KR20200075133A - 빅데이터 정보 기반 문제소음 발생원 진단 방법 및 장치 - Google Patents
빅데이터 정보 기반 문제소음 발생원 진단 방법 및 장치 Download PDFInfo
- Publication number
- KR20200075133A KR20200075133A KR1020180160084A KR20180160084A KR20200075133A KR 20200075133 A KR20200075133 A KR 20200075133A KR 1020180160084 A KR1020180160084 A KR 1020180160084A KR 20180160084 A KR20180160084 A KR 20180160084A KR 20200075133 A KR20200075133 A KR 20200075133A
- Authority
- KR
- South Korea
- Prior art keywords
- noise
- source
- vehicle
- diagnosing
- artificial intelligence
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 48
- 238000013135 deep learning Methods 0.000 claims abstract description 30
- 238000003745 diagnosis Methods 0.000 claims abstract description 24
- 238000012952 Resampling Methods 0.000 claims description 9
- 230000000306 recurrent effect Effects 0.000 claims description 8
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 238000012790 confirmation Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G07C5/06—Registering or indicating driving, working, idle, or waiting time only in graphical form
-
- 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
- G01M7/025—Measuring arrangements
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H11/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties
- G01H11/06—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by detecting changes in electric or magnetic properties by electric means
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H3/00—Measuring characteristics of vibrations by using a detector in a fluid
- G01H3/04—Frequency
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
- B60Y2400/00—Special features of vehicle units
- B60Y2400/30—Sensors
- B60Y2400/304—Acceleration sensors
- B60Y2400/3044—Vibration sensors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
- G01H1/04—Measuring characteristics of vibrations in solids by using direct conduction to the detector of vibrations which are transverse to direction of propagation
- G01H1/06—Frequency
-
- 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
- G05B2219/45—Nc applications
- G05B2219/45018—Car, auto, vehicle
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Automation & Control Theory (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Soundproofing, Sound Blocking, And Sound Damping (AREA)
Abstract
본 발명은 차량소음 특히 파워트레인 소음과 같이 비정형적인 소음에 대한 Deep Learning 기반 인공지능 문제소음 발생원 진단을 위한 기술로서, 빅데이터 정보 기반 문제소음 발생원 진단 방법 및 장치에 관한 것으로서, 차량의 소음 또는 진동 데이터를 취득해 노이즈로 변환한 뒤 제1 코드로 변환하는 단계; 차량 CAN 데이터에서 엔진회전수 정보를 상기 제1 코드로 변환하는 단계; 인공지능의 딥러닝에 의해 상기 제1 코드로부터 상기 소음 또는 상기 진동 중 문제소음의 발생원을 진단하는 단계;를 포함하는 빅데이터 정보 기반 문제소음 발생원 진단 방법을 포함하여, 문제소음에 대한 빅데이터를 기반으로 학습된 모델을 생성한 것으로 복합적이며, 비정형적인 파워트레인 소음 혹은 차량 소음의 정밀한 진단이 확률적으로 가능해지는 포터블 디바이스를 제공할 수 있게 된다.
Description
본 발명은 차량소음 특히 파워트레인 소음과 같이 비정형적인 소음에 대한 Deep Learning 기반 인공지능 문제소음 발생원 진단을 위한 기술로서, 빅데이터 정보 기반 문제소음 발생원 진단 방법 및 장치에 관한 것이다.
차량은 수 많은 부품들이 조립된 완성체이다.
특히, 차량의 동력계통은 고유의 소음 및 진동 특성을 가지고 있다.
그러나, 수 많은 부품들의 조합에 의해 발생되는 소음 정보는 매우 방대하다.
소음은 정상적인 경우의 동작소음과 비정상적인 경우에 나타나는 문제소음이 다르게 나타난다.
문제소음이 발생되면 차량은 비정상적인 상태에 놓일 경우가 많다.
그러나, 매우 복잡한 구조를 갖는 차량이 발생시키는 문제소음 정보만을 가지고 차량의 어느 부위의 고장인지를 판단하는 것은 매우 어려운 일이다.
예를 들어서 차량의 파워트레인의 경우는 문제소음이 발생되는 부위를 발견하기가 매우 까다롭다.
왜냐하면, 이와 같은 차량의 문제소음은 비정형적으로 발생되기 때문이다.
따라서, 종래에는 소음 전문가들이 청음 평가를 통해 진단하고 과거의 경험에 기대어 문제소음원을 찾았다.
여기에는 복수의 소음 전문가들이 센서나 기타 시험조건을 이용하더라도 오랜 시간이 소요되어야만 하였다.
