KR20210054868A - 승강장 안전문 고장 진단 및 예측 장치 - Google Patents

승강장 안전문 고장 진단 및 예측 장치 Download PDF

Info

Publication number
KR20210054868A
KR20210054868A KR1020190141070A KR20190141070A KR20210054868A KR 20210054868 A KR20210054868 A KR 20210054868A KR 1020190141070 A KR1020190141070 A KR 1020190141070A KR 20190141070 A KR20190141070 A KR 20190141070A KR 20210054868 A KR20210054868 A KR 20210054868A
Authority
KR
South Korea
Prior art keywords
failure
data
information
psd
rul
Prior art date
Application number
KR1020190141070A
Other languages
English (en)
Other versions
KR102358486B1 (ko
Inventor
한석윤
온정근
이호용
Original Assignee
한국철도기술연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국철도기술연구원 filed Critical 한국철도기술연구원
Priority to KR1020190141070A priority Critical patent/KR102358486B1/ko
Publication of KR20210054868A publication Critical patent/KR20210054868A/ko
Application granted granted Critical
Publication of KR102358486B1 publication Critical patent/KR102358486B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61B—RAILWAY SYSTEMS; EQUIPMENT THEREFOR NOT OTHERWISE PROVIDED FOR
    • B61B1/00—General arrangement of stations, platforms, or sidings; Railway networks; Rail vehicle marshalling systems
    • B61B1/02—General arrangement of stations and platforms including protection devices for the passengers
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
    • G—PHYSICS
    • 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
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • 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)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Platform Screen Doors And Railroad Systems (AREA)

Abstract

본 발명은 승강장 안전문(platform screen door, PSD) 고장 예측 장치에 관한 것으로, 승강장 안전문 고장 예측 장치는 시스템 상태 데이터, 센서 로그 데이터, 승강장 안전문 셋팅 값, 고장 및 유지보수 이력 데이터 및 PSD 진동 데이터를 포함하는 정보를 수신하는 데이터 수집부, 상기 정보에 기반하여 잔여 수명(remaining useful life, RUL) 모델을 기계 학습함으로써, PSD가 포함하는 구성의 RUL 정보를 생성하는 고장 진단 및 예측부, 상기 고장 및 유지보수 이력 데이터에 기반하여 고장 원인 추론 모델을 기계 학습함으로써, 상기 RUL 정보가 포함하는 특정 고장 종류에 대한 고장 원인 정보를 생성하는 고장 원인 추론부 및 상기 RUL 정보 및 상기 고장 원인 정보를 표시하는 의사결정 지원부를 포함할 수 있다.

