KR102525703B1 - 전동차량의 고장 예측 장치 및 그 방법 - Google Patents
전동차량의 고장 예측 장치 및 그 방법 Download PDFInfo
- Publication number
- KR102525703B1 KR102525703B1 KR1020210010987A KR20210010987A KR102525703B1 KR 102525703 B1 KR102525703 B1 KR 102525703B1 KR 1020210010987 A KR1020210010987 A KR 1020210010987A KR 20210010987 A KR20210010987 A KR 20210010987A KR 102525703 B1 KR102525703 B1 KR 102525703B1
- Authority
- KR
- South Korea
- Prior art keywords
- failure
- vehicle
- electric vehicle
- information
- data storage
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013500 data storage Methods 0.000 claims abstract description 62
- 238000012423 maintenance Methods 0.000 claims abstract description 32
- 238000013480 data collection Methods 0.000 claims abstract description 15
- 239000000284 extract Substances 0.000 claims description 24
- 238000007689 inspection Methods 0.000 claims description 22
- 238000009966 trimming Methods 0.000 claims description 16
- 238000000611 regression analysis Methods 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000004083 survival effect Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L15/00—Indicators provided on the vehicle or train for signalling purposes
- B61L15/0081—On-board diagnosis or maintenance
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
- B61L15/00—Indicators provided on the vehicle or train for signalling purposes
- B61L15/0072—On-board train data handling
-
- G06Q50/30—
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
본 발명은 전동차량의 고장예측 장치 및 그 방법이 개시된다. 본 발명의 전동차량의 고장 예측 장치는, 전동차량의 운행 및 유지보수에 따른 차량정보를 수집하는 데이터 수집부; 데이터 수집부를 통해 수집된 전동차량의 차량정보를 저장하는 빅데이터 저장부; 수집된 차량정보를 전처리하여 빅데이터 저장부에 저장하고, 빅데이터 저장부에 저장된 차량정보에 기초하여 고장 예측모델을 통해 전동차량의 고장을 예측하는 제어부; 및 제어부에서 예측된 고장 예측정보를 웹 형태로 구성된 원격접근 환경을 통해 제공하는 웹 접속부; 포함하는 것을 특징으로 한다.
Description
본 발명은 전동차량의 고장 예측 장치 및 그 방법에 관한 것으로서, 보다 상세하게는 현장에서 발생한 전동차량의 차량정보를 수집한 빅데이터를 기반으로 다양하게 분석하여 예지 정비를 수행할 수 있도록 고장을 예측하여 제공하는 전동차량의 고장 예측 장치 및 그 방법에 관한 것이다.
일반적으로, 열차 종합 제어 장치(TCMS, Train Control and Monitoring System)는 열차의 운전 및 검사를 위한 장치로서, 기관사에게 열차의 운행을 위해 필요한 정보를 제공할 수 있다.
상세하게는, 열차 종합 제어 장치는 열차를 구성하는 복수의 차량들 각각의 상태 정보를 수집하고, 이에 기초한 복수의 차량들 각각의 고장 정보 등을 기관사에게 제공함으로써, 기관사가 운행에 필요한 조치를 취할 수 있는 기회를 제공할 수 있다.
한편, 기관사는 운행 점검 시에, 유지보수 담당자는 정기 점검 시에, 열차 종합 제어 장치에 의해 제공되는 정보를 확인함으로써 열차의 상태를 확인한 후 필요에 따라 유지보수를 수행할 수 있다.
본 발명의 배경기술은 대한민국 공개특허공보 제10-2020-0052461호(2020.05.15. 공개, 열차 고장 예측 장치 및 방법)에 개시되어 있다.
이와 같이 열차의 상태를 확인한 후 필요에 따라 유지보수를 수행할 경우 불시에 열차의 고장이 감지되어 열차의 운행이 지연되고, 고장 후 열차의 유지보수에 따른 비용이 증가하는 등의 문제점이 있다.
한편 고장이 발생하기 전 단순 주기성으로 예방 정비를 수행할 경우 반복적인 업무가 증가하는 문제점이 있다.
본 발명은 상기와 같은 문제점들을 개선하기 위하여 안출된 것으로, 일 측면에 따른 본 발명의 목적은 현장에서 발생한 전동차량의 차량정보를 수집한 빅데이터를 기반으로 다양하게 분석하여 예지 정비를 수행할 수 있도록 고장을 예측하여 제공하는 전동차량의 고장 예측 장치 및 그 방법을 제공하는 것이다.
본 발명의 일 측면에 따른 전동차량의 고장 예측 장치는, 전동차량의 운행 및 유지보수에 따른 차량정보를 수집하는 데이터 수집부; 데이터 수집부를 통해 수집된 전동차량의 차량정보를 저장하는 빅데이터 저장부; 수집된 차량정보를 전처리하여 빅데이터 저장부에 저장하고, 빅데이터 저장부에 저장된 차량정보에 기초하여 고장 예측모델을 통해 전동차량의 고장을 예측하는 제어부; 및 제어부에서 예측된 고장 예측정보를 웹 형태로 구성된 원격접근 환경을 통해 제공하는 웹 접속부; 포함하는 것을 특징으로 한다.
본 발명에서 차량정보는, 전동차량의 시험 및 측정 데이터, 전동차량의 주행 및 입고 시 전장품 정보, 및 차량정보화시스템으로부터 전동차량의 유지보수 정보 중 어느 하나 이상을 포함하는 것을 특징으로 한다.
