KR20200041098A - 파워 트레인 부품 고장 진단 방법 - Google Patents
파워 트레인 부품 고장 진단 방법 Download PDFInfo
- Publication number
- KR20200041098A KR20200041098A KR1020180121109A KR20180121109A KR20200041098A KR 20200041098 A KR20200041098 A KR 20200041098A KR 1020180121109 A KR1020180121109 A KR 1020180121109A KR 20180121109 A KR20180121109 A KR 20180121109A KR 20200041098 A KR20200041098 A KR 20200041098A
- Authority
- KR
- South Korea
- Prior art keywords
- power train
- failure
- train component
- diagnosis
- vibration
- Prior art date
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000013598 vector Substances 0.000 claims abstract description 16
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 230000000977 initiatory effect Effects 0.000 claims abstract description 6
- 238000002485 combustion reaction Methods 0.000 claims description 23
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 11
- 210000002569 neuron Anatomy 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000003050 axon Anatomy 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000005056 cell body Anatomy 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 210000001787 dendrite Anatomy 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
Images
Classifications
-
- 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
- G07C5/02—Registering or indicating driving, working, idle, or waiting time only
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- G—PHYSICS
- 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
- G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
- G05B23/0245—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 model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
- B60W50/0205—Diagnosing or detecting failures; Failure detection models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/04—Monitoring the functioning of the control system
- B60W50/045—Monitoring control system parameters
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D11/00—Arrangements for, or adaptations to, non-automatic engine control initiation means, e.g. operator initiated
- F02D11/06—Arrangements for, or adaptations to, non-automatic engine control initiation means, e.g. operator initiated characterised by non-mechanical control linkages, e.g. fluid control linkages or by control linkages with power drive or assistance
- F02D11/10—Arrangements for, or adaptations to, non-automatic engine control initiation means, e.g. operator initiated characterised by non-mechanical control linkages, e.g. fluid control linkages or by control linkages with power drive or assistance of the electric type
- F02D11/107—Safety-related aspects
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/0025—Controlling engines characterised by use of non-liquid fuels, pluralities of fuels, or non-fuel substances added to the combustible mixtures
- F02D41/0047—Controlling exhaust gas recirculation [EGR]
- F02D41/005—Controlling exhaust gas recirculation [EGR] according to engine operating conditions
- F02D41/0052—Feedback control of engine parameters, e.g. for control of air/fuel ratio or intake air amount
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/021—Introducing corrections for particular conditions exterior to the engine
- F02D41/0215—Introducing corrections for particular conditions exterior to the engine in relation with elements of the transmission
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
- F02D41/1405—Neural network control
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/22—Safety or indicating devices for abnormal conditions
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
- F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
- F02D41/2425—Particular ways of programming the data
- F02D41/2429—Methods of calibrating or learning
- F02D41/2451—Methods of calibrating or learning characterised by what is learned or calibrated
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/04—Testing internal-combustion engines
- G01M15/12—Testing internal-combustion engines by monitoring vibrations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M7/00—Vibration-testing of structures; Shock-testing of structures
- G01M7/02—Vibration-testing by means of a shake table
-
- 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
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0062—Adapting control system settings
- B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
- B60W2050/0083—Setting, resetting, calibration
- B60W2050/0088—Adaptive recalibration
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D2200/00—Input parameters for engine control
- F02D2200/02—Input parameters for engine control the parameters being related to the engine
- F02D2200/025—Engine noise, e.g. determined by using an acoustic sensor
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/22—Safety or indicating devices for abnormal conditions
- F02D41/221—Safety or indicating devices for abnormal conditions relating to the failure of actuators or electrically driven elements
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37434—Measuring vibration of machine or workpiece or tool
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Transportation (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
본 발명은 파워 트레인 부품별 고장시 진동에 대한 빅데이터를 수집하여 진동에 대한 특징벡터별 고장 부품을 분류하여 모델링하는 진단 모델 수립단계, 운전자의 입력 명령 또는 설정에 의해 고장진단을 개시하는 단계 및 주행중 측정된 파워 트레인 진동의 특징 벡터를 상기 진단 모델 수립단계에 의해 모델링된 데이터와 비교하여 고장부품을 진단하는 고장진단 단계를 포함하는 파워 트레인 부품 고장 진단 방법으로서, 본 발명에 의하면, 딥러닝 기반의 인공지능을 이용하여 자동차의 파워 트레인 부품의 고장을 신속, 정확하게 진단할 수가 있다.
Description
본 발명은 파워 트레인 부품의 고장을 진단하는 방법에 관한 것으로서, 특히 딥러닝에 기반하여 고장 진단 모델을 수립하여 진단하는 방법에 관한 것이다.
