KR20190107080A - 클라우드 기반 차량 고장 진단 방법, 장치 및 시스템 - Google Patents

Abstract

본 발명의 실시예들은 클라우드 기반 고장 진단 방법을 제공한다. 이 클라우드 기반 고장 진단 방법은, 차량에 의해 업로드되는 모니터링 데이터를 수신하는 단계; 상기 모니터링 데이터로부터 상기 모니터링 데이터의 고유 벡터(eigenvector)를 추출하는 단계; 상기 모니터링 데이터의 출처인 상기 차량의 상기 부품 또는 상기 기능 시스템을 라벨로서 이용하여, 분류에 따라 상기 모니터링 데이터의 고유 벡터를 저장하는 단계; 및 지원 벡터 머신 알고리즘(support vector machine algorithm)에 기초하여, 상기 분류에 따라 저장된 고유 벡터에 대해 병렬로 고장 진단을 수행하는 단계를 포함한다. 본 발명의 기술적 해결 수단에 따르면, 고장 진단은 지원 벡터 머신 알고리즘에 기초하여, 상이한 부품 또는 기능 시스템의 모니터링 데이터로부터 추출된 고유 벡터에 대해 병렬로 수행될 수 있다. 따라서, 진단 시간이 감축되고, 데이터 전송 동안 상이한 데이터가 서로에게 영향을 주는 것을 방지하면, 이로써 고장 진단 정확도가 향상된다.

Description

클라우드 기반 차량 고장 진단 방법, 장치 및 시스템

본 발명은 고장 진단의 분야에 관한 것으로서 특히 클라우드 기반 차량 고장 진단 방법, 장치 및 시스템에 관한 것이다.

자동차는 사람들이 일반적으로 선택하는 일상의 교통 수단이 되어 왔다. 경제, 과학, 기술의 발전과 더불어 전기 자동차의 인기가 증가하고, 지능적이고 상오 연결된 자동차가 나타나기 시작했으며, 전자 기술, 자동화 기술 그리고 컴퓨터 기술이 자동차의 설계 및 생산 산업에 점차적으로 사용되고 있다. 한편, 자동차의 자동화도 점차 증가하고 있다. 다른 한편, 그런 자동차의 유지 및 모니터링에 대해서는 더 높은 요구가 발의되고 있다. 컴퓨터 제어 시스템의 적용으로, 자동차의 구조가 크게 복잡해 지고 자동차의 고장 진단의 어려움이 증가하고 있다.

자동차의 고장 진단은 차량 및 운전자 양쪽의 안전과 관련되어 있고, 자동차의 정상적인 운행을 보장하기 위해 필요한 조치이다. 기존의 고장 진단 기술은 주로 정성 분석 방법(qualitative analysis method)(예컨대, 전문 시스템에 기초하여 고장 진단) 및 정량 분석 방법(예컨대, 파싱 모델에 기초한 고장 진단 및 데이터 기반 고장 진단(data-driven fault diagnosis))이다. 데이터 기반 고장 진단은 종종 머신 학습 알고리즘에 기초하여 고장 진단 기술을 사용한다. 정성 분석 고장 진단은 오직 오프라인 진단만일 할 수 있고, 상대적으로 작은 고장의 진단 정확도는 상대적으로 낮다. 파싱 모델(parsing model)에 기초한 고장 진단과 머신 학습 알고리즘에 기초한 고장 진단은 둘 다 시스템 내에서 일어나는 상대적으로 작은 고장을 정확하게 진단할 수 있다. 파싱 모델에 기초한 고장 진단은 상대적으로 우수한 실시간 성능을 가지고 있지만, 파싱 모델은 상대적으로 복잡하고 상대적으로 큰 비선형 시스템에 대해서는 구축하기 어렵다. 머신 학습 알고리즘에 기초한 고장 진단 기술이 여러 고장을 진단하고 처리할 수 있지만, 그것은 상대적으로 많은 양의 연산이 필요하고 상대적으로 상당한 시간을 요구한다. 그러므로 기존 단일 칩 마이크로컴퓨터로는 고장 진단 기술의 온라인 사용을 지원할 수 없다. 클라우드 컴퓨팅이 발달하고 성숙함에 따라, 클라우드 컴퓨팅이, 머신 학습 알고리즘에 기초한 고장 진단의 큰 연산량과 긴 소요 시간의 문제를 히결하는 데 도움이 된다.

종래 기술은 클라우드 컴퓨팅 기반 자동차 진단 시스템을 제공한다. 그 시스템은 클라우드 컴퓨팅에 기반하여, 단일 칩 마이크로컴퓨터의 불충분한 연산 파워, 비싼 검출 장치 또는 차량에 탑재하는 불편함과 같은 사소한 문제를 해결할 수 있다. 그러나 이 시스템은 간단한 로직이 있지만 고장을 어떻게 정확하게 진단할 것인지에 대한 구체적인 기술적 해결 수단을 제공하지 않는다. 또한 고장 진단 정확도는 낮고 차량 안전성은 거의 보장되지 않는다.

본 발명의 실시예들은 클라우드 기반 차량 고장 진단 방법, 시스템, 및 장치를 제공하여, 고장 진단 정밀도를 향상시키고 진단 시간을 감축시킨다.

제1 측면은 클라우드 기반 차량 고장 진단 방법을 제공한다. 이 방법은, 차량에 의해 업로드되는 모니터링 데이터를 수신하는 단계 - 상기 모니터링 데이터는 모니터링 장치에 의해 차량에 의해 모니터링되는 차량의 부품 또는 기능 시스템의 작동 상태의 데이터이고, 부품은 차량 내에 포함된 부속품으로서 예컨대 브레이크, 트랜스미션, 컴프레서, 타이어압 모니터, 또는 워터 펌프 등이고, 기능 시스템은 복수의 컴포넌트를 포함하고 특정 기능, 예컨대 배터리 관리 시스템, 브레이크 안전 시스템, 또는 파워 시스템을 구현하도록 구성된 모든 것임 -; 모니터링 데이터로부터 모니터링 데이터의 고유 벡터를 추출하는 단계 - 추출된 고유 벡터는 모니터링 데이터를 나타내는 숫자의 집합으로, 예컨대 고유 벡터는 모니터링 데이터의 오리지널 데이터에 대응하고 또 모니터링 데이터에 대해 평균 또는 분산 연산을 수행하여 획득된 평균값 또는 분산값의 집합이며, 선택적으로, 이 숫자들의 집합은 {A, B, C, D,...Z}와 같이 나타내어짐 -; 모니터링 데이터의 출처인 차량의 부품 또는 기능 시스템을 라벨로서 이용하여 분류에 기초하여 모니터링 데이터의 고유 벡터를 저장하는 단계; 지원 벡터 머신 알고리즘에 기초하여, 분류에 기초하여 저장된 고유 벡터에 대해 병렬로 고장 진단을 수행하는 단계를 포함한다.