본 발명에서 제어부는, 수집된 차량정보에 대해 정규화, 차원 축소, 특징 추출, 양자화 및 결측치 처리 중 어느 하나 이상의 전처리 동작을 수행하여 빅데이터 저장부에 저장하는 것을 특징으로 한다.
본 발명에서 제어부는, 빅데이터 저장부로부터 제동장치 입력값과 차량별 제동장치 출력값의 시계열 데이터를 추출하여 입력값과 출력값과의 위상차를 연관 분석하여 차량별 제동장치의 고장을 예측하는 제1 제동장치 고장 예측모델을 포함하는 것을 특징으로 한다.
본 발명에서 제어부는, 빅데이터 저장부로부터 제동장치 입력값과 차량별 제동장치 출력값의 시계열 데이터를 추출하여 운행구간 별 추출된 입력값과 출력값을 동적시간 뒤틀림 알고리즘에 적용하여 차량별 제동장치의 고장을 예측하는 제2 제동장치 고장 예측모델을 포함하는 것을 특징으로 한다.
본 발명에서 제어부는, 빅데이터 저장부로부터 전동차량의 각 차량별 운행거리와 차륜별 직경 및 플렌지 두께를 추출하여 직경 및 플렌지 두께의 변화와 운행거리를 회귀분석하여 차륜삭정 시점을 예측하는 차륜삭정 예측모델을 포함하는 것을 특징으로 한다.
본 발명에서 제어부는, 빅데이터 저장부로부터 전동차량에 탑재된 장치의 이력정보와 차량의 특성정보를 추출하여 인자별 고장이력의 회귀분석을 통해 산출된 계수를 비례위험모델에 대입하여 탑재된 장치의 고장률을 예측하는 탑재장치 고장 예측모델을 포함하는 것을 특징으로 한다.
본 발명에서 제어부는, 빅데이터 저장부로부터 설정기간 동안 발생된 고장코드와, 고장코드와 관련된 장치의 검수이력을 추출하여 통계분석을 수행하여 고장코드에 대응하는 장치의 고장률을 예측하는 고장코드별 고장 예측모델을 포함하는 것을 특징으로 한다.
본 발명의 다른 측면에 따른 전동차량의 고장 예측 방법은, 제어부가 전동차량의 운행 및 유지보수에 따른 차량정보를 수집하는 단계; 제어부가 수집된 차량정보를 전처리하여 빅데이터 저장부에 저장하는 단계; 제어부가 빅데이터 저장부에 저장된 차량정보에 기초하여 고장 예측모델을 통해 전동차량의 고장을 예측하는 단계; 및 제어부가 예측된 고장 예측정보를 웹 형태로 구성된 원격접근 환경을 통해 제공하는 단계;를 포함하는 것을 특징으로 한다.
본 발명에서 차량정보는, 전동차량의 시험 및 측정 데이터, 전동차량의 주행 및 입고 시 전장품 정보, 및 차량정보화시스템으로부터 전동차량의 유지보수 정보 중 어느 하나 이상을 포함하는 것을 특징으로 한다.
본 발명에서 전처리하여 빅데이터 저장부에 저장하는 단계는, 제어부가 수집된 차량정보에 대해 정규화, 차원 축소, 특징 추출, 양자화 및 결측치 처리 중 어느 하나 이상의 전처리 동작을 수행하는 것을 특징으로 한다.
본 발명에서 전동차량의 고장을 예측하는 단계는, 제어부가 제1 제동장치 고장 예측모델을 통해 빅데이터 저장부로부터 제동장치 입력값과 차량별 제동장치 출력값의 시계열 데이터를 추출하여 입력값과 출력값과의 위상차를 연관 분석하여 차량별 제동장치의 고장을 예측하는 것을 특징으로 한다.
본 발명에서 전동차량의 고장을 예측하는 단계는, 제어부가 제2 제동장치 고장 예측모델을 통해 빅데이터 저장부로부터 제동장치 입력값과 차량별 제동장치 출력값의 시계열 데이터를 추출하여 운행구간 별 추출된 입력값과 출력값을 동적시간 뒤틀림 알고리즘에 적용하여 차량별 제동장치의 고장을 예측하는 것을 특징으로 한다.
본 발명에서 전동차량의 고장을 예측하는 단계는, 제어부가 차륜삭정 예측모델을 통해 빅데이터 저장부로부터 전동차량의 각 차량별 운행거리와 차륜별 직경 및 플렌지 두께를 추출하여 직경 및 플렌지 두께의 변화와 운행거리를 회귀분석하여 차륜삭정 시점을 예측하는 것을 특징으로 한다.
본 발명에서 전동차량의 고장을 예측하는 단계는, 제어부가 탑재장치 고장 예측모델을 통해 빅데이터 저장부로부터 전동차량에 탑재된 장치의 이력정보와 차량의 특성정보를 추출하여 인자별 고장이력의 회귀분석을 통해 산출된 계수를 비례위험모델에 대입하여 탑재된 장치의 고장률을 예측하는 것을 특징으로 한다.
본 발명에서 전동차량의 고장을 예측하는 단계는, 제어부가 고장코드별 고장 예측모델을 통해 빅데이터 저장부로부터 설정기간 동안 발생된 고장코드와, 고장코드와 관련된 장치의 검수이력을 추출하여 통계분석을 수행하여 고장코드에 대응하는 장치의 고장률을 예측하는 것을 특징으로 한다.
