소리 정보와 상기 기준 영상 정보를 업데이트할 수 있다. 인공 신경망(ANN)은 순환신경망(RNN,recurrent neural network) 중 하나인 LSTM(long short-term memory models)과 심층신경망(DNN, deep neural network)의 앙상블을 이용할 수 있다.
학습부(170)는 인공 신경망(ANN)을 통해 인공지능 기반의 기계학습을 이용하여, 상기 제1주기(예, 1초, 10초, 30초, 1분,,,,등) 마다 메모리(111)에 수집된 상기 소리 감지 정보에 따라 업데이트되어 결정되는 상기 복수의 등급이 반영되도록, 상기 기준 소리 정보의 시간적 추이 정보를 주기적으로 업데이트할 수 있다. 이에 따라 각각의 고장등급과 연관된 고장 데이터와 부적합 데이터 등이 반영되어 시간이 경과될수록 정확한 등급 결정이 가능해진다.
또한, 학습부(170)는 인공지능 기반의 기계학습을 이용하여, 상기 제2주기(예, 1초, 10초, 30초, 1분,,,,등) 마다 메모리(111)에 수집된 상기 영상 캡쳐 정보에 따라 업데이트되어 결정되는 상기 복수의 등급이 반영되도록, 상기 기준 영상 정보가 주기적으로 업데이트할 수 있다. 이에 따라 각각의 고장등급과 연관된 고장 데이터와 부적합 데이터 등이 반영되어 시간이 경과될수록 정확한 제2고장등급 결정이 가능해진다.
한편, 판정부(150)는 상기 제1고장등급 및 상기 제2 고장등급을 조합하여 최종고장등급을 판정한다(S130). 판정부(150)는 상기 제1고장등급과 상기 제2고장등급에 대한 각각의 가중치에 따라 상기 최종고장등급을 결정할 수 있다.
예를 들어, 경제적 가치나 차량 운용 상의 중요성 등을 고려하여, 부품 A에서의 소리 감지 정보에 따른 변화량에 대하여는 가중치 0.6, 부품 A에 대한 영상 캡쳐 정보에 따른 변형량에 대하여는 가중치 0.4 등이 미리 부여되어, 상기 최종고장등급이 결정될 수 있다.
제공부(160)는 상기 최종고장등급을 포함하는 고장 영향 분석 정보를 유저 인터페이스(120)에 표시(예, 디스플레이 또는 음성 표시)하도록 제공한다(S140). 이때, 제공부(160)는 상기 최종고장등급이 임계치 이상인 경우, 사용자가 해당 대상체에 연관된 유저 인터페이스(120)에서의 해당 버튼의 조작 시에, 유저 인터페이스(120)에 고장 경보 정보를 표시할 수도 있다. 상기 고장 경보 정보는 단순 고장 알람 표시를 음성 또는 디스플레이로 출력하는 것 이외에도, 고장 조치 안내 정보로서, 어떻게 고장을 조치하는 지에 대한 방법 등을 음성 또는 디스플레이로 출력하는 것 등을 포함할 수 있다.
제공부(160)가 제공하는 상기 최종고장등급을 포함하는 고장 영향 분석 정보는, 상기 제1고장등급 및 상기 제2 고장등급을 조합하여 계산한 심각도 정보, 발생도 정보 및 검출도 정보를 포함할 수 있다. 또한, 제공부(160)는 상기 심각도 정보, 상기 발생도 정보 및 상기 검출도 정보를 기초로 산출된, 위험 수준의 평가 정보를 더 포함하여 상기 고장 영향 분석 정보로서 제공할 수도 있다. 제공부(160)는 상기 최종고장등급을 포함하는 고장 영향 분석 정보를, 사용자가 용이하게 파악할 수 있도록, 이차원 맵 형식의 이미지를 통해 가시화하여 제공할 수도 있다. 상기 이차원의 맵은 리스크 매트릭스(Risk matrix)의 정보를 포함할 수 있다. 상기 리스크 매트릭스는 심각도(S)와 발생도(O), 심각도(S)와 검출 도(D), 발생도(O)와 검출도(D)의 각 조합을 x, y축으로 하여 각각 생성될 수 있다. 매트릭스의 각 셀에 대응된 값은 각 조합에 대응하는 우선 점수(RPN, Risk Priority Number) 조치 우선 순위 (AP, action priority) 등의 위험 수준의 평가 정보의 지수일 수 있다.