Description

승강장 안전문 고장 진단 및 예측 장치{FAILURE DIAGNOSTIC AND PREDICTION DEVICE FOR PLATFORM SCREEN DOOR}
본 발명은 인공지능을 이용하여 승강장 안전문의 고장을 진단하고 예측하기 위한 장치 및 그 방법에 관한 것이다.
승강장 안전문(platform screen door, PSD) 제어장치는 승강장 안전문의 동작 및 검사를 위해 필요한 정보를 제공할 수 있는 장치로서, 승강장 안전문 각각의 상태 정보를 수집하고, 이에 기초하여 복수의 승강장 안전문의 각각의 고장 정보 등을 제공함으로써, 기관사, 역무원, 유지보수자 등 담당자가 필요한 조치를 취할 수 있는 기회를 제공할 수 있다.
한편, 승강장 안전문의 점검 시에, 담당자는 제공되는 정보를 확인함으로써 승강장 안전문의 상태를 확인한 후 필요에 따라 유지보수를 수행할 수 있다. 이때, 제공되는 정보에 따라 열차의 현재 상태를 확인하거나, 승강장 안전문에 장애가 발생한 경우 조치를 취할 수 있을 뿐, 향후 발생 가능한 고장에 대하여 예측할 수는 없다.
이처럼, 승강장 안전문의 고장을 사전에 예측할 수 없는 경우, 불시에 고장이 감지되어 열차의 운행이 지연되고, 고장 후 유지보수에 따른 비용이 증가하는 등의 문제점이 있다.
상술한 바와 같은 논의를 바탕으로, 본 발명은 승강장 안전문(platform screen door, PSD)의 고장을 진단하고, 사전에 승강장 안전문의 상태 및 향후 고장을 예측하여 유지보수자에게 알림으로써, 갑작스런 고장을 방지하여 승객의 안전성을 확보하고, 열차 운용 가용도를 향상하며, 승강장 안전문 유지보수 비용을 절감할 수 있도록 하기 위한 장치 및 그 방법을 제공한다.
본 발명이 해결하고자 하는 과제를 해결하기 위한 일 실시 예에 따른 승강장 안전문(platform screen door, PSD) 고장 진단 및 예측 장치는 시스템 상태 데이터, 센서 로그 데이터, 승강장 안전문 셋팅 값, 고장 및 유지보수 이력 데이터 및 PSD 진동 데이터를 포함하는 정보를 수신하는 데이터 수집부, 상기 정보에 기반하여 잔여 수명(remaining useful life, RUL) 모델을 기계 학습함으로써, PSD가 포함하는 구성의 RUL 정보를 생성하는 고장 진단 및 예측부, 상기 고장 및 유지보수 이력 데이터에 기반하여 고장 원인 추론 모델을 기계 학습함으로써, 상기 RUL 정보가 포함하는 특정 고장 종류에 대한 고장 원인 정보를 생성하는 고장 원인 추론부 및 상기 RUL 정보 및 상기 고장 원인 정보를 표시하는 의사결정 지원부를 포함할 수 있다.
본 발명의 실시 예들에 따르면, 인공 지능 기술을 승강장 안전문 종합 제어장치에 기록되는 각종 데이터에 적용하여 분석함으로써 승강장 안전문의 잔여 수명을 예측함으로써, 승강장 안전문(platform screen door, PSD)을 상태에 따라 적정 시기에 정비 가능하게 하며, 유지보수비뿐만 아니라, 운행 중 갑자기 발생하는　고장을 예방하여 전동차 운행 지연 방지 및 지연에 따른 사회적 비용을 절감할 수 있다. 또한, 승강장 안전문의 고장에 따른 원인정보를 제공하므로, 유지보수자가 승강장 안전문을 쉽게 정비하도록 할 수 있고, 승강장 안전문 고장시기 분석을 활용하여 부품수요예측을 가능하게 할 수 있다. 또한, 동일 노선에 동일한 시기에 납품된 승강장 안전문은 비슷한 부하를 받게 되므로, 승강장 안전문의 연관분석이 가능하여 유지보수비를 절감하고 운행도중에 발생하는 고장을 감소시킬 수 있다. 또한, 승강장 안전문 고장 패턴을 분석하여 승강장 안전문 성능개선에 활용할 수 있다.
도 1은 일 실시 예에 따른, 승강장 안전문(platform screen door, PSD) 제어장치의 구성을 나타내는 블록도의 일 예이다.
도 2는 일 실시 예에 따른, 승강장 안전문 고장 진단 및 예측 장치의 구성을 나타내는 블록도이다.
도 3은 일 실시 예에 따른, 승강장 안전문 고장 진단 및 예측 장치의 데이터의 흐름을 나타내기 위한 도면이다.
도 4는 일 실시 예에 따른, 승강장 안전문 고장 진단 및 예측 장치의 데이터 수집부가 수신하는 데이터의 흐름을 나타내기 위한 도면이다.
도 5는 일 실시 예에 따른, 승강장 안전문 고장 진단 및 예측 장치의 고장 원인 추론부에서, 특정 고장 종류에 대한 고장 원인 정보를 생성하는 방법을 설명하기 위한 도면이다.
도 6은 일 실시 예에 따른, 승강장 안전문 고장 진단 및 예측 장치의 동작을 설명하기 위한 흐름도의 일 예이다.
도 7은 일 실시 예에 따른, 승강장 안전문 고장 진단 및 예측 장치의 동작을 설명하기 위한 흐름도의 다른 예이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
이하의 실시 예에서, 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
이하의 실시 예에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 다수의 표현을 포함한다. 이하의 실시 예에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 발명의 실시 예들은 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들은 특정 기능들을 실행하는 다양한 개수의 하드웨어 또는/및 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 본 발명의 실시 예들은 하나 이상의 마이크로프로세서들의 제어 또는 다른 제어장치들에 의해서 다양한 기능들을 실행할 수 있는, 메모리, 프로세싱, 로직(logic), 룩업 테이블(look-up table) 등과 같은 직접 회로 구성들을 채용할 수 있다. 본 발명의 실시 예의 구성 요소들이 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있는 것과 유사하게, 본 발명의 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 발명의 실시 예들은 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. 매커니즘, 요소, 수단, 구성과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다. 상기 용어는 프로세서 등과 연계하여 소프트웨어의 일련의 처리들(routines)의 의미를 포함할 수 있다.
이하 설명에서 사용되는 데이터의 표시에 관련된 변수(예: 파라미터(parameter), 값)을 지칭하는 용어, 발명의 동작을 수행하는데 사용되는 객체(예: 전자 장치, 표시 장치, 디스플레이 장치 등)를 지칭하는 용어, 장치의 구성요소를 지칭하는 용어(예: 회로, 모듈, 컨트롤러, 프로세서, 수집부, 예측부, 추론부, 지원부, 처리부, 표시부, 센서 등) 등은 설명의 편의를 위해 예시된 것이다. 따라서, 본 개시가 후술되는 용어들에 한정되는 것은 아니며, 동등한 기술적 의미를 가지는 다른 용어가 사용될 수 있다.
본 발명에서 개시하는 인공 지능(artificial intelligence, AI)은 인공적인 지능 또는 이를 만들 수 있는 방법론을 연구하는 분야를 의미할 수 있고, 기계 학습(machine learning)은 인공지능 기술의 한 분야로서 컴퓨팅 장치가 데이터를 통해 학습하여 특정 대상 혹은 조건을 이해할 수 있게 하거나 데이터의 패턴을 찾아내 분류하는 기술적 방식으로써 컴퓨터가 데이터를 분석할 수 있게 하는 알고리즘일 수 있다. 본 발명에서 개시하는 기계 학습은 인공지능 모델을 학습하기 위한 동작 방법을 포함하는 의미로서 이해될 수 있다.
승강장 안전문(platform screen door, PSD)에 대한 기존의 유지보수 방법은 승강장 안전문에 장애가 발생한 경우, 종합제어반의 시스템 상태 정보를 확인하여 장애를 해결하거나, 유지보수 주기에 따라 승강장 안전문을 점검 및 정비하는 사후 정비의 형태를 취하는 것이 일반적이므로, 승강장 안전문의 현재 상태를 점검하더라도 현재 상태의 단순 확인으로 향후 장애가 언제 발생할지 예측하는 것은 어려운 일이다. 따라서, 기존의 유지보수 방법은 승강장 안전문의 장애를 사전에 예측하지 못하므로, 갑작스런 장애 발생시 승객의 안전을 위협하고, 열차의 정시 운행 불능 및 유지보수비 증가의 원인이 될 수 있다. 또한 기술 발전에 따라 승강장 안전문 구성품의 수명이 연장되고 있으나, 기존의 유지보수 방법은 교환주기가 도래하게 되면, 잔여 수명과 관련 없이 구성품을 교환함으로써, 유지보수비를 증가시키는 원인이 될 수 있다.
따라서, 본 발명은 승강장 안전문의 고장을 진단하고, 고장을 사전에 예측하여 유지보수자에게 알림으로써, 갑작스런 고장을 방지하여 승객의 안전성을 확보하고, 열차 운용 가용도가 향상하며, 승강장 안전문 유지보수 비용을 절감하기 위한 장치 및 그 방법을 제공한다.
이하 첨부된 도면들을 참조하여 본 발명의 여러 가지 실시 예를 상세히 설명한다.
도 1은 일 실시 예에 따른, 승강장 안전문 제어장치의 구성을 나타내는 블록도의 일 예이다.