제1 측면을 참조한, 제1 측면의 제1 가능한 구현예에서, 상기 모니터링 데이터로부터 상기 모니터링 데이터의 고유 벡터(eigenvector)를 추출하는 단계 전에, 상기 방법은, 상기 모니터링 데이터를 파싱하여, 파싱된 모니터링 데이터를 획득하는 단계; 및 상기 모니터링 데이터의 출처인 상기 차량의 상기 부품 또는 상기 기능 시스템을 라벨로서 이용하여, 분류에 따라 상기 파싱된 모니터링 데이터를 저장하는 단계를 더 포함하고, 상기 분류에 따라 상기 파싱된 모니터링 데이터를 저장하기 위한 상기 라벨은 상기 분류에 따라 고유 벡터를 저장하기 위한 라벨에 대응하고, 상기 모니터링 데이터로부터 상기 모니터링 데이터의 고유 벡터를 추출하는 단계는 구체적으로, 상기 파싱된 모니터링 데이터로부터 상기 파싱된 모니터링 데이터의 고유 벡터를 추출하는 단계를 포함하여 이루어진다.

제1 측면의 제1 가능한 구현예를 참조한, 제1 측면의 제2 가능한 구현예에서, 상기 방법은, 주기적으로 부품 또는 기능 시스템의 이전 모니터링 데이터를 삭제하는 단계를 더 포함하고, 이 데이터 및 최근에 추출된 데이터는 동일 고유 벡터이다.

제2 측면은 클라우드 기반 차량 고장 진단 장치를 제공한다. 이 클라우드 기반 차량 고장 진단 장치는 모니터링 장치 수신 모듈, 데이터 전처리 모듈, 특징 데이터베이스, 및 고장 진단 모듈을 포함한다. 상기 모니터링 데이터 수신 모듈은, 차량에 의해 업로드되는 모니터링 데이터를 수신하도록 구성되고, 여기서 상기 모니터링 데이터는 차량에 의해 모니터링되는 부품 또는 기능 시스템의 동작 상태의 데이터이다. 상기 데이터 전처리 모듈은, 상기 모니터링 데이터 수신 모듈에 의해 수신된 상기 모니터링 데이터로부터 상기 모니터링 데이터의 고유 벡터(eigenvector)를 추출하도록 구성되고, 상기 고유 벡터는 상기 모니터링 데이터를 나타내는 숫자들의 집합이다. 상기 특징 데이터베이스는, 상기 모니터링 데이터의 출처인 상기 차량의 상기 부품 또는 상기 기능 시스템을 이용하여, 분류에 따라 상기 모니터링 데이터의 고유 벡터를 저장하도록 구성된다. 상기 고장 진단 모듈은, 지원 벡터 머신 알고리즘(support vector machine algorithm)에 기초하여, 상기 분류에 따라 상기 특징 데이터베이스에 의해 저장된 고유 벡터에 대해 병렬로 고장 진단을 수행하도록 구성된다.

제2 측면을 참조한, 제2 측면의 제1 가능한 구현예에서, 상기 장치는 중앙 데이터베이스를 더 포함한다. 상기 중앙 데이터베이스는, 상기 모니터링 데이터 수신 모듈에 의해 수신된 상기 모니터링 데이터를 파싱하여, 파싱된 모니터링 데이터를 획득하고, 상기 모니터링 데이터의 출처인 상기 차량의 상기 부품 또는 상기 기능 시스템을 라벨로서 이용하여, 분류에 따라 상기 파싱된 모니터링 데이터를 저장하도록 구성된다. 상기 분류에 따라 상기 파싱된 모니터링 데이터를 저장하기 위한 상기 라벨은 상기 분류에 따라 고유 벡터를 저장하기 위한 라벨에 대응한다. 상기 데이터 전처리 모듈은 구체적으로, 상기 중앙 데이터베이스에 의해 파싱된 모니터링 데이터로부터 상기 파싱된 모니터링 데이터의 고유 벡터를 추출하도록 구성된다.

제2 측면 또는 제2 측면의 제1 가능한 구현예를 참조한, 제2 측면의 제2 가능한 구현예에서, 상기 특징 데이터베이스는 추가로, 최근에 추출된 고유 벡터에 의해 나타내어지는 모니터링 데이터의 출처인 부품 또는 기능 시스템과 같은 고유 벡터로서 이전에 저장된 고유 벡터를 주기적으로 삭제하도록 구성된다.

제2 측면의 제2 가능한 구현예를 참조한, 제2 측면의 제3 가능한 구현예에서, 상기 중앙 데이터베이스는 특징 데이터베이스에 의해 삭제된 고유 벡터에 대응하는 모니터링 데이터를 삭제한다.

제3 측면은 클라우드 기반 차량 고장 진단 시스템을 제공한다. 이 시스템은, 제2 측면, 제2 측면의 제1 구현예 또는 제2 측면의 제2 구현예에 따른 장치와, 차량을 포함한다. 이 차량은 차량에 의해 모니터링되는 데이터를 제2 측면, 제2 측면의 제1 구현예 또는 제2 측면의 제2 구현예에 따른 장치에 업로드한다. 제2 측면, 제2 측면의 제1 구현예 또는 제2 측면의 제2 구현예에 따른 장치는 수신된 데이터에 기초하여 고장 진단을 수행한다.

본 발명의 실시예에 따르면, 상이한 부품 또는 기능 시스템으로부터의 모니터링 데이터의 고유 벡터가 분류에 따라 또 지원 벡터 머신 알고리즘에 따라 저장되고, 고장 진단은 분류에 기초하여 저장된 고유 벡터에 대해 병렬로 수행된다. 진단 시간이 감축되고, 데이터 전송 시에 상이한 데이터가 서로에게 영향을 주는 것을 막을 수 있으며, 이로써 고장 진단 정확도를 향상시킬 수 있다.

도 1은 본 발명의 일실시예에 따른 클라우드 기반 고장 진단 시스템의 개략도이다.
도 2는 본 발명의 일실시예에 따른 클라우드 진단 장치의 개략도이다.
도 3은 본 발명의 일실시예에 따른 중앙 데이터베이스의 개략도이다.
도 4는 본 발명의 일실시예에 따른 중앙 데이터베이스의 주기적 저장 유닛의 개략도이다.
도 5는 본 발명의 일실시예에 따른 특징(feature) 데이터베이스의 개략도이다.
도 6은 본 발명의 일실시예에 따른 특징 데이터베이스의 주기적 저장 유닛의 개략도이다.
도 7은 본 발명의 일실시예에 따른 클라우드 기반 고장 진단 방법의 흐름도이다.
도 8은 본 발명의 일실시예에 따른 병렬 연산(parallel computing)의 개략도이다.
도 9는 본 발명의 일실시예에 따른 오프라인 훈련 및 고장 분류 모델 테스트 방법의 흐름도이다.
도 10은 본 발명의 일실시예에 따른 시스템 디그레이딩 결정 머신(system degrading decision machine)을 위한 내부 결정 방법의 흐름도이다.
도 11은 본 발명의 일실시예에 따른 배터리 팩의 전류 센서에 대한 고장 진단 방법의 흐름도이다.

이하에서는 본 발명의 실시예에서 첨부 도면을 참조하여 본 발명의 실시예에서의 기술적 해결 수단을 명확하고 완전하게 설명한다. 명백한 것은, 여기 설명된 실시예들은 단지 본 발명의 실시예의 일부이며 전부가 아니라는 것이다. 본 발명의 실시예에 기초하여 통상의 기술자가 창작적 노력 없이 획득할 수 있는 모든 다른 실시예는 본 발명의 보호 범위에 포함되어야 한다.

본 발명의 실시예와 연관될 수 있는 약자 및 용어의 정의는 이하와 같다.

