[go: up one dir, main page]

KR20210152287A - 신호편차기반 인젝터 고장 기통 진단 방법 및 인젝터 고장 진단 장치 - Google Patents

신호편차기반 인젝터 고장 기통 진단 방법 및 인젝터 고장 진단 장치 Download PDF

Info

Publication number
KR20210152287A
KR20210152287A KR1020200069190A KR20200069190A KR20210152287A KR 20210152287 A KR20210152287 A KR 20210152287A KR 1020200069190 A KR1020200069190 A KR 1020200069190A KR 20200069190 A KR20200069190 A KR 20200069190A KR 20210152287 A KR20210152287 A KR 20210152287A
Authority
KR
South Korea
Prior art keywords
injector
cylinder
signal
vibration
noise
Prior art date
Legal status (The legal status 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 status listed.)
Abandoned
Application number
KR1020200069190A
Other languages
English (en)
Inventor
이승현
정인수
이동철
Original Assignee
현대자동차주식회사
기아 주식회사
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 현대자동차주식회사, 기아 주식회사 filed Critical 현대자동차주식회사
Priority to KR1020200069190A priority Critical patent/KR20210152287A/ko
Priority to US17/110,506 priority patent/US11236694B2/en
Publication of KR20210152287A publication Critical patent/KR20210152287A/ko
Abandoned legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/22—Safety or indicating devices for abnormal conditions
    • F02D41/221—Safety or indicating devices for abnormal conditions relating to the failure of actuators or electrically driven elements
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/22—Safety or indicating devices for abnormal conditions
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/008—Controlling each cylinder individually
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D41/1405—Neural network control
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1497—With detection of the mechanical response of the engine
    • F02D41/1498—With detection of the mechanical response of the engine measuring engine roughness
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2438—Active learning methods
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2451—Methods of calibrating or learning characterised by what is learned or calibrated
    • F02D41/2474—Characteristics of sensors
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2477—Methods of calibrating or learning characterised by the method used for learning
    • F02D41/248—Methods of calibrating or learning characterised by the method used for learning using a plurality of learned values
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/30—Controlling fuel injection
    • F02D41/38—Controlling fuel injection of the high pressure type
    • 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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D2041/1413—Controller structures or design
    • F02D2041/1432—Controller structures or design the system including a filter, e.g. a low pass or high pass filter
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D2041/1433—Introducing closed-loop corrections characterised by the control or regulation method using a model or simulation of the system
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/22—Safety or indicating devices for abnormal conditions
    • F02D2041/224—Diagnosis of the fuel system
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/22—Safety or indicating devices for abnormal conditions
    • F02D2041/228—Warning displays
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/025—Engine noise, e.g. determined by using an acoustic sensor
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Analytical Chemistry (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)

Abstract

본 발명의 인젝터 고장 진단 장치(1)의 신호편차기반 인젝터 고장 기통 진단 방법은 제어기(10)가 엔진(2)의 연소에 따른 소음/진동 신호를 측정하고, 상기 소음/진동 신호에서 인젝터 이상 주파수 대역 신호를 인젝터 신호로 분리하며, 상기 소음/진동 신호 중 신호 최대값을 1번 기통으로 하는 기통 수 시계열 데이터를 세그먼트(Segment)로 구분하고, 기통 중 하나를 휴지 기통으로 하여 재 측정한 소음/진동 신호 중 진동 감소 신호로 1번 기통의 세그먼트(Segment) 번호 확인을 통해 인젝터 기인 진동 시계열 데이터로 정렬한 후 특징 벡터(Feature Vector)를 추출하며, 특징 벡터(Feature Vector)로 이상 인젝터를 확인함으로써 측정된 소음과 진동 신호로부터 각 기통별 인젝터 간 소음/진동 신호 편차가 고려되어 각 기통별 인젝터에 대한 정상 또는 이상 여부가 독립적으로 진단될 수 있으며, 특히 인젝터의 각각에 대한 독립적이면서 정확한 이상 진단이 이루어짐으로써 엔진 점검 시 선별적인 불량 인젝터의 교환으로 고객 서비스 만족과 함께 A/S 비용 저감도 가능하다.