그럼에도 불구하고 문제소음원을 제대로 진단하기란 매우 어려운 일이었다.
최근 소음데이터를 이용하여 문제소음원을 찾고자 하는 노력이 있어 왔지만 마땅한 해결책이 없는 실정이다.
특히, 소음데이터를 이용하여 문제소음원을 찾는 포터블 디바이스는 전무한 실정이다.
본 발명은 인공지능 기법을 이용하여 소음 데이터가 유형별로 축적된 소음 빅데이터의 자산가치를 극대화하는 문제소음 발음원 식별을 위한 빅데이터 정보 기반 문제소음 발생원 진단 방법 및 장치를 제공하는 것에 그 목적이 있다.
위와 같은 문제를 해결하기 위한 본 발명은, 차량의 소음 또는 진동 데이터를 취득해 노이즈로 변환한 뒤 제1 코드로 변환하는 단계; 차량 CAN 데이터에서 엔진회전수 정보를 상기 제1 코드로 변환하는 단계; 인공지능의 딥러닝에 의해 상기 제1 코드로부터 상기 소음 또는 상기 진동 중 문제소음의 발생원을 진단하는 단계;를 포함하는 빅데이터 정보 기반 문제소음 발생원 진단 방법을 포함한다.
또한, 상기 소음 데이타는 마이크로폰, 상기 진동 데이타는 진동센서를 통해 취득되는, 빅데이터 정보 기반 문제소음 발생원 진단 방법을 포함한다.
또한, 상기 인공지능의 딥러닝은 Bidirectional method 및 GRU(Gated Recurrent Unit) 기법을 적용하는 빅데이터 정보 기반 문제소음 발생원 진단 방법을 포함한다.
또한, 상기 인공지능의 딥러닝은 Attention Mechanism 기법을 적용하는 빅데이터 정보 기반 문제소음 발생원 진단 방법을 포함한다.
또한, 상기 인공지능의 딥러닝은 초기 스테이지 앙상블(Early stage ensemble) 기법을 적용하는 빅데이터 정보 기반 문제소음 발생원 진단 방법을 포함한다.
또한, 상기 인공지능은 상기 문제소음의 발음원을 진단결과를 포터블 디바이스를 통해 출력하고, 확인을 위한 소음재생가능한, 빅데이터 정보 기반 문제소음 발생원 진단 방법을 포함한다.
또한, 차량 외부저장 데이터를 준비하는 단계; 차량 외부 저장 데이터를 취득해 리샘플링을 통해 제2 코드로 변환하는 단계; 인공지능의 딥러닝에 의해 상기 제2 코드로부터 상기 소음 또는 상기 진동 중 문제소음의 발생원을 진단하는 단계; 를 포함하는 빅데이터 정보 기반 문제소음 발생원 진단 방법을 포함한다.
또한, 상기 리샘플링의 주파수는 상기 문제소음의 최대주파수의 2배인 빅데이터 정보 기반 문제소음 발생원 진단 방법을 포함한다.
또한, 상기 인공지능의 딥러닝은 Bidirectional method 및 GRU(Gated Recurrent Unit) 기법을 적용하는, 빅데이터 정보 기반 문제소음 발생원 진단 방법을 포함한다.
또한, 상기 인공지능의 딥러닝은 Attention Mechanism 기법을 적용하는, 빅데이터 정보 기반 문제소음 발생원 진단 방법을 포함한다.
또한, 상기 인공지능의 딥러닝은 초기 스테이지 앙상블(Early stage ensemble) 기법을 적용하는, 빅데이터 정보 기반 문제소음 발생원 진단 방법을 포함한다.
또한, 상기 인공지능은 상기 문제소음의 발음원을 진단결과를 포터블 디바이스를 통해 출력하고, 확인을 위한 소음재생가능한 빅데이터 정보 기반 문제소음 발생원 진단 방법을 포함한다.
또한, 상기 차량 외부 저장 데이터는 블루투스에 의해 상기 차량 CAN 데이터로 전달되는 빅데이터 정보 기반 문제소음 발생원 진단 방법을 포함한다.
또한, 차량의 소음을 측정하는 마이크로폰; 상기 차량의 진동 데이터를 취득하는 진동센서; 상기 차량의 엔진회전수를 취득하는 CAN 모듈; 상기 데이터를 코드로 변환해 인공지능으로부터 진단결과를 수신하는 제어기; 상기 인공지능은 딥러닝에 의해 상기 코드로부터 상기 소음, 진동 및 엔진회전수로부터 문제소음의 발생원을 진단하는 빅데이터 정보 기반 문제소음 발생원 진단 장치를 포함한다.