승강장 안전문은 승강장 연단에 안전보호벽(예: 가동문, 비상문)을 설치하여 승강장과　선로부를 차단함으로써 역사내의 승객 안전을 확보하는 장치일 수 있다.　승강장 안전문은 일반적으로 10량 1편성으로 운행되는 지하철의 경우에 1승강장 당 40개가 있으며, 각 승강장 안전문은 두 개의 슬라이딩 안전문과 한 개의 비상문으로 구성될 수 있다. 승강장 안전문은 전동차가 역사에 진입하는 순서 및 전동차 출입문과 연동되어 열림과 닫힘까지의 사이클을 이루어 동작할 수 있다. 승강장 안전문은 우회로(bypass), 도어 등(light), 승강장 안전문 잠금 장치, 승강장 안전문 구동 표시장치, 승강장 안전문 제어 유닛(door control unit, DCU), 전원 공급 장치, 물체 감지 센서 송수신부, 전동차 출입문 감지 센서, 수동 열림 레버를 포함할 수 있다. 상기 승강장 안전문 장치의 구성은 승강장 안전문 제어장치에 의해 제어될 수 있다.
승강장 안전문 제어장치는 승강장 안전문, 안전문 제어 유닛, 고객센터(예: 역무실) 조작반, 승강장 조작반, 승무원(예: 기관사측, 차장측) 조작반, 승무원 HMI(human machine interface), 무선 신호 송신을 위한 승무원 지상 무선 장치, 센서 검지 내역을 센서로그로 저장할 수 있는 정위치 정차센서, 센서 검지 내역을 센서로그로 저장할 수 있는 출입문 검지센서, 승무원 전광판, 전원공급장치, 선로출입문 장치, 경보제어반, 개별조작반 및 각 구성요소를 제어하는 MCU(main control unit) 주 제어반을 포함할 수 있다.
안전문 제어 유닛은 안전문과 승강장의 센싱을 위한 센서 입력 모듈, 안전문 구동을 위한 모터제어 모듈, 입/출력 모듈, 사운드 모듈, 전원공급장치 및 각 구성요소를 제어하는 제어장치를 포함할 수 있다. 안전문 제어 유닛은 전동차 출입문 또는 승강장 안전문 제어장치와 연동되어 승강장 안전문의 열림/닫힘 사이클을 일치시켜 동작시킬 수 있다.
MCU(main control unit) 주 제어반은 자동 열차 운전 장치(Automatic train operation, ATO)로부터 열차를 자동으로 운전하기 위한 정보를 수신할 수 있고, 종합제어반으로부터 승강장 안전문의 가동 상태 및 장애 정보를 포함하는 시스템 상태 데이터를 수신할 수 있다.
도 2는 일 실시 예에 따른, 승강장 안전문 고장 진단 및 예측 장치의 구성을 나타내는 블록도이다.
도 2를 참조하면, 일 실시 예에서, 승강장 안전문 고장 진단 및 예측 장치(200)는 데이터 수집부(210), 고장 진단 및 예측부(230), 고장 원인 추론부(250), 의사결정 지원부(270), 데이터 불균형 처리부(290)를 포함할 수 있다.
데이터 수집부(210)는 승강장 안전문의 고장 진단 및 예측을 위해 필요한 데이터를 수집할 수 있다. 예를 들어 데이터 수집부(210)는 승강장 안전문 종합제어반에서 시스템 상태 데이터, 센서 로그 데이터, 승강장 안전문 셋팅 값, 고장 및 유지보수 이력 데이터, 및 승강장 안전문의 진동데이터를 수집할 수 있다.
고장 진단 및 예측부(230)는 데이터 수집부(210)가 수집한 데이터들에 기반하여, 승강장 안전문이 포함하는 구성(예: DCU, 센서 등)의 고장을 진단 또는 예측하고 고장에 대한 잔여 수명(remaining useful life, RUL)을 예측하여 생성할 수 있다. 예를 들어, 고장 진단 및 예측부(230)는 DNN(deep neural network) 기법을 기반으로 승강장 안전문의 고장을 진단하고 고장에 대한 잔여 수명을 예측할 수 있다. DNN 기법은 입력층과 출력층 사이 은닉층(hidden layre)이 2개 이상이며, 과적합 등을 막기 위한 다수의 장치가 탑재된 신경망을 가진 딥러닝 방법으로, 승강장 안전문 장치는 데이터 수집부(210)가 수집한 데이터 또는 데이터들의 조합을 입력 값으로 하여 DNN 기법에 기반한 잔여 수명 모델을 기계 학습함으로써, 승강장 안전문이 포함하는 구성의 고장을 진단하고 고장에 대한 잔여 수명 예측 값을 출력할 수 있다. 일 실시 예에서, 고장 진단 및 예측부(230)는 고장 및 유지보수 이력데이터로부터 승강장 안전문 구성의 고장 감지 기록에 기반하여 잔여 수명을 계산할 수 있다. 예를 들어, 역의 승강장 안전문의 동작 장애 중 닫힘 불량이 발생한 경우, 고장이 감지된 시점과 이전 고장이 감지된 시점을 입력 값으로 하고, 시간 단위(예: 일(day) 단위)로 역산하여 잔여 수명을 계산하여 출력하고, 계산된 잔여 수명에 기반하여 승강장 안전문의 고장을 진단 및 예측할 수 있다.
일 실시 예에서, 데이터 수집부가 수집한 데이터들로부터, 잔여 수명은 수학식 1과 같이 계산될 수 있다.
Figure pat00001
이 때, t는 특정 시점, j는 특정 고장, i는 특정 고장이 감지된 횟수, RUL은 잔여 수명, Fault는 특정 고장이 특정 횟수 감지된 시점을 의미할 수 있다. 따라서, 수학식 1은 특정 시점에서, 특정 고장 j의 i번째 감지 시점에서 특정 고장 j의 (i-1)번째 감지 시점의 차이를 계산함으로써, 특정고장 j의 i번째 잔여 수명을 계산할 수 있다.
다른 실시 예에서, DNN 기법에 기반한 잔여 수명 모델을 이용하여 잔여 수명을 계산할 수 있고, 잔여 수명을 예측하기 위한 잔여 수명 모델은 비선형 네트워크로 표현될 수 있다. 예를 들어, 데이터 수집부가 수집한 데이터들로부터, 잔여 수명은 수학식 2와 같이 계산될 수 있다.
Figure pat00002
이 때, t는 특정 시점, j는 특정 고장, i는 특정 고장이 감지된 횟수, f는 DNN 신경망 함수, w는 가중치(weight), n은 입력 데이터의 수, x는 입력 데이터, b는 바이어스(bias)를 의미할 수 있다. 따라서, 승강장 안전문 고장 진단 및 예측 장치는 DNN기법에 기반하여 수학식 2를 이용하는 잔여 수명 모델을 통해 데이터 수집부(210)가 수집한 데이터들에 대한 계층적인 특성 추출을 수행하여 학습하고, 잔여 수명을 예측할 수 있다.
고장 원인 추론부(250)는 데이터 수집부(210)가 수집한 데이터 및 고장 진단 및 예측부(230)가 예측하여 생성한 승강장 안전문 구성의 잔여 수명에 기반하여, 승강장 안전문 구성의 특정 고장 종류에 대한 고장 원인 정보를 생성할 수 있다. 일 실시 예에서, 고장 원인 추론부(250)은 데이터 수집부(210)가 수집한 고장 및 유지 보수 이력 데이터 및 고장 진단 및 예측부(230)가 예측하여 생성한 승강장 안전문 구성의 잔여 수명을 수신하고, 승강장 안전문 구성의 특정 고장 종류에 대한 고장 원인 정보를 생성할 수 있다. 예를 들어, 고장 원인 추론부(250)는 고장 및 유지보수 이력 데이터를 이용하여 고장 원인 추론 모델을 기계 학습함으로써, 잔여 수명이 예측된 승강장 안전문의 특정 구성의 특정 고장 종류에 대한 고장 원인 정보를 생성할 수 있다. 고장 원인 추론 모델은 원인과 결과 사이의 인과관계를 데이터에 의하여 강화시킬 수 있는 DBN(deep belief network) 기법에 기반하여, 고장 진단 및 예측부(230)에서 생성된 승강장 안전문 구성의 특정 고장 종류의 대한 고장 원인 정보를 생성할 수 있다. 고장 원인 정보는 고장 진단 및 예측부(230)가 예측하여 생성한 승강장 안전문의 특정 구성의 잔여 수명이 나타내는 기간 이후에 특정 구성에 나타날 수 있는 특정 고장 종류 및 고장 원인을 포함할 수 있다. 다른 실시 예에서, 고장 원인 추론부(250)가 생성하는 고장 원인 정보는 유지보수자가 특정 고장의 원인에 대한 대처방안을 알 수 있도록, 특정 고장 원인에 대한 대처 방안 정보를 포함할 수 있다.
의사결정 지원부(270)는 고장 진단 및 예측부(230)에서 예측하여 생성한 승강장 안전문 구성의 잔여 수명과 고장 원인 추론부(250)에서 생성한 특정 고장 종류에 대한 고장 원인 정보를 표시할 수 있다. 예를 들어, 의사결정 지원부(270)는 표시 장치를 포함할 수 있고, 승강장 안전문 고장 진단 및 예측 장치(200)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 표시 장치는, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일 실시 예에 따르면, 표시 장치는 터치를 감지하도록 설정된 터치 회로(touch circuitry), 또는 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 센서 회로(예: 압력 센서)를 포함할 수 있다.
데이터 불균형 처리부(290)는 고장 진단 및 예측부(230)가 잔여 수명 모델을 이용하여 승강장 안전문 구성의 잔여 수명을 예측하여 생성하거나, 고장 원인 추론부(250)가 고장 원인 추론 모델을 이용하여 고장 원인을 추론하여 고장 원인 정보를 생성할 때, 기계 학습을 위한 데이터의 수가 부족할 경우, 데이터의 수를 증가시킬 수 있다. 승강장 안전문 구성의 고장 빈도는 장치의 개선에 따라 줄어들 수 있으므로, 데이터 수집부(210)가 수집한 데이터에 기반하여 고장을 예측하기 위한 방법에서 수집한 데이터가 부족하여 예측의 판별력을 유지하는 데 정확도의 저하 및 민감도의 문제를 야기할 수 있다. 따라서, 일 실시 예에서, 데이터 불균형 처리부(290)는 고장 진단 및 예측부(230) 또는 고장 원인 추론부(250)가 기계 학습에 필요한 데이터가 부족할 경우에 데이터의 수를 증가시킬 수 있다. 데이터 불균형 처리부(290)는 GAN(generative adversarial network) 기법을 기반으로 데이터 수를 증가시킬 수 있다. GAN 기법은 두개의 신경망을 게임이론(game theory)에 기반하여 학습시킴으로써, 신경망 학습의 효율성 및 정확도를 높이고 데이터의 불균형 해소 및 빈 데이터를 예측하기 위한 것으로, GAN은 페이크 데이터를 생성하는 생성기(generator)와 실제 데이터와 페이크 데이터를 판별하는 판별기(discriminator)를 포함하고, 생성기와 판별기 간의 적대적 학습(adversarial　learning)을 통해 구축되는 모델일 수 있다. 예를 들어, 데이터 불균형 처리부(290)는 데이터 수집부(210)가 수집한 시스템 상태 데이터, 센서 로그 데이터, 고장 및 유지보수 이력 데이터 중 적어도 하나를 이용하여 GAN기반 신경망 모델을 학습하여 상기 시스템 상태 데이터, 센서 로그 데이터, 고장 및 유지보수 이력 데이터 중 적어도 하나의 수를 증가시킬 수 있다.
