1 |
1
운송 수단의 고장예지 및 건전성 관리 방법에 있어서, 운송 수단의 부품에 설치된 모듈로부터 시계열 센서 데이터를 수신하는 단계; 상기 수신된 시계열 센서 데이터를 이용하여 상기 부품의 상태 추정 또는 이상징후 검출을 위한 회귀 신경망(Recurrent Neural Network)의 파라미터를 갱신하는 단계; 및 상기 갱신된 회귀 신경망의 파라미터가 적용된 회귀 신경망을 이용하여 상기 운송 수단의 부품의 상태를 추정하거나 이상징후를 검출하는 단계를 포함하는, 운송 수단의 고장예지 및 건전성 관리 방법
|
2 |
2
제1항에 있어서, 상기 파라미터를 갱신하는 단계는, 상기 시계열 센서 데이터의 단기, 중기 및 장기 데이터 중에서 적어도 하나의 데이터를 혼합한 데이터 시퀀스를 이용하여 회귀 신경망의 파라미터를 갱신하는, 운송 수단의 고장예지 및 건전성 관리 방법
|
3 |
3
제1항에 있어서, 상기 회귀 신경망은, 상기 부품의 충전 상태값(SOC, state of charge), 건강 상태값(SOH, state of health), 전력 측정값, 전압 측정값, 전류 측정값, 및 온도 측정값 중에서 적어도 하나가 포함된 입력 벡터를 입력층을 통해 입력받는, 운송 수단의 고장예지 및 건전성 관리 방법
|
4 |
4
제1항에 있어서, 상기 회귀 신경망은, 장단기 메모리(Long Short-Term Memory, LSTM) 신경망인 것을 특징으로 하는, 운송 수단의 고장예지 및 건전성 관리 방법
|
5 |
5
제4항에 있어서, 상기 LSTM 신경망은, LSTM 신경망을 이루는 셀(Cell)의 모임인 적어도 하나의 신경망 층(Layer)과, 상기 신경망 층의 각 셀의 출력을 입력으로 갖는 완전 연결(Fully Connected) 신경망을 포함하는, 운송 수단의 고장예지 및 건전성 관리 방법
|
6 |
6
제4항에 있어서, 상기 LSTM 신경망은 복수의 셀을 포함하는 하나의 신경망 층과, 상기 하나의 신경망 층의 각 셀의 출력을 입력으로 갖는 완전 연결 신경망을 포함하고, 상기 복수의 셀 각각은 상기 수신된 시계열 센서 데이터가 시계열 순으로 구분된 복수의 단기 데이터 중에서 대응되는 단기 데이터를 입력받는, 운송 수단의 고장예지 및 건전성 관리 방법
|
7 |
7
제4항에 있어서, 상기 LSTM 신경망은 복수의 셀을 포함하고 순차적으로 연결된 복수의 신경망 층과, 상기 복수의 신경망 층에서 마지막에 연결된 신경망 층의 출력을 입력으로 갖는 완전 연결 신경망을 포함하고, 상기 복수의 셀 각각은 상기 수신된 시계열 센서 데이터가 시계열 순으로 구분된 복수의 단기 데이터 중에서 대응되는 단기 데이터를 입력받고, 상기 복수의 신경망 층은 상기 복수의 신경망 층 중에서 이전 차수의 신경망 층에 포함된 복수의 이전 셀 중에서 2개 이상의 이전 셀의 출력을 합쳐서 입력받는 복수의 다음 셀을 포함하는 다음 차수의 신경망 층을 포함하는, 운송 수단의 고장예지 및 건전성 관리 방법
|
8 |
8
제6항에 있어서, 상기 완전 연결 신경망은, 상기 복수의 신경망 층에서 마지막에 연결된 신경망 층의 출력과 상기 복수의 신경망 층에서 적어도 하나의 셀의 출력을 추가로 입력받는, 운송 수단의 고장예지 및 건전성 관리 방법
|
9 |
9
운송 수단의 부품에 설치된 모듈과 통신하는 통신부; 적어도 하나의 프로그램을 저장하는 메모리; 및 상기 통신부 및 상기 메모리와 연결된 프로세서를 포함하고, 상기 프로세서는, 상기 적어도 하나의 프로그램을 실행함으로써, 운송 수단의 부품에 설치된 모듈로부터 시계열 센서 데이터를 수신하고, 상기 수신된 시계열 센서 데이터를 이용하여 상기 부품의 상태 추정 또는 이상징후 검출을 위한 회귀 신경망(Recurrent Neural Network)의 파라미터를 갱신하고, 상기 갱신된 회귀 신경망의 파라미터가 적용된 회귀 신경망을 이용하여 상기 운송 수단의 부품의 상태를 추정하거나 이상징후를 검출하는, 운송 수단의 고장예지 및 건전성 관리 장치
|
10 |
10