또한, 입력데이터 수집기; 상기 입력데이터 수집기는 차량의 소음을 측정하는 마이크로폰; 상기 차량의 진동 데이터를 취득하는 진동센서; 상기 차량의 엔진회전수를 취득하는 CAN 모듈; 상기 소음, 진동, 및 엔진회전수 데이터로부터 문제소음 영역을 저장하는 메모리를 포함하고, 상기 데이터를 코드로 변환해 인공지능으로부터 진단결과를 수신하는 제어기; 상기 인공지능은 딥러닝에 의해 상기 코드로부터 상기 소음, 진동 및 엔진회전수로부터 중 문제소음의 발생원을 진단하는 문제소음 진단기; 상기 입력데이타 수집기와 상기 문제소음 진단기는 서로 분리가능한 빅데이터 정보 기반 문제소음 발생원 진단 장치를 포함한다.
첫째, 파워트레인의 복잡한 소음원이 섞여 있는 점을 고려하여 1~n순위까지 확률적인 방법으로 입력되는 소음원에 대해서 진단결과를 출력할 수 있는 다중 진단 시스템 개념을 적용하였기 때문에 낮은 특성을 나타내는 문제소음의 발음원까지 진단할 수 있다.
둘째, 문제소음에 대한 빅데이터를 기반으로 학습된 모델을 생성한 것으로 복합적이며, 비정형적인 파워트레인 소음 혹은 차량 소음의 정밀한 진단이 확률적으로 가능해진다.
셋째, 매우 짧은 시간에 정확한 문제소음 발음원을 진단할 수 있다.
넷째, GRU, DNN, Attention Mechanism 및 Early stage ensemble 알고리즘을 이용하기 때문에 과거 시간에 대한 데이터가 소실되는 것이 방지된다.
다섯째, Attention Mechanism 적용으로 학습데이터의 중요 부분의 가중치를 추가 부여함으로써 비정형적인 소음에 대한 정확한 학습모델 수립이 가능해진다.
여섯째, 사람(전문 엔지니어)의 데이터 분석 및 판단에 필요한 노력을 효율적으로 개선할 수 있다.
도 1은 본 발명의 바람직한 실시 예에 따른 빅데이터 정보 기반 문제소음 발생원 진단 방법의 전체 흐름도이다.
도 2는 본 발명의 바람직한 제1실시 예에 따른 알고리즘도이다.
도 3은 본 발명의 바람직한 제2실시 예로서 입력데이터 수집기(100)와 문제소음 진단기(310)가 분리 가능한 모습도이다.
도 2는 본 발명의 바람직한 제1실시 예에 따른 알고리즘도이다.
도 3은 본 발명의 바람직한 제2실시 예로서 입력데이터 수집기(100)와 문제소음 진단기(310)가 분리 가능한 모습도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 상세한 설명에 구체적으로 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용한다.
제 1, 제 2등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 명명될 수 있다. "및/또는" 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다.
일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않아야 한다.
본 발명의 바람직한 실시 예에 따른 빅데이터 정보 기반 문제소음 발생원 진단 방법을 설명한다.
먼저 도 1을 참조하여 빅데이터 정보 기반 문제소음 발생원 진단 방법의 흐름을 설명한다.
도 1은 본 발명의 바람직한 실시 예에 따른 빅데이터 정보 기반 문제소음 발생원 진단 방법의 전체 흐름도이다.
도 2는 본 발명의 바람직한 제1실시 예에 따른 알고리즘도이다.
우선, 차량의 소음 및 진동 데이터가 입력된다.(S1)
차량의 소음 또는 진동 데이터가 노이즈로 변환한 된 뒤 제1 코드로 변환된다.(S2)
다음으로 차량 CAN 데이터에서 엔진회전수 정보를 제1 코드로 변환한다.(S3)
다음으로 인공지능의 딥러닝에 의해 제1 코드로부터 소음 또는 진동 중 문제소음의 발생원을 진단한다.(S4)
먼저 본 발명의 바람직한 제1실시 예를 설명한다.
도 2는 본 발명의 바람직한 제1실시 예에 따른 제어로직이다.
소음 데이터는 마이크로폰(112)을 통해 취득되고, 진동 데이타는 진동센서(111)를 통해 취득될 수 있다.
한편, 진동센서(111)는 가속도계 선서일 수도 있다.
마이크로폰(112)은 1개 혹은 복수 개가 마련될 수 있다.