여기서, 잠재적 고장 형태가 차상위의 유닛, 하위 시스템, 시스템 또는 고객에게 미치는 영향의 심각한 정도를 심각도(SEV, severity)라 하고 상기 제1고장등급 및 상기 제2 고장등급을 조합하여 해당 심각도가 산출될 수 있다. 심각도의 등급의 감소는 설계 변경에 의해 이루어질 수 있다. 또한 특정한 고장 원인이나 고장 모드가 발생할 가능성을 발생도 (OCC, occurrence)라 하고, 상기 제1고장등급 및 상기 제2 고장등급을 조합하여 해당 발생도가 산출될 수 있다. 설계 변경을 통해 한 가지 또는 그 이상의 고장 형태에 대한 원인의 제거나 제어를 통해 영향을 받을 수 있는 발생도의 등급을 낮출 수 있다. 그리고, 고장의 발생 시 어떤 수단으로 그 상태를 발견할 수 있는가를 나타내는 척도를 검출도(DET, detection)라 하며, 상기 제1고장등급 및 상기 제2 고장등급을 조합하여 해당 검출도가 산출될 수 있다. 이는 잠재적 고장 원인 또는 고장 형태를 찾기 위해 현 설계 관리 능력으로 설계 단계에서 고장을 검출하는 능력에 대한 평가를 나타낸다. 상기 심각도, 발생도, 검출도는 각각 소정의 등급으로 표시될 수 있다. 일반적으로 고장 영향을 파악한 후에 심각도의 등급을, 고장 원인과 현 설계 관리의 예방 관리를 토대로 발생도의 등급을, 현 설계관리의 검출 관리에 의해 검출도 등급을 결정한다.
상기 심각도, 발생도, 검출도의 각 등급을 곱한 것을 위험 우선 점 수(RPN, Risk Priority Number)라 하고, 높은 위험 우선 점수의 고장 형태에 대해 서 적절한 개선 대책을 수립하고 실시함으로써 고장의 위험을 사전에 예방할 수 있도록 한다. 또한, 상기 위험 우선 점수를 보완 및 대체하기 위하여, 조치 우선 순위 (AP, action priority)가 사용될 수도 있다. 조치 우선 순위는 심각도, 발생도, 검출도의 각 등급을 단순히 곱하여 구해지는 위험 우선 점수의 약점을 보완하고자, 최종적으로 빠른 조치가 필요한 우선 순위를 우선순위 높음(H), 우선순위 중간(M), 우선순위 낮음 (L)으로 분류한 표 형태로 주어질 수 있다.
제공부(160)가 제공하는 상기 최종고장등급을 포함하는 고장 영향 분석 정보는, 해당 대상체에 대응하는 고장나무 정보를 포함할 수도 있다.
도 4a 및 도 4b는 본 발명의 일 실시예에 따른 고장나무 정보를 설명하기 위한 모식도이다. 도 4a는 차량 핸들 시스템에 대한 고장나무 정보의 예로서, 라이트 노브(knob), 와이퍼 노브, 핸들 바디 등에 연관된 부품들의 상하위 구조에서의 고장 여부에 대한 정보를 제공하는 예를 나타낸다. 도 4b는 도 4a에 대한 좀 더 구체적인 기능 설명과 해당 부품의 고장여부에 대한 정보를 제공하는 예를 나타낸다. 도 4c는 도 4a에 대한 좀 더 구체적인 기능 설명과 해당 부품의 고장여부에 대한 정보를 제공하는 예를 나타낸다.