일 실시 예에서, 데이터 불균형 처리부(290)는 고장 원인 정보를 생성함에 있어, 시스템 상태 데이터의 수가 부족할 경우 시스템 상태 데이터를 추가로 생성하거나, 시스템 상태 데이터가 포함하는 값에 결측치가 있을 경우 결측치에 해당하는 값을 생성할 수 있다.
도 3은 일 실시 예에 따른, 승강장 안전문 고장 진단 및 예측 장치의 데이터의 흐름을 나타내기 위한 도면이다.
도 3을 참조하면 데이터 수집부(210)가 수집한 데이터는, 승강장 안전문 셋팅 값(211), 센서 로그 데이터(213), 시스템 상태 데이터(215), 고장 및 유지보수 이력 데이터(217), 진동 데이터(219) 중 적어도 하나를 포함할 수 있다.
승강장 안전문 셋팅 값(211)은 승강장 안전문 제어장치 또는 승강장 안전문의 구동에 있어 미리 설정된 값으로, 승강장 안전문의 각 구성의 구동 시간, 구동 순서, 또는 구동 알고리즘과 관련된 데이터 중 적어도 하나를 포함할 수 있다. 예를 들어, 승강장 안전문 셋팅 값(211)은 안전문 닫힘/열림 동작시간, 지연시간, 센서 검지 횟수 또는 전동차 출입문과 연동된 승강장 안전문의 닫힘/열림 사이클을 포함할 수 있다.
센서 로그 데이터(213)은 승강장 안전문 제어장치 또는 승강장 안전문이 포함하는 센서 로그, 센서의 상태와 관련된 데이터 중 적어도 하나를 포함할 수 있다. 예를 들어, 센서 로그는 센서의 상태를 상세하게 나타낼 수 있도록 각 센서들의 동작 이력, 센싱 객체, 센싱 시점을 포함할 수 있다.
시스템 상태 데이터(215)는 승강장 안전문 제어장치 또는 승강장 안전문의 상태 정보와 고장 데이터 중 적어도 하나를 포함할 수 있다. 예를 들어 시스템 상태 데이터는 승강장 안전문의 안전문 닫힘/열림 여부, 지연 여부, 센서 감지 여부, 고장 여부와 관련된 값을 포함할 수 있다. 일 실시 예에서, 시스템 상태 데이터(215)는 승강장 안전문 고장 여부와 관련되어, 승강장 안전문의 고장 정보, 유지보수 필요 정보, 고장 원인 정보를 포함할 수 있다.
고장 및 유지보수 이력 데이터(217)는 승강장 안전문에 대한 고장 이력, 유지보수 이력, 고장 유형, 고장 원인과 관련된 데이터 중 적어도 하나를 포함할 수 있다. 예를 들어, 고장 및 유지보수 이력 데이터(217)은 승강장 안전문의 고장 시점 또는 유지보수 시점 별로 고장 유형, 고장 원인, 유지보수 방법, 유지보수자, 승강장 안전문을 특정할 수 있는 번호를 포함하는 표의 형식을 가질 수 있다.
진동 데이터(219)는 승강장 안전문 제어장치 또는 승강장 안전문이 포함할 수 있는 진동 센서와 관련된 값 중 적어도 하나를 포함할 수 있다. 예를 들어, 승강장 안전문에 부착되는 진동센서는 안전문 동작 사이클과 동기화되어 승강장 안전문 구동부의 진동을 수집할 수 있다. 일 실시 예에서, 진동 데이터(219)는 안전문 제어 유닛 또는 안전문에 포함된 진동센서가 승강장 안전문의 열림/닫힘을 검출하여 수집될 수 있다. 진동센서에서 검출한 진동센서는 고장 진단 및 예측부(230)가 승강장 안전문의 고장을 진단하거나 예측하기 위한 기계 학습, 또는 고장 원인 추론부(250)가 승강장 안전문 구성의 고장 원인을 추론하기 위한 기계 학습의 입력 값으로 사용될 수 있다.
데이터 수집부(210)가 수집한 데이터는 고장 진단 및 예측부(230)로 전달되어 승강장 안전문의 고장 진단 및 예측을 위해 사용될 수 있다. 예를 들어, 데이터 수집부(210)가 수집한 데이터는 DNN에 기반한 기계 학습을 통해 승강장 안전문 구성의 잔여 수명을 생성하는데 사용될 수 있다. 예를 들어, 고장 진단 및 예측부(230)는 승강장 안전문 셋팅 값(211), 센서 로그 데이터(213), 시스템 상태 데이터(215), 고장 및 유지보수 이력 데이터(217), 진동 데이터(219) 또는 이들의 조합을 입력 값으로 DNN 기법에 기반한 잔여 수명 모델을 기계 학습함으로써, 승강장 안전문이 포함하는 구성의 잔여 수명 예측 값을 출력할 수 있다.
데이터 수집부(210)가 수집한 데이터와 고장 진단 및 예측부(230)가 생성한 승강장 안전문 구성의 잔여 수명 예측 값은 고장 원인 추론부(250)으로 전달되어, 승강장 안전문 구성의 특정 고장 종류에 대한 고장 원인 정보를 생성하는데 사용될 수 있다. 예를 들어, 데이터 수집부(210)가 수집한 데이터와 고장 진단 및 예측부(230)가 생성한 승강장 안전문 구성의 잔여 수명 예측 값은 DBN에 기반한 기계 학습을 통해 승강장 안전문 구성의 특정 고장 종류에 대한 고장 원인 정보를 생성하는데 사용될 수 있다. 예를 들어, 고장 진단 및 예측부(230)는 센서 로그 데이터(213), 시스템 상태 데이터(215), 고장 및 유지보수 이력 데이터(217) 또는 이들의 조합을 입력 값으로 DBN 기법에 기반한 고장 원인 추론 모델을 기계 학습함으로써, 승강장 안전문 구성의 예측된 잔여 수명 이후에 일어날 수 있는 특정 고장 종류, 고장 원인에 대한 고장 원인 정보를 생성하는데 사용될 수 있다.
고장 진단 및 예측부(230)가 생성한 승강장 안전문 구성의 잔여 수명과 고장 원인 추론부(250)이 생성한 승강상 안전문의 구성의 특정 고장 종류에 대한 고장 원인 정보는 의사결정 지원부(270)으로 전달되어 표시될 수 있다. 예를 들어, 의사결정 지원부(270)는 표시 장치를 포함하고, 승강장 안전문의 특정 구성의 잔여 수명, 잔여 수명 이후에 일어날 수 있는 고장 원인에 대한 고장 원인 정보 중 적어도 하나를 표시할 수 있다.
데이터 수집부(210)가 수집한 데이터는 데이터 불균형 처리부(290)로 전달되어 데이터의 수를 증가시킬 수 있다. 예를 들어, 데이터 수집부(210)가 수집한 센서 로그 데이터(213), 시스템 상태 데이터(215), 고장 및 유지보수 이력 데이터(217)는 GAN에 기반한 기계 학습을 통해 상기 시스템 상태 데이터, 센서 로그 데이터, 고장 및 유지보수 이력 데이터 중 적어도 하나의 수를 증가시킬 수 있다. 일 실시 예에서, 고장 원인 정보를 생성함에 있어, 시스템 상태 데이터의 수가 부족할 경우 시스템 상태 데이터는 추가로 생성되거나, 시스템 상태 데이터가 포함하는 값에 결측치가 있을 경우 결측치에 해당하는 값이 생성될 수 있다.
증가된 데이터는 데이터 수집부(210)가 수집한 데이터와 함께 고장 진단 및 예측부(230)에 전달되어 잔여 수명 모델을 학습하는데 이용됨으로써 승강장 안전문 구성의 잔여 수명을 예측하여 생성하는데 이용되거나, 고장 원인 추론부(250)에 전달되어 고장 원인 추론 모델을 학습하는데 이용됨으로써 고장 원인 정보를 생성하는 데 사용될 수 있다.
도 4는 일 실시 예에 따른, 승강장 안전문 고장 진단 및 예측 장치의 데이터 수집부가 수신하는 데이터의 흐름을 나타내기 위한 도면이다.
도 4를 참조하면, 데이터 수집부(210)는 서로 다른 장치로부터 데이터를 수신할 수 있다. 예를 들어, 승강장 안전문 제어장치 또는 승강장 안전문이 포함하는 구성으로부터 데이터를 수집할 수 있다. 예를 들어, 데이터 수집부(210)는 승강장 안전문 종합제어반으로부터 승강장 안전문 셋팅 값(211), 센서 로그 데이터(213), 시스템 상태 데이터(215)을 수신하고, 외부 서버(예: 유지보수정보화 시스템)로부터 고장 및 유지보수 이력 데이터(217)를 수신하고, 승강장 안전문 제어 유닛(DCU)이 포함하는 센서, 승강장 안전문 제어장치가 포함하는 센서 중 적어도 하나로부터 진동데이터를 수신할 수 있다. 데이터 수집부(210)가 수신하여 수집하는 데이터의 종류는 승강장 안전문의 고장을 진단 및 예측하고, 승강장 안전문 구성의 잔여 수명을 예측하기 위해 필요한 데이터일 수 있고, 승강장 안전문 셋팅 값(211), 센서 로그 데이터(213), 시스템 상태 데이터(215), 고장 및 유지보수 이력 데이터(217), 진동 데이터(219)를 포함하거나 제외할 수 있고, 변경할 수 있고, 추가적인 종류의 데이터가 포함될 수 있고, 다수 종류 데이터의 조합일 수 있다. 데이터를 송신하는 장치는 승강장 안전문의 고장을 진단 및 예측하고, 승강장 안전문 구성의 잔여 수명을 예측하기 위해 필요한 데이터를 송신할 수 있는 장치일 수 있고, 승강장 안전문 제어장치, 승강장 안전문이 포함하는 구성, 외부 장치, 외부 서버 외 추가적인 종류의 장치로부터 데이터를 수신할 수 있고, 다수의 장치의 조합일 수 있다.
도 5는 일 실시 예에 따른, 승강장 안전문 고장 진단 및 예측 장치의 고장 원인 추론부에서, 특정 고장 종류에 대한 고장 원인 정보를 생성하는 방법을 설명하기 위한 도면이다.