본 발명의 일 측면에 따른 전동차량의 고장예측 장치 및 그 방법은 현장에서 발생한 전동차량의 차량정보를 수집한 빅데이터를 기반으로 다양하게 분석하여 예지 정비를 수행할 수 있도록 고장을 예측하여 웹형태로 구성된 원격접근 환경을 통해 제공함으로써, 원격으로 편리하게 고장예측 장치에 접근하고 관리할 수 있을 뿐만 아니라 현장에서도 분석된 예지 정보를 쉽게 현시할 수 있다.
도 1은 본 발명의 일 실시예에 따른 전동차량의 고장예측 장치를 나타낸 블록 구성도이다.
도 2는 본 발명의 일 실시예에 따른 전동차량의 고장예측 장치에서 탑재장치 고장 예측모델을 통해 제공되는 분석결과를 나타낸 예시도이다.
도 3은 본 발명의 일 실시예에 따른 전동차량의 고장예측 장치에서 고장코드별 고장 예측모델을 통해 제공되는 분석결과를 나타낸 예시도이다.
도 4는 본 발명의 일 실시예에 따른 전동차량의 고장예측 방법을 설명하기 위한 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 전동차량의 고장예측 장치에서 탑재장치 고장 예측모델을 통해 제공되는 분석결과를 나타낸 예시도이다.
도 3은 본 발명의 일 실시예에 따른 전동차량의 고장예측 장치에서 고장코드별 고장 예측모델을 통해 제공되는 분석결과를 나타낸 예시도이다.
도 4는 본 발명의 일 실시예에 따른 전동차량의 고장예측 방법을 설명하기 위한 흐름도이다.
이하, 첨부된 도면들을 참조하여 본 발명에 따른 전동차량의 고장예측 장치 및 그 방법을 설명한다. 이 과정에서 도면에 도시된 선들의 두께나 구성요소의 크기 등은 설명의 명료성과 편의상 과장되게 도시되어 있을 수 있다. 또한, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 본 발명의 일 실시예에 따른 본 발명의 일 실시예에 따른 전동차량의 고장예측 장치를 나타낸 블록 구성도이고, 도 2는 본 발명의 일 실시예에 따른 전동차량의 고장예측 장치에서 탑재장치 고장 예측모델을 통해 제공되는 분석결과를 나타낸 예시도이며, 도 3은 본 발명의 일 실시예에 따른 전동차량의 고장예측 장치에서 고장코드별 고장 예측모델을 통해 제공되는 분석결과를 나타낸 예시도이다.
도 1에 도시된 바와 같이 본 발명의 일 실시예에 따른 전동차량의 고장 예측 장치는 데이터 수집부(100), 빅데이터 저장부(300), 제어부(200) 및 웹 접속부(400)를 포함할 수 있다.
데이터 수집부(100)는 전동차량의 운행 및 유지보수에 따른 차량정보를 수집할 수 있다.
여기서, 데이터 수집부(100)는 전동차시험기와 차륜 형상 측정장치로부터 시험정보와 측정정보를 수집하고, 전동차량의 입고 시 전동차량의 전장품 정보를 차상무선장치를 통해 수집하고, 전동차량의 주행 중 전동차량의 전장품 정보를 무선통신망을 통해 수집하고, 차량정보화시스템(RIMS)과 연계하여 전동차량의 구성 부품체계, 관리 기준정보, 검수 및 정비관련 이력정보 등을 수집할 수 있다.
즉, 차량정보는, 전동차량의 시험 및 측정정보, 전동차량의 주행 및 입고 시 전장품 정보, 차량정보화시스템으로부터 전동차량의 유지보수 정보 중 어느 하나 이상을 포함할 수 있다.
빅데이터 저장부(300)는 데이터 수집부(100)를 통해 수집된 전동차량의 차량정보를 저장할 수 있다.
제어부(200)는 수집된 차량정보를 전처리하여 빅데이터 저장부(300)에 저장하고, 빅데이터 저장부(300)에 저장된 차량정보에 기초하여 고장 예측모델을 통해 전동차량의 고장을 예측하여 제공할 수 있다.
여기서 제어부(200)는 수집된 차량정보에 대해 정규화, 차원 축소, 특징 추출, 양자화, 결측치 처리 중 어느 하나 이상의 전처리 동작을 수행하여 빅데이터 저장부(300)에 저장할 수 있다.
또한, 제어부(200)는 전동차량의 고장을 예측하기 위한 전동차량 제동장치의 고장을 예측하기 위한 제1 제동장치 고장 예측모델(210)이나 제2 제동장치 고장 예측모델(220), 전동차량의 차륜 삭정 시점을 예측하는 차륜삭정 예측모델(230), 전동차량에 탑재된 탑재장치의 고장을 예측하는 탑재장치 고장 예측모델(240) 및 고장코드와 검수이력에 따른 고장코드별 고장 예측모델(250) 중 어느 하나 이상을 포함할 수 있다.
이를 보다 구체적으로 설명하면, 제1 제동장치 고장 예측모델(210)은 빅데이터 저장부(300)로부터 제동장치 입력값과 차량별 제동장치 출력값의 시계열 데이터를 추출하여 입력값과 출력값과의 위상차를 연관 분석하여 차량별 제동장치의 고장을 예측할 수 있다.
즉, 제어부(200)는 제1 제동장치 고장 예측모델(210)을 통해 빅데이터 저장부(300)로부터 열차종합제어장치(TCMS)의 데이터 중 기준 구간 역사에서의 제동장치 입력값과 N개의 차량 별 제동장치 출력값의 시계열 데이터를 추출한 후 입력값과 N개의 차량 별 제동장치 출력값 사이의 위상차를 연관 분석(Cross Correlation)하여 N개의 차량 위상차에 비례하는 N개의 차량 별 제동장치 고장 확률을 산출할 수 있고, N개의 차량 중 차량별 위상차가 지정된 유효범위를 벗어난 n 차량을 고장 발생 예측 차량으로 예측할 수 있다.