도 4a 및 도 4b와 같이, 고장나무 정보는 고장 형태 영향 분석의 대상이 되는 차량 핸들 시스템 등의 분석 대상 시스템 및 그 하위의 시스템 요소들의 물리적 구조를 분석하여 나무(tree)와 같은 형태의 계층 구조로 전개하는 구조 분석(Structural analysis) 결과를 포함할 수 있다. 상기 분석 대상 시스템 및 그 하위 시스템 요소들은 상하위 계층 구조를 이룰 수 있다. 상기 시스템 또는 시스템 요소 중 상위 계층의 것은 그 하위의 시스템 요소들을 포함하여 형성된 복합체로 이해할 수 있다. 예를 들어, 상기 분석 대상 시스템이 하나의 제품이라면 그 하위 시스템 요소는 부품들이 모여 조립된 조립체 수준일 수 있고, 또한 그 하위의 시스템 요소는 부품일 수 있다.
또한, 도 4a 및 도 4b와 같이, 상위 계층의 시스템 또는 시스템 요소는 그 하위의 시스템 요소의 왼쪽에 위치하도록 도시되어 있다. 상기 고장나무 정보는 또한 상기 구조 분석 결과에 따른 분석 대상 시스템(system) 및 그 하위의 각 시스템 요소(System element)에 대한 기능 분석 (Functional analysis)의 결과 정보를 포함할 수 있다. 각 시스템 또는 시스템 요소에 대응하는 기능분석의 결과 정보의 표시는, 기능분석의 완료 여부를 나타내는 색상 또는 명도를 달리하는 원과 같은 도형 및 기능분석의 결과를 나타내는 텍스트(예를들어, “Raise and tower windows according to parameterization”)를 표시한 상태 등의 정보를 포함할 수 있다.
또한, 상기 고장나무 정보는 상기 기능 분석의 결과인 각 기능에 대응하는 고장 분석(Failure analysis)의 결과 정보를 포함할 수 있다. 도 4a 및 도 4b는, 본 발명의 일 실시 예에 따라 각 시스템 또는 시스템 요소에 대응하는 고장분석의 결과 정보를 표시하는 예를 나타내며, 고장분석의 완료 여부를 나타내는 색상 또는 명도를 달리하는 원과 같은 도형 및 기능분석의 결과를 나타내는 텍스트(예를 들어, “Torque and rating velocity of the window lifter motor too low”)를 표시한 상태 등의 정보를 포함할 수 있다.
본 발명의 일 실시 예에 따라, 상기 분석 대상 시스템에 대응하는 기능의 특정 고장이 고장 영향(Failure effect)일 수 있다. 또한 그 하위 시스템 요소의 기능의 고장 중 상기 고장 영향과 연관된 것은 고장 형태(Failure mode)일 수 있다. 그리고 또 그 하위의 시스템 요소의 기능의 고장 중 상기 고장 형태와 연관된 것을 고장 원인(Failure cause)일 수 있다. 즉 하위 시스템 요소의 고장은 상위의 시스템 요소에서 나타나는 고장 형태를 야기하는 고장 원인이 될 수 있고, 상기 고장 형태는 또한 그 상위의 시스템 또는 시스템 요소에서 나타나는 고장 영향으로 이어질 수 있다.
도 5는 본 발명의 일 실시예에 따른 인공지능을 이용한 고장 나무 정보의 생성 및 운용 과정을 설명하기 위한 도면이다.
도 5에 도시된 바와 같이, 본 발명의 고장 영향 분석 장치(100)는, 학습부(170)에서 인공지능 학습을 기반으로 상기 고장나무 정보를 생성할 수 있다. 상술한 바와 같이 상기 고장나무 정보는 대상 제품의 전체 시스템 및 그 하위 시스템 요소, 그리고 그 구조적 상관관계가 포함되고, 그 각각의 시스템 또는 시스템 요소에 대응되는 기능 정보 및 고장 정보가 포함되어 있다.