ADAS: Advanced Driver Assistant System; 어드밴스드 운전자 지원 시스템

VCU: Vehicle Control Unit; 차량 제어 유닛

OBC: On Board Charger: 온보드 차저

SVM: Support Vector Machine: 지원 벡터 머신

GA: Genetic Algorithm: 제네틱 알고리즘

PSO: Particle Swarm Optimization: 파티클 스웜 최적화

DDAG: Decision Directed Acyclic Graph: 결정 방향성 비사이클 그래프

본 발명의 실시예들은 클라우드 기반 차량 고장 진단 시스템을 제공하고, 이것은, 실시간으로 및/또는 온라인으로 차량의 고장을 진단하고, 차량의 기능 시스템/부품의 고장 데이터에 대한 통계를 수집하는 등의 동작을 수행한다. 도 1에 도시된 바와 같이, 이 시스템은 다음 컴포넌트를 포함한다: 클라우드 진단 장치(1000), 차량(2000), 차량 또는 부품 제조자(3000), 유지 서버 제공자(4000), 및 다른 장치(5000).

클라우드 진단 장치(1000)는 차량(2000), 차량 또는 부품 제조자(3000), 유지 서비스 제공자(4000), 및 다른 장치(5000)와 무선 통신 기술을 이용하여 데이터를 교환한다. 선택적으로, 무선 통신 기술은 시스템에 한정되지 않고, 임의의 프로토콜에 따른 하나 이상의 무선 통신 기술일 수 있다. 클라우드 진단 장치(1000)는 차량(2000)에 의해 업로드되는 모니터링 장치에 기초하여 실시간으로, 차량에서 발생하는 고장을 진단하고 위치를 결정하며, 고장 데이터에 대한 통계치를 수집하고 관리한다. 또한, 클라우드 진단 장치(1000)는 처리 대상이거나 또는 그것에 대해 대응하는 차량(2000)에서 통계치를 수집하는 고장 데이터를, 차량 또는 부품 제조자(3000), 유지 서비스 제공자(4000) 또는 다른 장치(5000)에 송신할 수 있다. 예컨대, 부품 제조자 A가, 부품 제조자 A에 의해 생산된 부품 A의 고장 상황을 알고자 하면, 클라우드 진단 장치(1000)는 부품 제조자 A에게 통계치 수집을 통해 획득된 부품 A의 고장 데이터를 송신한다. 부품 A의 고장 데이터는, 한정되는 것은 아니지만, 부품 A가 고장을 일으킨 차량의 수량, 차량의 부품 A에서 발생한 고장의 횟수 등을 포함한다. 또 다른 예로서, 차량 B가 차량 B의 실시간 주행 중에 고장 상황을 알고자 하는 경우, 클라우드 진단 장치(1000)는 차량 B에게, 실시간으로 차량 B에 의해 업로드되는 모니터링 데이터에 기초하여 얻어진 차량 B의 고장 데이터를 송신한다. 차량 B의 고장 데이터는, 한정되는 것은 아니지만, 차량 B의 안전 계수(safety coefficient), 부품의 고장 리마인더 등을 포함한다.

차량(2000)은, 무선 통신 기술을 이용하여 클라우드 진단 장치(1000)에 접속된 하나 이상의 자동차를 나타내고, 운행 중인 차량을 특히 지정하는 것은 아니다. 차량(2000)은 차량의 운행 데이터 또는 부품의 동작 데이터를 모니터링하도록 구성된 모니터링 센싱 장치를 갖추고, 관련된 모니터링 대상 데이터를 고장 진단 요구 또는 지시 설정에 기초하여 클라우드 진단 장치(1000)에 업로드할 수 있다. 클라우드 진단 장치(1000)는 또한 차량(2000)에 의해 업로드된 모니터링 데이터를 처리한다.

차량 또는 부품 제조자(3000), 유지 서비스 제공자(4000), 및 다른 장치(5000)는 이 시스템에 꼭 필요한 컴포넌트는 아니고, 각 요건에 따라, 클라우드 진단 장치(1000)로부터 고장 관련 데이터를 수신/획득하여, 고장의 발생 가능성 및 빈도, 차량/기능 시스템/부품에 대한 영향 등을 분석한다.

본 발명의 본 실시예에서, 차량 고장 진단 링크가 클라우드 고장 진단 장치로 이동되고, 이로써 한정된 단일 차량의 단일 칩 마이크로컴퓨터의 한정된 계산 능력을 극복할 수 있고, 고장 진단의 정확도가 향상될 수 있으며, 많은 차량의 많은 고장이 클라우드에 기초하여 일관성 있게 관리될 수 있고, 획득된 데이터가 차량/부품 제조자, 유지 서비스 제공자, 및 다른 장치(예컨대, 제3의 모니터링 장치)와 공유될 수 있으므로, 소스로부터 고장을 명확히 하고 차량/부품의 안전성을 향상시키며, 차량의 운행 안전을 보장할 수 있다. 클라우드 기반 진단 시스템은 차량/부품의 고장의 진단 및 관리에 한정되지 않으며, 예컨대, 배, 비행기, 기차, 무인 비행체 등의 고장의 진단 및 관리에도 적용될 수 있다.

본 발명의 실시예는 클라우드 진단 장치를 제공한다. 도 2에 도시된 바와 같이, 장치(1000)는 모니터링 장치 수신 모듈(1010), 중앙 데이터베이스(1020), 데이터 전처리 모듈(1030), 특징 데이터베이스(1040), 고장 진단 모듈(1050), 고장 레벨 결정 모듈(1060), 시스템 디그레이딩 결정 머신(1070), 및 고장 통계치 수집 모듈(1080)을 포함한다.

모니터링 데이터 수신 모듈(1010)은 차량에 의해 업로드된 모니터링 데이터를 수신하도록 구성된다. 모니터링 데이터는 차량에 의해 모니터링되는 부품 또는 기능 시스템의 작동 상태의 데이터이다. 선택적으로, 모니터링 데이터는, 차량에 의해 모니터링되는, 차량, 부품 또는 기능 시스템의 작동 상태에 관련된 데이터이다.

중앙 데이터베이스(1020)는: 모니터링 데이터 수신 모듈(1010)에 의해 수신된 모니터링 데이터를 파싱하여, 파싱된 모니터링 데이터를 획득하도록 구성되는데, 구체적으로는, 차량에 의해 업로드되는 데이터 패킷을 파싱하고, 파싱된 데이터를 데이터 전처리 모듈(1030)에 입력한다. 선택적으로, 중앙 데이터베이스는 또한, 모니터링 데이터의 출처인 부품 또는 기능 시스템을 라벨로서 이용하여 분류에 다라 파싱된 모니터링 데이터를 저장하도록 구성되고, 이로써 모니터링 데이터에 관련된 상대적으로 완성된 데이터베이스가 구축될 수 있다. 이 데이터베이스는 후속적으로 차량/부품의 수명에 대한 고장 발생의 영향을 분석하거나 고장 진단 시스템을 개선하도록 구성될 수 있다.