인간의 뇌(Human Brain)는 뉴런(Neuron)이라는 수많은 신경세포로 이루어져 있으며, 각각의 뉴런은 시냅스(Synapse)라고 불리는 연결부위를 통해 수백에서 수천 개의 다른 뉴런들과 연결되어 있다. 각각의 뉴런은 수상돌기(dendrite)를 통해 자신과 연결된 다른 뉴런들로부터 전기, 화학적 신호들을 받아들이며, 이러한 신호들을 세포체(cell body)에서 중합(重合)한다. 중합한 값이 임계치(threshold), 즉 뉴런 고유의 한계치보다 커지면 뉴런은 활성화되며, 축색돌기(axon)를 통해 인접 뉴런에 자신의 출력을 전달한다. 뉴런 간 정보교환은 각각 병렬적으로 수행되며, 이러한 정보교환 기능은 학습에 의하여 향상된다.
"인공지능(人工知能, Artificial Intelligence, AI)"은 이 분야의 기술적 구조에서 볼 때 최고 높은 상위개념이다. 우리 인간의 뇌와 뉴런신경망을 모방해 언젠가는 컴퓨터나 로봇들이 인간처럼 사고하고 행동하게 하는 것이다.
자동차에도 이러한 인공지능과 관련된 학습에 의한 제어 시스템에 관해 계속적으로 연구가 진행되고 있으나, 현재까지는 차량에 화자인식(음성인식) 기술과 모바일 IT 기술을 접목시키는 기술 정도로만 적용이 되고 있다.
즉, 주로 음성인식을 통한 네비게이션이나 오디오의 조작, 스마트폰 연동을 통한 어플리케이션 조작 등이 그것이다.
한편, 자동차는 수만 개의 부품이 집약되어 구성되는 완성품으로서, 그 중 일 부품에 고장이 발생하더라도 증상을 파악하여 어떤 부품에 고장이 있는지 정확하게 판단하기는 쉽지가 않다.
그러므로, 자동차의 부품 고장 진단을 딥러닝(deep learing) 기반의 인공지능을 이용하여 수행한다면 보다 정확하고 신속하게 고장 부품을 파악, 수리할 수가 있게 될 것이다.
본 발명은 그러한 자동차 부품의 고장 진단을 하기 위한 진단 모델을 수립하여 부품 고장 여부를 진단할 수 있게 하는 방법에 관한 것이며, 특히 자동차의 동력 전달계에 해당하는 파워 트레인(power train) 부품의 고장을 진단하는 방법에 관한 것이다.
이상의 배경기술에 기재된 사항은 발명의 배경에 대한 이해를 돕기 위한 것으로서, 이 기술이 속하는 분야에서 통상의 지식을 가진 자에게 이미 알려진 종래기술이 아닌 사항을 포함할 수 있다.
본 발명은 상술한 문제점을 해결하고자 안출된 것으로서, 본 발명은 딥러닝 기반의 인공지능을 이용하여 자동차의 파워 트레인 부품의 고장을 진단하는 방법을 제공하는 데 그 목적이 있다.
본 발명의 일 관점에 의한 파워 트레인 부품 고장 진단 방법은, 파워 트레인 부품별 고장시 진동에 대한 빅데이터를 수집하여 진동에 대한 특징벡터별 고장 부품을 분류하여 모델링하는 진단 모델 수립단계, 운전자의 입력 명령 또는 설정에 의해 고장진단을 개시하는 단계 및 주행중 측정된 파워 트레인 진동의 특징 벡터를 상기 진단 모델 수립단계에 의해 모델링된 데이터와 비교하여 고장부품을 진단하는 고장진단 단계를 포함한다.
그리고, 상기 고장진단 단계는 상기 주행중 측정된 파워 트레인 진동의 특징 벡터를 데이터 전처리한 후 딥러닝(deep learning)에 의해 파워 트레인 부품별 고장 확률을 도출하는 것을 특징으로 한다.
그 결과, 상기 고장진단 단계에 의해 파워 트레인 부품 고장이 아닌 것으로 판별되면, 연소제어 학습값을 적용하여 NVH(Noise, Vibration, Harshness) 성능 평가를 수행하는 단계를 더 포함할 수 있다.
그리고, 상기 NVH 성능 평가를 수행하는 단계에 따라 연소제어 변수를 변경하는 연소 능동제어 단계를 더 포함할 수 있다.
나아가, 상기 연소 능동제어 단계 후 운전자의 평가결과를 수신하여 NVH 성능의 개선 여부를 판단하는 단계를 더 포함할 수 있다.
또한, 상기 NVH 성능의 개선 여부를 판단하는 단계에 의한 운전자의 평가결과가 불만족 결과인 경우 파워 트레인 이외의 부품 고장일 가능성을 운전자에 안내하는 것을 특징으로 한다.
한편, 상기 고장진단을 개시하는 단계는 일정 주행거리 주행 후 자동으로 개시하는 것을 특징으로 한다.
그리고, 상기 고장진단을 개시하는 단계 후 파워 트레인 고장진단을 위한 주행 모드로 전환됨을 운전자에 안내하는 것을 특징으로 한다.
본 발명의 파워 트레인 부품 고장 진단 방법에 의하면, 수립된 딥러닝 모델을 이용하여 파워 트레인 진동 특성에 따라 고장을 진단함으로써 정확하고 신속하게 고장 가능성이 있는 부품의 확인이 가능하게 한다.