상기와 같이 차량과 같은 최종적인 대상 제품의 고장나무 정보를 생성하여 제공하기 위하여 본 발명의 일 실시 예에 따른 고장 영향 분석 정보 제공 방법은 학습부(170)에서 입출력 학습 데이터를 통해 학습 모델을 생성할 수 있다. 학습부(170)에서의 학습 방법은 인공신경망(ANN, artificial neural network)을 이용할 수 있다. 이에 따라 과거에 생성한 고장 나무 정보에 기반하여 손실 함수를 생성하고, 학습을 통해 기계학습 모델의 파라미터를 최적화하도록 기계학습을 구성할 수 있다. 상기 손실함수는 평균 제곱 오차, 크로스엔트로피 등 다양한 형태가 선택될 수 있다. 또한 상기 학습 모델을 생성하기 위해 모델 파라미터 최적화 기법 또한 오차의 역전파, 경사하 강법 등 다양한 형태의 기법이 선택될 수 있다. 본 발명의 일 실시 예에 따라 상기 인공신경망(ANN)은 순환신경망(RNN,recurrent neural network) 중 하나인 LSTM(long short-term memory models)과 심층신경망(DNN, deep neural network)의 앙상블을 이용할 수 있다.
도 6은 본 발명의 일 실시예에 따른 고장 영향 분석을 처리하는 고장 영향 분석 장치(100)의 구현 방법의 일례를 설명하기 위한 도면이다.
도 6을 참조하면, 본 발명의 일 실시예에 따른 고장 영향 분석을 처리하는 고장 영향 분석 장치(100)는, 하드웨어, 소프트웨어, 또는 이들의 결합으로 이루어질 수 있다. 예를 들어, 본 발명의 고장 영향 분석 장치(100)는 위와 같은 기능/단계/과정들을 수행하기 위한 적어도 하나의 프로세서를 갖는 도 6과 같은 컴퓨팅 시스템(1000) 형태로 구현될 수 있다.
컴퓨팅 시스템(1000)은 버스(1200)를 통해 연결되는 적어도 하나의 프로세서(1100), 메모리(1300), 사용자 인터페이스 입력 장치(1400), 사용자 인터페이스 출력 장치(1500), 스토리지(1600), 및 네트워크 인터페이스(1700)를 포함할 수 있다. 프로세서(1100)는 중앙 처리 장치(CPU) 또는 메모리(1300) 및/또는 스토리지(1600)에 저장된 명령어들에 대한 처리를 실행하는 반도체 장치일 수 있다. 메모리(1300) 및 스토리지(1600)는 다양한 종류의 휘발성 또는 불휘발성 저장 매체를 포함할 수 있다. 예를 들어, 메모리(1300)는 ROM(Read Only Memory)(1310) 및 RAM(Random Access Memory)(1320)을 포함할 수 있다.
따라서, 본 명세서에 개시된 실시예들과 관련하여 설명된 방법 또는 알고리즘의 단계는 프로세서(1100)에 의해 실행되는 하드웨어, 소프트웨어 모듈, 또는 그 2 개의 결합으로 직접 구현될 수 있다. 소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터, 하드 디스크, 착탈형 디스크, CD-ROM과 같이 컴퓨터 등 장치로 판독 가능한 저장/기록 매체(즉, 메모리(1300) 및/또는 스토리지(1600))에 상주할 수도 있다. 예시적인 저장 매체는 프로세서(1100)에 커플링되며, 그 프로세서(1100)는 저장 매체로부터 정보(코드)를 판독할 수 있고 저장 매체에 정보(코드)를 기입할 수 있다. 다른 방법으로, 저장 매체는 프로세서(1100)와 일체형일 수도 있다. 프로세서 및 저장 매체는 주문형 집적회로(ASIC) 내에 상주할 수도 있다. ASIC는 사용자 단말기 내에 상주할 수도 있다. 다른 방법으로, 프로세서 및 저장 매체는 사용자 단말기 내에 개별 컴포넌트로서 상주할 수도 있다.