또한, 도 3에 도시된 바와 같이, 중앙 데이터베이스(1020)는 임시 저장 유닛(1021) 및 주기적 저장 유닛(1022)을 포함한다. 선택적으로, 임시 저장 유닛(1021) 및 주기적 저장 유닛(1022)은 부품의 분류(부품 1, 부품 2, ..., 부품 n)에 따라 구조적으로 저장되고 관리된다. 임시 저장 유닛(1021)은 임시로 차량에 의해 업로드되는 실시간 데이터를 저장하도록 구성된다. 주기적 저장 유닛(1022)은 임시 저장 유닛(1021)에 저장된 실시간 데이터로부터 고장 라벨로서, 고장 진단 모듈(1050)에 의해 출력된 진단 결과를 이용하여 전송된 데이터를 저장하도록 구성된다. 도 4에 도시된 바와 같이, 부품 i를 예로 하여, 주기적 저장 유닛(1022)의, 분류에 따른 구조적 저장 및 관리를 설명한다. 부품 i는 상대적으로 독립된 저장 영역을 가진다. 이 저장 영역은 고장 없는 데이터 영역과 고장 데이터 영역으로 구분된다. 고장 데이터 영역은 또한 센서형 데이터, 액추에이터형 고장 데이터 또는 다른 고장 데이터로 다시 구분된다. 각 유형의 고장은 또한 고장 1 내지 고장 n으로 상세하게 더 구분된다. 예컨대, 센서형 데이터는 전류 센서 고장 데이터, 전압 센서 고장 데이터, 온도 센서 고장 데이터, 압력 센서 고장 데이터 등으로 구분될 수 있다. 선택적으로, 저장 공간을 절감하기 위해, 주기적 저장 유닛(1022)은 주기적으로 저장된 데이터를 소거한다(예컨대, 매주, 매월, 또는 매년).

데이터 전처리 모듈(1030)은 중앙 데이터베이스(1020)에 의해 입력된 모니터링 데이터('오리지널 데이터'라고도 한다)로부터 고유 벡터를 추출하고, 그 고유 벡터의 차원을 줄여서, 데이터 볼륨을 줄이고 유효 데이터 고유 벡터(effective data eigenvector)를 추출함으로써, 고장 진단 시간이 감소할 수 있고 고장 진단 정확도가 향상될 수 있다. 고유 벡터는 모니터링 데이터를 나타내는 숫자들의 집합이다. 선택적으로, 모니터링 데이터에 대해 평균 또는 분산 연산이 수행되고, 이로써 평균값 또는 분산값이 획득된다. 그 모니터링 데이터에 대응하는 평균값 또는 분산값의 집합이 상기 숫자들의 집합으로 간주될 수 있다. 선택적으로, 숫자들의 집합은 {A, B, C, D,...,Z}와 같이 나타내어질 수 있다.

특징 데이터베이스(1040)는 데이터 전처리 모듈의 처리 후에 획득된 고유 벡터를 저정하도록 구성된다. 또, 도 5에 도시된 바와 같이, 특징 데이터베이스(1040)는 임시 저장 유닛(1041) 및 주기적 저장 유닛(1042)을 포함한다. 특징 데이터베이스(1040)의 저장 및 관리는 분류에 따른 중앙 데이터베이스(1020)의 구조적 저장 및 관리와 유사하고, 또한 라벨로서 고장 진단 모듈(1050)에 의해 출력되는 진단 결과를 이용하여 그리고 분류에 기초하여 수행되는 구조적 저장 및 관리이다. 도 6에 도시된 바와 같이, 상세한 설명에 대해서는, 분류에 기초한 중앙 데이터베이스(1020)의 구조적 저장 및 관리를 참고할 수 있다. 특징 데이터베이스(1040)에 저장된 고유 벡터 데이터가 중앙 데이터베이스에 저장된 실시간 데이터(오리지널 데이터라고도 한다)와 일대일 대응하는 것에 주목하자. 선택적으로, 특징 데이터베이스(1040)에 저장된 고유 벡터 데이터는 주기적으로 소거된다. 주기적 소거의 원칙은 다음과 같다: (1) 가장 최근의 고유 벡터만이 유사한 고유 벡터에 대해 저장되어야 하고, (2) 이에 대응하여, 중앙 데이터베이스(1020)의 주기적 저장 유닛(1022)은 특징 데이터베이스(1040)에 저장된 고유 벡터에 대응하는 실시간 데이터(오리지널 데이터라고도 한다)만을 저장할 필요가 있다.

고장 진단 모듈(1050)은, 머신 학습 알고리즘에 기초하여, 분류에 따라 저장된 고유 벡터에 대해 고장 진단을 병렬로 수행하도록 구성된다. 선택적으로, 고장 진단 모듈(1050)에 의해 사용되는 머신 학습 알고리즘은 DDAG에 기초한 지원 벡터 머신 알고리즘이다. 이하 실시예에서 구체적인 고장 진단이 설명되므로, 여기서 상세한 설명은 생략한다.

고장 레벨 결정 모듈(1060)은 고장 진단 모듈(1050)에 의해 출력된 고장 진단 결과에 대해 레벨을 구분하도록 구성된다. 선택적으로, 레벨은: 레벨-1 고장(가장 심각한 고장), 레벨-2 고장, 레벨-3 고장...으로 구분될 수 있다. 선택적으로 이 레벨들은 심각한 고장, 보통 고장, 및 일반 고장으로 구분될 수도 있다.

시스템 디그레이딩 결정 머신(1070)은 고장 레벨 결정 모듈(1060)에 의해 결정된 고장 레벨에 기초하여 및/또는 고장 진단 결과의 관련 데이터가 모델에 입력된 후, 결정을 하고, 예상 안전 상태를 초과하거나 차량 안전 상태에 영향을 주는 고장을, 대응하는 위험 경고 신호를 이용하여 고장이 발생한 차량에 통지하도록 구성된다. 예컨대, 시스템 디그레이딩 결정 머신(1070)이, 브레이크 시스템의 고장 진단 결과의 관련 데이터에 기초하여, 브레이크 시스템에서 발생한 고장이 예상 안전 상태를 초과했다고 판단한다면, 시스템 디그레이딩 결정 머신(1070)은 위험 경고 시그널을 이용하여 고장이 발생한 차량에게 이것을 상기시키고 차량으로 하여금 안전이 확인되는 동안 차량을 멈추도록 요청하며, 차량에게 가능한 한 빨리 유지 보수하도록 상기시킨다.

고장 통계치 수집 모듈(1080)은 고장 레벨 결정 모듈(1060)에 의해 출력된 고장 진단 결과를 수신하고, 부품/시스템에 기초하여 파티션 관리를 수행하고 통계치를 수신하도록 구성된다. 또한, 고장 통계치 수집 모듈(1080)은 구체적으로는, 한정되는 것은 아니지만, 다음 예시 중 하나 이상을 수행하도록 구성된다: 각 부품의 고장의 발생 확률에 대한 통계치를 수집, 각 부품에서의 고장의 각 유형의 발생 확률에 대한 통계치를 수집, 각 부품에서의 특정 고장의 발생 확률에 대한 통계치를 수집, 모든 부품에서의 상이한 레벨의 고장의 발생 확률에 대한 통계치를 수집 등. 선택적으로, 통계 기간은 어떤 기간이라도 좋은데, 예컨대, 1년, 3개월, 1개월, n개 주, 및 n개 일일 수 있다. 선택적으로, 고장 통계치 수집 모듈(1080)은 대응하는 차량 또는 부품 제조자, 유지 서비스 제공자 및 다른 장치에게 고장 통계치 결과를 송신하도록 구성된다.

본 발명의 본 실시예에서 제공되는 클라우드 기반 차량 고장 진단 장치는 상이한 부품 또는 기능 시스템의 모니터링 데이터로부터 추출된 고유 벡터에 대해, 지원 벡터 머신 알고리즘에 기초하여, 병렬로 고장 진단을 수행할 수 있다. 진단 시간은 감축될 수 있고, 상이한 데이터가 데이터 전송 중에 서로에게 영향을 주는 것을 막을 수 있으며, 이로써 고장 진단 정확도를 향상시킬 수 있다.