도 5를 참조하면, 고장 원인 추론부(250)는 고장 진단 및 예측부(230)가 예측한 승강장 안전문 구성의 잔여 수명이 나타내는 기간 이후에 특정 구성에 나타날 수 있는 특정 고장 종류 및 고장 원인을 포함하는 고장 원인 정보를 생성하기 위해 DBN 기법에 기반하여 고장 원인 추론 모델을 기계 학습할 수 있다. 예를 들어, 고장 원인 추론부(250)는 고장 및 유지보수 이력 데이터(217)가 포함하는 승강장 안전문 구성의 고장 유형 정보 하나의 층(예: V층)에, 고장 부분과 고장 원인 정보를 다른 하나의 층(예: H층)에 맵핑하고, DBN 기법에 기반하여 기계 학습함으로써, 고장 진단 및 예측부(230)로부터 수신한 잔여 수명을 가지는 승강장 안전문 구성의 잔여 수명 이후 고장 종류 및 고장 원인을 포함하는 고장 원인 정보를 생성할 수 있다. 고장 및 유지보수 이력 데이터(217)가 포함하는 고장 부분과 고장 원인 관련 정보는 고장을 일으킨 구성, 교체된 장비, 검사된 장비 정보를 포함하는 유지보수 이력 관련 데이터를 포함할 수 있다. 고장 및 유지보수 이력 데이터(217)가 포함하는 데이터가 DBN 기법에 기반하여 각 층에 맵핑되어 신경망 구조를 형성하면, 베이지안(beyesian) 최적화 알고리즘에 따라 처리됨으로써, 고장 원인 정보를 생성할 수 있다.
도 6은 일 실시 예에 따른, 승강장 안전문 고장 진단 및 예측 장치의 동작을 설명하기 위한 흐름도의 일 예이다.
도 6의 흐름도(600)를 참조하면, 601 단계에서, 승강장 안전문 고장 진단 및 예측 장치(200)는 시스템 상태 데이터, 센서 데이터, 승강장 안전문(PSD) 셋팅 값, 고장 및 유지보수 이력 데이터, 진동 데이터를 수신할 수 있다. 예를 들어, 승강장 안전문 고장 진단 및 예측 장치(200)가 포함하는 데이터 수집부(210)는 시스템 상태 데이터, 센서 데이터, 승강장 안전문(PSD) 셋팅 값, 고장 및 유지보수 이력 데이터, 진동 데이터를 다른 장치로부터 수신하여 수집할 수 있고, 승강장 안전문의 고장을 진단하고 예측하기 위해 필요한 데이터의 종류는 변경될 수 있고, 추가적인 종류의 데이터가 포함될 수 있고, 다수 종류 데이터의 조합일 수 있다.
603 단계에서, 승강장 안전문 고장 진단 및 예측 장치(200)는 수신한 데이터들에 기반하여, 승강장 안전문이 포함하는 구성의 특정 고장에 대한 잔여 수명을 예측한다. 예를 들어, 승강장 안전문 고장 진단 및 예측 장치(200)가 포함하는 고장 진단 및 예측부(230)는 데이터 수집부(210)가 수집한 데이터들을 수신하고, 승강장 안전문이 포함하는 구성의 고장을 진단 또는 예측하고 고장에 대한 잔여 수명을 예측하여 생성할 수 있다. 예를 들어, 고장 진단 및 예측부(230)는 DNN(deep neural network) 기법을 기반으로 데이터 수집부(210)가 수집한 데이터 또는 데이터들의 조합을 입력 값으로 하여 잔여 수명 모델을 기계 학습함으로써, 승강장 안전문의 고장을 진단하고 고장에 대한 잔여 수명을 예측할 수 있다.
605 단계에서, 승강장 안전문 고장 진단 및 예측 장치(200)는 특정 고장에 대한 잔여 수명 및 데이터들에 기반하여, 승강장 안전문이 포함하는 구성의 특정 고장에 대한 고장 원인을 예측할 수 있다. 예를 들어, 승강장 안전문 고장 진단 및 예측 장치(200)가 포함하는 고장 원인 추론부(250)는 데이터 수집부(210)가 수집한 데이터 및 고장 진단 및 예측부(230)가 예측한 승강장 안전문 구성의 잔여 수명을 수신하고, 승강장 안전문 구성의 특정 고장 종류에 대한 고장 원인 정보를 생성할 수 있다. 예를 들어, 고장 원인 추론부(250)는 DBN 기법을 기반으로 고장 및 유지보수 이력 데이터(217)를 맵핑하고, 맵핑된 DBN 구조를 베이지안(beyesian) 최적화 알고리즘에 따라 기계 학습함으로써, 고장 원인 정보를 생성할 수 있다. 고장 원인 정보는 고장 진단 및 예측부(230)가 예측하여 생성한 승강장 안전문의 특정 구성의 잔여 수명이 나타내는 기간 이후에 특정 구성에 나타날 수 있는 특정 고장 종류 및 고장 원인을 포함할 수 있다.
607 단계에서, 승강장 안전문 고장 진단 및 예측 장치(200)는 예측된 잔여 수명 및 고장 원인을 표시할 수 있다. 예를 들어, 승강장 안전문 고장 진단 및 예측 장치(200)가 포함하는 의사결정 지원부(270)는 고장 진단 및 예측부(230)가 예측하여 생성한 승강장 안전문 구성의 잔여 수명 및 고장 원인 추론부(250)가 생성한 승강장 안전문 구성의 잔여 수명 이후 특정 고장 종류 및 고장 원인을 포함하는 고장 원인 정보 중 적어도 하나를 표시할 수 있다. 예를 들어, 의사결정 지원부(270)는 표시 장치를 포함할 수 있고, 승강장 안전문 고장 진단 및 예측 장치(200)의 외부로 정보를 시각적으로 제공할 수 있다.
도 7은 일 실시 예에 따른, 승강장 안전문 고장 진단 및 예측 장치의 동작을 설명하기 위한 흐름도의 다른 예이다.
도 7의 흐름도(700)를 참조하면, 701 단계에서, 승강장 안전문 고장 진단 및 예측 장치(200)는 승강장 안전문 고장 진단 및 예측 장치(200)는 시스템 상태 데이터, 센서 데이터, 승강장 안전문(PSD) 셋팅 값, 고장 및 유지보수 이력 데이터, 진동 데이터를 수신할 수 있다. 예를 들어, 데이터 수집부(210)는 승강장 안전문의 고장을 진단하고 예측하기 위해 필요한 데이터를 다른 장치로부터 수신하여 수집할 수 있고, 데이터의 종류는 변경될 수 있고, 추가적인 종류의 데이터가 포함될 수 있고, 다수 종류 데이터의 조합일 수 있다.
703 단계에서, 승강장 안전문 고장 진단 및 예측 장치(200)는 승강장 안전문이 포함하는 구성의 특정 고장에 대한 잔여 수명 및 고장 원인 예측을 위한 데이터가 부족한지 여부를 결정할 수 있다. 예를 들어, 승강장 안전문 고장 진단 및 예측 장치(200)가 포함하는 데이터 불균형 처리부(290)는 고장 진단 및 예측부(230)가 승강장 안전문 구성의 잔여 수명을 예측하여 생성할 때 DNN 기법에 기반한 기계 학습에 필요한 입력 데이터의 수가 부족하거나 임계 값 이하일 경우, 또는 고장 원인 추론부(250)가 승강장 안전문 구성의 예측된 잔여 수명 이후 나타날 수 있는 특정 고장에 대한 고장 원인 정보를 생성할 때 DBN 기법에 기반한 기계 학습에 필요한 입력 데이터의 수가 부족하거나 임계 값 이하일 경우 잔여 수명 예측을 위한 데이터의 수가 부족한 것으로 결정할 수 있다. 승강장 안전문 고장 진단 및 예측 장치(200)는 승강장 안전문이 포함하는 구성의 특정 고장에 대한 잔여 수명 및 고장 원인 예측을 위한 데이터가 부족한 것으로 결정된 경우, 705 단계로 진행하여, 데이터 수 증가 동작을 수행할 수 있다.
705 단계에서, 승강장 안전문 고장 진단 및 예측 장치(200)는 데이터들을 이용하여 신경망 모델을 학습함으로써, 데이터 수 증가 동작을 수행할 수 있다. 예를 들어, 승강장 안전문 고장 진단 및 예측 장치(200)가 포함하는 데이터 불균형 처리부(290)는 데이터 수집부(210)가 수집한 시스템 상태 데이터, 센서 로그 데이터, 승강장 안전문 셋팅 값, 고장 및 유지보수 이력 데이터 및 진동데이터 중 적어도 하나를 신경망 모델을 이용하여 학습함으로써, 데이터의 수를 증가시킬 수 있다. 예를 들어, 데이터 불균형 처리부(290)는 GAN(generative adversarial network) 기법을 기반으로 데이터를 생성하여 데이터 수를 증가시킬 수 있다.
707 단계에서, 승강장 안전문 고장 진단 및 예측 장치(200)는 데이터들에 기반하여, 승강장 안전문이 포함하는 구성의 특정 고장에 대한 잔여 수명을 예측할 수 있다. 예를 들어, 승강장 안전문 고장 진단 및 예측 장치(200)가 포함하는 고장 진단 및 예측부(230)는 데이터 수집부(210)가 수집한 데이터들을 수신하고, 수신한 데이터들에 기반하여 승강장 안전문이 포함하는 구성의 고장을 진단 또는 예측하고 고장에 대한 잔여 수명을 예측하여 생성할 수 있다. 다른 예를 들어, 고장 진단 및 예측부(230)는 데이터 수집부(210)가 수집한 데이터들 및 추가적으로 데이터 불균형 처리부(290)가 생성한 증가된 수의 데이터를 수신하고, 수신한 데이터들에 기반하여 잔여 수명을 예측하여 생성할 수 있다. 고장 진단 및 예측부(230)는 DNN 기법을 기반으로 데이터 수집부(210)가 수집한 데이터 또는 데이터들의 조합을 입력 값으로 하여 잔여 수명 모델을 기계 학습함으로써, 승강장 안전문의 고장을 진단하고 고장에 대한 잔여 수명을 예측하여 생성할 수 있다.
709 단계에서, 승강장 안전문 고장 진단 및 예측 장치(200)는 특정 고장에 대한 잔여 수명 및 데이터들에 기반하여, 승강장 안전문이 포함하는 구성의 특정 고장에 대한 고장 원인을 예측할 수 있다. 예를 들어, 승강장 안전문 고장 진단 및 예측 장치(200)가 포함하는 고장 원인 추론부(250)는 데이터 수집부(210)가 수집한 데이터 및 고장 진단 및 예측부(230)가 예측한 승강장 안전문 구성의 잔여 수명을 수신하고, 승강장 안전문 구성의 특정 고장 종류에 대한 고장 원인 정보를 생성할 수 있다. 다른 예를 들어, 고장 원인 추론부(250)는 데이터 수집부(210)가 수집한 데이터, 고장 진단 및 예측부(230)가 생성한 잔여 수명 및 추가적으로 데이터 불균형 처리부(290)가 생성한 증가된 수의 데이터를 수신하고, 수신한 잔여 수명 및 데이터들에 기반하여 고장 원인 정보를 생성할 수 있다. 고장 원인 정보는 고장 진단 및 예측부(230)가 예측하여 생성한 승강장 안전문의 특정 구성의 잔여 수명이 나타내는 기간 이후에 특정 구성에 나타날 수 있는 특정 고장 종류 및 고장 원인을 포함할 수 있다. 고장 원인 추론부(250)는 DBN 기법을 기반으로 고장 및 유지보수 이력 데이터(217)를 맵핑하고, 맵핑된 DBN 구조를 베이지안(beyesian) 최적화 알고리즘에 따라 기계 학습함으로써, 고장 원인 정보를 생성할 수 있다.