그에 따라, 고장 진단을 최소화하고 정확하고 신속한 고장 수리가 가능하게 하여 경제적이다.
또한, 연소 능동제어를 통해 NVH 성능을 개선시킬 수가 있다.
도 1은 본 발명의 파워 트레인 부품 고장 진단 방법을 구현하기 위한 시스템 구성을 개략적으로 도시한 것이다.
도 2는 본 발명의 파워 트레인 부품 고장 진단 방법을 순차적으로 도시한 것이다.
도 3은 개발된 딥러닝 모델에 의한 특징벡터 추출의 예시를 나타낸 것이다.
도 4는 본 발명의 파워 트레인 부품 고장 진단 방법의 일 구성 중 모델 수립단계를 도시한 것이다.
도 5는 본 발명의 파워 트레인 부품 고장 진단 방법의 일 구성 중 고장 진단단계를 도시한 것이다.
도 6은 도 5에 의한 고장진단 결과의 예시를 나타낸 것이다.
도 7은 본 발명의 파워 트레인 부품 고장 진단 방법의 일 구성 중 연소 능동제어 단계를 도시한 것이다.
도 8은 도 7의 연소 능동제어의 결과 예시를 나타낸 것이다.
도 2는 본 발명의 파워 트레인 부품 고장 진단 방법을 순차적으로 도시한 것이다.
도 3은 개발된 딥러닝 모델에 의한 특징벡터 추출의 예시를 나타낸 것이다.
도 4는 본 발명의 파워 트레인 부품 고장 진단 방법의 일 구성 중 모델 수립단계를 도시한 것이다.
도 5는 본 발명의 파워 트레인 부품 고장 진단 방법의 일 구성 중 고장 진단단계를 도시한 것이다.
도 6은 도 5에 의한 고장진단 결과의 예시를 나타낸 것이다.
도 7은 본 발명의 파워 트레인 부품 고장 진단 방법의 일 구성 중 연소 능동제어 단계를 도시한 것이다.
도 8은 도 7의 연소 능동제어의 결과 예시를 나타낸 것이다.
본 발명과 본 발명의 동작상의 이점 및 본 발명의 실시에 의하여 달성되는 목적을 충분히 이해하기 위해서는 본 발명의 바람직한 실시 예를 예시하는 첨부 도면 및 첨부 도면에 기재된 내용을 참조하여야만 한다.
본 발명의 바람직한 실시 예를 설명함에 있어서, 본 발명의 요지를 불필요하게 흐릴 수 있는 공지의 기술이나 반복적인 설명은 그 설명을 줄이거나 생략하기로 한다.
도 1은 본 발명의 파워 트레인 부품 고장 진단 방법을 구현하기 위한 시스템 구성을 개략적으로 도시한 것이고, 도 2는 본 발명의 파워 트레인 부품 고장 진단 방법을 순차적으로 도시한 것이다.
이하, 도 1 및 도 2를 참조하여 본 발명의 일 실시예에 의한 파워 트레인 부품 고장 진단 방법을 설명하기로 한다.
파워 트레인 부품 고장 진단 방법을 구현하기 위해 차량에는 진동센서, 실내 마이크로폰, 파워 트레인 부품 고장진단 AI, ECU 엔진 제어기가 구비된다.
진동센서를 통해서 파워 트레인의 진동신호를 추출하고, 순수 파워 트레인 특성 신호를 파워 트레인 부품 고장진단 AI를 기반으로 판단하여 파워 트레인 부품의 고장여부를 진단한다.
그리고, 파워 트레인 고장이 아닌 경우 ECU 엔진 제어기에 의해 연소 능동제어를 수행하여 NVH 악화에 대응하고, 실내 마이크로폰은 운전자의 음성명령 및 실내 NVH 수준을 측정하기 위함이다. 그리고, 화자인식 기술과 연동되며, NVH 개선여부를 판단하기 위함이다.
PT 부품 고장진단 AI는 파워 트레인 고장진단 알고리즘이 적용된 인공지능 제어기로서, 딥러닝 기반의 학습모델에 해당한다.
이러한 딥러닝 기반의 파워 트레인 고장진단 학습모델은 파워 트레인 개발단계에서 NVH 성능 개발시 발생한 진동 빅데이터를 수집하고, 필드에서 발생한 고장 관련 진동 빅테이터를 수집하여 개발된다.
즉, 유형별 정확한 고장원인에 대한 정보와 진동정보 빅데이터를 수집하여 중앙 서버에 의해 딥러닝 학습모델을 생성하고, 특징 벡터 학습모델을 유형별로 수립한다.
중앙 서버는 고성능 GPU 기반으로 파워트레인 고장유형별로 특징벡터 학습모델을 생성하고, 유형별 모델은 파워 트레인의 종류, 고장원인 추출 및 상세 고장부품에 대해서 분류하여 모델링하게 된다.
즉, 본 발명에 의한 파워 트레인 고장진단 방법은 진단 모델 수립단계, 고장진단 개시단계, 고장진단 단계 및 연소 능동제어 단계를 포함하고, 도 2를 통해 순차적으로 살펴보기로 한다.