Description

신호편차기반 인젝터 고장 기통 진단 방법 및 인젝터 고장 진단 장치{Method for Injector Abnormal Cylinder Diagnosis Based On Signal Deviation and Injector Abnormal Diagnosis System Thereof}
본 발명은 인젝터 고장 기통 진단에 관한 것으로, 특히 기통별 인젝터의 소음/진동 신호의 편차를 활용함으로써 개별적인 인젝터의 정상/고장 여부를 개별적으로 진단할 수 있는 인젝터 고장 진단 장치에 관한 것이다.
일반적으로 차량의 엔진연소제어는 엔진의 각 기통(즉, 실린더)에서 발생되는 소음/진동 신호로부터 현재 고장 발생유무를 판단하고, 고장의 주요 신호를 발생하는 기통 판단을 가능하게 한다.
특히 상기 엔진연소제어는 고압축비 엔진(예, 내연기관) 및 환경, 사용연료차이, 엔진 노화(Engine Aging)와 같은 외란조건 및 에 대한 연소 강건성 제어로 안정적 연소 및 연소음 제어 측면을 충족시킬 수 있어 그 중요성이 매우 큰 엔진 제어 기술의 예이다.
일례로 인젝터 고장 기통 진단 제어는 엔진연소제어 기술 중 하나로서, 이는 인젝터 고장 발생에 따른 특정 주파수 대역의 소음/진동을 검출 및 측정하고, 측정한 소음/진동 중 해당 주파수 대역의 신호를 필터(Filter)(예, 밴드패스 필터(Band Pass filter))를 사용하거나 또는 FFT(Fast Fourier Transform) 분석을 이용하여 분리한 다음, 인젝터의 소음/진동이 정상 수준과 이상 수준을 구분할 수 있는 임계점(Threshold)을 설정하고, 소음/진동에 대한 레벨 비교를 활용하여 측정한 소음/진동 수준이 임계점 이상일 경우 불량으로 판단하는 방식을 적용한다.
이로부터 상기 인젝터 고장 기통 진단 제어는 내연기관 엔진에서 인젝터 고장 에 의한 소음/진동 현상을 진단함에 그 효과가 있다.
미국공개특허2004-0050363(2004,03,18)
하지만, 상기 인젝터 고장 기통 진단 제어는 소음/진동에 대한 레벨 비교 활용에 기반함으로써 하기와 같은 한계를 갖고 있다.
첫째, 엔진에서 발생된 비정상적인 소음/진동의 레벨 비교로 복수개 기통의 이상 판별 시 이상이 발생된 해당 기통이 전체 기통에서 정확하게 구분 불가함으로써 각 기통 인젝터를 독립적으로 진단하는 것이 불가할 수밖에 없다.
둘째, 개별적인 인젝터의 고장 진단이 불가하여 1개의 인젝터 만 불량하더라도 정상적인 인젝터를 포함한 모든 인젝터가 교환되어야 함으로써 인젝터 교환으로 인한 과도한 서비스 비용이 발생할 수밖에 없다.
셋째, 각 기통 인젝터의 소음/진동 신호에 대하여 정상 및 고장의 판단 임계점이 상이함에도 이를 구분하여 판단할 수 없기 때문에 정확한 진단이 이루어지기 어려울 수밖에 없다.
넷째, 서비스센터에서 인젝터 고장 소음 발생 차량의 정비 시 정상 및 이상에 대한 판단에 어려움이 있고, 특히 점검자의 주관에 의해 이상소음을 청음으로 판별함으로써 인젝터 고장에 대한 정확한 진단에 어려움이 있을 수밖에 없다.