711 단계에서, 승강장 안전문 고장 진단 및 예측 장치(200)는 예측된 잔여 수명 및 고장 원인을 표시할 수 있다. 예를 들어, 승강장 안전문 고장 진단 및 예측 장치(200)가 포함하는 의사결정 지원부(270)는 고장 진단 및 예측부(230)가 예측하여 생성한 승강장 안전문 구성의 잔여 수명 및 고장 원인 추론부(250)가 생성한 승강장 안전문 구성의 잔여 수명 이후 특정 고장 종류 및 고장 원인을 포함하는 고장 원인 정보 중 적어도 하나를 표시할 수 있다.
본 발명의 다양한 실시 예들에 따르면, 승강장 안전문(platform screen door, PSD) 고장 예측 장치는 시스템 상태 데이터, 센서 로그 데이터, 승강장 안전문 셋팅 값, 고장 및 유지보수 이력 데이터 및 PSD 진동 데이터를 포함하는 정보를 수신하는 데이터 수집부, 상기 정보에 기반하여 잔여 수명(remaining useful life, RUL) 모델을 기계 학습함으로써, PSD가 포함하는 구성의 RUL 정보를 생성하는 고장 진단 및 예측부, 상기 고장 및 유지보수 이력 데이터에 기반하여 고장 원인 추론 모델을 기계 학습함으로써, 상기 RUL 정보가 포함하는 특정 고장 종류에 대한 고장 원인 정보를 생성하는 고장 원인 추론부 및 상기 RUL 정보 및 상기 고장 원인 정보를 표시하는 의사결정 지원부를 포함할 수 있다.
본 발명의 다양한 실시 예들에 따르면, 승강장 안전문(platform screen door, PSD) 고장 예측 장치는 상기 RUL 모델 또는 고장 원인 추론 모델을 기계 학습하기 위한 데이터의 수를 증가시키는 데이터 불균형 처리부를 더 포함할 수 있다.
본 발명의 다양한 실시 예들에 따르면, 상기 데이터 불균형 처리부는 상기 시스템 상태 데이터, 센서 로그 데이터, 고장 및 유지보수 이력 데이터를 이용하여 GAN기반 신경망 모델을 학습하여 상기 시스템 상태 데이터, 센서 로그 데이터, 고장 및 유지보수 이력 데이터의 수를 증가시킬 수 있다.
본 발명의 다양한 실시 예들에 따르면, 상기 시스템 상태 데이터, 상기 센서 로그 데이터, 상기 승강장 안전문 셋팅 값은 종합제어 서버로부터 수신되고, 상기 고장 및 유지보수 이력 데이터는 PSD의 안전문 제어 유닛(door control unit, DCU)로부터 수신되고, 상기 PSD 진동 데이터는 PSD의 센서로부터 승강장 안전문 고장 예측 장치로 수신될 수 있다.
본 발명의 다양한 실시 예들에 따르면, 상기 시스템 상태 데이터는, PSD의 상태 정보 및 고장 정보 중 적어도 하나 이상을 포함할 수 있다.
본 발명의 다양한 실시 예들에 따르면, 상기 센서 로그 데이터는, PSD의 센서 상태 정보를 포함할 수 있다.
본 발명의 다양한 실시 예들에 따르면, 상기 고장 및 유지보수 이력 데이터는, PSD의 고장 이력 정보, PSD의 유지보수 이력 정보, 고장 유형 정보 및 고장 원인 정보 중 적어도 하나 이상을 포함할 수 있다.
본 발명의 다양한 실시 예들에 따르면, 상기 승강장 안전문 셋팅 값은, PSD의 개폐 동작 시간 정보, PSD의 개폐 지연 시간 정보, PSD의 센서 검지 횟수 정보 중 적어도 하나 이상을 포함할 수 있다.
본 발명의 다양한 실시 예들에 따르면, 상기 PSD의 센서는, PSD 동작 주기와 동기화되어 PSD의 진동을 검출할 수 있다.
본 발명의 다양한 실시 예들에 따르면, 상기 고장 진단 및 예측부는, DNN 기법 기반 RUL 모델을 기계 학습하여 PSD가 포함하는 각 유닛의 RUL을 생성하고, 상기 RUL은 PSD의 유닛에서 발생할 수 있는 특정 고장들에 대응하여, 상기 특정 고장이 감지된 시점으로부터 상기 특정 고장이 이전 감지된 시점까지의 기간 단위로 생성될 수 있다.
본 발명의 다양한 실시 예들에 따르면, 상기 고장 및 유지보수 이력 데이터는, 고장 종류 데이터와 고장 원인 장비 데이터를 포함하고, 상기 고장 원인 추론부는, 상기 고장 종류 데이터와 고장 원인 장비 데이터를 맵핑함으로써, DBN 기법 기반 고장 원인 추론 모델을 기계 학습하고, PSD가 포함하는 각 유닛의 고장 원인 정보를 생성할 수 있다.
본 개시에 다양한 실시 예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치 (예: 스마트 폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시 예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 개시의 다양한 실시 예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시 예들로 한정하려는 것이 아니며, 해당 실시 예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나",“A 또는 B 중 적어도 하나,”"A, B 또는 C," "A, B 및 C 중 적어도 하나,”및 “A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, “기능적으로” 또는 “통신적으로”라는 용어와 함께 또는 이런 용어 없이, “커플드” 또는 “커넥티드”라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 개시에서 사용된 용어 "모듈" 또는 “-부”는 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일 실시 예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 개시의 청구항 또는 명세서에 기재된 실시 예들에 따른 방법들은 하드웨어, 소프트웨어, 또는 하드웨어와 소프트웨어의 조합의 형태로 구현될(implemented) 수 있다.
소프트웨어로 구현하는 경우, 하나 이상의 프로그램(소프트웨어 모듈)을 저장하는 컴퓨터 판독 가능 저장 매체가 제공될 수 있다. 컴퓨터 판독 가능 저장 매체에 저장되는 하나 이상의 프로그램은, 전자 장치(device) 내의 하나 이상의 프로세서에 의해 실행 가능하도록 구성된다(configured for execution). 하나 이상의 프로그램은, 전자 장치로 하여금 본 개시의 청구항 또는 명세서에 기재된 실시 예들에 따른 방법들을 실행하게 하는 명령어(instructions)를 포함한다.
이러한 프로그램(소프트웨어 모듈, 소프트웨어)은 랜덤 액세스 메모리 (random access memory), 플래시(flash) 메모리를 포함하는 불휘발성(non-volatile) 메모리, 롬(read only memory, ROM), 전기적 삭제가능 프로그램가능 롬(electrically erasable programmable read only memory, EEPROM), 자기 디스크 저장 장치(magnetic disc storage device), 컴팩트 디스크 롬(compact disc-ROM, CD-ROM), 디지털 다목적 디스크(digital versatile discs, DVDs) 또는 다른 형태의 광학 저장 장치, 마그네틱 카세트(magnetic cassette)에 저장될 수 있다. 또는, 이들의 일부 또는 전부의 조합으로 구성된 메모리에 저장될 수 있다. 또한, 각각의 구성 메모리는 다수 개 포함될 수도 있다.
또한, 프로그램은 인터넷(Internet), 인트라넷(Intranet), LAN(local area network), WAN(wide area network), 또는 SAN(storage area network)과 같은 통신 네트워크, 또는 이들의 조합으로 구성된 통신 네트워크를 통하여 접근(access)할 수 있는 부착 가능한(attachable) 저장 장치(storage device)에 저장될 수 있다. 이러한 저장 장치는 외부 포트를 통하여 본 개시의 실시 예를 수행하는 장치에 접속할 수 있다. 또한, 통신 네트워크상의 별도의 저장장치가 본 개시의 실시 예를 수행하는 장치에 접속할 수도 있다.
상술한 본 개시의 구체적인 실시 예들에서, 개시에 포함되는 구성요소는 제시된 구체적인 실시 예에 따라 단수 또는 복수로 표현되었다. 그러나, 단수 또는 복수의 표현은 설명의 편의를 위해 제시한 상황에 적합하게 선택된 것으로서, 본 개시가 단수 또는 복수의 구성요소에 제한되는 것은 아니며, 복수로 표현된 구성요소라 하더라도 단수로 구성되거나, 단수로 표현된 구성요소라 하더라도 복수로 구성될 수 있다.
이제까지 본 발명에 대하여 바람직한 실시 예를 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 본 발명을 구현할 수 있음을 이해할 것이다. 그러므로 상기 개시된 실시 예는 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 특허청구범위에 의해 청구된 발명 및 청구된 발명과 균등한 발명들은 본 발명에 포함된 것으로 해석되어야 한다.