본 발명의 일실시예는 클라우드 기반 차량 고장 진단 방법을 제공한다. 도 7에 도시된 바와 같이, 이 방법의 구체적인 단계는 다음과 같다:

S100: 차량이 클라우드 진단 장치/시스템에 모니터링된 기능 시스템/부품의 모니터링 데이터를 업로드한다. 선택적으로, 차량은 직접 모니터링 데이터를 중앙 데이터베이스에 업로드할 수 있다. 선택적으로, 차량은 데이터 패킷의 형태로 모니터링된 데이터를 패킹하고 그 데이터를 중앙 데이터베이스에 업로드할 수도 있다. 선택적으로, 차량은 데이터 전처리 모듈에 기능 시스템/부품의 모니터링된 모니터링 데이터를 바로 업로드할 수도 있다.

S200: 중앙 데이터베이스는 차량이 업로드한 모니터링 데이터를 수신하고, 모니터링 데이터를 파싱하며, 그런 다음 파싱된 모니터링 데이터를 데이터 전처리 모듈에 전송한다. 선택적으로, 중앙 데이터베이스는 또한, 수신되거나 파싱된 모니터링 데이터를 분류에 따라 구조적으로 저장 및 관리한다. 상세하게는, 전술한 실시예를 참고할 수 있으므로, 여기서 상세한 설명은 생략한다.

S300: 데이터 전처리 모듈이 중앙 데이터베이스에 의해 전송된 파싱된 모니터링 데이터를 수신하고, 수신된 모니터링 데이터로부터 고장 특징을 추출하여 고유 벡터를 획득하고, 추출된 고유 벡터를 특정 데이터베이스에 전송한다. 또한, 데이터 전처리 모듈은 웨이블릿(wavelet) 패킷 압축해제를 통해 수신된 데이터로부터 고장 특징을 추출하여 고유 벡터를 획득하고, 그런 다음 추출된 고유 벡터의 차원을 커널 주성분 분석(kernel principal component analysis)을 통해 줄여서 차원 감소된 고유 벡터를 획득한다. 웨이블릿 패킷 알고리즘은 전 대역(full band)에서의 신호에 대해 다층 대역 분할을 수행할 수도 있다. 그러므로 고장 특징 추출의 완성도는 상대적으로 높다. 선택적으로, 고장 진단 분류기의 연산 복잡도를 줄이고 고장 분리의 정확도를 향상하기 위해, 방사 기반 커널 주성분 분석(radial basis-kernel principal component analysis) 알고리즘을 사용하여 추출된 고유 벡터의 특징을 선택하고 그 차원을 감소시킨다. 선택적으로, 데이터 전처리 모듈은 차량이 직접 업로드하는 실시간 데이터를 수신한다.

선택적으로, 상술한 처리를 통해 획득된 고유 벡터는 고장 진단 및 위치 결정을 위해 고장 진단 모듈에 바로 전송될 수 있다.

S400: 특징 데이터베이스는 데이터 전처리 모듈에 의해 전송된 고유 벡터를 수신하고, 수신된 고유 벡터 데이터를 분류에 기초하여 구조적으로 저장하고 관리한다. 상세하게는, 상술한 실시예의 설명을 참조할 수 있으므로, 여기서 상세한 설명의 반복은 생략한다. 또한, 특징 데이터 데이터베이스는 고유 벡터를 고장 진단 모듈에 전송한다. 특징 데이터베이스는 필수 모듈이 아니다. 이 모듈의 기능은 고유 벡터를 더 잘 관리하는 것이다.

S500: 고장 진단 모듈이 특징 데이터베이스에 의해 전송되는 고유 벡터를 수신하고, 머신 학습 알고리즘에 따라 실시간으로 고장을 진단하고 위치를 결정한다. 선택적으로, 머신 학습 알고리즘은 DDAT에 기초한 지원 벡터 머신 알고리즘이다. 도 8에 도시된 바와 같이, 선택적으로, 고장 진단 모듈은 하나 이상의 고장 진단 유닛을 포함한다. 고장 진단 유닛은 부품/기능 시스템에 대응하고, 부품/기능 시스템에 기초하여 입력된 고유 벡터에 대해 병렬로 연산을 수행하여 진단 결과를 획득하도록 구성된다. 병렬 연산은 고장 진단 시간을 단축시키고 고장 진단 정확도를 향상시킨다. 부품에 대응하는 고장 진단 유닛은 대응하는 부품 및 고장 진단 유닛의 내부 요소에 대해 고장 진단과 위치 결정을 수행하고, 기능 시스템에 대응하는 고장 진단 유닛은 전체 시스템 또는 기능 시스템에 대해 고장 진단 및 위치 결정을 수행할 수 있으며, 이것에 의해, 데이터 전송 처리의 영향에 으로 발생하는 진단에 대한 잘못된 결정을 피할 수 있다.

또한, 지원 벡터 머신에 기초한 고장 진단은 고장 분류기를 오프라인으로 구축해야 한다. 즉, 지원 벡터 머신 분류 모델이다. 지원 벡터 머신 모델이 트레이닝되면, PSO(Particle Swarm Optimization) 알고리즘을 사용하여 지원 벡터 머신의 방사 기반 커널 함수 파라미터(radia basis kernel function parameter) 및 페널티 계수 파라미터(penalty factor parameter)를 최적화하여 고장 진단 정확도를 향상시킨다. 이하에서는 오프라인 트레이닝 및 고장 분류 모델 테스팅 방법을 제공한다. 도 9에 도시된 바와 같이, 구체적인 단계는 다음과 같다.

(1) 상이한 고장이 상이한 부품에서 발생하는 때, 시뮬레이션, 플랫폼 또는 실제 도로 테스트를 통해, 센서 고장, 액추에이터 고장 및 다른 고장에 기초하여 차량 파워 시스템 또는 엔진과 같은 핵심 부품, 구동 모터, 고압 배터리 시스템, 인버터, DCDC, OBC, 자율 주행 시스템, 또는 어시스턴스 주행 시스템에 대해 데이터가 수집된다.

(2) 웨이블릿 패킷 및 커널 주성분 알고리즘을 이용하여 수집된 데이터에 대해 데이터 특징 추출 및 차원 감소 처리를 수행하고, 마지막으로 상이한 고유 벡터가 출력된다.

(3) 지원 벡터 머신을 사용하여 상이한 고장의 고유 벡터를 트레이닝하고, PSO를 사용하여 지원 벡터 머신의 구조적 파라미터( 페널티 계수 파라미터 및 방사 기반 커널 함수 파라미터)를 최적화한다.

(4) 지원 벡터 머신의 구조적 파라미터의 초기값, 검색 범위, 및 PSO의 파라미터 값이 설정된다.

(5) 파티클(particle) 그룹의 속도 및 위치가 무작위로 주어진다.

(6) 지원 벡터 머신 분류 모델이 트레이닝되고, 각 파티클의 적합성 함수 값(fitness function value)이 계산된다.

(7) 파티클의 위치의 개별 및 글로벌 최적 값이 업데이트된다.

(8) 파티클의 속도 및 위치가 업데이트된다.