연구소 수준에서 진단 모델 수립단계에 의해 파워 트레인 진동 신호 및 RPM 등의 엔진 주행 조건 판단 신호의 입력에 의해 수립된 딥러닝 모델을 적용한다(S11).
그리고, 고장진단 개시를 위한 안내를 실시한다(S12).
고장진단 개시는 운전자가 직접 개시 명령을 입력할 수 있고, 이는 음성인식 기술이 적용될 수도 있다.
또한, 주행거리를 기반하여 일정 주행거리 운행 후에 자동적으로 개시되게 하고 운전자에게 고장진단 진입을 안내할 수도 있다.
고장진단 개시의 안내는 파워 트레인 고장진단을 위한 주행모드(RPM 및 가속 조건 등) 전환 안내를 포함할 수 있다.
안내 후 고장진단 제어가 개시되면, 진동센서에 의해 측정된 진동신호를 PT 부품 고장진단 AI가 입력받고 저장하여, 저장된 진동신호를 데이터 전처리한다(S13).
데이터 전처리는 고장진단 학습모델 적용을 위한 Time/Amplitude/Frequency 정형화 알고리즘(Normalization)을 수행하고, Zero Padding 및 white nose 적용을 통한 데이터 처리를 수행한다.
데이터 전처리 후 개발된 딥러닝 학습 모델을 기반으로 고장진단을 수행한다(S14).
즉, 전처리된 현재 주행 중 파워 트레인 진동신호가 진단 모델 수립단계에서 수집된 부품별 이상진동 빅데이터 기반의 파워 트레인의 비정형적 신호 중 해당 사항을 찾아 해당되는지 여부에 따라 파워 트레인 고장으로 판별하거나(S16), 파워 트레인 고장이 아닌 것으로 판별하는 것이다(S21).
고장 판별시에는 1순위, 2순위, 3순위 결과 등의 확률로서 출력하고, 서비스 긴급도 및 주기 등의 수리 요청되는 항목에 대해 후속 조치와 관련된 정보를 제공할 수 있다.
S21에 의해 파워 트레인 고장이 아닌 것으로 판별되면, 운전자가 인지한 NVH(Noise, Vibration, Harshness) 문제에 대해 내구 진행에 따른 NVH 악화 여부의 판단을 진행하게 된다.
이를 위해 연소제어 학습값을 적용하여 NVH 평가를 진행한다(S22).
S22의 평가 결과에 따라 내구 진행관련 연소제어를 변경하여 연소 능동제어를 수행한다(S23).
연소제어 학습값 또한 개발단계에서 학습된 NVH 모델에 의하고, 이를 적용하여 연소제어변수의 최적 조합에 따른 목표 NVH 수준으로 개선 수행을 완료한다.
그리고, 이와 같이 연소제어 변경을 수행 후 운전자의 평가결과를 반영한다(S24).
즉, 운전자의 음성인식 등의 평가 입력을 통해 만족, 불만족을 판단하여 만족시에는 S23에 의한 제어변수 변경안을 유지하고, 불만족일 경우에는 파워 트레인 이외의 부품 고장일 가능성이 있음을 안내하여 정밀 검사를 수행할 수 있도록 한다.
단계별로 보다 상세히 살펴보면, 먼저 진단 모델 수립 단계는 도 3과 같은 과정에 의해 모델링되고, 결과적으로 도 4와 같이 딥러닝 모델에 의한 특징벡터를 추출한다.
진단 모델 수립은 먼저 실시간 진동신호를 측정하여 단위 시간별로 프레임을 생성한다.
그리고, 단위 프레임에 대해 N개의 분할 상세 정보 윈도우 알고리즘을 적용한다.
그런 다음, 개별 상세 시간데이터별 주파수 분석을 수행하고(레벨 추출), 파워 트레인 주파수 특성(저주파 대역~고주파 대역) 효율 상승을 위한 Log Mel filter 후처리 진행을 한다.
그리고, 시간 진행별 개별 데이터 특징 추출 처리 후 1개의 학습모델로 통합한다.
동일 고장 형상 발생시 수집된 진동 빅데이터를 이용한 특징벡터(파라미터) 기반 학습모델을 생성하고, 항시 업데이트를 진행한다.
고장 진단 단계는 도 5에서 참조되는 바와 같이, 주행중 Unknown NVH 이상 신호가 입력되면, 특징벡터를 추출하고, 고장진단 AI 분석을 진행하여 고장진단 결과를 도출하여, 도출된 정보를 제공한다.
도 6에서도 참조되는 바와 같이, 고장 항목과 확률을 제공하게 된다.
한편, S21에 의해 파워 트레인 고장이 아닌 것으로 판별되면, 도 7에서 참조되는 바와 같이, 연소에 의한 NVH 문제 영역 판단 및 최적화 조합을 판단하여, 엔진제어변수를 능동제어 수행한다.
도 8은 이 같은 연소 능동제어의 결과로 NVH 성능이 개선된 것을 나타낸다.
