KR102558020B1 - A Method for Determining a Diagnosing Parameter with an Artificial Intelligence Algorism and a Method for Diagnosing an Operating Condition of a Train Part Using the Same - Google Patents
A Method for Determining a Diagnosing Parameter with an Artificial Intelligence Algorism and a Method for Diagnosing an Operating Condition of a Train Part Using the Same Download PDFInfo
- Publication number
- KR102558020B1 KR102558020B1 KR1020210091848A KR20210091848A KR102558020B1 KR 102558020 B1 KR102558020 B1 KR 102558020B1 KR 1020210091848 A KR1020210091848 A KR 1020210091848A KR 20210091848 A KR20210091848 A KR 20210091848A KR 102558020 B1 KR102558020 B1 KR 102558020B1
- Authority
- KR
- South Korea
- Prior art keywords
- detection
- determining
- artificial intelligence
- diagnosing
- correlation
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 80
- 230000008859 change Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 25
- 238000003745 diagnosis Methods 0.000 description 19
- 230000007613 environmental effect Effects 0.000 description 10
- 230000007547 defect Effects 0.000 description 7
- 239000003638 chemical reducing agent Substances 0.000 description 6
- 238000012216 screening Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- 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
- G01M17/08—Railway 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (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 Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
본 발명은 인공지능 알고리즘 적용 방식의 진단 변수 결정 방법 및 이에 의한 철도 차량의 진단 방법에 관한 것이다. 철도 차량 부품의 작동 진단을 위한 변수의 결정 방법은 탐지 대상이 되는 부품의 작동이 분석되는 단계; 부품 작동 상태의 탐지를 위한 탐지 위치가 결정되는 단계; 다수 개의 탐지 모듈(17a 내지 18d)로부터 획득된 서로 다른 탐지 정보 사이의 상관성이 탐색되는 단계; 및 탐지 정보 사이의 상관성에 기초하여 진단 매개변수가 결정되는 단계를 포함하고, 탐지 정보 사이의 상관성을 탐색하는 과정은 인공지능 알고리즘에 따른 작동 관련성이 탐색되는 단계를 포함한다.The present invention relates to a method for determining diagnostic parameters using an artificial intelligence algorithm and a method for diagnosing a railway vehicle by the method. A method for determining variables for diagnosing the operation of parts of a railway vehicle includes the steps of analyzing the operation of parts to be detected; determining a detection location for detection of a component operating state; Searching for correlations between different detection information obtained from a plurality of detection modules 17a to 18d; and determining a diagnostic parameter based on the correlation between the detected information, and the process of searching for the correlation between the detected information includes searching for an operational relevance according to an artificial intelligence algorithm.
Description
본 발명은 인공지능 알고리즘 적용 방식의 진단 변수 결정 방법 및 이에 의한 철도 차량의 진단 방법에 관한 것이고, 구체적으로 인공지능 알고리즘에 기초하여 작동 진단을 위한 매개변수를 선택하여 결정하는 인공지능 알고리즘 적용 방식의 진단 변수 결정 방법 및 이에 의한 철도 차량의 진단 방법에 관한 것이다.The present invention relates to a method for determining diagnostic variables using an artificial intelligence algorithm and a method for diagnosing a railway vehicle by the method, and specifically, a method for applying an artificial intelligence algorithm that selects and determines parameters for operation diagnosis based on an artificial intelligence algorithm. It relates to a method for determining diagnostic parameters and a method for diagnosing a railway vehicle by the method.
철도 차량은 다수 개의 차륜, 차축 및 베어링과 같은 다양한 작동 부품을 포함하고, 이와 같은 부품의 오작동 또는 고장은 운행에 지장을 초래하면서 사고를 유발시킬 수 있다. 그러므로 철도 차량의 부품 또는 이상 상태가 미리 탐지되어 그에 따른 적절한 조치가 취해질 필요가 있다. 철도 차량의 부품의 상태 탐지와 관련하여 특허공개번호 10-2020-0064247은 철도차량 대차의 결함진단 장치 및 방법에 대하여 개시한다. 또한 특허공개번호 10-2020-0060012는 압전소자를 이용한 철도 차량 위치검지용 차륜검지 시스템 및 방법에 대하여 개시한다. 철도 차량 부품의 상태 탐지는 다양한 원인으로 인하여 발생될 수 있고, 외관으로 확인되기 어려운 다양한 형태의 결함을 포함할 수 있다. 또한 철도 차량 부품의 결함은 작동 상태에서 발견될 수 있으므로 작동 상태에서 결함이 탐지되는 것이 유리하다. 작동 상태에서 부품 결함이 탐지되는 경우 결함 발생과 관련된 탐지 매개변수가 선택될 필요가 있다. 그리고 이와 같은 매개변수는 선로의 상태에 따라 다양한 형태로 나타나므로 매개변수와 부품 사이의 관련성이 미리 결정되어 선택될 필요가 있다. 이와 같은 작동 상태에서 부품의 작동 상태의 탐지를 위하여 탐지 매개변수가 적절한 방법으로 선택될 필요가 있지만 선행기술은 이와 같은 기술에 대하여 개시하지 않는다.Railroad vehicles include various operating parts such as a plurality of wheels, axles, and bearings, and malfunctions or failures of these parts may cause accidents while disrupting operation. Therefore, it is necessary to detect a component or an abnormal state of a railway vehicle in advance and take appropriate measures accordingly. Patent Publication No. 10-2020-0064247 in relation to detecting the state of parts of a railroad car discloses a device and method for diagnosing a defect in a bogie of a railroad car. In addition, Patent Publication No. 10-2020-0060012 discloses a wheel detection system and method for detecting the location of a railroad vehicle using a piezoelectric element. Detecting the state of railway vehicle parts may occur due to various causes and may include various types of defects that are difficult to confirm visually. It is also advantageous for defects to be detected in operating conditions, since defects in railway vehicle components can be discovered in operating conditions. When component defects are detected in operating conditions, the detection parameters associated with the occurrence of the defect need to be selected. In addition, since these parameters appear in various forms depending on the state of the line, the relationship between the parameters and parts needs to be determined and selected in advance. In order to detect the operating state of the component in such an operating state, the detection parameters need to be selected in an appropriate way, but the prior art does not disclose such a technique.