또한, 제2 제동장치 고장 예측모델(220)은 빅데이터 저장부(300)로부터 제동장치 입력값과 차량별 제동장치 출력값의 시계열 데이터를 추출하여 운행구간 별 추출된 입력값과 출력값을 동적시간 뒤틀림 알고리즘에 적용하여 차량별 제동장치의 고장을 예측할 수 있다.
즉, 제어부(200)는 제2 제동장치 고장 예측모델(220)을 통해 빅데이터 저장부(300)로부터 열차종합제어장치(TCMS)의 데이터 중 역과 역 사이의 운행구간 별로 제동장치 입력값과 N개의 차량 별 제동장치 출력값의 시계열 데이터를 추출한 후 입력값과 N개의 차량 별 제동장치 출력값을 동적시간 뒤틀림(DTW) 알고리즘을 적용하여 뒤틀림 거리값을 산출하고, N개 차량 중 뒤틀림 거리값이 지정된 유효범위를 벗어난 n 차량을 고장발생 예측 차량으로 예측할 수 있다.
또한, 차륜삭정 예측모델(230)은 빅데이터 저장부(300)로부터 전동차량의 각 차량별 운행거리와 차륜별 직경 및 플렌지 두께를 추출하여 직경 및 플렌지 두께의 변화와 운행거리를 회귀분석하여 차륜삭정 시점을 예측할 수 있다.
즉, 제어부(200)는 차륜삭정 예측모델(230)을 통해 빅데이터 저장부(300)로부터 차량정보화시스템(RIMS)의 검수 및 정비 이력 데이터 중 각 차량별 운행거리와 차량별 N개의 차륜 별 직경 및 플렌지 두께를 추출한 후 각 차량별 운행거리를 독립변수로 설정하고 각 차량의 차륜 별 직경 및 플랜지 두께를 종속변수로 이용하여 직경 및 플렌지 두께가 감소하는 운행거리를 산출하는 회귀분석식의 파라미터를 결정할 수 있다.
여기서, 직경은 비선형 회귀분석을 통해 결정하고, 플랜지 두께는 선형 회귀분석을 통해 결정할 수 있다.
이와 같은 회귀분석식을 근거로 각 차량의 차륜 별 직경과 플랜지 두께의 지정된 유효범위를 벗어나는 운행거리를 산출하여 차륜 삭정 시점을 예측할 수 있고, 급격한 마모의 발생을 감지할 수도 있다.
또한, 탑재장치 고장 예측모델(240)은 빅데이터 저장부(300)로부터 전동차량에 탑재된 장치의 이력정보와 차량의 특성정보를 추출하여 인자별 고장이력의 회귀분석을 통해 산출된 계수를 비례위험모델에 대입하여 탑재된 장치의 고장률을 예측할 수 있다.
따라서, 제어부(200)는 탑재장치 고장 예측모델(240)을 통해 빅데이터 저장부(300)로부터 차량정보화시스템(RIMS)의 데이터 중 전동차량에 탑재된 탑재장치의 이력정보로써, 검수이력, 정비이력, 운행시간 및 운행거리를 추출하고, 탑재장치가 탑재된 전동차량의 호선, 제작사, 제작년도, 차종, 편성, 소속기지 등의 차량특성을 포함한 인자를 추출하여, 각 인자별 과거 고장이력의 회귀분석을 통해 산출된 계수를 비례위험모델(PHM)에 대입하여 장치별 고장 분포와 고장 영향을 분석하여 수명을 예측할 수 있다.
따라서 제어부(200)는 수명예측에 따른 위험도를 분석하고, 탑재장치의 생존율을 추정하고, 차량특성 별 생존율을 비교하며, 시간 t에서의 전동차량 내 탑재장치의 고장율을 예측하여 도 2에 도시된 바와 같이 제공할 수 있다.
여기서 탑재장치의 고장률은 시간에 비례하여 지수함수 곡선에 따라 증가할 수 있다.
또한, 고장코드별 고장 예측모델(250)은 빅데이터 저장부(300)로부터 설정기간 동안 발생된 고장코드와, 고장코드와 관련된 장치의 검수이력을 추출하여 통계분석을 수행하여 고장코드에 대응하는 장치의 고장률을 예측할 수 있다.
즉, 제어부(200)는 고장코드별 고장 예측모델(250)을 통해 빅데이터 저장부(300)로부터 지정된 기간 동안 지정된 센서에 의해 센싱된 고장코드에 기초하여 열차종합제어장치(TCMS)의 데이터 중 고장기록이나 운행기록에 의한 이력정보와 차량정보화시스템(RIMS)의 데이터 중 장애이력, 정비이력, 검수이력 및 기동검수를 포함하는 이력정보를 추출하여 고장코드와 관련된 장치에 대한 j개의 검수이력을 추출하여 I개의 고장코드와 j개의 검수이력을 시계열적으로 정렬하여 장치의 고장률을 산출할 수 있다.
따라서 제어부(200)는 도 3에 도시된 바와 같이 고장코드를 근거로 고장유형을 분석하고 발생횟수에 따라 추세를 분석하며, 연관분석 결과를 제공할 수 있다.