이에 상기와 같은 점을 감안한 본 발명은 측정된 소음과 진동 신호로부터 각 기통별 인젝터 간 소음/진동 신호 편차를 고려함으로써 각 기통별 인젝터에 대한 정상 또는 고장 여부가 독립적으로 진단가능하고, 특히 인젝터의 각각을 독립적으로 정확하게 고장 진단함으로써 엔진 점검 시 선별적인 불량 인젝터의 교환으로 고객 서비스 만족과 함께 A/S 비용 저감도 가능한 신호편차기반 인젝터 고장 기통 진단 방법 및 인젝터 고장 진단 장치의 제공에 목적이 있다.
상기와 같은 목적을 달성하기 위한 본 발명의 인젝터 고장 기통 진단 방법은 엔진의 연소에 따른 소음/진동 신호가 제어기에서 인젝터 고장 을 나타내는 인젝터 고장 주파수 대역 신호에 대해 인젝터 신호 분리가 이루어지는 단계; 상기 소음/진동 신호 중 신호 최대값을 1번 기통으로 하는 기통 수 시계열 데이터가 세그먼트로 구분되고, 하나의 휴지 기통 상태에서 측정한 소음/진동 신호 중 진동 감소 신호를 1번 기통으로 하는 세그먼트 번호 확인을 통해 인젝터 기인 진동 시계열 데이터가 정렬되는 단계; 상기 인젝터 기인 진동 시계열 데이터로 정렬된 세그먼트각각에 대해 특징 벡터가 추출되는 단계; 및 상기 특징 벡터가 AI 기반으로 처리되어 고장 인젝터가 확인되거나 또는 상기 특징 벡터가 임계점 기반으로 처리되어 고장 인젝터가 확인되는 단계가 포함되는 것을 특징으로 한다.
바람직한 실시예로서, 상기 소음/진동 신호는 상기 엔진의 1회 연소 사이클 동안 측정되고, 상기 엔진에서 S/N 비가 최대인 측정 위치에 부착된 가속도계로 측정된다.
바람직한 실시예로서, 상기 인젝터 신호 분리의 단계는, 상기 소음/진동 신호의 측정이 이루어지는 단계, 상기 소음/진동 신호를 Raw Data로 하여 인젝터 이상 주파수 대역 신호가 확인되는 단계, 및 kHz단위의 특정 주파수 범위를 Band-Pass 대역으로 하는 IIR 필터를 이용한 필터처리로 인젝터 고장을 나타내는 인젝터 신호가 분리되는 단계로 수행된다.
바람직한 실시예로서, 상기 인젝터 기인 진동 시계열 데이터 정렬의 단계는, 상기 신호 최대값이 상기 소음/진동 신호가 갖는 신호 크기값 중 최대값으로 확인되는 단계, 상기 엔진의 기통 수 확인이 이루어지는 단계, 상기 신호 최대값이 발생된 기통을 1번 기통으로 하여 상기 기통 수 시계열 데이터가 상기 세그먼트로 구분되고, 세그먼트 정렬이 이루어지는 단계, 및 연소 기인 진동 감소가 발생한 상기 휴지 기통이 1번 기통으로 부여되어 상기 세그먼트 번호 확인이 이루어지는 휴지 기통 기반 번호 확인 단계 또는 상기 휴지 기통이 크랭크 샤프트 신호 또는 캠 샤프트 신호 중 최소 신호를 발생한 1번 기통으로 부여되어 상기 세그먼트 번호 확인이 이루어지는 센서 기반 번호 확인 단계로 수행된다.
바람직한 실시예로서, 상기 세그먼트(Segment) 정렬의 단계는, 상기 신호 최대값에 부여된 세그먼트 길이의 1/2을 적용하여 첫번째 세그먼트 설정이 이루어지는 단계, 상기 세그먼트 길이를 증가시켜 기통 수에 맞춘 세그먼트 설정이 이루어지는 단계, 및 세그먼트 설정으로 기통 번호 부여가 이루어지는 단계로 수행된다.