본 발명은 선행기술의 문제점을 해결하기 위한 것으로 아래와 같은 목적을 가진다.The present invention is to solve the problems of the prior art and has the following object.
본 발명의 목적은 인공지능 알고리즘을 적용하여 부품의 작동 상태의 진단의 위한 진단 변수의 적합성을 판단하고, 그에 기초하여 진단 변수가 결정되도록 하는 인공지능 알고리즘 적용 방식의 진단 변수 결정 방법 및 이에 의한 철도 차량의 진단 방법을 제공하는 것이다.An object of the present invention is to determine the suitability of diagnostic variables for diagnosing the operating state of parts by applying artificial intelligence algorithms, and to determine the diagnostic variables based on the artificial intelligence algorithm application method, and a railroad by the method It is to provide a method for diagnosing a vehicle.
본 발명의 적절한 실시 형태에 따르면, 철도 차량 부품의 작동 진단을 위한 변수의 결정 방법은 탐지 대상이 되는 부품의 작동이 분석되는 단계; 부품 작동 상태의 탐지를 위한 탐지 위치가 결정되는 단계; 다수 개의 탐지 모듈로부터 획득된 서로 다른 탐지 정보 사이의 상관성이 탐색되는 단계; 및 탐지 정보 사이의 상관성에 기초하여 진단 매개변수가 결정되는 단계를 포함하고, 탐지 정보 사이의 상관성을 탐색하는 과정은 인공지능 알고리즘에 따른 작동 관련성이 탐색되는 단계를 포함한다.According to a preferred embodiment of the present invention, a method for determining a variable for diagnosing the operation of a railway vehicle component includes analyzing the operation of a component to be detected; determining a detection location for detection of a component operating state; Searching for a correlation between different detection information acquired from a plurality of detection modules; and determining a diagnostic parameter based on the correlation between the detected information, and the process of searching for the correlation between the detected information includes searching for an operational relevance according to an artificial intelligence algorithm.
본 발명의 다른 적절한 실시 형태에 따르면, 상관성이 탐색되는 과정은 서로 다른 탐색 정보 사이에 매칭 수준이 결정되는 과정을 포함한다. According to another preferred embodiment of the present invention, a process of searching for correlation includes a process of determining a matching level between different pieces of search information.
본 발명의 또 다른 적절한 실시 형태에 따르면, 철도 차량 부품의 진단 방법은 진단 매개변수의 탐지를 위한 탐지 모듈의 설치 위치가 결정되는 단계; 탐지 모듈에 의하여 진단을 위한 부품 작동 상태와 관련된 작동 데이터가 수집되는 단계; 작동 데이터로부터 매개변수가 추출되고, 환경 및 작동 인자가 추출되는 단계; 환경 및 작동 인자에 기초하여 매개변수 유효 수준이 결정되는 단계; 및 매개변수의 유효 수준에 따라 부품 상태 지수가 생성되는 단계를 포함하고, 매개변수의 유효 수준을 결정하는 단계에서 인공지능 알고리즘이 적용된다.According to another preferred embodiment of the present invention, a method for diagnosing a railway vehicle component includes determining an installation position of a detection module for detecting a diagnostic parameter; Collecting operational data related to component operating conditions for diagnosis by the detection module; Parameters are extracted from the operating data, and environmental and operating factors are extracted; determining parameter effective levels based on environmental and operating factors; and generating a part condition index according to the valid level of the parameter, and an artificial intelligence algorithm is applied in the step of determining the effective level of the parameter.
본 발명에 따른 인공지능 알고리즘 적용 방식의 진단 변수 결정 방법은 철도 차량의 작동 상태의 진단을 위한 매개변수가 인공지능 알고리즘에 의하여 결정되도록 한다. 이에 의하여 다양한 환경 또는 조건에서 발생 가능한 부품의 오작동이 탐지될 수 있도록 한다. 본 발명에 따른 철도 차량 부품의 진단 방법은 미리 결정된 매개변수에 기초하여 각각의 부품의 작동 상태를 진단하여 진단 효율성이 향상되도록 한다.The method for determining diagnostic variables using an artificial intelligence algorithm application method according to the present invention allows parameters for diagnosing an operating state of a railway vehicle to be determined by an artificial intelligence algorithm. Accordingly, malfunctions of components that may occur in various environments or conditions can be detected. The method for diagnosing railway vehicle parts according to the present invention diagnoses the operating state of each part based on predetermined parameters to improve diagnosis efficiency.
도 1은 본 발명에 따른 인공지능 알고리즘 적용 방식의 진단 변수 결정 방법의 실시 예를 도시한 것이다.
도 2는 본 발명에 따른 진단 변수 결정 방법에 부품의 작동을 위한 진단 변수가 결정되는 과정의 실시 예를 도시한 것이다.
도 3은 진단 변수 결정 방법에서 매개변수가 최적화가 되는 과정의 실시 예를 도시한 것이다.
도 4는 본 발명에 따른 인공지능 알고리즘 적용 방식의 철도 차량 부품의 진단 방법의 실시 예를 도시한 것이다.1 illustrates an embodiment of a diagnostic variable determination method of an artificial intelligence algorithm application method according to the present invention.
2 illustrates an embodiment of a process for determining diagnostic variables for the operation of a component in the method for determining diagnostic variables according to the present invention.
3 illustrates an embodiment of a process of optimizing parameters in a diagnostic variable determination method.
4 illustrates an embodiment of a method for diagnosing parts of a railway vehicle using an artificial intelligence algorithm application method according to the present invention.