이상과 같이 본 발명은 NVH 성능 개발시 발생한 파워 트레인 진동의 빅데이터를 수집하여 부품 유형별 고장에 의한 진동의 특징 벡터를 모델링하고, 파워 트레인 고장 진단시 측정된 파워 트레인 진동의 특징 벡터를 모델링된 데이터에 의해 딥러닝을 수행하여 부품별 고장 확률을 도출하여 안내함으로써 파워 트레인 부품의 고장 진단을 보다 신속하고 정확하게 할 수 있게 한다.
이상과 같은 본 발명은 예시된 도면을 참조하여 설명되었지만, 기재된 실시 예에 한정되는 것이 아니고, 본 발명의 사상 및 범위를 벗어나지 않고 다양하게 수정 및 변형될 수 있음은 이 기술의 분야에서 통상의 지식을 가진 자에게 자명하다. 따라서 그러한 수정 예 또는 변형 예들은 본 발명의 특허청구범위에 속한다 하여야 할 것이며, 본 발명의 권리범위는 첨부된 특허청구범위에 기초하여 해석되어야 할 것이다.
S11 : 데이터 입력
S12 : 고장진단 평가모드 안내
S13 : 진동신호 데이터 전처리
S14 : 딥러닝 기반 고장진단
S15 : 고장 여부 판단
S16 : 파워 트레인 고장 판별
S21 : 파워 트레인 고장 아님 판별
S22 : 연소제어 학습값 적용
S23 : 연소제어 변경
S24 : 운전자 평가 결과 반영
S12 : 고장진단 평가모드 안내
S13 : 진동신호 데이터 전처리
S14 : 딥러닝 기반 고장진단
S15 : 고장 여부 판단
S16 : 파워 트레인 고장 판별
S21 : 파워 트레인 고장 아님 판별
S22 : 연소제어 학습값 적용
S23 : 연소제어 변경
S24 : 운전자 평가 결과 반영
Claims (8)
- 파워 트레인 부품별 고장시 진동에 대한 빅데이터를 수집하여 진동에 대한 특징벡터별 고장 부품을 분류하여 모델링하는 진단 모델 수립단계;
운전자의 입력 명령 또는 설정에 의해 고장진단을 개시하는 단계; 및
주행중 측정된 파워 트레인 진동의 특징 벡터를 상기 진단 모델 수립단계에 의해 모델링된 데이터와 비교하여 고장부품을 진단하는 고장진단 단계를 포함하는,
파워 트레인 부품 고장 진단 방법. - 청구항 1에 있어서,
상기 고장진단 단계는 상기 주행중 측정된 파워 트레인 진동의 특징 벡터를 데이터 전처리한 후 딥러닝(deep learning)에 의해 파워 트레인 부품별 고장 확률을 도출하는 것을 특징으로 하는,
파워 트레인 부품 고장 진단 방법. - 청구항 2에 있어서,
상기 고장진단 단계에 의해 파워 트레인 부품 고장이 아닌 것으로 판별되면, 연소제어 학습값을 적용하여 NVH(Noise, Vibration, Harshness) 성능 평가를 수행하는 단계를 더 포함하는,
파워 트레인 부품 고장 진단 방법. - 청구항 3에 있어서,
상기 NVH 성능 평가를 수행하는 단계에 따라 연소제어 변수를 변경하는 연소 능동제어 단계를 더 포함하는,
파워 트레인 부품 고장 진단 방법. - 청구항 4에 있어서,
상기 연소 능동제어 단계 후 운전자의 평가결과를 수신하여 NVH 성능의 개선 여부를 판단하는 단계를 더 포함하는,
파워 트레인 부품 고장 진단 방법. - 청구항 5에 있어서,
상기 NVH 성능의 개선 여부를 판단하는 단계에 의한 운전자의 평가결과가 불만족 결과인 경우 파워 트레인 이외의 부품 고장일 가능성을 운전자에 안내하는 것을 특징으로 하는,
파워 트레인 부품 고장 진단 방법. - 청구항 1에 있어서,
상기 고장진단을 개시하는 단계는 일정 주행거리 주행 후 자동으로 개시하는 것을 특징으로 하는,
파워 트레인 부품 고장 진단 방법. - 청구항 7에 있어서,
상기 고장진단을 개시하는 단계 후 파워 트레인 고장진단을 위한 주행 모드로 전환됨을 운전자에 안내하는 것을 특징으로 하는,
파워 트레인 부품 고장 진단 방법.