웹 접속부(400)는 제어부(200)에서 예측된 고장 예측정보를 웹 형태로 구성된 원격접근 환경을 통해 제공할 수 있어, 웹 형태로 편리하게 접근 및 관리할 수 있으며, 정비 현장 작업자가 분석된 정보를 터치스크린 형태의 키오스크로 구축하여 편리하게 확인할 수 있도록 할 수 있다.
상술한 바와 같이, 본 발명의 실시예에 의한 전동차량의 고장예측 장치에 따르면, 현장에서 발생한 전동차량의 차량정보를 수집한 빅데이터를 기반으로 다양하게 분석하여 예지 정비를 수행할 수 있도록 고장을 예측하여 웹형태로 구성된 원격접근 환경을 통해 제공함으로써, 원격으로 편리하게 고장예측 장치에 접근하고 관리할 수 있을 뿐만 아니라 현장에서도 분석된 예지 정보를 쉽게 현시할 수 있다.
도 4는 본 발명의 일 실시예에 따른 전동차량의 고장예측 방법을 설명하기 위한 흐름도이다.
도 4에 도시된 바와 같이 본 발명의 일 실시예에 따른 전동차량의 고장 예측 방법에서는 먼저, 제어부(200)가 데이터 수집부(100)를 통해 전동차량의 운행 및 유지보수에 따른 차량정보를 수집한다(S10).
여기서, 제어부(200)는 데이터 수집부(100)를 통해 전동차시험기와 차륜 형상 측정장치로부터 시험정보와 측정정보를 수집하고, 전동차량의 입고 시 전동차량의 전장품 정보를 차상무선장치를 통해 수집하고, 전동차량의 주행 중 전동차량의 전장품 정보를 무선통신망을 통해 수집하고, 차량정보화시스템(RIMS)과 연계하여 전동차량의 구성 부품체계, 관리 기준정보, 검수 및 정비관련 이력정보 등을 수집할 수 있다.
즉, 차량정보는, 전동차량의 시험 및 측정정보, 전동차량의 주행 및 입고 시 전장품 정보, 차량정보화시스템으로부터 전동차량의 유지보수 정보 중 어느 하나 이상을 포함할 수 있다.
S10 단계에서 차량정보를 수집한 후 제어부(200)는 수집된 차량정보를 전처리하여 빅데이터 저장부(300)에 저장한다(S20).
여기서, 제어부(200)는 수집된 차량정보에 대해 정규화, 차원 축소, 특징 추출, 양자화, 결측치 처리 중 어느 하나 이상의 전처리 동작을 수행하여 빅데이터 저장부(300)에 저장할 수 있다.
S20 단계에서 빅데이터 저장부(300)에 수집된 차량정보를 저장한 후 제어부(200)는 빅데이터 저장부(300)에 저장된 차량정보에 기초하여 고장 예측모델을 통해 전동차량의 고장을 예측한다(S30).
여기서, 즉, 제어부(200)는 제1 제동장치 고장 예측모델(210)을 통해 빅데이터 저장부(300)로부터 열차종합제어장치(TCMS)의 데이터 중 기준 구간 역사에서의 제동장치 입력값과 N개의 차량 별 제동장치 출력값의 시계열 데이터를 추출한 후 입력값과 N개의 차량 별 제동장치 출력값 사이의 위상차를 연관 분석(Cross Correlation)하여 N개의 차량 위상차에 비례하는 N개의 차량 별 제동장치 고장 확률을 산출할 수 있고, N개의 차량 중 차량별 위상차가 지정된 유효범위를 벗어난 n 차량을 고장 발생 예측 차량으로 예측할 수 있다.
또한, 제어부(200)는 제2 제동장치 고장 예측모델(220)을 통해 빅데이터 저장부(300)로부터 열차종합제어장치(TCMS)의 데이터 중 역과 역 사이의 운행구간 별로 제동장치 입력값과 N개의 차량 별 제동장치 출력값의 시계열 데이터를 추출한 후 입력값과 N개의 차량 별 제동장치 출력값을 동적시간 뒤틀림(DTW) 알고리즘을 적용하여 뒤틀림 거리값을 산출하고, N개 차량 중 뒤틀림 거리값이 지정된 유효범위를 벗어난 n 차량을 고장발생 예측 차량으로 예측할 수 있다.
또한, 제어부(200)는 차륜삭정 예측모델(230)을 통해 빅데이터 저장부(300)로부터 차량정보화시스템(RIMS)의 검수 및 정비 이력 데이터 중 각 차량별 운행거리와 차량별 N개의 차륜 별 직경 및 플렌지 두께를 추출한 후 각 차량별 운행거리를 독립변수로 설정하고 각 차량의 차륜 별 직경 및 플랜지 두께를 종속변수로 이용하여 직경 및 플렌지 두께가 감소하는 운행거리를 산출하는 회귀분석식의 파라미터를 결정할 수 있다.
여기서, 직경은 비선형 회귀분석을 통해 결정하고, 플랜지 두께는 선형 회귀분석을 통해 결정할 수 있다.
이와 같은 회귀분석식을 근거로 각 차량의 차륜 별 직경과 플랜지 두께의 지정된 유효범위를 벗어나는 운행거리를 산출하여 차륜 삭정 시점을 예측할 수 있고, 급격한 마모의 발생을 감지할 수도 있다.
또한, 제어부(200)는 탑재장치 고장 예측모델(240)을 통해 빅데이터 저장부(300)로부터 차량정보화시스템(RIMS)의 데이터 중 전동차량에 탑재된 탑재장치의 이력정보로써, 검수이력, 정비이력, 운행시간 및 운행거리를 추출하고, 탑재장치가 탑재된 전동차량의 호선, 제작사, 제작년도, 차종, 편성, 소속기지 등의 차량특성을 포함한 인자를 추출하여, 각 인자별 과거 고장이력의 회귀분석을 통해 산출된 계수를 비례위험모델(PHM)에 대입하여 장치별 고장 분포와 고장 영향을 분석하여 수명을 예측할 수 있다.