아래에서 본 발명은 첨부된 도면에 제시된 실시 예를 참조하여 상세하게 설명이 되지만 실시 예는 본 발명의 명확한 이해를 위한 것으로 본 발명은 이에 제한되지 않는다. 아래의 설명에서 서로 다른 도면에서 동일한 도면 부호를 가지는 구성요소는 유사한 기능을 가지므로 발명의 이해를 위하여 필요하지 않는다면 반복하여 설명이 되지 않으며 공지의 구성요소는 간략하게 설명이 되거나 생략이 되지만 본 발명의 실시 예에서 제외되는 것으로 이해되지 않아야 한다.Below, the present invention will be described in detail with reference to the embodiments presented in the accompanying drawings, but the embodiments are for a clear understanding of the present invention, and the present invention is not limited thereto. In the following description, components having the same reference numerals in different drawings have similar functions, so repeated descriptions are not made unless necessary for understanding the invention, and well-known components are briefly described or omitted, but the present invention It should not be understood as being excluded from the embodiment of.
도 1은 본 발명에 따른 인공지능 알고리즘 적용 방식의 진단 변수 결정 방법의 실시 예를 도시한 것이다.1 illustrates an embodiment of a diagnostic variable determination method of an artificial intelligence algorithm application method according to the present invention.
도 1을 참조하면, 인공지능 알고리즘 적용 방식의 진단 변수 결정 방법은 탐지 대상이 되는 부품의 작동이 분석되는 단계(P11); 부품 작동 상태의 탐지를 위한 탐지 위치가 결정되는 단계(P12); 다수 개의 탐지 모듈(17a 내지 18d)로부터 획득된 서로 다른 탐지 정보 사이의 상관성이 탐색되는 단계(P13); 및 탐지 정보 사이의 상관성에 기초하여 진단 매개변수가 결정되는 단계(P15)를 포함하고, 탐지 정보 사이의 상관성을 탐색하는 과정은 인공지능 알고리즘에 따른 작동 관련성이 탐색되는 단계(P14)를 포함한다.Referring to FIG. 1 , a method for determining diagnostic variables using an artificial intelligence algorithm includes the steps of analyzing the operation of a part to be detected (P11); determining a detection position for detecting a part operating state (P12); Searching for a correlation between different detection information obtained from a plurality of detection modules 17a to 18d (P13); And a diagnostic parameter is determined based on the correlation between the detection information (P15), and the process of searching for the correlation between the detection information includes a step (P14) of searching for operational relevance according to an artificial intelligence algorithm. .
철도 차량이 선로를 따라 운행되는 과정 또는 실제 작동 조건에 적합하도록 만들어진 상태에서 철도 차량의 운행과 관련된 부품의 작동 상태가 탐지될 수 있다. 부품은 차륜, 동력 대차, 모터, 감속기, 기어, 차축, 베어링 또는 이와 유사한 철도 차량의 운행에 사용되는 다양한 부품이 될 수 있지만 이에 제한되지 않는다. 철도 차량의 동력 대차(T)에 모터(11) 및 감속기(12)가 결합되고, 차축(15)에 차륜(13) 및 베어링(14)이 결합될 수 있다. 또한 모터(11)와 감속기(12)는 커플러(16)에 의하여 연결될 수 있고, 적어도 하나의 부품의 작동 상태가 진단될 수 있다. 부품의 작동 상태를 탐지하기 위하여 다수 개의 탐지 모듈(17a 내지 18d)이 동력 대차(T)의 대차 몸체(B)에, 적어도 하나의 부품에 또는 적어도 하나의 부품에 인접하는 위치에 탐지 모듈(17a 내지 18d)이 설치될 수 있다. 각각의 탐지 모듈(17a 내지 18d)은 예를 들어 진동 센서, 음향 센서, 온도 센서, 인장 센서, 변위 센서 또는 이와 유사한 센서를 포함할 수 있지만 이에 제한되지 않는다. 작동 진단이 요구되는 부품에 대한 작동 분석이 될 수 있고(P11), 작동 분석은 부품의 연결 관계, 작동 구조 또는 작동에 따라 발생되는 상태 정보를 포함한다. 진단 대상이 되는 부품의 작동이 분석되면(P11), 탐지 모듈(17a 내지 18d)의 탐지 위치가 결정될 수 있다. 하나의 탐지 모듈(17a 내지 18d)에 의하여 다수 개의 부품의 상태 정보가 획득될 수 있고, 하나의 부품의 상태 정보가 다수 개의 탐지 모듈(17a 내지 18d)에 의하여 탐지될 수 있다. 각각의 탐지 모듈(17a 내지 18d)에 의하여 획득되어야 하는 진동, 온도, 인장력, 음향 신호, 변위 또는 이와 유사한 상태 정보가 결정될 수 있고, 상태 정보가 데이터 획득 모듈에 의하여 획득되어 상관성이 탐색될 수 있다(P13). 하나의 부품에 대하여 다수 개의 탐지 데이터가 획득되거나, 하나의 탐지 데이터가 다수 개의 부품 상태 정보를 포함할 수 있다. 그러므로 서로 다른 탐지 데이터 사이의 상관성 또는 하나의 탐지 데이터에 포함된 다수 개의 부품의 작동 정보 사이의 상관성이 탐색될 필요가 있다(P13). 이와 같은 상관성의 탐지를 위하여 인공지능 알고리즘이 적용될 수 있고(P14), 예를 들어 인공지능 알고리즘은 RNN(Recurrent Neutral Networks) 또는 LSTM(Long Term Memory Model)과 같은 학습 알고리즘이 될 수 있지만 이에 제한되지 않는다. 인공지능 알고리즘의 적용을 위하여 반복적으로 탐지 모듈(17a 내지 18b)로부터 탐지 데이터가 획득될 수 있고, 이를 기초로 서로 다른 작동 조건에서 탐지 데이터에 해당하는 각각의 매개변수의 변화 값이 측정될 수 있다. 그리고 이와 같은 탐지, 조건 설정 및 측정에 의하여 서로 다른 탐지 데이터 사이 또는 하나의 탐지 데이터에 포함된 작동 정보 사이의 상관성이 탐색될 수 있다(P13). 탐지 데이터 또는 부품의 탐지 정보 사이의 상관성이 탐색되면 부품의 진단을 위한 진단 매개변수가 결정될 수 있다(P15). 그리고 결정된 진단 매개변수에 의하여 부품의 상태가 측정되고, 부품의 상태가 진단될 수 있다(P16). 예를 들어 부품에 결함이 있는 것으로 의심되어 점검이 필요한지 여부, 부품이 오작동 상태에 있는지 여부 또는 부품이 교체될 필요가 있는지 여부가 진단될 수 있다. 부품의 진단을 위한 진단 매개변수의 결정은 다양한 과정을 포함할 수 있다.The operational state of parts related to the operation of the railway vehicle may be detected while the railway vehicle is being operated along the track or in a state in which the railway vehicle is made suitable for actual operating conditions. The parts may be, but are not limited to, wheels, power bogies, motors, reducers, gears, axles, bearings, or various parts used in the operation of similar railway vehicles. The motor 11 and the reducer 12 may be coupled to the power bogie T of the railway vehicle, and the wheel 13 and the bearing 14 may be coupled to the axle 15. In addition, the motor 11 and the reduction gear 12 may be connected by the coupler 16, and the operating state of at least one component may be diagnosed. In order to detect the operating state of the parts, a plurality of detection modules (17a to 18d) are located on the bogie body (B) of