ICP앰프(321)는 진동센서(111) 및 마이크로폰(112)에 연결된다.
ICP앰프(321)는 진동센서(111)로부터 입력된 소음 데이터와 마이크로폰(112)에서 입력된 진동 데이터를 증폭하여 AD 보드(322)로 보낸다.
AD 보드(322)는 AD 컨버터(convertor)로서, 아날로그 신호인 소음 데이터 및 진동 데이터를 인공지능 학습이 가능한 형태의 신호로 변환한다.
Noise 변환기(326)는 AD 보드(322)에 연결된다.
CAN 모듈(113)은 문제소음 진단기(320)의 CAN 처리부(324)에 연결된다.
CAN 모듈(113)은 차량 및 파워트레인의 운전상태 측정을 위한 모듈로서 디지털 신호를 전송한다.
이들 소음 데이터, 진동 데이터, 그리고 CAN 데이터는 모두 ASCII변환부(327, 328)에서 제1신호 형태로 변환된다.
즉, CAN 처리부(324)는 CAN 모듈(113)로부터 입력 받은 데이터로부터 RPM정보(325)를 출력하고, 출력된 RPM정보(325)가 ASCII변환부(327)로 전송된다.
한편, 소음 데이터 및 진동 데이터는 Noise 변환기(326)를 거쳐 ASCII변환부(328)로 전송된다.
이 때, 문제소음 진단기(320)의 리샘플링부(323)는 외부 저장 데이터(200)로부터 입력된 주파수의 2배를 샘플링하여 ASCII변환부(327)에 전송한다.
이렇게 ASCII변환부(327, 328)에서 변환된 제1신호는 인공지능(420)에 입력되고, 인공지능(420)이 소음 또는 진동 중 문제소음의 발생원을 진단하게 된다.
진단 결과는 디스플레이부(421)를 통해 시각적으로 제공될 수 있고, 소리재생부(422)에서 문제소음이 BPF 적용된 결과가 청각적으로 제공될 수도 있는 것이다.
한편, 인공지능은 문제소음의 발음원을 진단결과를 포터블 디바이스를 통해 출력하고, 확인을 위한 소음재생이 가능하다.
포터블 디바이스는 문제소음 진단기(310, 320)를 의미한다.
다음으로 본 발명의 바람직한 제2실시 예를 설명한다.
도 3은 본 발명의 바람직한 제2실시 예로서 입력데이터 수집기(100)와 문제소음 진단기(310)가 분리 가능한 구조이다.
입력데이터 수집기(100)는 차량의 소음을 측정하는 마이크로폰(112), 차량의 진동 데이터를 취득하는 진동센서(111) 및 차량의 엔진회전수를 취득하는 CAN 모듈(113)을 포함할 수 있다.
메모리는 소음, 진동 및 엔진회전수 데이터로부터 문제소음 영역을 저장한다.
제어기는 데이터를 코드로 변환해 인공지능(420)으로부터 진단결과를 수신한다.
문제소음 진단기(320)는 인공지능(420)의 딥러닝에 의해 코드로부터 소음, 진동 및 엔진회전수로부터 문제소음의 발생원을 진단한다.
입력데이타 수집기(100)와 문제소음 진단기(320)는 서로 분리 가능하다.
본 발명의 바람직한 제2실시 예에 따른 알고리즘은 크게 다음과 같은 절차를 따른다.
차량 외부저장 데이터(200)를 준비한다.
차량 외부 저장 데이터(200)를 취득하고 리샘플링(323)을 통해 제2 코드로 변환(317, 318)한다.
이 때, 리샘플링의 주파수는 문제소음의 최대주파수의 2배인 것이 바람직할 수 있다.
즉, 리샘플링은 입력데이터 전처리에 필요한 것으로서, 문제 주파수 대역의 2배수가 되도록 리샘플링 되는 것이 바람직할 수 있는 것이다.
예를 들면, 16kHz 이하의 문제소음 진단 시 리샘플링 주파수는 32kHz로 설정되는 것이다.
한편, 차량 외부 저장 데이터(200)는 블루투스에 의해 차량 CAN(325) 데이터로 전달되는 것도 바람직할 수 있다.
인공지능(420)은 딥러닝에 의해 변환된 제2 코드(317, 318)로부터 소음 또는 진동 중 문제소음의 발생원을 진단한다.
문제소음 진단기(310)는 디스플레이부(411)와 소리발생부(412) 중 어느 하나 이상을 포함할 수 잇다.