(9) 가장 큰 수량의 반복 회수에 도달하였는지가 결정되고, 만일 가장 큰 수량의 반복 회수에 도달하였으면, 지원 벡터 머신의 최적 구조적 파라미터, 즉 페널티 계수 파라미터 및 방사 기반 커널 함수 파라미터가 획득된다.

(10) 최적 지원 벡터 머신 분류 모델이 획득된다.

(11) 테스트 데이터를 사용하여 획득된 지원 벡터 머신 분류 모델을 테스트하고, 고장 진단 정확도가 출력되며, 이로써 분류 모델의 정확도를 결정하고, 테스트된 지원 벡터 머신 분류 모델은 온라인 실시간 고장 진단에 사용된다.

본 발명의 본 실시예는 클라우드 기반 고장 진단 방법을 제공한다. 이 방법에 따르면, 고장 진단은 지원 벡터 머신 알고리즘에 기초하여 상이한 부품/시스템의 고유 벡터에 대해 병렬로 고장 진단이 수행되고, 이로써 진단 시간이 감소하고 데이터 전송 효과를 방지하여 고장 진단 정확도를 향상시킬 수 있다.

선택적으로, S600: 고장 진단 모듈이 진단 결과를 중앙 데이터베이스, 특징 데이터베이스 및 고장 레벨 결정 모듈에 전송한다. 또, 중앙 데이터베이스 및 특징 데이터베이스는 진단 결과를 수신하고 대응하는 라벨로서 진단 결과를 이용한 분류에 기초하여 대응하는 데이터를 관리한다. 분류에 기초한 구체적인 관리에 대해서는, 상술한 실시예를 참조할 수 있으므로 여기서 상세한 설명의 반복은 생략한다.

선택적으로, S700: 고장 레벨 결정 모듈은 수신한 진단 결과의 레벨을 결정하고, 또한 그 레벨이 결정된 진단 결과를 시스템 디그레이딩 결정 머신 및 고장 통계치 수집 모듈에 전송한다. 여기서 구체적인 레벨 구분에 대해서는, 상술한 실시예의 설명을 참조할 수 있으므로, 여기서 반복 설명은 하지 않는다.

선택적으로, S800: 고장 통계치 수집 모듈이 수신된 진단 결과의 데이터에 대해 통계치를 수집한다. 구체적인 통계치 수집 과정에 대해서는, 상술한 실시예의 설명을 참조할 수 있으므로, 여기서 반복 설명은 생략한다. 또한, 고장 통계치 수집 모듈은 통계 데이터를 제조자, 서비스 공급자 등에 전송하여 제품 및/또는 서비스를 향상시킬 수 있게 한다.

선택적으로, S900: 시스템 디그레이딩 결정 머신은, 고장 레벨 결정 모듈에 의해 전송되고 그 레벨이 결정된 진단 결과를 수신하고, 고장 레벨 결정 모듈에 의해 출력된 결과에 기초하여, 대응하는 위험 경고 신호를 차량에 송신할지를 결정한다. 이 시스템 디그레이딩 결정 머신의 내부 결정 및 위험 경고 신호 송신 제어 프로세스에 대해서는 도 10에 도시되어 있고, 상세하게는 다음과 같다.

(1) 시스템 디그레이딩 결정 머신은 고장 레벨 결정 모듈에 의해 출력되는 결과에 기초하여 결정을 내린다. 고장 레벨 결정 모듈에 의해 진단된 고장이 심각한 레벨의 고장으로 결정되면, 시스템 디그레이딩 결정 머신은 차량에 대응하는 위험 경고 신호를 바로 보낸다. 선택적으로, 위험 경고 신호는 차량에게 심각한 고장이 발생하고 있다는 것을 상기시키고, 및/또는 심각한 고장을 긴급하게 처리하도록 요청하는 것이다. 선택적으로, 심각한 레벨의 고장은, 만일 그 고장이 발생하면, 차량이 제어되지 않거나, 운전자의 생명 안전이 위협받기 쉬운 것을 의미한다. 예컨대, 차량의 브레이크 페달이 고장나면, 차량의 브레이크 성능이 보장되지 않으며, 이 고장은 가장 심각한 고장으로 분류될 수 있다.

(2) 발생한 고장이 심각하지 않은 레벨의 고장으로 고장 레벨 결정 모듈에 의해 결정되면, 시스템 디그레이딩 결정 머신은 차량에 의해 업로드되는 실시간 데이터에 기초하여 종합적으로 결정하는 처리를 수행한다.

한편, 차량에 의해 업로드되는 차량 시스템 데이터는 차량 모델에 입력되어, 그 차량이 안전 상태인지를 결정하고, 반면, 업로드된 부품 데이터는 대응하느 부품 모델에 입력되어 부품이 예상되는 안전 상태에 있는지 결정한다. 또한, 차량 또는 부품이 치명적인 위험 상태인 것으로 결정되면, 시스템 디그레이딩 결정 머신은 대응하는 위험 경고 신호를 차량에 송신한다. 차량 모델 및 부품 모델은 수학적 공식을 이용하여 구축되거나, 또는 감사 네트워크(audit network)와 같은 지능 알고리즘을 이용하여 트레이닝될 수도 있다. 구체적인 구현예에서, 시스템 안전 상태를 반영하는 중요한 파라미터 값은 시스템(차량 또는 부품)의 추측된 입력/출력 신호 및 시스템의 모델에 기초하여 계산될 수 있다. 파라미터 값이 예상 안전 범위를 초과하면, 시스템 디그레이딩 결정 머신은 이 경우의 차량이 예상 안전 범위를 초과한 것으로 결정하고, 대응하는 시스템 위험 경고 신호를 차량에 전송하여, 차량의 안전 상태를 실시간으로 분석하고, 차량의 안전 운행을 보장한다.

이하에서는 배터리 팩의 전류 센서의 고장을 일례로서 사용하여, 고장 진단 및 위치결정 프로세스를 상세히 설명한다. 도 11에 도시된 바와 같이, 구체적인 구현예는 다음과 같다.

(1) 차량이 배터리 팩의 전류 센서에 관련된 모니터링되는 실시간 데이터를 중앙 데이터베이스의 임시 저장 유닛 및 데이터 전처리 모듈에 전송한다.

(2) 데이터 전처리 모듈이 수신된 데이터에 대해 특징 추출 동작을 수행하고, 추출된 고유 벡터를 고장 진단 모듈에 전송하고, 또 고유 벡터를 배터리 고장 진단 유닛으로 전송한다. 추가로, 데이터 전처리 모듈은 또한, 고유 벡터를 특징 데이터베이스에 저장한다. 특징 데이터베이스의 구조 및 저장 방식에 대해서는, 중앙 데이터베이스를 참조할 수 있다. 구체적으로 배터리에 관련된 고유 벡터는 특징 데이터베이스의 배터리 영역에 저장된다.

(3) 배터리 고장 진단 유닛은, 배터리 팩의 전류 센서가 고장난 것으로 결정하고, 진단 결과를 고장 통계치 수집 모듈, 고장 레벨 결정 모듈, 중앙 데이터베이스 및 특징 데이터베이스에 전송한다.

(4) 이 경우, 중앙 데이터베이스는 배터리 팩의 전류 센서의 고장을 고장 라벨로서 이용하고, 배터리에 관련되고 임시 저장 유닛에 저장된 실시간 데이터를 주기적 저장 유닛-배터리 영역-고장 데이터 영역-센서 고장 영역-전류 센서 고장 영역에 전송한다. 특징 데이터베이스 또한 유사한 방법으로 사용하여 임시 저장 유닛의 고유 벡터를 주기적 저장 유닛으로 전송한다.