제9항에 있어서, 상기 프로세서는, 상기 시계열 센서 데이터의 단기, 중기 및 장기 데이터 중에서 적어도 하나의 데이터를 혼합한 데이터 시퀀스를 이용하여 회귀 신경망의 파라미터를 갱신하는, 운송 수단의 고장예지 및 건전성 관리 장치
|
11 |
11
제9항에 있어서, 상기 회귀 신경망은, 상기 부품의 충전 상태값(SOC, state of charge), 건강 상태값(SOH, state of health), 전력 측정값, 전압 측정값, 전류 측정값, 및 온도 측정값 중에서 적어도 하나가 포함된 입력 벡터를 입력층을 통해 입력받는, 운송 수단의 고장예지 및 건전성 관리 장치
|
12 |
12
제9항에 있어서, 상기 회귀 신경망은, 장단기 메모리(Long Short-Term Memory, LSTM) 신경망인 것을 특징으로 하는, 운송 수단의 고장예지 및 건전성 관리 장치
|
13 |
13
제12항에 있어서, 상기 LSTM 신경망은, LSTM 신경망을 이루는 셀(Cell)의 모임인 적어도 하나의 신경망 층(Layer)과, 상기 신경망 층의 각 셀의 출력을 입력으로 갖는 완전 연결(Fully Connected) 신경망을 포함하는, 운송 수단의 고장예지 및 건전성 관리 장치
|
14 |
14
제12항에 있어서, 상기 LSTM 신경망은 복수의 셀을 포함하는 하나의 신경망 층과, 상기 하나의 신경망 층의 각 셀의 출력을 입력으로 갖는 완전 연결 신경망을 포함하고, 상기 복수의 셀 각각은 상기 수신된 시계열 센서 데이터가 시계열 순으로 구분된 복수의 단기 데이터 중에서 대응되는 단기 데이터를 입력받는, 운송 수단의 고장예지 및 건전성 관리 장치
|
15 |
15
제12항에 있어서, 상기 LSTM 신경망은 복수의 셀을 포함하고 순차적으로 연결된 복수의 신경망 층과, 상기 복수의 신경망 층에서 마지막에 연결된 신경망 층의 출력을 입력으로 갖는 완전 연결 신경망을 포함하고, 상기 복수의 셀 각각은 상기 수신된 시계열 센서 데이터가 시계열 순으로 구분된 복수의 단기 데이터 중에서 대응되는 단기 데이터를 입력받고, 상기 복수의 신경망 층은 상기 복수의 신경망 층 중에서 이전 차수의 신경망 층에 포함된 복수의 이전 셀 중에서 2개 이상의 이전 셀의 출력을 합쳐서 입력받는 복수의 다음 셀을 포함하는 다음 차수의 신경망 층을 포함하는, 운송 수단의 고장예지 및 건전성 관리 장치
|
16 |
16
제15항에 있어서, 상기 완전 연결 신경망은, 상기 복수의 신경망 층에서 마지막에 연결된 신경망 층의 출력과 상기 복수의 신경망 층에서 적어도 하나의 셀의 출력을 추가로 입력받는, 운송 수단의 고장예지 및 건전성 관리 장치
|
17 |
17
운송 수단의 부품으로부터 획득되는 시계열 센서 데이터를 수집하고 전송하는 모듈; 및상기 모듈로부터 수신된 시계열 센서 데이터를 이용하여 상기 부품의 상태 추정 또는 이상징후 검출을 위한 회귀 신경망(Recurrent Neural Network)의 파라미터를 갱신하고 상기 갱신된 회귀신경망의 파라미터를 상기 모듈에 전송하되, 상기 시계열 센서 데이터의 단기, 중기 및 장기 데이터 중에서 적어도 하나의 데이터를 혼합한 데이터 시퀀스를 이용하여 회귀신경망의 파라미터를 갱신하는 클라우드 서버를 포함하고,상기 모듈은 상기 갱신된 회귀신경망의 파라미터가 적용된 회귀 신경망을 이용하여 상기 운송 수단의 부품의 상태를 추정하거나 이상징후를 검출하는, 운송 수단의 부품에 대한 고장예지 및 건전성 관리 시스템
|
18 |
18
프로세서에 의해 실행 가능한 적어도 하나의 프로그램을 포함하는 비일시적 컴퓨터 판독가능 저장 매체로서, 상기 적어도 하나의 프로그램은 상기 프로세서에 의해 실행될 때, 상기 프로세서로 하여금: 운송 수단의 부품에 설치된 모듈로부터 시계열 센서 데이터를 수신하고, 상기 수신된 시계열 센서 데이터를 이용하여 상기 부품의 상태 추정 또는 이상징후 검출을 위한 회귀 신경망(Recurrent Neural Network)의 파라미터를 갱신하고, 상기 갱신된 회귀 신경망의 파라미터가 적용된 회귀 신경망을 이용하여 상기 운송 수단의 부품의 상태를 추정하거나 이상징후를 검출하게 하는 명령어들을 포함하는, 비 일시적 컴퓨터 판독 가능한 저장 매체
|