the power bogie (T), on at least one part or at a position adjacent to at least one part (17a) to 18d) may be installed. Each detection module 17a to 18d may include, but is not limited to, a vibration sensor, an acoustic sensor, a temperature sensor, a tension sensor, a displacement sensor, or similar sensors, for example. It may be an operation analysis of a part for which operation diagnosis is required (P11), and the operation analysis includes state information generated according to a connection relationship of parts, an operation structure, or an operation. When the operation of the component to be diagnosed is analyzed (P11), detection positions of the detection modules 17a to 18d may be determined. State information of a plurality of parts may be obtained by one detection module 17a to 18d, and state information of one part may be detected by a plurality of detection modules 17a to 18d. Vibration, temperature, tensile force, acoustic signal, displacement or similar state information to be obtained by each detection module 17a to 18d may be determined, and the state information may be obtained by the data acquisition module to search for correlation. (P13). A plurality of detection data may be obtained for one part, or one detection data may include state information of a plurality of parts. Therefore, it is necessary to search for correlation between different detection data or between operation information of a plurality of parts included in one detection data (P13). For the detection of such a correlation, an artificial intelligence algorithm may be applied (P14), and for example, the artificial intelligence algorithm may be a learning algorithm such as RNN (Recurrent Neutral Networks) or LSTM (Long Term Memory Model), but is not limited thereto. don't For the application of the artificial intelligence algorithm, detection data may be repeatedly obtained from the detection modules 17a to 18b, and based on this, the change value of each parameter corresponding to the detection data under different operating conditions may be measured. . Further, a correlation between different detection data or operation information included in one detection data may be searched through such detection, condition setting, and measurement (P13). When a correlation between detection data or part detection information is searched for, diagnostic parameters for part diagnosis may be determined (P15). Then, the state of the part may be measured according to the determined diagnosis parameter, and the state of the part may be diagnosed (P16). For example, it can be diagnosed whether a part is suspected of being defective and needs to be checked, whether a part is in a malfunctioning state, or whether a part needs to be replaced. Determination of diagnostic parameters for diagnosis of a part may include various processes.
도 2는 본 발명에 따른 진단 변수 결정 방법에 부품의 작동을 위한 진단 변수가 결정되는 과정의 실시 예를 도시한 것이다. 2 illustrates an embodiment of a process in which diagnostic variables for the operation of a component are determined in the method for determining diagnostic variables according to the present invention.
도 2를 참조하면, 데이터 수집 모듈에 의하여 위에서 설명된 각각의 탐지 모듈로부터 작동 상태 정보가 획득될 수 있다(P21). 그리고 획득된 상태 데이터로부터 잡음이 제거될 수 있다(P22). 잡음 제거 과정을 통하여 전송된 탐지 정보로부터 다양한 형태의 잡음이 제거될 수 있다. 예를 들어 진동 탐지 센서로부터 탐지된 진동 주파수에 다양한 형태의 진동으로 인한 주파수가 포함될 수 있다. 또한 음향 센서로부터 탐지된 음향 정보에 다양한 종류의 음향이 포함될 수 있다. 잡음 제거 과정에서 전기 신호로 변환되어 전송된 탐지 정보에 포함된 다양한 형태의 잡음이 제거될 수 있다. 잡음 제거를 위하여 빅데이터 모듈(21)을 탐색하여 각각의 탐지 수단에 탐지 가능한 탐지 정보와 각각의 부품으로부터 발생 가능한 작동 상태 정보를 결정할 수 있다. 이에 의하여 부품의 탐지 과정에서 외부에서 유입되는 다양한 형태의 탐지 정보 또는 운행 주변 환경으로부터 발생되는 탐지 정보가 제거될 수 있다. 잡음이 제거된 탐지 정보가 분류가 될 수 있고, 이와 함께 매개변수 형태로 변환될 수 있다(P23). 변수 분류를 위하여 잡음이 제거된 각각의 탐지 수단에 의한 탐지 정보에서 각각의 부품 상태 정보 또는 철도 차량의 진단에 적합한 작동 상태 정보가 선택될 수 있다. 예를 들어 진동 정보로부터 다양한 대역의 주파수가 선택될 수 있고, 서로 다른 작동 상태에서 발생되는 고유 주파수, 작동 주파수 또는 하모닉 주파수가 탐색되어 분류될 수 있다. 변수 분류 과정에서 가상 운행 모듈(22)에서 모의적으로 실행되는 가상 운행을 통하여 각각의 부품의 작동 상태 진단에 적합한 매개변수가 탐색될 수 있다. 가상 운행은 서로 다른 다양한 조건에서 실행될 수 있고, 서로 다른 실행 조건에서 발생 가능한 매개변수 값의 변화를 측정하여 매개변수의 적합성을 탐색할 수 있고, 하나의 부품에 대하여 적어도 하나의 매개변수를 탐색할 수 있다. 변수 분류 과정에서 운행 상태에서 매개변수 값의 범위가 탐색될 수 있다. 매개변수가 분류되면(P23), 각각의 매개변수의 매칭 수준이 결정될 수 있고(P24), 매칭 수준은 각각의 매개변수가 부품 상태 진단에 적합한지 여부를 결정하는 것을 말한다. 각각의 매개변수는 적어도 하나의 부품 작동 상태를 표시할 수 있고, 부품 작동 상태의 표시에 대한 정확도는 매개변수에 따라 또는 부품에 따라 서로 다를 수 있다. 예를 들어 하나의 매개변수에 의하여 하나의 부품의 정상 작동 상태, 오작동 상태, 일시적인 작동 오류 상태의 판단이 가능할 수 있다. 또는 하나의 매개변수에 의하여 표시되는 작동 상태에 따라 부품의 정상 여부를 판단하기 위하여 다른 매개변수가 참조되어야 할 수 있다. 이와 같이 하나의 매개변수가 적어도 하나의 부품의 작동 상태를 표시할 수 있는 수준에 따라 매칭 수준이 결정될 수 있고, 매칭 수준은 예를 들어 0 내지 100과 같이 수치 값으로 표시될 수 있다. 이와 같이 각각의 매개변수의 부품에 대한 매칭 수준이 결정되면 서로 다른 매개변수 사이의 상관성이 결정될 수 있다(P25). 변수 사이의 상관성은 하나의 부품 또는 서로 다른 부품의 작동 상태를 표시하는 매개변수 사이의 연관성을 의미한다. 