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180121109A KR20200041098A (ko) | 2018-10-11 | 2018-10-11 | 파워 트레인 부품 고장 진단 방법 |
US16/427,533 US20200118358A1 (en) | 2018-10-11 | 2019-05-31 | Failure diagnosis method for power train components |
CN201910557124.2A CN111045411A (zh) | 2018-10-11 | 2019-06-25 | 用于动力传动系组件的故障诊断方法 |
EP19183188.2A EP3637083A1 (en) | 2018-10-11 | 2019-06-28 | Failure diagnosis method for power train components |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180121109A KR20200041098A (ko) | 2018-10-11 | 2018-10-11 | 파워 트레인 부품 고장 진단 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20200041098A true KR20200041098A (ko) | 2020-04-21 |
Family
ID=67137599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180121109A KR20200041098A (ko) | 2018-10-11 | 2018-10-11 | 파워 트레인 부품 고장 진단 방법 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20200118358A1 (ko) |
EP (1) | EP3637083A1 (ko) |
KR (1) | KR20200041098A (ko) |
CN (1) | CN111045411A (ko) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200075133A (ko) * | 2018-12-12 | 2020-06-26 | 현대자동차주식회사 | 빅데이터 정보 기반 문제소음 발생원 진단 방법 및 장치 |
KR102681637B1 (ko) * | 2018-12-13 | 2024-07-05 | 현대자동차주식회사 | 문제소음 발음원 식별을 위한 소음데이터의 인공지능 장치 및 전처리 방법 |
KR20210073882A (ko) * | 2019-12-11 | 2021-06-21 | 현대자동차주식회사 | 빅데이터 기반 운행 정보 제공 시스템 및 방법 |
DE102020204944A1 (de) | 2020-04-20 | 2021-10-21 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und System zur Diagnose eines Zustands eines Bauteils |
CN111626144B (zh) * | 2020-05-08 | 2023-08-29 | 湖南挚新科技发展有限公司 | 冲击特征向量构建方法、装置、终端设备及存储介质 |
CN112083709B (zh) * | 2020-08-26 | 2022-05-10 | 深圳市元征科技股份有限公司 | 车辆诊断方法、***、终端设备及存储介质 |
CN112162545B (zh) * | 2020-10-21 | 2021-12-14 | 长安大学 | 一种汽车故障诊断方法及*** |
CN112365628B (zh) * | 2020-10-30 | 2021-12-28 | 北京理工大学 | 一种混合动力***的故障诊断方法和装置 |
JP2022100163A (ja) | 2020-12-23 | 2022-07-05 | トヨタ自動車株式会社 | 音源推定サーバ、音源推定システム、音源推定装置、音源推定方法 |
US11711259B2 (en) * | 2021-02-12 | 2023-07-25 | Zebra Technologies Corporation | Method, system and apparatus for detecting device malfunctions |
KR20220121284A (ko) * | 2021-02-24 | 2022-09-01 | 현대자동차주식회사 | 차량의 구동계 하드웨어 손상 진단 장치 및 그 방법 |
WO2023035009A1 (en) * | 2021-09-03 | 2023-03-09 | Continental Automotive Systems, Inc. | Data driven explainable method and system for predictive maintenance |
CN115452392B (zh) * | 2021-11-30 | 2023-08-08 | 广州汽车集团股份有限公司 | 一种车辆发动机故障声学诊断方法及*** |
CN115031994B (zh) * | 2022-06-08 | 2023-05-02 | 昆山市易泰汽车科技有限公司 | 一种车辆耐久试验方法和*** |
US20230406330A1 (en) * | 2022-06-21 | 2023-12-21 | Rivian Ip Holdings, Llc | Vehicle diagnostic information communications |
CN118072416A (zh) * | 2024-04-24 | 2024-05-24 | 中汽研(天津)汽车工程研究院有限公司 | 基于深度学习的智能车载声振分析与诊断*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101889049B1 (ko) | 2017-08-11 | 2018-08-21 | (주)다이매틱스 | 딥러닝 기반의 인공지능을 이용한 자동차 진단 방법 및 장치 |
Family Cites Families (49)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2717665B2 (ja) * | 1988-05-31 | 1998-02-18 | 株式会社豊田中央研究所 | 内燃機関の燃焼予測判別装置 |
US5041976A (en) * | 1989-05-18 | 1991-08-20 | Ford Motor Company | Diagnostic system using pattern recognition for electronic automotive control systems |
US5361628A (en) * | 1993-08-02 | 1994-11-08 | Ford Motor Company | System and method for processing test measurements collected from an internal combustion engine for diagnostic purposes |
US5566092A (en) * | 1993-12-30 | 1996-10-15 | Caterpillar Inc. | Machine fault diagnostics system and method |
JP3116826B2 (ja) * | 1996-07-15 | 2000-12-11 | トヨタ自動車株式会社 | プレイグニッション検出装置 |
US5732382A (en) * | 1996-11-06 | 1998-03-24 | Ford Global Technologies, Inc. | Method for identifying misfire events of an internal combustion engine |
US6131444A (en) * | 1998-09-15 | 2000-10-17 | Chrysler Corporation | Misfire detection using a dynamic neural network with output feedback |