Claims (14)

  1. 승강장 안전문(platform screen door, PSD) 고장 진단 및 예측 장치에 있어서,
    시스템 상태 데이터, 센서 로그 데이터, 승강장 안전문 셋팅 값, 고장 및 유지보수 이력 데이터 및 PSD 진동 데이터를 포함하는 정보를 수신하는 데이터 수집부;
    상기 정보에 기반하여 잔여 수명(remaining useful life, RUL) 모델을 기계 학습함으로써, PSD가 포함하는 구성의 RUL 정보를 생성하는 고장 진단 및 예측부;
    상기 고장 및 유지보수 이력 데이터에 기반하여 고장 원인 추론 모델을 기계 학습함으로써, 상기 RUL 정보가 포함하는 특정 고장 종류에 대한 고장 원인 정보를 생성하는 고장 원인 추론부; 및
    상기 RUL 정보 및 상기 고장 원인 정보를 표시하는 의사결정 지원부를 포함하는 장치.
  2. 청구항 1에 있어서,
    상기 RUL 모델 또는 고장 원인 추론 모델을 기계 학습하기 위한 데이터의 수를 증가시키는 데이터 불균형 처리부를 더 포함하는 장치.
  3. 청구항 2에 있어서,
    상기 데이터 불균형 처리부는 상기 시스템 상태 데이터, 센서 로그 데이터, 고장 및 유지보수 이력 데이터를 이용하여 GAN기반 신경망 모델을 학습하여 상기 시스템 상태 데이터, 센서 로그 데이터, 고장 및 유지보수 이력 데이터의 수를 증가시키는 장치.
  4. 청구항 1에 있어서,
    상기 시스템 상태 데이터, 상기 센서 로그 데이터, 상기 승강장 안전문 셋팅 값은 종합제어 서버로부터 수신되고, 상기 고장 및 유지보수 이력 데이터는 PSD의 안전문 제어 유닛(door control unit, DCU)로부터 수신되고, 상기 PSD 진동 데이터는 PSD의 센서로부터 수신되는 장치.
  5. 청구항 1에 있어서,
    상기 시스템 상태 데이터는, PSD의 상태 정보 및 고장 정보 중 적어도 하나 이상을 포함하고,
    상기 센서 로그 데이터는, PSD의 센서 상태 정보를 포함하고,
    상기 고장 및 유지보수 이력 데이터는, PSD의 고장 이력 정보, PSD의 유지보수 이력 정보, 고장 유형 정보 및 고장 원인 정보 중 적어도 하나 이상을 포함하고,
    상기 승강장 안전문 셋팅 값은, PSD의 개폐 동작 시간 정보, PSD의 개폐 지연 시간 정보, PSD의 센서 검지 횟수 정보 중 적어도 하나 이상을 포함하는 장치.
  6. 청구항 1에 있어서,
    상기 고장 진단 및 예측부는, DNN 기법 기반 RUL 모델을 기계 학습하여 PSD가 포함하는 각 유닛의 RUL을 생성하고,
    상기 RUL 정보는, PSD의 유닛에서 발생할 수 있는 특정 고장들에 대응하여, 상기 특정 고장이 감지된 시점으로부터 상기 특정 고장이 이전 감지된 시점까지의 기간 단위로 생성되는 장치.
  7. 청구항 1에 있어서,
    상기 고장 및 유지보수 이력 데이터는, 고장 종류 데이터와 고장 원인 장비 데이터를 포함하고,
    상기 고장 원인 추론부는, 상기 고장 종류 데이터와 고장 원인 장비 데이터를 맵핑함으로써, DBN 기법 기반 고장 원인 추론 모델을 기계 학습하고, PSD가 포함하는 각 유닛의 고장 원인 정보를 생성하는 장치.
  8. 승강장 안전문(platform screen door, PSD) 고장 진단 및 예측 장치의 동작 방법에 있어서,
    시스템 상태 데이터, 센서 로그 데이터, 승강장 안전문 셋팅 값, 고장 및 유지보수 이력 데이터 및 PSD 진동 데이터를 포함하는 정보를 수신하는 과정,
    상기 정보에 기반하여 잔여 수명(remaining useful life, RUL) 모델을 기계 학습함으로써, PSD가 포함하는 구성의 RUL 정보를 생성하는 과정,
    상기 고장 및 유지보수 이력 데이터에 기반하여 고장 원인 추론 모델을 기계 학습함으로써, 상기 RUL 정보가 포함하는 특정 고장 종류에 대한 고장 원인 정보를 생성하는 과정, 및
    상기 RUL 정보 및 상기 고장 원인 정보를 표시하는 과정을 포함하는 방법.
  9. 청구항 8에 있어서,
    상기 RUL 모델 또는 고장 원인 추론 모델을 기계 학습하기 위한 데이터의 수를 증가시키는 과정을 더 포함하는 방법.
  10. 청구항 9에 있어서,
    상기 데이터의 수를 증가시키는 과정은, 상기 시스템 상태 데이터, 센서 로그 데이터, 고장 및 유지보수 이력 데이터를 이용하여 GAN기반 신경망 모델을 학습하여 상기 시스템 상태 데이터, 센서 로그 데이터, 고장 및 유지보수 이력 데이터의 수를 증가시키는 과정을 포함하는 방법.
  11. 청구항 8에 있어서,
    상기 시스템 상태 데이터, 상기 센서 로그 데이터, 상기 승강장 안전문 셋팅 값은 종합제어 서버로부터 수신되고, 상기 고장 및 유지보수 이력 데이터는 PSD의 안전문 제어 유닛(door control unit, DCU)로부터 수신되고, 상기 PSD 진동 데이터는 PSD의 센서로부터 수신되는 방법.
  12. 청구항 8에 있어서,
    상기 시스템 상태 데이터는, PSD의 상태 정보 및 고장 정보 중 적어도 하나 이상을 포함하고,
    상기 센서 로그 데이터는, PSD의 센서 상태 정보를 포함하고,
    상기 고장 및 유지보수 이력 데이터는, PSD의 고장 이력 정보, PSD의 유지보수 이력 정보, 고장 유형 정보 및 고장 원인 정보 중 적어도 하나 이상을 포함하고,
    상기 승강장 안전문 셋팅 값은, PSD의 개폐 동작 시간 정보, PSD의 개폐 지연 시간 정보, PSD의 센서 검지 횟수 정보 중 적어도 하나 이상을 포함하는 방법.
  13. 청구항 8에 있어서,
    PSD가 포함하는 구성의 RUL 정보를 생성하는 과정은, DNN 기법 기반 RUL 모델을 기계 학습하여 PSD가 포함하는 각 유닛의 RUL을 생성하는 과정을 포함하고,
    상기 RUL 정보는, PSD의 유닛에서 발생할 수 있는 특정 고장들에 대응하여, 상기 특정 고장이 감지된 시점으로부터 상기 특정 고장이 이전 감지된 시점까지의 기간 단위로 생성되는 방법.
  14. 청구항 8에 있어서,
    상기 고장 및 유지보수 이력 데이터는, 고장 종류 데이터와 고장 원인 장비 데이터를 포함하고,
    상기 RUL 정보가 포함하는 특정 고장 종류에 대한 고장 원인 정보를 생성하는 과정은, 상기 고장 종류 데이터와 고장 원인 장비 데이터를 맵핑함으로써, DBN 기법 기반 고장 원인 추론 모델을 기계 학습하고, PSD가 포함하는 각 유닛의 고장 원인 정보를 생성하는 과정을 포함하는 방법.
KR1020190141070A 2019-11-06 2019-11-06 승강장 안전문 고장 진단 및 예측 장치 KR102358486B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190141070A KR102358486B1 (ko) 2019-11-06 2019-11-06 승강장 안전문 고장 진단 및 예측 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190141070A KR102358486B1 (ko) 2019-11-06 2019-11-06 승강장 안전문 고장 진단 및 예측 장치