상술한 바와 같이, 본 발명에 따른 고장 영향 분석 장치(100)에서의 고장 영향 분석 방법에 따르면, 차량 부품 등의 고장 영향 분석 정보를 자동 생성하여 제공하되, 차량 부품 등에서 나는 소리나 크기의 변형 등에 대한 인공지능 기반의 기계학습을 이용하여 차량 부품 등의 고장 영향을 분석하여 운전자 등 사용자에게 고장 영향 분석 정보를 빠르고 정확하게 제공할 수 있다.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
110: 제어부
111: 메모리
120: 유저 인터페이스
130: 수집부
140: 분석부
150: 판정부
160: 제공부
170: 학습부
111: 메모리
120: 유저 인터페이스
130: 수집부
140: 분석부
150: 판정부
160: 제공부
170: 학습부
Claims (9)
- 고장 영향 분석 장치에서 고장 영향 분석 방법에 있어서,
대상체에 대한 소리 감지 정보 및 영상 캡쳐 정보를 수집하는 단계; 상기 소리 감지 정보에 대한 제1고장등급을 분석하고 상기 영상 캡쳐 정보에 대한 제2 고장등급을 분석하는 단계; 상기 제1고장등급 및 상기 제2 고장등급을 조합하여 상기 제1고장등급과 상기 제2고장등급에 대한 각각의 가중치에 따라 결정되는 최종고장등급을 판정하는 단계; 상기 최종고장등급을 포함하며, 상기 대상체에 대응하는 고장나무 정보와, 상기 제1고장등급 및 상기 제2 고장등급을 조합하여 계산한 심각도 정보, 발생도 정보 및 검출도 정보 그리고, 상기 심각도 정보, 상기 발생도 정보 및 상기 검출도 정보를 기초로 산출된, 위험 수준의 평가 정보를 포함하는 고장 영향 분석 정보를 유저 인터페이스에 표시하는 단계를 수행하며;
상기 소리 감지 정보에 대한 제1고장등급은, 제1주기 마다 메모리에 저장된 소정의 시간 동안의 상기 소리 감지 정보의 시간적 추이와, 상기 메모리에 저장된 상기 소정의 시간 동안의 기준 소리 정보의 시간적 추이 사이의 차이에 따라 변화 정도를 분류한 복수의 등급 중 하나이며; 인공지능 기반의 기계학습을 이용하여, 상기 제1주기 마다 메모리에 수집된 상기 소리 감지 정보에 따른 상기 복수의 등급이 반영되도록, 상기 기준 소리 정보의 시간적 추이 정보가 주기적으로 업데이트되도록 하고;
상기 영상 캡쳐 정보에 대한 제2 고장등급은, 제2주기 마다 메모리에 수집된 상기 영상 캡쳐 정보와, 상기 메모리에 저장된 기준 영상 정보 사이의 차이에 따라 변형 정도를 분류한 복수의 등급 중 하나이며; 인공지능 기반의 기계학습을 이용하여, 상기 제2주기 마다 메모리에 수집된 상기 영상 캡쳐 정보에 따른 상기 복수의 등급이 반영되도록, 상기 기준 영상 정보가 주기적으로 업데이트되도록 하며;
상기 유저 인터페이스에 표시하는 단계 후에, 상기 최종고장등급이 임계치 이상인 경우, 사용자가 상기 대상체에 연관된 버튼의 조작 시에, 상기 유저 인터페이스에 고장 경보 정보를 더 표시하는 단계를 포함하고, 상기 고장 경보 정보는 음성 또는 디스플레이로 출력되는 고장 조치 안내 정보를 포함하는 고장 영향 분석 방법.
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210094684A KR102470520B1 (ko) | 2021-07-20 | 2021-07-20 | 국제표준(sae j1739) 기반의 잠재적 고장 영향 분석 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210094684A KR102470520B1 (ko) | 2021-07-20 | 2021-07-20 | 국제표준(sae j1739) 기반의 잠재적 고장 영향 분석 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102470520B1 true KR102470520B1 (ko) | 2022-11-25 |
Family
ID=84237383
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210094684A KR102470520B1 (ko) | 2021-07-20 | 2021-07-20 | 국제표준(sae j1739) 기반의 잠재적 고장 영향 분석 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102470520B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117745275A (zh) * | 2024-02-19 | 2024-03-22 | 中铁四局集团有限公司 | 基于物联网大数据的一体化工作平台 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09196825A (ja) * | 1996-01-18 | 1997-07-31 | Fuji Facom Corp | プラントの異常検知装置 |
| KR101501124B1 (ko) | 2013-05-15 | 2015-03-11 | 한국과학기술원 | 고장 형태 영향 분석(Failure Mode and Effect Analysis(FMEA)) 문서의 시맨틱 모델 처리 방법 |
| KR20180068102A (ko) * | 2016-12-13 | 2018-06-21 | 주식회사 큐엔티 | 로봇 고장 모니터링 서비스 제공 방법 및 서버 |