매개변수 사이의 상관성은 예를 들어 0 내지 1의 값으로 표시될 수 있다. 매칭 수준을 결정하거나(P24) 또는 상관성을 결정하는 과정에서 인공지능 알고리즘 모듈(23)이 적용될 수 있고, 예를 들어 RNN(Recurrent Neutral Networks) 또는 LSTM(Long Term Memory Model)과 같은 학습 알고리즘에 의하여 매개변수와 부품 사이의 매칭 수준 또는 매개변수 사이의 상관성이 탐색될 수 있다. 이와 같이 상관성이 결정되면 진단을 위한 매개변수가 결정되고(P26), 결정된 매개변수에 기초하여 부품 작동 진단이 이루어질 수 있다.Referring to FIG. 2 , operating state information may be obtained from each detection module described above by a data collection module (P21). And noise can be removed from the obtained state data (P22). Various types of noise may be removed from the transmitted detection information through the noise removal process. For example, frequencies due to various types of vibration may be included in the vibration frequency detected by the vibration detection sensor. In addition, various types of sounds may be included in the sound information detected by the sound sensor. During the noise removal process, various types of noise included in the detection information that is converted into an electrical signal and transmitted may be removed. In order to remove noise, the big data module 21 may be searched to determine detection information detectable by each detection means and operational state information that may be generated from each component. As a result, various types of detection information introduced from the outside or detection information generated from the driving environment can be removed in the process of detecting parts. Detection information from which noise has been removed can be classified and converted into a parameter form (P23). In order to classify variables, from detection information by each detection means from which noise has been removed, information on the state of each part or information on operation state suitable for diagnosis of a railway vehicle may be selected. For example, frequencies of various bands may be selected from vibration information, and natural frequencies, operating frequencies, or harmonic frequencies generated in different operating states may be searched for and classified. In the variable classification process, parameters suitable for diagnosing the operation state of each part may be searched through virtual operation simulated by the virtual operation module 22 . The virtual operation can be executed under various different conditions, and the suitability of parameters can be searched by measuring changes in parameter values that can occur under different execution conditions, and at least one parameter can be searched for one part. can In the variable classification process, the range of parameter values in driving conditions can be searched. When the parameters are classified (P23), the matching level of each parameter can be determined (P24), and the matching level refers to determining whether each parameter is suitable for component state diagnosis. Each parameter may indicate at least one component operating state, and the accuracy of the indication of the component operating state may vary from parameter to component or component to component. For example, it may be possible to determine a normal operating state, a malfunctioning state, and a temporary operating error state of one part by one parameter. Alternatively, other parameters may need to be referred to in order to determine whether or not a part is normal according to an operating state indicated by one parameter. In this way, a matching level may be determined according to a level at which one parameter may indicate an operating state of at least one part, and the matching level may be expressed as a numerical value such as 0 to 100, for example. In this way, if the matching level for each parameter part is determined, the correlation between different parameters may be determined (P25). Correlation between variables refers to the relationship between parameters that indicate the operating state of one component or another component. Correlation between parameters can be represented by a value between 0 and 1, for example. In the process of determining the matching level (P24) or determining the correlation, an artificial intelligence algorithm module 23 may be applied, for example, by a learning algorithm such as RNN (Recurrent Neutral Networks) or LSTM (Long Term Memory Model) Correlations between parameters or levels of matching between parameters and parts may be explored. When the correlation is determined in this way, parameters for diagnosis are determined (P26), and part operation diagnosis can be made based on the determined parameters.
도 3은 진단 변수 결정 방법에서 매개변수가 최적화가 되는 과정의 실시 예를 도시한 것이다.3 illustrates an embodiment of a process of optimizing parameters in a diagnostic variable determination method.