US6240343B1 (en) * | 1998-12-28 | 2001-05-29 | Caterpillar Inc. | Apparatus and method for diagnosing an engine using computer based models in combination with a neural network |
US6351713B1 (en) * | 1999-12-15 | 2002-02-26 | Swantech, L.L.C. | Distributed stress wave analysis system |
US6481271B1 (en) * | 2000-03-16 | 2002-11-19 | Ford Motor Company | Method to correct vehicle vibration during an assembly process |
IL144010A (en) * | 2001-06-26 | 2006-04-10 | Engines Pdm Ltd | Universal diagnostic method and system for engines |
US20030088346A1 (en) * | 2001-10-27 | 2003-05-08 | Vetronix Corporation | Noise, vibration and harshness analyzer |
WO2003054503A2 (en) * | 2001-12-07 | 2003-07-03 | Battelle Memorial Institute | Methods and systems for analyzing the degradation and failure of mechanical systems |
US20040143398A1 (en) * | 2003-01-03 | 2004-07-22 | Nelson Mitchell C. | Method and system for monitoring vibration and/or mechanical waves in mechanical systems |
US7194383B2 (en) * | 2004-12-06 | 2007-03-20 | Caterpillar Inc | Vibration analysis system and method for a machine |
US7225108B2 (en) * | 2004-12-06 | 2007-05-29 | Caterpillar Inc | Cross correlation diagnostics tool for vibration analysis |
FR2898411B1 (fr) * | 2006-03-08 | 2008-05-16 | Inst Francais Du Petrole | Methode d'estimation en temps reel de parametres de combustion moteur a partir de signaux vibratoires |
US7593796B2 (en) * | 2006-11-27 | 2009-09-22 | Toyota Motor Engineering & Manufacturing North America, Inc. | Torque estimator for internal combustion engine |
US7785230B2 (en) * | 2007-05-18 | 2010-08-31 | Ford Global Technologies, Llc | Variable displacement engine powertrain fuel economy mode |
US7900509B2 (en) * | 2008-08-06 | 2011-03-08 | Ford Global Technologies, Llc | Methods for variable displacement engine diagnostics |
US8131484B2 (en) * | 2010-03-15 | 2012-03-06 | Sergey Kirillov | Method for preprocessing vibro-sensor signals for engine diagnostics and device for carrying out thereof |
CN101839805A (zh) * | 2010-03-19 | 2010-09-22 | 同济大学 | 发动机主动故障质检与智能故障诊断方法 |
WO2012009718A1 (en) * | 2010-07-16 | 2012-01-19 | Cummins Inc. | Fault detection and response techniques |
CN102539159A (zh) * | 2010-12-24 | 2012-07-04 | 中国船舶研究设计中心 | 一种柴油机气门机构故障诊断方法 |
JP5888033B2 (ja) * | 2012-03-16 | 2016-03-16 | トヨタ自動車株式会社 | ハイブリッド車両の制御装置 |
CN102661866A (zh) * | 2012-05-11 | 2012-09-12 | 天津工业大学 | 基于时域能量和支持向量机的发动机故障识别方法 |
WO2014144036A1 (en) * | 2013-03-15 | 2014-09-18 | Angel Enterprise Systems, Inc. | Engine analysis and diagnostic system |
CN104832640B (zh) * | 2014-07-29 | 2017-10-10 | 北汽福田汽车股份有限公司 | 故障下的车辆换挡控制方法、***及具有其的车辆 |
CN104568446A (zh) * | 2014-09-27 | 2015-04-29 | 芜湖扬宇机电技术开发有限公司 | 一种发动机故障诊断方法 |
US20160245209A1 (en) * | 2015-02-19 | 2016-08-25 | General Electric Company | Signal recording of knocking conditions using a knock sensor |
US10054043B2 (en) * | 2015-04-07 | 2018-08-21 | General Electric Company | Systems and methods for estimating a time of an engine event |
CN104949840A (zh) * | 2015-05-05 | 2015-09-30 | 天津大学 | 一种基于振动分析的柴油机故障诊断方法 |
US20160370255A1 (en) * | 2015-06-16 | 2016-12-22 | GM Global Technology Operations LLC | System and method for detecting engine events with an acoustic sensor |
CN105319071B (zh) * | 2015-09-21 | 2017-11-07 | 天津大学 | 基于最小二乘支持向量机的柴油机燃油***故障诊断方法 |
US20170184043A1 (en) * | 2015-12-29 | 2017-06-29 | General Electric Company | System and method to verify installation of asymmetric piston |
US11385133B2 (en) * | 2015-12-30 | 2022-07-12 | Ford Otomotiv Sanayi A.S. | Vibration and noise mapping system and method |
CN107449613B (zh) * | 2016-05-30 | 2019-07-16 | 上海汽车集团股份有限公司 | 车辆起动故障原因的检测方法及装置 |
CN106408687B (zh) * | 2016-11-24 | 2019-04-05 | 沈阳航空航天大学 | 一种基于机器学习方法的汽车发动机故障预警方法 |