인공지능(420)은 문제소음의 발음원을 진단결과를 디스플레이부(411)에 시각적으로 출력하고, 확인을 위한 소리발생부(412)에서 소음재생이 가능할 수 있다.
보다 상세하게는, 마이크로폰(112)은 차량의 소음을 측정한다.
진동센서(111)는 차량의 진동 데이터를 취득한다.
CAN 모듈(113)은 차량의 엔진회전수(RPM)를 취득한다.
제어기는 마이크로폰(112), 진동센서(111) 및 CAN 모듈(113)에 연결되어 각각의 데이터들을 입력 받는다.
제어기는 입력 받은 데이터를 코드로 변환해 인공지능(420)으로부터 진단결과를 수신한다.
인공지능은 딥러닝에 의해 코드로부터 소음, 진동 및 엔진회전수로부터 문제소음의 발생원을 진단한다.
이 때 저장된 메모리(200)가 사용될 수도 있다.
저장된 메모리(200)는 소음, 진동 및 엔진회전수를 포함하는 차량 외부데이터이다.
저장된 메모리(200)는 SD 메모리 카드, USB 메모리, 기타 클라우드(Clouid)방식의 공유 메모리 중 어느 하나 일 수 있다.
제어기는 메모리(200)로부터 리샘플링된 데이터를 코드로 변환해 인공지능으로부터 진단결과를 수신한다.
인공지능은 딥러닝에 의해 코드로부터 소음, 진동 및 엔진회전수로부터 문제소음의 발생원을 진단할 수 있는 것이다.
한편, 인공지능의 딥러닝은 Bidirectional method 및 GRU(Gated Recurrent Unit) 기법을 적용하는 것이 바람직할 수 있다.
GRU(Gated Recurrent Unit)란 RNN (Recurrent Neural Network) 기법 중 하나로서, 이를 이용하여 시간변화에 따른 인공지능 학습모델을 구축할 수 있는 것이다.
또한, 인공지능의 딥러닝은 Attention Mechanism 기법을 적용하는 것이 바람직할 수 있다.
Attention Mechanism은 과거 시간 데이터의 정보 소실을 개선하기 위해서 활용될 수 있는 것이다.
Attention Mechanism은 시간 진행축에서 중요한 특징벡터에 가중치를 주는 학습 기법이다.
즉, Attention Mechanism은 학습데이터의 중요 부분의 가중치를 추가 부여함으로써 비정형적인 소음에 대한 정확한 학습모델 수립이 가능해진다.
이 때, Bidirectional RNN(GRU)를 복합 하여 적용하는 것도 바람직할 수 있다.
또한, 인공지능의 딥러닝은 초기 스테이지 앙상블(Early stage ensemble) 기법을 적용하는 것이 바람직할 수 있다.
Early stage ensemble 알고리즘이란, GRU 의 상위 개념인 RNN(Recurrent Neural Network)의 문제점 중 과거 시간 데이터의 중요성을 부각시키는 가중치 학습 기법이다.
즉, Early stage ensemble 기법은 초기 시간과 최종 시간에 대한 가중치를 균등하게 분할하여 정보를 유지하기 위해 이용될 수 있다.
100 : 입력데이터 수집기
111 : 진동센서
112 : 마이크로폰
113 : CAN 모듈
200 : 차량 외부저장 데이터
320,320 : 문제소음 진단기
420 : 인공지능
111 : 진동센서
112 : 마이크로폰
113 : CAN 모듈
200 : 차량 외부저장 데이터
320,320 : 문제소음 진단기
420 : 인공지능
Claims (15)
- 차량의 소음 또는 진동 데이터를 취득해 노이즈로 변환한 뒤 제1 코드로 변환하는 단계;
차량 CAN 데이터에서 엔진회전수 정보를 상기 제1 코드로 변환하는 단계
인공지능의 딥러닝에 의해 상기 제1 코드로부터 상기 소음 또는 상기 진동 중 문제소음의 발생원을 진단하는 단계;를 포함하는
빅데이터 정보 기반 문제소음 발생원 진단 방법.
- 제1항에 있어서,
상기 소음 데이타는 마이크로폰, 상기 진동 데이타는 진동센서를 통해 취득되는,
빅데이터 정보 기반 문제소음 발생원 진단 방법.
- 제2항에 있어서,
상기 인공지능의 딥러닝은 Bidirectional method 및 GRU(Gated Recurrent Unit) 기법을 적용하는
빅데이터 정보 기반 문제소음 발생원 진단 방법.
- 제3항에 있어서,
상기 인공지능의 딥러닝은 Attention Mechanism 기법을 적용하는
빅데이터 정보 기반 문제소음 발생원 진단 방법.