도 3을 참조하면, 진단 매개변수가 부품의 작동 진단에 적용되는 과정에서 최적화가 될 수 있다. 도 2의 실시 예에서 설명된 과정에 따라 진단 매개변수가 결정되면, 진단 매개변수에 기초하여 각각의 부품의 작동 상태가 진단될 수 있다(P31). 그리고 부품의 진단 과정에서 다양한 진단 데이터가 획득될 수 있고, 이에 기초하여 매개변수가 스크리닝이 될 수 있다(P32). 변수 스크리닝 과정을 통하여 매개변수 값에 영향을 미치는 다양한 인자가 확인되고, 매개변수의 결정 및 매개변수 값의 범위에서 이와 같은 인자로 인한 매개변수 값의 변화가 결정될 수 있다. 이와 같은 변수 스크리닝 과정에 빅데이터 모듈(31)에 저장된 부품 작동과 관련된 다양한 데이터가 탐색될 수 있다. 변수 스크리닝 과정에서 매개변수 값에 영향을 미치는 다양한 인자가 탐색될 수 있고, 탐색된 인자에 기초하여 환경 및 작동에 따른 인자가 분류될 수 있다(P33). 환경 인자는 운행 환경에 따라 매개변수에 영향을 미치는 인자가 될 수 있고, 예를 들어 선로 조건, 날씨, 습도 또는 온도와 같은 인자를 포함할 수 있다. 이에 비하여 작동 인자는 부품의 작동 과정에서 부품의 고유한 기능에 따라 매개변수에 영향을 미치는 인자를 포함할 수 있다. 이와 같이 환경 인자 및 작동 인자를 분류하는 과정에서 위에서 설명된 인공지능 알고리즘 모듈(32)이 적용될 수 있다. 환경 인자 및 작동 인자가 분류되면 작동 인자를 기준으로 변수 최적화가 될 수 있고(P34), 다양한 환경 인자와 작동 인자가 결합된 상태에 매개변수 값의 변화를 탐지하기 위하여 가상 운행 데이터 모듈(33)이 적용될 수 있다. 그리고 이에 의하여 다시 조정된 진단 매개변수가 결정되어 부품 진단에 적용될 수 있다.Referring to FIG. 3 , the diagnostic parameters may be optimized in the process of being applied to the operation diagnosis of a part. If the diagnostic parameters are determined according to the process described in the embodiment of FIG. 2 , the operating state of each part may be diagnosed based on the diagnostic parameters (P31). In addition, various diagnostic data may be obtained in the process of diagnosing parts, and based on this, parameters may be screened (P32). Through the variable screening process, various factors influencing parameter values can be identified, and changes in parameter values due to these factors can be determined in the parameter determination and range of parameter values. In this variable screening process, various data related to the operation of parts stored in the big data module 31 may be searched. In the process of variable screening, various factors influencing parameter values may be searched, and based on the searched factors, factors according to environment and operation may be classified (P33). The environmental factor may be a factor that affects the parameters according to the driving environment, and may include, for example, factors such as track conditions, weather, humidity, or temperature. In contrast, operating factors may include factors that affect parameters according to the unique function of a part during the operation of the part. In this way, the artificial intelligence algorithm module 32 described above may be applied in the process of classifying environmental factors and operating factors. When the environmental factors and operating factors are classified, variable optimization can be performed based on the operating factors (P34), and a virtual operating data module 33 is used to detect changes in parameter values in a state in which various environmental factors and operating factors are combined. this may apply. In this way, a re-adjusted diagnostic parameter can be determined and applied to component diagnosis.
도 4는 본 발명에 따른 인공지능 알고리즘 적용 방식의 철도 차량 부품의 진단 방법의 실시 예를 도시한 것이다.4 illustrates an embodiment of a method for diagnosing parts of a railway vehicle using an artificial intelligence algorithm application method according to the present invention.
도 4를 참조하면, 철도 차량 부품의 진단 방법은 진단이 되어야 하는 부품의 진단 매개변수의 탐지를 위한 탐지 모듈(41)의 설치 위치가 결정되는 단계(P41); 탐지 모듈(41)에 의하여 진단을 위한 부품 작동 상태와 관련된 작동 데이터가 수집되는 단계(P42); 작동 데이터로부터 매개변수가 추출되고, 환경 및 작동 인자가 추출되는 단계(P43); 환경 및 작동 인자에 기초하여 매개변수 유효 수준이 결정되는 단계(P44); 및 매개변수의 유효 수준에 따라 부품 상태 지수가 생성되는 단계(P45)를 포함하고, 매개변수의 유효 수준을 결정하는 단계에서 인공지능 알고리즘이 적용될 수 있다.Referring to FIG. 4 , the method for diagnosing parts of a railway vehicle includes determining an installation location of a detection module 41 for detecting diagnostic parameters of a part to be diagnosed (P41); Collecting operating data related to the operating state of parts for diagnosis by the detection module 41 (P42); Parameters are extracted from the operation data, and environment and operation factors are extracted (P43); determining an effective level of a parameter based on environmental and operating factors (P44); and a step (P45) of generating a part condition index according to the effective level of the parameter, and an artificial intelligence algorithm may be applied in the step of determining the effective level of the parameter.