Publications (2)

Publication Number Publication Date
KR20210054868A true KR20210054868A (ko) 2021-05-14
KR102358486B1 KR102358486B1 (ko) 2022-02-04

Family

ID=75915517

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190141070A KR102358486B1 (ko) 2019-11-06 2019-11-06 승강장 안전문 고장 진단 및 예측 장치

Country Status (1)

Country Link
KR (1) KR102358486B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115140102A (zh) * 2022-05-18 2022-10-04 卡斯柯信号有限公司 一种城市轨道交通站台门联动控制故障检测方法及装置
WO2023228723A1 (ja) * 2022-05-24 2023-11-30 株式会社日立製作所 ドアシステムの故障予兆診断システム及び故障予兆診断方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016044547A (ja) * 2014-08-22 2016-04-04 オプテックス株式会社 自動開閉扉の監視装置
KR101944070B1 (ko) * 2018-10-10 2019-01-30 (주)모두그룹종합건축사사무소 빅데이터를 활용한 승강장안전문 관리시스템 및 방법
KR101996375B1 (ko) * 2019-03-06 2019-07-03 (주)와이제이솔루션 기능 확장이 용이한 이상 예측 수처리 제어시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016044547A (ja) * 2014-08-22 2016-04-04 オプテックス株式会社 自動開閉扉の監視装置
KR101944070B1 (ko) * 2018-10-10 2019-01-30 (주)모두그룹종합건축사사무소 빅데이터를 활용한 승강장안전문 관리시스템 및 방법
KR101996375B1 (ko) * 2019-03-06 2019-07-03 (주)와이제이솔루션 기능 확장이 용이한 이상 예측 수처리 제어시스템

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115140102A (zh) * 2022-05-18 2022-10-04 卡斯柯信号有限公司 一种城市轨道交通站台门联动控制故障检测方法及装置
CN115140102B (zh) * 2022-05-18 2024-03-29 卡斯柯信号有限公司 一种城市轨道交通站台门联动控制故障检测方法及装置
WO2023228723A1 (ja) * 2022-05-24 2023-11-30 株式会社日立製作所 ドアシステムの故障予兆診断システム及び故障予兆診断方法

Also Published As

Publication number Publication date
KR102358486B1 (ko) 2022-02-04

Similar Documents

Publication Publication Date Title
US20210147182A1 (en) Non-intrusive data analytics system for adaptive intelligent condition monitoring of lifts
CN109205426B (zh) 电梯健康监测***
US10547917B2 (en) Ride quality mobile terminal device application
EP2562614A2 (en) Control device of control system and elevator systems
KR102235728B1 (ko) 전동차의 전기식 출입문 고장예측 장치
CN109205427B (zh) 电梯破坏监测***
KR102358486B1 (ko) 승강장 안전문 고장 진단 및 예측 장치
CN109205425A (zh) 电梯传感器***校准
EP3617117B1 (en) Model development framework for remote monitoring condition-based maintenance
JP7308717B2 (ja) ホームドア診断装置、ホームドアシステム、及びホームドア診断プログラム
Asada Novel condition monitoring techniques applied to improve the dependability of railway point machines
EP3748450A1 (en) Data driven machine learning for modeling aircraft sensors
Marhic et al. An evidential approach for detection of abnormal behaviour in the presence of unreliable sensors
JP7226671B2 (ja) エレベーターの故障診断装置
KR20220032822A (ko) 엘리베이터 상태의 진단 방법
CN110088024A (zh) 电梯故障的远程恢复***
KR102301011B1 (ko) 엘리베이터 도어의 고장 예측 시스템
JP2017190193A (ja) システム機器の異常診断装置、エレベーターの異常診断装置及びエレベーターの異常診断方法
KR102452204B1 (ko) 승강장안전문 고장예측 장치 및 방법
CN113682911B (zh) 一种采样方式的设置、电梯的故障检测方法及相关装置
KR20190061051A (ko) 복구 지원 시스템
Bai A generic fault detection and diagnosis approach for pneumatic and electric driven railway assets
Lin et al. Dynamic Simulations for Lift Door Health Diagnosis
Ekanayake Fault diagnosis: A distributed model-based approach for safety-critical complex reactive systems with hybrid dynamics
KR20240109024A (ko) 딥러닝 모델을 활용한 설비 장애 예측 장치

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