- 제3항에 있어서,
상기 인공지능의 딥러닝은 초기 스테이지 앙상블(Early stage ensemble) 기법을 적용하는,
빅데이터 정보 기반 문제소음 발생원 진단 방법.
- 제5항에 있어서,
상기 인공지능은 상기 문제소음의 발음원을 진단결과를 포터블 디바이스를 통해 출력하고, 확인을 위한 소음재생가능한,
빅데이터 정보 기반 문제소음 발생원 진단 방법.
- 제1항에 있어서,
상기 차량의 소음 또는 진동 데이터를 상기 차량의 외부저장 데이터로부터 취득해 리샘플링을 하는 것을 특징으로 하는 빅데이터 정보 기반 문제소음 발생원 진단 방법.
- 제7항에 있어서,
상기 리샘플링의 주파수는 상기 문제소음의 최대주파수의 2배인,
빅데이터 정보 기반 문제소음 발생원 진단 방법.
- 제8항에 있어서,
상기 인공지능의 딥러닝은 Bidirectional method 및 GRU(Gated Recurrent Unit) 기법을 적용하는
빅데이터 정보 기반 문제소음 발생원 진단 방법.
- 제9항에 있어서,
상기 인공지능의 딥러닝은 Attention Mechanism 기법을 적용하는,
빅데이터 정보 기반 문제소음 발생원 진단 방법.
- 제10항에 있어서,
상기 인공지능의 딥러닝은 초기 스테이지 앙상블(Early stage ensemble) 기법을 적용하는,
빅데이터 정보 기반 문제소음 발생원 진단 방법.
- 제11항에 있어서,
상기 인공지능은 상기 문제소음의 발음원을 진단결과를 포터블 디바이스를 통해 출력하고, 확인을 위한 소음재생가능한
빅데이터 정보 기반 문제소음 발생원 진단 방법.
- 제7항에 있어서,
상기 차량 외부 저장 데이터는 블루투스에 의해 상기 차량 CAN 데이터로 전달되는
빅데이터 정보 기반 문제소음 발생원 진단 방법.
- 차량의 소음을 측정하는 마이크로폰;
상기 차량의 진동 데이터를 취득하는 진동센서;
상기 차량의 엔진회전수를 취득하는 CAN 모듈;
상기 데이터를 코드로 변환해 인공지능으로부터 진단결과를 수신하는 제어기;
상기 인공지능은 딥러닝에 의해 상기 코드로부터 상기 소음, 진동 및 엔진회전수로부터 문제소음의 발생원을 진단하는,
빅데이터 정보 기반 문제소음 발생원 진단 장치.
- 입력데이터 수집기;
상기 입력데이터 수집기는
차량의 소음을 측정하는 마이크로폰;
상기 차량의 진동 데이터를 취득하는 진동센서;
상기 차량의 엔진회전수를 취득하는 CAN 모듈;
상기 소음, 진동, 및 엔진회전수 데이터로부터 문제소음 영역을 저장하는 메모리;
를 포함하고,
상기 데이터를 코드로 변환해 인공지능으로부터 진단결과를 수신하는 제어기;
상기 인공지능은 딥러닝에 의해 상기 코드로부터 상기 소음, 진동 및 엔진회전수로부터 중 문제소음의 발생원을 진단하는 문제소음 진단기;
상기 입력데이타 수집기와 상기 문제소음 진단기는 서로 분리가능한
빅데이터 정보 기반 문제소음 발생원 진단 장치.