따라서 제어부(200)는 수명예측에 따른 위험도를 분석하고, 탑재장치의 생존율을 추정하고, 차량특성 별 생존율을 비교하며, 시간 t에서의 전동차량 내 탑재장치의 고장율을 예측하여 도 2에 도시된 바와 같이 제공할 수 있다.
여기서 탑재장치의 고장률은 시간에 비례하여 지수함수 곡선에 따라 증가할 수 있다.
또한, 제어부(200)는 고장코드별 고장 예측모델(250)을 통해 빅데이터 저장부(300)로부터 지정된 기간 동안 지정된 센서에 의해 센싱된 고장코드에 기초하여 열차종합제어장치(TCMS)의 데이터 중 고장기록이나 운행기록에 의한 이력정보와 차량정보화시스템(RIMS)의 데이터 중 장애이력, 정비이력, 검수이력 및 기동검수를 포함하는 이력정보를 추출하여 고장코드와 관련된 장치에 대한 j개의 검수이력을 추출하여 I개의 고장코드와 j개의 검수이력을 시계열적으로 정렬하여 장치의 고장률을 산출할 수 있다.
따라서 제어부(200)는 도 3에 도시된 바와 같이 고장코드를 근거로 고장유형을 분석하고 발생횟수에 따라 추세를 분석하며, 연관분석 결과를 제공할 수 있다.
S30 단계에서 제1 제동장치 고장 예측모델, 제2 제동장치 고장 예측모델, 차륜삭정 예측모델, 탑재장치 고장 예측모델 및 고장코드별 고장 예측모델 중 어느 하나 이상을 통해 전동차량의 고장을 예측한 후 제어부(200)는 웹 접속부(400)를 통해 웹 형태로 구성된 원격접근 환경을 통해 예측된 고장 예측정보를 제공한다(S40).
상술한 바와 같이, 본 발명의 실시예에 의한 전동차량의 고장예측 방법에 따르면, 현장에서 발생한 전동차량의 차량정보를 수집한 빅데이터를 기반으로 다양하게 분석하여 예지 정비를 수행할 수 있도록 고장을 예측하여 웹형태로 구성된 원격접근 환경을 통해 제공함으로써, 원격으로 편리하게 고장예측 장치에 접근하고 관리할 수 있을 뿐만 아니라 현장에서도 분석된 예지 정보를 쉽게 현시할 수 있다.
본 명세서에서 설명된 구현은, 예컨대, 방법 또는 프로세스, 장치, 소프트웨어 프로그램, 데이터 스트림 또는 신호로 구현될 수 있다. 단일 형태의 구현의 맥락에서만 논의(예컨대, 방법으로서만 논의)되었더라도, 논의된 특징의 구현은 또한 다른 형태(예컨대, 장치 또는 프로그램)로도 구현될 수 있다. 장치는 적절한 하드웨어, 소프트웨어 및 펌웨어 등으로 구현될 수 있다. 방법은, 예컨대, 컴퓨터, 마이크로프로세서, 집적 회로 또는 프로그래밍 가능한 로직 디바이스 등을 포함하는 프로세싱 디바이스를 일반적으로 지칭하는 프로세서 등과 같은 장치에서 구현될 수 있다. 프로세서는 또한 최종-사용자 사이에 정보의 통신을 용이하게 하는 컴퓨터, 셀 폰, 휴대용/개인용 정보 단말기(personal digital assistant: "PDA") 및 다른 디바이스 등과 같은 통신 디바이스를 포함한다.
본 발명은 도면에 도시된 실시예를 참고로 하여 설명되었으나, 이는 예시적인 것에 불과하며, 당해 기술이 속하는 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다.
따라서 본 발명의 진정한 기술적 보호범위는 아래의 청구범위에 의해서 정하여져야 할 것이다.
100 : 데이터 수집부
200 : 제어부
210 : 제1 제동장치 고장 예측모델
220 : 제2 제동장치 고장 예측모델
230 : 차륜삭정 예측모델
240 : 탑재장치 고장 예측모델
250 : 고장코드별 고장 예측모델
300 : 빅데이터 저장부
400 : 웹 접속부
200 : 제어부
210 : 제1 제동장치 고장 예측모델
220 : 제2 제동장치 고장 예측모델
230 : 차륜삭정 예측모델
240 : 탑재장치 고장 예측모델
250 : 고장코드별 고장 예측모델
300 : 빅데이터 저장부
400 : 웹 접속부
Claims (16)
- 전동차량의 운행 및 유지보수에 따른 차량정보를 수집하는 데이터 수집부;
상기 데이터 수집부를 통해 수집된 상기 전동차량의 상기 차량정보를 저장하는 빅데이터 저장부;
수집된 상기 차량정보를 전처리하여 상기 빅데이터 저장부에 저장하고, 상기 빅데이터 저장부에 저장된 상기 차량정보에 기초하여 고장 예측모델을 통해 전동차량의 고장을 예측하는 제어부; 및
상기 제어부에서 예측된 고장 예측정보를 웹 형태로 구성된 원격접근 환경을 통해 제공하는 웹 접속부; 포함하되,
상기 제어부는, 상기 빅데이터 저장부로부터 제동장치 입력값과 차량별 제동장치 출력값의 시계열 데이터를 추출하여 입력값과 출력값과의 위상차를 연관 분석하여 차량별 제동장치의 고장을 예측하는 제1 제동장치 고장 예측모델;
상기 빅데이터 저장부로부터 제동장치 입력값과 차량별 제동장치 출력값의 시계열 데이터를 추출하여 운행구간 별 추출된 입력값과 출력값을 동적시간 뒤틀림 알고리즘에 적용하여 차량별 제동장치의 고장을 예측하는 제2 제동장치 고장 예측모델; 및
상기 빅데이터 저장부로부터 상기 전동차량에 탑재된 장치의 이력정보와 차량의 특성정보를 추출하여 인자별 고장이력의 회귀분석을 통해 산출된 계수를 비례위험모델에 대입하여 탑재된 장치의 고장률을 예측하는 탑재장치 고장 예측모델;을 포함하는 것을 특징으로 하는 전동차량의 고장 예측 장치.