탐지 모듈(41)은 예를 들어 동력 대차에 설치될 수 있고, 동력 대차에 감속기 모듈(M); 베어링(B) 또는 차축(S)이 결합될 수 있다. 탐지 모듈(41)은 진동 센서, 가속도 센서 또는 음향 센서를 포함할 수 있다. 선택적으로 예를 들어 선로(R)를 따라 서로 다른 위치에 다수 개의 음향 탐지 센서(43a, 43b, 43c)가 배치될 수 있고, 선로(R)의 서로 다른 위치에 다수 개의 진동 센서(42a, 42b, 42c, 42d)가 배치될 수 있다. 탐지 대상이 되는 부품은 감속기, 차륜, 차축 또는 베어링이 될 수 있지만 이에 제한되지 않는다. 탐지 모듈(41)에 의한 부의 진단 과정에서 선로 진동 센서(42a, 42b, 42c, 42d) 또는 주변 음향 탐지 센서(43a, 43b, 43c)는 환경 인자를 탐색하는 수단이 될 수 있다. 진단 부품이 결정되면, 탐지 모듈(41)의 탐지 위치가 결정될 수 있고, 예를 들어 감속기, 모터 또는 동력 대차의 프레임에 탐지 모듈(41)이 설치될 수 있다. 탐지 모듈(41)에 의하여 탐지된 정보가 데이터 획득 수단에 의하여 획득될 수 있고(P42), 철도 차량(T)의 내부에 배치된 중계기(45a, 45b, 45c)로 전송될 수 있다. 중계기(45a, 45b, 45c)에 의하여 획득된 정보가 철도 차량(T)에 설치된 제어 모듈(46a, 46b)로 전송되거나, 전송 수단(47)에 의하여 분석 모듈로 전송될 수 있다. 다수 개의 주변 음향 센서(43a, 43b, 43c) 또는 선로 진동 센서(42a 내지 42d)가 선로(R)를 따라 서로 다른 위치에 배치되어 탐지 모듈(41)에서 탐지된 진동 매개변수 또는 음향 매개변수로부터 환경 인자의 추출이 용이하도록 한다. 부품 상태 진단은 철도 차량(T)의 운행 상태에서 이루어질 수 있고, 철도 차량에 설치된 제어 모듈(46a, 46b)에 의하여 미리 결정된 진단 매개변수에 기초하여 실시간으로 이루어질 수 있다. 또는 외부에 위치하는 분석 모듈에 의하여 실시간 진단이 이루어지면서 진단 매개변수의 분석이 진행될 수 있다. 구체적으로 제어 모듈(46a, 46b) 또는 분석 모듈에 의하여 환경/작동 인자가 추출될 수 있고(P43), 이에 기초하여 진단 매개변수로 적용되고 있는 매개변수의 유효성이 검증되어 결정될 수 있다. 이와 같은 과정에서 탐지 모듈(41)로부터 획득된 탐지 정보, 주변 음향 센서(43a, 43b, 43c) 및 선로 진동 센서(42a, 42b, 42c, 42d)로부터 획득된 탐지 정보를 활용하여 인공지능 알고리즘 모듈(41)이 이용될 수 있다. 진단 매개변수의 유효 수준이 검증 및 결정이 되면 탐지 모듈(41)에 의하여 탐지된 정보에 따라 각각의 부품의 상태 지수가 생성될 수 있다(P45). 이후 상태 지수에 기초하여 부품에 대하여 필요한 조치가 취해질 수 있다. 부품 진단은 다양한 탐지 정보에 기초하여 이루어질 수 있고 제시된 실시 예에 제한되지 않는다.The detection module 41 may be installed, for example, on a power bogie, and a reducer module (M) on the power bogie; A bearing (B) or an axle (S) may be coupled. The detection module 41 may include a vibration sensor, an acceleration sensor or an acoustic sensor. Optionally, for example, a plurality of acoustic detection sensors 43a, 43b, and 43c may be disposed at different positions along the line R, and a plurality of vibration sensors 42a and 42b at different positions of the line R , 42c, 42d) may be arranged. The part to be detected may be a reducer, wheel, axle or bearing, but is not limited thereto. In the negative diagnosis process by the detection module 41, the line vibration sensors 42a, 42b, 42c, and 42d or the ambient sound detection sensors 43a, 43b, and 43c may be means for searching for environmental factors. When the diagnosis component is determined, the detection position of the detection module 41 may be determined, and the detection module 41 may be installed, for example, on a frame of a reducer, motor, or power bogie. The information detected by the detection module 41 can be acquired by the data acquisition means (P42) and transmitted to the repeaters 45a, 45b, and 45c disposed inside the railroad car T. The information acquired by the repeaters 45a, 45b, and 45c may be transmitted to the control modules 46a and 46b installed in the railroad car T or may be transmitted to the analysis module by the transmission unit 47. A plurality of ambient acoustic sensors 43a, 43b, and 43c or line vibration sensors 42a to 42d are disposed at different positions along the line R to determine the vibration parameters or acoustic parameters detected by the detection module 41. It facilitates the extraction of environmental factors. Diagnosis of the state of parts may be performed in the running state of the railroad car T, and may be performed in real time based on diagnostic parameters predetermined by the control modules 46a and 46b installed in the railroad car. Alternatively, analysis of diagnostic parameters may be performed while real-time diagnosis is performed by an external analysis module. In detail, environmental/operating factors may be extracted by the control modules 46a and 46b or the analysis module (P43), and based on this, the validity of parameters being applied as diagnostic parameters may be verified and determined. In this process, the artificial intelligence algorithm module uses the detection information obtained from the detection module 41, the detection information obtained from the ambient sound sensors 43a, 43b, and 43c and the line vibration sensors 42a, 42b, 42c, and 42d. (41) can be used. When the effective level of the diagnostic parameter is verified and determined, the state index of each part may be generated according to the information detected by the detection module 41 (P45). Necessary action can then be taken on the part based on the condition index. Part diagnosis can be made based on various detection information and is not limited to the presented embodiment.
위에서 본 발명은 제시된 실시 예를 참조하여 상세하게 설명이 되었지만 이 분야에서 통상의 지식을 가진 자는 제시된 실시 예를 참조하여 본 발명의 기술적 사상을 벗어나지 않는 범위에서 다양한 변형 및 수정 발명을 만들 수 있을 것이다. 본 발명은 이와 같은 변형 및 수정 발명에 의하여 제한되지 않으며 다만 아래에 첨부된 청구범위에 의하여 제한된다.Although the present invention has been described in detail with reference to the presented embodiments above, those skilled in the art will be able to make various modifications and variations without departing from the technical spirit of the present invention with reference to the presented embodiments. . The present invention is not limited by these variations and modifications, but is limited only by the claims appended below.
11: 모터 12: 감속기
13: 차륜 14: 베어링
15: 차축 16: 커플러
17a 내지 18d: 탐지 모듈 41: 탐지 모듈11: motor 12: reducer
13: wheel 14: bearing
15: axle 16: coupler
17a to 18d: detection module 41: detection module
Claims (3)
탐지 대상이 되는 부품의 작동이 분석되는 단계;
부품 작동 상태의 탐지를 위한 탐지 위치가 결정되는 단계;
다수 개의 탐지 모듈(17a 내지 18d)로부터 획득된 서로 다른 탐지 정보 사이의 상관성이 탐색되는 단계; 및
탐지 정보 사이의 상관성에 기초하여 진단 매개변수가 결정되는 단계를 포함하고,
탐지 정보 사이의 상관성이 탐색되는 단계는, 인공지능 알고리즘을 적용하여 하나의 부품에 대하여 획득된 서로 다른 다수 개의 탐지 데이터 사이의 상관성 및 하나의 탐지 데이터에 포함된 다수 개의 부품의 작동 정보 사이의 상관성이 탐색되는 단계를 포함하고,
인공지능 알고리즘을 적용하기 위하여 반복적으로 다수 개의 탐지 모듈(17a 내지 18b)로부터 탐지 데이터가 획득되고, 이를 기초로 서로 다른 작동 조건에서 탐지 데이터에 해당하는 각각의 매개변수의 변화 값이 측정되고, 하나의 매개변수가 적어도 하나의 부품의 작동 상태를 표시할 수 있는 수준에 따라 매칭 수준이 결정된 후 서로 다른 매개변수 사이의 상관성이 결정되는 것을 특징으로 하는 인공지능 알고리즘 적용 방식의 진단 변수 결정 방법.