(5) 추가로, 고장 진단 결과 또한, 차량 및 제3의 모니터링 장치(예컨대, 모바일 폰)로 전송된다.

(6) 추가로, 고장 통계치 수집 모듈이 배터리 팩의 전류 센서의 고장의 발생 확률에 대한 통계치를 수집하고, 결과를 차량 또는 부품 공장 및 제조자 유지(4S) 가게로 송신한다.

(7) 추가로, 고장 레벨 결정 모듈이 고장이 심각한 고장인지 결정하고, 고장이 심각한 고장으로 결정되면 시스템 디그레이딩 결정 머신으로 전송한다.

(8) 디그레이딩 결정 머신은 심각한 고장에 기초하여 디그레이딩 명령 결정을 내리고, 대응하는 위험 경고 신호를 차량의 VCU에 송신하여 파워를 영(zero)으로 줄이고 고전압을 차단하도록 요청하며, 파워 시스템 고장의 발생을 운전자에게 상기시키고 또 차를 세워야 한다고 운전자에게 상기시킨다.

본 발명의 본 실시예에서 제공되는 배터리 팩의 전류 센서에 대한 고장 진단 방법에서, 배터리 팩의 전류 센서의 모니터링 데이터가 추출되고, 고유 벡터가 대응하는 분류 저장 영역에 저장된다. 배터리 고장 진단 유닛은, 고유 벡터에 기초하여, 배터리 팩의 전류 센서가 고장이라는 것을 결정하고, 이로써 배터리 팩의 전류 센서의 모니터링 데이터에 대한 다른 부품/시스템의 모니터링 데이터의 영향을 피할 수 있고, 고장 진단 정확도가 향상될 수 있다.

마지막으로, 상술한 실시예들은 단지 본 발명의 기술적 해결 수단을 설명하기 위한 것일 뿐, 본 발명을 제한하는 것이 아님을 명시한다. 본 발명이 상술한 실시예를 참조하여 상세하게 설명되었지만, 통상의 기술자라면, 본 발명의 실시예의 기술적 해결 수단의 범위로부터 벗어나지 않고도, 상술한 실시예에서 설명한 기술적 해결 수단에 수정을 가할 수 있고, 그 기술적 특징 전부 또는 일부에 대해 균등물로 대체할 수 있음을 알아야 한다.

Claims (16)