- 제 1항에 있어서, 상기 차량정보는, 상기 전동차량의 시험 및 측정 데이터, 상기 전동차량의 주행 및 입고 시 전장품 정보, 및 차량정보화시스템으로부터 상기 전동차량의 유지보수 정보 중 어느 하나 이상을 포함하는 것을 특징으로 하는 전동차량의 고장 예측 장치.
- 제 1항에 있어서, 상기 제어부는, 수집된 상기 차량정보에 대해 정규화, 차원 축소, 특징 추출, 양자화 및 결측치 처리 중 어느 하나 이상의 전처리 동작을 수행하여 상기 빅데이터 저장부에 저장하는 것을 특징으로 하는 전동차량의 고장 예측 장치.
- 삭제
- 삭제
- 제 1항에 있어서, 상기 제어부는, 상기 빅데이터 저장부로부터 상기 전동차량의 각 차량별 운행거리와 차륜별 직경 및 플렌지 두께를 추출하여 상기 직경 및 플렌지 두께의 변화와 운행거리를 회귀분석하여 차륜삭정 시점을 예측하는 차륜삭정 예측모델을 포함하는 것을 특징으로 하는 전동차량의 고장 예측 장치.
- 삭제
- 제 1항에 있어서, 상기 제어부는, 상기 빅데이터 저장부로부터 설정기간 동안 발생된 고장코드와, 고장코드와 관련된 장치의 검수이력을 추출하여 통계분석을 수행하여 고장코드에 대응하는 장치의 고장률을 예측하는 고장코드별 고장 예측모델을 포함하는 것을 특징으로 하는 전동차량의 고장 예측 장치.
- 데이터 수집부가 전동차량의 운행 및 유지보수에 따른 차량정보를 수집하는 단계;
상기 데이터 수집부가 수집된 상기 차량정보를 전처리하여 빅데이터 저장부에 저장하는 단계;
제어부가 상기 빅데이터 저장부에 저장된 상기 차량정보에 기초하여 고장 예측모델을 통해 전동차량의 고장을 예측하는 단계; 및
상기 제어부가 예측된 고장 예측정보를 웹 형태로 구성된 원격접근 환경을 통해 제공하는 단계;를 포함하되,
상기 전동차량의 고장을 예측하는 단계는,
상기 제어부가 제1 제동장치 고장 예측모델을 통해 상기 빅데이터 저장부로부터 제동장치 입력값과 차량별 제동장치 출력값의 시계열 데이터를 추출하여 입력값과 출력값과의 위상차를 연관 분석하여 차량별 제동장치의 고장을 예측하고,
상기 제어부가 제2 제동장치 고장 예측모델을 통해 상기 빅데이터 저장부로부터 제동장치 입력값과 차량별 제동장치 출력값의 시계열 데이터를 추출하여 운행구간 별 추출된 입력값과 출력값을 동적시간 뒤틀림 알고리즘에 적용하여 차량별 제동장치의 고장을 예측하며,
상기 제어부가 탑재장치 고장 예측모델을 통해 상기 빅데이터 저장부로부터 상기 전동차량에 탑재된 장치의 이력정보와 차량의 특성정보를 추출하여 인자별 고장이력의 회귀분석을 통해 산출된 계수를 비례위험모델에 대입하여 탑재된 장치의 고장률을 예측하는 것을 특징으로 하는 전동차량의 고장 예측 방법.
- 제 9항에 있어서, 상기 차량정보는, 상기 전동차량의 시험 및 측정 데이터, 전동차량의 주행 및 입고 시 전장품 정보, 및 차량정보화시스템으로부터 상기 전동차량의 유지보수 정보 중 어느 하나 이상을 포함하는 것을 특징으로 하는 전동차량의 고장 예측 방법.
- 제 9항에 있어서, 상기 전처리하여 상기 빅데이터 저장부에 저장하는 단계는, 상기 제어부가 수집된 상기 차량정보에 대해 정규화, 차원 축소, 특징 추출, 양자화 및 결측치 처리 중 어느 하나 이상의 전처리 동작을 수행하는 것을 특징으로 하는 전동차량의 고장 예측 방법.
- 삭제
- 삭제
- 제 9항에 있어서, 상기 전동차량의 고장을 예측하는 단계는,
상기 제어부가 차륜삭정 예측모델을 통해 상기 빅데이터 저장부로부터 상기 전동차량의 각 차량별 운행거리와 차륜별 직경 및 플렌지 두께를 추출하여 직경 및 플렌지 두께의 변화와 운행거리를 회귀분석하여 차륜삭정 시점을 예측하는 것을 특징으로 하는 전동차량의 고장 예측 방법.