CN106778828B (zh) * | 2016-11-28 | 2020-05-15 | 哈尔滨工程大学 | 基于简化贝叶斯模型的柴油机燃油***多故障识别方法 |
EP3327419B1 (en) * | 2016-11-29 | 2020-09-09 | STS Intellimon Limited | Engine health diagnostic apparatus and method |
CN106502238A (zh) * | 2016-11-30 | 2017-03-15 | 北京航空航天大学 | 一种固液动力飞行器故障诊断*** |
CN108398271A (zh) * | 2017-02-07 | 2018-08-14 | 山东云舜智能科技有限公司 | 一种基于振动和神经网络技术的发动机状态监测方法 |
US20180293814A1 (en) * | 2017-04-05 | 2018-10-11 | GM Global Technology Operations LLC | Method to classify system performance and detect environmental information |
KR102324776B1 (ko) * | 2017-10-16 | 2021-11-10 | 현대자동차주식회사 | 차량의 소음원인 진단방법 |
KR102383461B1 (ko) * | 2017-10-17 | 2022-04-06 | 현대자동차주식회사 | 인공지능을 활용한 엔진동력특성 기반 엔진음색 제어방법 및 차량 |
KR102474355B1 (ko) * | 2017-10-30 | 2022-12-05 | 현대자동차 주식회사 | 차량 제어 통합 관리 시스템 및 이와 통신을 통해 연결된 중앙 인공지능 서버 |
US10816438B2 (en) * | 2017-11-14 | 2020-10-27 | Tula Technology, Inc. | Machine learning for misfire detection in a dynamic firing level modulation controlled engine of a vehicle |
KR102406182B1 (ko) * | 2018-01-30 | 2022-06-07 | 현대자동차주식회사 | 빅데이터 기반의 차량 예측 제어 시스템 및 방법 |
CN108445868B (zh) * | 2018-03-26 | 2020-12-29 | 安徽省爱夫卡电子科技有限公司 | 一种基于现代信号处理技术的汽车智能故障诊断***及方法 |
-
2018
- 2018-10-11 KR KR1020180121109A patent/KR20200041098A/ko not_active IP Right Cessation
-
2019
- 2019-05-31 US US16/427,533 patent/US20200118358A1/en not_active Abandoned
- 2019-06-25 CN CN201910557124.2A patent/CN111045411A/zh active Pending
- 2019-06-28 EP EP19183188.2A patent/EP3637083A1/en not_active Ceased
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101889049B1 (ko) | 2017-08-11 | 2018-08-21 | (주)다이매틱스 | 딥러닝 기반의 인공지능을 이용한 자동차 진단 방법 및 장치 |
Also Published As
Publication number | Publication date |
---|---|
CN111045411A (zh) | 2020-04-21 |
US20200118358A1 (en) | 2020-04-16 |
EP3637083A1 (en) | 2020-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20200041098A (ko) | 파워 트레인 부품 고장 진단 방법 | |
Angkititrakul et al. | Modeling and adaptation of stochastic driver-behavior model with application to car following | |
US10677686B2 (en) | Method and apparatus for autonomous system performance and grading | |
US20230012186A1 (en) | System and method for vibroacoustic diagnostic and condition monitoring a system using neural networks | |
US11137322B2 (en) | Diagnosing method of engine condition and diagnostic modeling method thereof | |
CN109920410B (zh) | 用于基于车辆的环境确定推荐的可靠性的装置和方法 | |
US11151808B2 (en) | Vehicle fault root cause diagnosis | |
EP3913453B1 (en) | Fault detection system and method for a vehicle | |
CN111114556A (zh) | 基于多源指数加权损失下lstm的换道意图识别方法 | |
KR20010108191A (ko) | 차량에 발생하는 에러를 인식하기 위한 인식 방법 | |
US11315349B2 (en) | Method, apparatus and device for identifying passenger state in unmanned vehicle, and storage medium | |
CN112820321A (zh) | 一种抽油机远程智能音频诊断***、方法、设备及介质 | |
CN113886951A (zh) | 一种飞行器健康管理***及方法 | |
US11620519B2 (en) | Big data-based driving information provision system and method thereof | |
CN111862951A (zh) | 语音端点检测方法及装置、存储介质、电子设备 | |
KR20210088240A (ko) | 무빙계 부품의 상태 진단 장치 및 방법 | |
US20230236088A1 (en) | Computer-aided method and device for predicting speeds for vehicles on the basis of probability | |
CN111785284A (zh) | 基于音素辅助的文本无关声纹识别方法、装置以及设备 | |
US11721141B2 (en) | Method of AI-based vehicle diagnosis using CAN data and device thereof | |
KR102470520B1 (ko) | 국제표준(sae j1739) 기반의 잠재적 고장 영향 분석 방법 | |
CN115844402A (zh) | 注意力预测方法、装置、电子设备及计算机可读存储介质 | |
CN114839960A (zh) | 一种基于人工智能算法进行车辆故障检测方法及*** | |
Jaramillo et al. | Vehicle online monitoring system based on fuzzy classifier | |
KR20230060824A (ko) | 빅데이터 기반의 배터리 진단 시스템 및 그의 제어 방법 | |
CN113485300A (zh) | 一种基于强化学习的自动驾驶车辆碰撞测试方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
AMND | Amendment | ||
E601 | Decision to refuse application | ||
AMND | Amendment | ||
X601 | Decision of rejection after re-examination |