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180160084A KR20200075133A (ko) | 2018-12-12 | 2018-12-12 | 빅데이터 정보 기반 문제소음 발생원 진단 방법 및 장치 |
EP19208486.1A EP3667447A1 (en) | 2018-12-12 | 2019-11-12 | Method and device for diagnosing problematic noise source based on big data information |
US16/682,449 US11521435B2 (en) | 2018-12-12 | 2019-11-13 | Method and device for diagnosing problematic noise source based on big data information |
CN201911156136.0A CN111307274A (zh) | 2018-12-12 | 2019-11-22 | 基于大数据信息诊断问题噪声源的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180160084A KR20200075133A (ko) | 2018-12-12 | 2018-12-12 | 빅데이터 정보 기반 문제소음 발생원 진단 방법 및 장치 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20200075133A true KR20200075133A (ko) | 2020-06-26 |
Family
ID=68621118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180160084A KR20200075133A (ko) | 2018-12-12 | 2018-12-12 | 빅데이터 정보 기반 문제소음 발생원 진단 방법 및 장치 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11521435B2 (ko) |
EP (1) | EP3667447A1 (ko) |
KR (1) | KR20200075133A (ko) |
CN (1) | CN111307274A (ko) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11580796B1 (en) * | 2019-09-12 | 2023-02-14 | United Services Automobile Association (Usaa) | Automatic problem detection from sounds |
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 |
US20220300856A1 (en) * | 2021-03-19 | 2022-09-22 | Covid Cough, Inc. | Signal data signature classifiers trained with signal data signature libraries and a machine learning derived strategic blueprint |
KR20220155834A (ko) * | 2021-05-17 | 2022-11-24 | 현대자동차주식회사 | 장비 적용을 위한 ai 기반 진단 기술 자동화 방법 |
CN113791728B (zh) * | 2021-08-10 | 2023-03-24 | 广东省科学院智能制造研究所 | 一种工业声学智能感知*** |
CN113791727B (zh) * | 2021-08-10 | 2023-03-24 | 广东省科学院智能制造研究所 | 一种应用于工业声学智能感知的边端采集设备 |
WO2023035009A1 (en) * | 2021-09-03 | 2023-03-09 | Continental Automotive Systems, Inc. | Data driven explainable method and system for predictive maintenance |
FR3142548A1 (fr) * | 2022-11-24 | 2024-05-31 | Psa Automobiles Sa | Vehicule automobile comprenant un systeme de diagnostic de bruits et vibrations anormaux, procede et programme sur la base d’un tel vehicule |
EP4404112A1 (en) | 2023-01-23 | 2024-07-24 | Robert Bosch GmbH | Method and system for vehicle damage detection |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013200143A (ja) | 2012-03-23 | 2013-10-03 | Mitsubishi Electric Corp | 異常音診断装置および異常音診断システム |
US20160071336A1 (en) | 2013-04-26 | 2016-03-10 | Jaguar Land Rover Limited | Vehicle diagnostics apparatus, diagnostics unit and methods |
KR20180029320A (ko) | 2016-09-12 | 2018-03-21 | 현대자동차주식회사 | 자동차 nvh 성능 개선 방법 |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR960012078B1 (ko) | 1993-09-27 | 1996-09-12 | 만도기계 주식회사 | 자동차부품의 고장진단방법 |
KR20040003426A (ko) | 2002-07-03 | 2004-01-13 | 씨멘스 오토모티브 주식회사 | 인공지능형 통합 제어 유닛을 이용한 자기 진단 장치 |
US6925879B2 (en) * | 2003-09-30 | 2005-08-09 | Spx Corporation | Vibration analyzer and method |
US7225108B2 (en) * | 2004-12-06 | 2007-05-29 | Caterpillar Inc | Cross correlation diagnostics tool for vibration analysis |
US7487679B2 (en) * | 2005-05-10 | 2009-02-10 | Eaton Corporation | Vehicle vibration analyzer |
CN101464168B (zh) * | 2009-01-20 | 2010-06-16 | 清华大学 | 一种车辆加速噪声的噪声源识别方法 |
KR101371312B1 (ko) | 2012-04-25 | 2014-03-10 | 자동차부품연구원 | 자동차 고장 진단 시스템 |
WO2015179632A1 (en) * | 2014-05-22 | 2015-11-26 | Scheffler Lee J | Methods and systems for neural and cognitive processing |
US9824511B2 (en) * | 2015-09-11 | 2017-11-21 | GM Global Technology Operations LLC | Vehicle diagnosis based on vehicle sounds and vibrations |