- 삭제
- 제 9항에 있어서, 상기 전동차량의 고장을 예측하는 단계는,
상기 제어부가 고장코드별 고장 예측모델을 통해 상기 빅데이터 저장부로부터 설정기간 동안 발생된 고장코드와, 고장코드와 관련된 장치의 검수이력을 추출하여 통계분석을 수행하여 고장코드에 대응하는 장치의 고장률을 예측하는 것을 특징으로 하는 전동차량의 고장 예측 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210010987A KR102525703B1 (ko) | 2021-01-26 | 2021-01-26 | 전동차량의 고장 예측 장치 및 그 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210010987A KR102525703B1 (ko) | 2021-01-26 | 2021-01-26 | 전동차량의 고장 예측 장치 및 그 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220108286A KR20220108286A (ko) | 2022-08-03 |
| KR102525703B1 true KR102525703B1 (ko) | 2023-04-26 |
Family
ID=82847242
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210010987A KR102525703B1 (ko) | 2021-01-26 | 2021-01-26 | 전동차량의 고장 예측 장치 및 그 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102525703B1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102575051B1 (ko) * | 2022-08-17 | 2023-09-06 | 주식회사 지에스솔루션스 | 열차 내 냉난방장치의 고장 진단 장치 및 방법 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006275573A (ja) | 2005-03-28 | 2006-10-12 | Railway Technical Res Inst | プログラム、情報記憶媒体、車輪摩耗推定装置及びフランジ角度推定装置 |
| KR101823067B1 (ko) | 2016-07-27 | 2018-01-30 | 주식회사 세화 | 선로전환기의 전류 패턴을 이용한 실시간 고장 탐지 시스템 및 그 방법 |
| CN111597682A (zh) | 2020-04-14 | 2020-08-28 | 新疆大学 | 预测风力机齿轮箱轴承剩余寿命的方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100564362B1 (ko) * | 2003-12-16 | 2006-03-27 | 한국철도기술연구원 | 도시철도차량 유지보수 정보화 예방정비 분석을 이용한예방 정비 시스템 및 방법 |
| KR102557609B1 (ko) * | 2017-12-19 | 2023-07-20 | 엘지이노텍 주식회사 | 센싱 장치 및 로터 및 센서의 이상 여부 판단 방법 |
| KR102168218B1 (ko) * | 2018-10-31 | 2020-10-20 | 한국철도기술연구원 | 열차 고장 예측 장치 및 방법 |
-
2021
- 2021-01-26 KR KR1020210010987A patent/KR102525703B1/ko active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006275573A (ja) | 2005-03-28 | 2006-10-12 | Railway Technical Res Inst | プログラム、情報記憶媒体、車輪摩耗推定装置及びフランジ角度推定装置 |
| KR101823067B1 (ko) | 2016-07-27 | 2018-01-30 | 주식회사 세화 | 선로전환기의 전류 패턴을 이용한 실시간 고장 탐지 시스템 및 그 방법 |
| CN111597682A (zh) | 2020-04-14 | 2020-08-28 | 新疆大学 | 预测风力机齿轮箱轴承剩余寿命的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220108286A (ko) | 2022-08-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110764493B (zh) | 一种适用于高速铁路的phm应用***、方法及存储介质 | |
| US7254514B2 (en) | Method and system for predicting remaining life for motors featuring on-line insulation condition monitor | |
| US7496798B2 (en) | Data-centric monitoring method | |
| US20090216393A1 (en) | Data-driven anomaly detection to anticipate flight deck effects | |
| US20210150827A1 (en) | System and method for monitoring and predicting breakdowns in vehicles | |
| EP2199788A2 (en) | Method and apparatus for montoring structural health | |
| JP6442091B2 (ja) | 自動車部品破壊防止システム、自動車部品破壊防止方法、および非一時的コンピュータ読取可能媒体 | |
| CN111435557A (zh) | 用于检测机器部件问题的故障检测装置 | |
| WO2011118290A1 (ja) | 移動体異常判断支援システム | |
| US20090096406A1 (en) | Method and system for determining the reliability of a dc motor system | |
| CN103617110A (zh) | 服务器设备状态检修*** | |
| WO2011046869A3 (en) | Targeted equipment monitoring system and method for optimizing equipment reliability | |
| CN109960232B (zh) | 领先辅助参数的选择方法和设备维护预诊断的方法 | |
| US10466690B2 (en) | Damage estimation device | |
| Chen et al. | Analysis of common-cause and special-cause variation in the deterioration of transportation infrastructure: A field application of statistical process control for structural health monitoring | |
| KR102618023B1 (ko) | 고장유형에 따른 패턴 분석을 통한 고장 예지 진단시스템 및 방법 | |
| KR102525703B1 (ko) | 전동차량의 고장 예측 장치 및 그 방법 | |
| CN116651971B (zh) | 一种汽车冲压模具在线检测方法及*** | |
| CN111579001A (zh) | 机器人的故障检测方法及装置 | |
| CN109896384B (zh) | 基于大数据分析的曳引电梯健康状态特征参数提取方法 | |
| CN114414023A (zh) | 传感器异常诊断方法及装置、存储介质 | |
| JP6885321B2 (ja) | プロセスの状態診断方法及び状態診断装置 | |
| KR20110075332A (ko) | 설비 고장 예측 방법 | |
| CN115171242A (zh) | 工业车辆远程故障检测*** | |
| KR102303406B1 (ko) | 산업설비의 이상유무 진단장치 및 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |