1 |
1
차량 상태 모니터링 장치에 의해 수행되는 차량 상태 모니터링 방법에 있어서,a) 차량의 속도 데이터를 포함하는 적어도 하나 이상의 운행 데이터를 수신하는 단계;b) 입력 데이터를 기초로 예상되는 상기 입력 데이터의 예측 추세를 생성하도록 학습된 인공지능 모델을 이용하여, 상기 적어도 하나 이상의 운행 데이터를 기초로 상기 차량의 예측 속도 데이터를 포함하는 예측 추세 정보를 생성하는 단계;c) 실시간으로 상기 차량의 현재 속도 데이터를 포함하는 상기 차량의 현재 상태 데이터들을 획득하고, 상기 현재 상태 데이터와 상기 예측 추세 정보에 따른 예측 운행 데이터를 비교하여 비교 결과를 생성하는 단계; 및d) 상기 비교 결과를 기초로, 상기 현재 상태 데이터와 상기 현재 상태 데이터에 대응되는 상기 예측 운행 데이터의 차이가 기설정된 임계값 이상이면 이례 상황으로 판단하여 상기 차량 상태 모니터링 장치와 통신 연결된 단말에 모니터링 결과로서 제공하는 단계를 포함하는 것인, 차량 상태 모니터링 방법
|
2 |
2
제1항에 있어서,상기 비교 결과는 상기 예측 추세 정보에 따른 현재 시점의 예측 운행 데이터를 상기 현재 상태 데이터와 비교한 결과인 것인, 차량 상태 모니터링 방법
|
3 |
3
제1항에 있어서,상기 인공지능 모델은 장단기메모리 신경망 기반으로 형성된 것이고, 상기 운행 데이터는 기설정된 시간 간격에 따라 주기적으로 수집되는 것인, 차량 상태 모니터링 방법
|
4 |
4
제1항에 있어서,상기 운행 데이터는 현재 시간 데이터, 상기 차량의 속도 데이터, 상기 차량의 열차자동운전 장치(ATO; Automatic Train Operation) 아날로그 출력 데이터, 상기 차량의 견인제동상태 데이터 및 상기 차량의 현재 구배를 포함하는 필수 파라미터들을 포함하는 것인, 차량 상태 모니터링 방법
|
5 |
5
제4항에 있어서,상기 운행 데이터는 상기 필수 파라미터 외에 상기 차량의 종류, 상기 차량의 하위 장치 유형, 날씨, 상기 차량의 제한 속도 데이터, 상기 차량의 위치 데이터, 상기 차량이 출발지로부터 이동한 거리 데이터, 상기 차량이 정차할 다음 역의 명칭, 현재 상기 차량의 위치로부터 상기 다음 역까지의 잔여 거리 데이터, 상기 차량의 통신 인터페이스 상태 데이터 및 상기 차량의 에어컨과 출입문에 대응되는 디지털 입출력 포트의 전원 상태 데이터를 포함하는 옵션 파라미터들을 더 포함하는 것인, 철도 차량 상태 모니터링 방법
|
6 |
6
제1항에 있어서,e) 상기 d) 단계에 따른 상기 현재 상태 데이터와 상기 예측 운행 데이터의 비교 결과 및 상기 기설정된 임계값의 차이에 기초하여 상기 차량의 현재 상태 데이터를 제어하기 위한 제어 정도를 결정하는 단계를 더 포함하는 것인, 차량 상태 모니터링 장치
|
7 |
7
차량 상태 모니터링 장치에 있어서,차량 제어 단말과 정보 송수신을 수행하는 통신 모듈;차량 상태 모니터링 프로그램을 저장하는 메모리; 및상기 차량 상태 모니터링 프로그램을 실행하는 프로세서를 포함하고,상기 프로세서는 차량의 속도 데이터를 포함하는 적어도 하나 이상의 운행 데이터를 수신하고, 입력 데이터를 기초로 예상되는 상기 입력 데이터의 예측 추세를 생성하도록 학습된 인공지능 모델을 이용하여, 상기 적어도 하나 이상의 운행 데이터를 기초로 상기 차량의 예측 속도 데이터를 포함하는 예측 추세 정보를 생성하고, 실시간으로 상기 차량의 현재 속도 데이터를 포함하는 상기 차량의 현재 상태 데이터들을 획득하고, 상기 현재 상태 데이터와 상기 예측 추세 정보에 따른 예측 운행 데이터를 비교하여 비교 결과를 생성하며, 상기 비교 결과를 기초로, 상기 현재 상태 데이터와 상기 현재 상태 데이터에 대응되는 상기 예측 운행 데이터의 차이가 기설정된 임계값 이상이면 이례 상황으로 판단하여 상기 통신 모듈과 통신 연결된 상기 차량 제어 단말에 모니터링 결과로서 제공하는 것을 수행하도록 구성되는, 차량 상태 모니터링 장치
|
8 |
8
제7항에 있어서,상기 비교 결과는 상기 예측 추세 정보에 따른 현재 시점의 예측 운행 데이터를 상기 현재 상태 데이터와 비교한 결과인 것인, 차량 상태 모니터링 장치
|
9 |
9
제7항에 있어서,상기 인공지능 모델은 장단기메모리 신경망 기반으로 형성된 것이고, 상기 운행 데이터는 기설정된 시간 간격에 따라 주기적으로 수집되는 것인, 차량 상태 모니터링 방법
|
10 |
10
제7항에 있어서,상기 운행 데이터는 현재 시간 데이터, 상기 차량의 속도 데이터, 상기 차량의 열차자동운전 장치(ATO; Automatic Train Operation) 아날로그 출력 데이터, 상기 차량의 견인제동상태 데이터 및 상기 차량의 현재 구배를 포함하는 필수 파라미터들을 포함하는 것인, 차량 상태 모니터링 장치
|
11 |
11
제10항에 있어서,상기 운행 데이터는 상기 필수 파라미터 외에 상기 차량의 종류, 상기 차량의 하위 장치 유형, 날씨, 상기 차량의 제한 속도 데이터, 상기 차량의 위치 데이터, 상기 차량이 출발지로부터 이동한 거리 데이터, 상기 차량이 정차할 다음 역의 명칭, 현재 상기 차량의 위치로부터 상기 다음 역까지의 잔여 거리 데이터, 상기 차량의 통신 인터페이스 상태 데이터 및 상기 차량의 에어컨과 출입문에 대응되는 디지털 입출력 포트의 전원 상태 데이터를 포함하는 옵션 파라미터들을 더 포함하는 것인, 철도 차량 상태 모니터링 장치
|
12 |
12
제7항에 있어서, 상기 프로세서는 상기 현재 상태 데이터와 상기 예측 운행 데이터의 비교 결과 및 상기 기설정된 임계값의 차이에 기초하여 상기 차량의 현재 상태 데이터를 제어하기 위한 제어 정도를 결정하는 것을 더 수행하도록 구성되는, 차량 상태 모니터링 장치
|