In the method of determining variables for diagnosing the operation of railway vehicle parts,
Analyzing the operation of a part to be detected;
determining a detection location for detection of a component operating state;
Searching for correlations between different detection information obtained from a plurality of detection modules 17a to 18d; and
Determining a diagnostic parameter based on correlation between detection information;
The step in which the correlation between detection information is searched is the correlation between a plurality of different detection data obtained for one part by applying an artificial intelligence algorithm and the correlation between operation information of a plurality of parts included in one detection data. Including the steps to be explored,
In order to apply the artificial intelligence algorithm, detection data is repeatedly obtained from a plurality of detection modules 17a to 18b, and based on this, the change value of each parameter corresponding to the detection data is measured under different operating conditions, and one A method for determining diagnostic variables by applying an artificial intelligence algorithm, characterized in that the correlation between different parameters is determined after the matching level is determined according to the level at which the parameters of at least one can indicate the operating state of the part.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210091848A KR102558020B1 (en) | 2021-07-13 | 2021-07-13 | A Method for Determining a Diagnosing Parameter with an Artificial Intelligence Algorism and a Method for Diagnosing an Operating Condition of a Train Part Using the Same |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210091848A KR102558020B1 (en) | 2021-07-13 | 2021-07-13 | A Method for Determining a Diagnosing Parameter with an Artificial Intelligence Algorism and a Method for Diagnosing an Operating Condition of a Train Part Using the Same |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| KR20230011160A KR20230011160A (en) | 2023-01-20 |
| KR102558020B1 true KR102558020B1 (en) | 2023-07-20 |
| KR102558020B9 KR102558020B9 (en) | 2024-02-08 |
Family
ID=85108450
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210091848A KR102558020B1 (en) | 2021-07-13 | 2021-07-13 | A Method for Determining a Diagnosing Parameter with an Artificial Intelligence Algorism and a Method for Diagnosing an Operating Condition of a Train Part Using the Same |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102558020B1 (en) |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101829645B1 (en) * | 2016-05-20 | 2018-02-20 | 주식회사 글로비즈 | Device and method for monitoring railway vehicle and method for monitoring using the same |
| KR20180110783A (en) * | 2017-03-30 | 2018-10-11 | 한국철도공사 | A System for Diagnosing a Rail Train Based on a Plural of Parameters and a Method for Diagnosing the Same |
| KR102131532B1 (en) | 2018-11-28 | 2020-07-09 | 한국철도기술연구원 | Rolling stock bogie and defect detection method for it and device |
-
2021
- 2021-07-13 KR KR1020210091848A patent/KR102558020B1/en active IP Right Grant
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230011160A (en) | 2023-01-20 |
| KR102558020B9 (en) | 2024-02-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112991577B (en) | Railway vehicle wheel polygon state diagnostic system | |
| EP3913453A1 (en) | Fault detection system and method for a vehicle | |
| JP6796545B2 (en) | Railroad vehicle equipment diagnostic equipment and railroad vehicle equipment diagnostic method | |
| Barbieri et al. | Analysis of automotive gearbox faults using vibration signal | |
| Adaileh | Engine fault diagnosis using acoustic signals | |
| Nowakowski et al. | Diagnostics of the drive shaft bearing based on vibrations in the high-frequency range as a part of the vehicle's self-diagnostic system | |
| CN114486259A (en) | Signal processing method of distributed optical fiber acoustic sensing system for optimizing variational modal decomposition | |
| GB2277151A (en) | Machine monitoring using neural network | |
| CN115200864A (en) | Fault detection method and device for axle box bearing of railway vehicle | |
| KR102558020B1 (en) | A Method for Determining a Diagnosing Parameter with an Artificial Intelligence Algorism and a Method for Diagnosing an Operating Condition of a Train Part Using the Same | |
| KR102383001B1 (en) | A System for Investigating A Reducer Condition of a Train | |
| KR20190089583A (en) | A System for Detecting an Element of a Train | |
| KR102535467B1 (en) | A System for Detecting an Operating Condition of a Train with an Artificial Intelligence Algorism | |
| CN110171442B (en) | Detection system and detection method for wheel flat scars | |
| CN115356133B (en) | Bogie operation condition online monitoring, real-time classifying and identifying algorithm | |
| KR102574551B1 (en) | A System for Diagnosing an Operating Condition of Reducer in a Train | |
| Strakosch et al. | Analysis and evaluation of vibration sensors for predictive maintenance of large gears with an appropriate test bench | |
| CN114544205A (en) | Automatic fault diagnosis system for locomotive wheel drive running-in test | |
| JP2005146905A5 (en) | ||
| KR102669406B1 (en) | A System for Monitering a Reducer Uing an Artificial Intelligence Algorism | |
| KR20220101465A (en) | Vehicle bearing condition monitoring vibration sensor device and device operating method | |
| KR960012077B1 (en) | Diagnosis system of automobile | |
| Kondo et al. | Traction diesel engine anomaly detection using vibration analysis in octave bands | |
| KR102082078B1 (en) | A System for Investigating a Train Bearing with a Structure of Processing a Detected Information by a Collector | |
| KR102558023B1 (en) | A System for Diagnosing a Structure of a Reducer according to an Operating Condition Detection thereof |
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 | ||
| G170 | Re-publication after modification of scope of protection [patent] |