| KR20210031111A (ko) * | 2019-09-11 | 2021-03-19 | 이동우 | 안전인증 자료 획득 장치 및 그 방법 |
| KR102232876B1 (ko) | 2019-06-14 | 2021-03-29 | 한국수력원자력 주식회사 | 디지털 설비의 고장 유형 분석 시스템 및 방법 |
-
2021
- 2021-07-20 KR KR1020210094684A patent/KR102470520B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09196825A (ja) * | 1996-01-18 | 1997-07-31 | Fuji Facom Corp | プラントの異常検知装置 |
| KR101501124B1 (ko) | 2013-05-15 | 2015-03-11 | 한국과학기술원 | 고장 형태 영향 분석(Failure Mode and Effect Analysis(FMEA)) 문서의 시맨틱 모델 처리 방법 |
| KR20180068102A (ko) * | 2016-12-13 | 2018-06-21 | 주식회사 큐엔티 | 로봇 고장 모니터링 서비스 제공 방법 및 서버 |
| KR102232876B1 (ko) | 2019-06-14 | 2021-03-29 | 한국수력원자력 주식회사 | 디지털 설비의 고장 유형 분석 시스템 및 방법 |
| KR20210031111A (ko) * | 2019-09-11 | 2021-03-19 | 이동우 | 안전인증 자료 획득 장치 및 그 방법 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117745275A (zh) * | 2024-02-19 | 2024-03-22 | 中铁四局集团有限公司 | 基于物联网大数据的一体化工作平台 |
| CN117745275B (zh) * | 2024-02-19 | 2024-06-07 | 中铁四局集团有限公司 | 基于物联网大数据的一体化工作平台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109001649B (zh) | 一种电源智能诊断***及保护方法 | |
| JP7017861B2 (ja) | 異常検知システムおよび異常検知方法 | |
| US11748626B2 (en) | Storage devices with neural network accelerators for automotive predictive maintenance | |
| CN110765807B (zh) | 驾驶行为分析、处理方法、装置、设备和存储介质 | |
| CN112131212A (zh) | 基于集成学习技术面向混合云场景的时序数据异常预测方法 | |
| EP3825966A1 (en) | A system and method for monitoring and predicting breakdowns in vehicles | |
| US10565080B2 (en) | Discriminative hidden kalman filters for classification of streaming sensor data in condition monitoring | |
| JP6707920B2 (ja) | 画像処理装置、画像処理方法、およびプログラム | |
| CN115308562A (zh) | 芯片测试方法及相关设备 | |
| KR102396496B1 (ko) | 고장 유형 분석 정보 제공 방법 | |
| KR102618023B1 (ko) | 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법 | |
| EP3913453A1 (en) | Fault detection system and method for a vehicle | |
| KR102470520B1 (ko) | 국제표준(sae j1739) 기반의 잠재적 고장 영향 분석 방법 | |
| CN113919432A (zh) | 一种分类模型构建方法、数据分类方法及装置 | |
| Davari et al. | A fault detection framework based on lstm autoencoder: A case study for volvo bus data set | |
| CN116907772A (zh) | 桥梁结构监测传感器的自诊断与故障源鉴别方法及*** | |
| CN115031994B (zh) | 一种车辆耐久试验方法和*** | |
| JP2020042029A (ja) | 障害物速度の検出方法、障害物速度の検出装置、コンピュータ機器、記憶媒体及び車両 | |
| JP2020107248A (ja) | 異常判定装置および異常判定方法 | |
| WO2021182000A1 (ja) | パラメータ調整装置、推論装置、パラメータ調整方法、及びパラメータ調整プログラム | |
| CN114299338A (zh) | 用于***管理的故障预测与健康管理***与相关方法 | |
| CN112801202B (zh) | 车窗的起雾预测方法、***、电子设备及存储介质 | |
| KR102521000B1 (ko) | 플랜트 설비 관리 시스템 및 방법 | |
| CN117270495A (zh) | 故障预测方法、装置、存储介质以及车辆 | |
| CN117932550A (zh) | 基于自适应阈值的在线滑油预警方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |