1 |
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; 및상기 RUL 정보 및 상기 고장 원인 정보를 표시하는 의사결정 지원부를 포함하는 장치
|
2 |
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 |
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 |
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 |
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 |
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 |
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 |
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, 및상기 RUL 정보 및 상기 고장 원인 정보를 표시하는 과정을 포함하는 방법
|
9 |
9
청구항 8에 있어서,상기 RUL 모델 또는 고장 원인 추론 모델을 기계 학습하기 위한 데이터의 수를 증가시키는 과정을 더 포함하는 방법
|
10 |
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 |
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 |
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 |
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 |
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
|