CN107239067A (zh) * | 2016-03-28 | 2017-10-10 | 北京爱德盛业科技有限公司 | 基于移动智能终端的汽车异响诊断装置和诊断方法 |
US10055903B2 (en) * | 2016-06-09 | 2018-08-21 | GM Global Technology Operations LLC | Vehicle health check via noise and vibration level |
KR101864860B1 (ko) | 2016-09-13 | 2018-06-05 | 오토시맨틱스 주식회사 | 딥러닝을 통한 자동차 상태 진단 방법 |
CN106596123B (zh) * | 2016-11-22 | 2020-03-27 | 东软集团股份有限公司 | 设备故障诊断的方法、装置及*** |
US10546434B2 (en) * | 2017-04-18 | 2020-01-28 | International Business Machines Corporation | Analyzing and classifying automobile sounds |
KR102324776B1 (ko) | 2017-10-16 | 2021-11-10 | 현대자동차주식회사 | 차량의 소음원인 진단방법 |
KR102474355B1 (ko) * | 2017-10-30 | 2022-12-05 | 현대자동차 주식회사 | 차량 제어 통합 관리 시스템 및 이와 통신을 통해 연결된 중앙 인공지능 서버 |
CN108681747B (zh) * | 2018-05-11 | 2021-05-04 | 武汉理工大学 | 基于深度学习的旋转机械故障诊断与状态监测***及方法 |
CN108920854A (zh) * | 2018-07-11 | 2018-11-30 | 湖南大学 | 一种基于无线互联和便携式客户端的噪声在线诊断和声品质评价方法和*** |
KR20200041098A (ko) * | 2018-10-11 | 2020-04-21 | 현대자동차주식회사 | 파워 트레인 부품 고장 진단 방법 |
KR102681637B1 (ko) * | 2018-12-13 | 2024-07-05 | 현대자동차주식회사 | 문제소음 발음원 식별을 위한 소음데이터의 인공지능 장치 및 전처리 방법 |
-
2018
- 2018-12-12 KR KR1020180160084A patent/KR20200075133A/ko not_active Application Discontinuation
-
2019
- 2019-11-12 EP EP19208486.1A patent/EP3667447A1/en active Pending
- 2019-11-13 US US16/682,449 patent/US11521435B2/en active Active
- 2019-11-22 CN CN201911156136.0A patent/CN111307274A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013200143A (ja) | 2012-03-23 | 2013-10-03 | Mitsubishi Electric Corp | 異常音診断装置および異常音診断システム |
US20160071336A1 (en) | 2013-04-26 | 2016-03-10 | Jaguar Land Rover Limited | Vehicle diagnostics apparatus, diagnostics unit and methods |
KR20180029320A (ko) | 2016-09-12 | 2018-03-21 | 현대자동차주식회사 | 자동차 nvh 성능 개선 방법 |
Also Published As
Publication number | Publication date |
---|---|
CN111307274A (zh) | 2020-06-19 |
US20200193735A1 (en) | 2020-06-18 |
EP3667447A1 (en) | 2020-06-17 |
US11521435B2 (en) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20200075133A (ko) | 빅데이터 정보 기반 문제소음 발생원 진단 방법 및 장치 | |
KR102681637B1 (ko) | 문제소음 발음원 식별을 위한 소음데이터의 인공지능 장치 및 전처리 방법 | |
JP6388103B1 (ja) | 振動分析器及び機械部品診断システム | |
KR20180029543A (ko) | 딥러닝을 통한 자동차 상태 진단 방법 | |
KR20190042203A (ko) | 차량의 소음원인 진단방법 | |
Li et al. | Gear fault location detection for split torque gearbox using AE sensors | |
CN108291837A (zh) | 劣化部位估计装置、劣化部位估计方法以及移动体的诊断*** | |
EP3775801A1 (en) | Method and apparatus for detecting vibrational and/or acoustic transfers in a mechanical system | |
WO2006071973A1 (en) | System and method of using sensors to emulate human senses for diagnosing an assembly | |
JP4412306B2 (ja) | 異常判定方法および異常判定装置 | |
CN111798865A (zh) | 终端马达的检测方法、装置、终端及存储介质 | |
CN111610038B (zh) | 一种故障诊断***、方法、装置、设备及其存储介质 | |
JP7294422B2 (ja) | 音モデル生成装置、音信号処理システム、音モデル生成方法、およびプログラム | |
KR20220139044A (ko) | 비지도 학습과 지도 학습을 이용한 고장 진단 방법 및 장치 | |
CN115758237A (zh) | 基于智能巡检机器人的轴承故障分类方法及*** | |
KR101752298B1 (ko) | 회전익 진동 기반 건전성 감시 장치 및 이를 이용하는 감시 방법 | |
CN114184270A (zh) | 一种设备振动数据处理方法、装置、设备及存储介质 | |
CN112750457A (zh) | 用于标识车辆内噪声源的*** | |
Charan | An auto-encoder based TinyML approach for real-time anomaly detection | |
JP4513796B2 (ja) | 異常監視装置 | |
Darraz et al. | Rotating machine diagnosis using acoustic imaging and artificial intelligence | |
KR960012077B1 (ko) | 자동차 진단 전문가 시스템 | |
JPH09502261A (ja) | 判断の可能な計測器 | |
US20210352423A1 (en) | Audio diagnostics in a vehicle | |
Choudhury et al. | A Deep Learning Based Fault Diagnosis Method Combining Domain Knowledge and Transfer Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E90F | Notification of reason for final refusal |