1. 클라우드 기반 차량 고장 진단 방법으로서,
   차량에 의해 업로드되는 모니터링 데이터를 수신하는 단계 - 상기 모니터링 데이터는 차량에 의해 모니터링되는 부품 또는 기능 시스템의 동작 상태의 데이터임 -;
   상기 모니터링 데이터로부터 상기 모니터링 데이터의 고유 벡터(eigenvector)를 추출하는 단계 - 상기 고유 벡터는 상기 모니터링 데이터를 나타내는 숫자들의 집합임 -;
   상기 모니터링 데이터의 출처인 상기 차량의 상기 부품 또는 상기 기능 시스템을 라벨로서 이용하여, 분류에 따라 상기 모니터링 데이터의 고유 벡터를 저장하는 단계; 및
   지원 벡터 머신 알고리즘(support vector machine algorithm)에 기초하여, 상기 분류에 따라 저장된 고유 벡터에 대해 병렬로 고장 진단을 수행하는 단계
   를 포함하는 클라우드 기반 차량 고장 진단 방법.
2. 제1항에 있어서,
   상기 모니터링 데이터로부터 상기 모니터링 데이터의 고유 벡터(eigenvector)를 추출하는 단계 전에, 상기 클라우드 기반 차량 고장 진단 방법은,
   상기 모니터링 데이터를 파싱하여, 파싱된 모니터링 데이터를 획득하는 단계; 및
   상기 모니터링 데이터의 출처인 상기 차량의 상기 부품 또는 상기 기능 시스템을 라벨로서 이용하여, 분류에 따라 상기 파싱된 모니터링 데이터를 저장하는 단계
   를 더 포함하고,
   상기 분류에 따라 상기 파싱된 모니터링 데이터를 저장하기 위한 상기 라벨은 상기 분류에 따라 고유 벡터를 저장하기 위한 라벨에 대응하고,
   상기 모니터링 데이터로부터 상기 모니터링 데이터의 고유 벡터(eigenvector)를 추출하는 단계는 구체적으로, 상기 파싱된 모니터링 데이터로부터 상기 파싱된 모니터링 데이터의 고유 벡터를 추출하는 단계를 포함하여 이루어지는,
   클라우드 기반 차량 고장 진단 방법.
3. 제1항 또는 제2항에 있어서,
   상기 지원 벡터 머신 알고리즘(support vector machine algorithm)에 기초하여, 상기 분류에 따라 저장된 고유 벡터에 대해 병렬로 고장 진단을 수행하는 단계는,
   결정 방향성 비순환 그래프(DDAG: Decision Directed Acyclic Graph)에 기초하여 고장 분류기를 구축하고, 상기 분류에 따라 저장된 고유 벡터의 진단 결과를 병렬로 연산하는 단계를 포함하여 이루이지고,
   상기 진단 결과는 고장이 발생한 지점을 적어도 포함하는,
   클라우드 기반 차량 고장 진단 방법.
4. 제1항에 있어서,
   상기 모니터링 데이터로부터 상기 모니터링 데이터의 고유 벡터(eigenvector)를 추출하는 단계는,
   웨이블릿 패킷 분해(wavelet packet decomposition)를 통해 상기 모니터링 데이터로부터 상기 모니터링 데이터의 고유 벡터를 추출하는 단계를 포함하는,
   클라우드 기반 차량 고장 진단 방법.
5. 제4항에 있어서,
   상기 모니터링 데이터의 출처인 상기 차량의 상기 부품 또는 상기 기능 시스템을 라벨로서 이용하여, 분류에 따라 상기 모니터링 데이터의 고유 벡터를 저장하는 단계 전에, 상기 클라우드 기반 차량 고장 진단 방법은,
   커널 주성분 분석(kernel principal component analysis)을 통해 상기 고유 벡터의 차원을 줄여서 차원 감소 고유 벡터를 획득하는 단계를 더 포함하고,
   상기 모니터링 데이터의 출처인 상기 차량의 상기 부품 또는 상기 기능 시스템을 라벨로서 이용하여, 분류에 따라 상기 모니터링 데이터의 고유 벡터를 저장하는 단계는 구체적으로, 상기 모니터링 데이터의 출처인 상기 차량의 상기 부품 또는 상기 기능 시스템을 라벨로서 이용하여, 분류에 따라 상기 차원 감소 고유 벡터를 저장하는 단계를 포함하여 이루어지고,
   상기 지원 벡터 머신 알고리즘에 기초하여, 상기 분류에 따라 저장된 고유 벡터에 대해 병렬로 고장 진단을 수행하는 단계는 구체적으로, 상기 지원 벡터 머신 알고리즘에 기초하여, 상기 분류에 따라 저장된 상기 차원 감소 고유 벡터에 대해 병렬로 고장 진단을 수행하는 단계를 포함하여 이루어지는,
   클라우드 기반 차량 고장 진단 방법.
6. 제3항에 있어서,
   상기 진단 결과에 의해 지시되는 고장의 심각성 레벨을 결정하는 단계를 더 포함하고,
   상기 심각성 레벨은 심각한 고장, 보통 고장, 및 일반 고장을 포함하는,
   클라우드 기반 차량 고장 진단 방법.
7. 제6항에 있어서,
   상기 진단 결과에 의해 지시되는 고장의 심각성 레벨을 결정하는 단계 후에,
   상기 심각성 레벨이 심각한 고장인 경우이면 차량에 위험 경고 신호를 송신하는 단계를 더 포함하고,
   상기 위험 경고 신호는 차량의 정상 운행을 위험하게 하는 심각한 고장이 발생하고 있다는 것을 차량에게 상기시키기 위해 사용되는 것인,
   클라우드 기반 차량 고장 진단 방법.
8. 클라우드 기반 차량 고장 진단 장치로서,
   모니터링 데이터 수신 모듈, 데이터 전처리 모듈, 특징 데이터베이스, 및 고장 진단 모듈을 포함하고,
   상기 모니터링 데이터 수신 모듈은, 차량에 의해 업로드되는 모니터링 데이터를 수신하도록 구성되고, 여기서 상기 모니터링 데이터는 차량에 의해 모니터링되는 부품 또는 기능 시스템의 동작 상태의 데이터이고,
   상기 데이터 전처리 모듈은, 상기 모니터링 데이터 수신 모듈에 의해 수신된 상기 모니터링 데이터로부터 상기 모니터링 데이터의 고유 벡터(eigenvector)를 추출하도록 구성되고, 상기 고유 벡터는 상기 모니터링 데이터를 나타내는 숫자들의 집합이며,
   상기 특징 데이터베이스는, 상기 모니터링 데이터의 출처인 상기 차량의 상기 부품 또는 상기 기능 시스템을 이용하여, 분류에 따라 상기 모니터링 데이터의 고유 벡터를 저장하도록 구성되며,
   상기 고장 진단 모듈은, 지원 벡터 머신 알고리즘(support vector machine algorithm)에 기초하여, 상기 분류에 따라 상기 특징 데이터베이스에 의해 저장된 고유 벡터에 대해 병렬로 고장 진단을 수행하도록 구성되는,
   클라우드 기반 차량 고장 진단 장치.
9. 제8항에 있어서,
   상기 클라우드 기반 차량 고장 진단 장치가 중앙 데이터베이스를 더 포함하고,
   상기 중앙 데이터베이스는, 상기 모니터링 데이터 수신 모듈에 의해 수신된 상기 모니터링 데이터를 파싱하여, 파싱된 모니터링 데이터를 획득하고, 상기 모니터링 데이터의 출처인 상기 차량의 상기 부품 또는 상기 기능 시스템을 라벨로서 이용하여, 분류에 따라 상기 파싱된 모니터링 데이터를 저장하도록 구성되고,
   상기 분류에 따라 상기 파싱된 모니터링 데이터를 저장하기 위한 상기 라벨은 상기 분류에 따라 고유 벡터를 저장하기 위한 라벨에 대응하고,
   상기 데이터 전처리 모듈은 구체적으로, 상기 중앙 데이터베이스에 의해 파싱된 모니터링 데이터로부터 상기 파싱된 모니터링 데이터의 고유 벡터를 추출하도록 구성되는,
   클라우드 기반 차량 고장 진단 장치.
10. 제8항 또는 제9항에 있어서,
    상기 고장 진단 모듈은 구체적으로, 결정 방향성 비순환 그래프(DDAG: Decision Directed Acyclic Graph)에 기초하여 고장 분류기를 구축하고, 상기 분류에 따라 상기 특징 데이터베이스에 의해 저장된 고유 벡터의 진단 결과를 병렬로 연산하도록 구성되고,
    상기 진단 결과는 고장이 발생한 지점을 적어도 포함하는,
    클라우드 기반 차량 고장 진단 장치.
11. 제8항에 있어서,
    상기 데이터 전처리 모듈은 구체적으로, 웨이블릿 패킷 분해(wavelet packet decomposition)를 통해 상기 모니터링 데이터로부터 상기 고유 벡터를 추출하도록 구성되는,
    클라우드 기반 차량 고장 진단 장치.
12. 제11항에 있어서,
    상기 데이터 전처리 모듈은 추가로, 커널 주성분 분석(kernel principal component analysis)을 통해 상기 고유 벡터의 차원을 줄여서 차원 감소 고유 벡터를 획득하도록 구성되고,
    상기 특징 데이터베이스는 구체적으로, 상기 모니터링 데이터의 출처인 상기 차량의 상기 부품 또는 상기 기능 시스템을 라벨로서 이용하여, 분류에 따라, 상기 데이터 전처리 모듈에 의해 차원이 감소된 고유 벡터를 저장하도록 구성되고,
    상기 고장 진단 모듈은 구체적으로, 상기 지원 벡터 머신 알고리즘에 기초하여, 상기 분류에 따라 상기 특징 데이터베이스에 의해 저장된 상기 차원 감소 고유 벡터에 대해 병렬로 고장 진단을 수행하도록 구성된,
    클라우드 기반 차량 고장 진단 장치.
13. 제10항에 있어서,
    고장 레벨 결정 모듈을 더 포함하고,
    상기 고장 레벨 결정 모듈은, 상기 고장 진단 모듈에 의해 출력된 상기 진단 결과에 의해 지시되는 고장의 심각성 레벨을 결정하도록 구성되고,
    상기 심각성 레벨은 심각한 고장, 보통 고장, 및 일반 고장을 포함하는,
    클라우드 기반 차량 고장 진단 장치.
14. 제13항에 있어서,
    시스템 디그레이딩 결정 머신(system degrading decision machine)을 더 포함하고,
    상기 시스템 디그레이딩 결정 머신은, 상기 고장 레벨 결정 모듈에 의해 결정된 심각성 레벨이 심각한 고장인 경우이면 차량에 위험 경고 신호를 송신하도록 구성되고,
    상기 위험 경고 신호는 차량의 정상 운행을 위험하게 하는 심각한 고장이 발생하고 있다는 것을 차량에게 상기시키기 위해 사용되는 것인,
    클라우드 기반 차량 고장 진단 장치.
15. 클라우드 기반 고장 진단 시스템으로서,
    제8항 내지 제14항 중 어느 한 항에 따른 클라우드 기반 차량 고장 진단 장치와 차량을 포함하고,
    상기 차량은 모니터링 데이터를 제8항 내지 제14항 중 어느 한 항에 따른 클라우드 기반 차량 고장 진단 장치에 업로드하고,
    제8항 내지 제14항 중 어느 한 항에 따른 클라우드 기반 차량 고장 진단 장치는 상기 모니터링 데이터에 기초하여 고장 진단을 수행하는,
    클라우드 기반 고장 진단 시스템.
16. 제15항에 있어서,
    고장이 심각한 고장으로 진단된 경우, 실시간으로 달리는 차량에 위험 경고 신호가 송신되고,
    상기 위험 경고 신호는 차량의 정상 운행을 위험하게 하는 심각한 고장이 발생하고 있다는 것을 차량에게 상기시키기 위해 사용되는 것이고,
    상기 실시간으로 달리는 차량은 상기 위험 경고 신호에 기초하여 고장 대비조치를 취하는,
    클라우드 기반 고장 진단 시스템.

Images