바람직한 실시예로서, 상기 휴지 기통 기반 번호 확인 단계)는, 상기 휴지 기통이 1번 기통으로 설정되는 단계, 상기 휴지 기통의 1번 인젝터를 비 활성화시키는 단계, 상기 엔진의 소음/진동신호가 재 측정되는 단계, 재 측정된 소음/진동신호가 인젝터 기인 시계열 데이터로 정렬되는 단계, 상기 인젝터 기인 시계열 데이터 중 Band-Pass Filter 처리된 진동의 RMS 값 중 RMS 최소값인 진동 최소값이 있는 세그먼트를 상기 연소 기인 진동 감소로 인한 상기 휴지 기통의 세그먼트로 확인되는 단계, 및 연소 기인 진동 가속도 최소값이 발생된 기통을 1번 기통으로 하여 상기 세그먼트 번호가 확인되는 단계로 수행된다.
바람직한 실시예로서, 상기 센서 기반 기통 번호 확인 단계는, 상기 크랭크 샤프트 신호 또는 상기 캠 샤프트 신호에 대한 신호 세기 크기가 확인되는 단계, 상기 신호 세기 크기 중 참조점으로 적용되는 최소 신호 세기가 발생된 기통을 1번 기통으로 하여 상기 세그먼트 번호가 확인되는 단계로 수행된다.
바람직한 실시예로서, 상기 특징 벡터 추출의 단계는, 상기 세그먼트가 세그먼트 단위로 분할되는 단계, 상기 세그먼트 단위에 대한 특징 벡터의 개수가 상기 세그먼트 단위의 그룹에서 균등하게 적용되어 설정되는 단계, 및 진동 최대값, RMS, Variance, Peak-to-Peak, Kurtosis 및 Crest factor 중 어느 하나로 상기 특징 벡터를 진단 가능한 n X 100개 이상(n은 1이상의 정수)의 설정 개수만큼 추출하여 고장 진단용 특징 벡터로 적용되는 단계로 수행된다.
바람직한 실시예로서, 상기 AI 기반 고장 인젝터 확인의 단계는, 상기 특징 벡터가 고장 진단용 특징 벡터로 추출되고, AI 시스템에서 상기 고장 진단용 특징 벡터를 입력으로 하여 DNN 모델이 구축되는 단계, 상기 DNN 모델을 Machine learning 또는 Deep learning으로 AI 수행이 이루어지는 단계, 상기 제어기에서 상기 DNN 모델의 출력을 DNN 모델 결과로 하여 DNN 모델 정확도 향상이 판단되는 단계, 상기 DNN 모델 결과로부터 고장 인젝터 확인이 이루어지는 단계, 및 상기 고장 인젝터 확인이 진단결과로 출력되는 단계로 수행된다.
바람직한 실시예로서, 상기 AI 기반 고장 인젝터 확인의 단계는, 상기 DNN 모델 정확도 향상의 요구에 대해 상기 고장 진단용 특징 벡터 추출 개수를 증가하여 상기 DNN 모델이 재구축되는 단계를 포함한다.
바람직한 실시예로서, 상기 임계점 기반 고장 인젝터 확인의 단계는, 데이터 매핑기에서 상기 특징 벡터의 시계열 데이터를 기통별로 정렬하여 기통 매핑이 이루어지는 단계, 기통 매핑 결과에 기통별 임계점 매칭이 이루어지는 단계, 상기 제어기에서 임계점 매칭 결과로부터 고장 인젝터 확인이 이루어지는 단계, 및 상기 고장 인젝터 확인이 진단결과로 출력되는 단계로 수행된다.
그리고 상기와 같은 목적을 달성하기 위한 본 발명의 인젝터 고장 진단 장치는 엔진의 연소에 따른 소음/진동 신호를 측정하고, 상기 소음/진동 신호에서 인젝터 이상 주파수 대역 신호를 인젝터 신호로 분리하며, 상기 소음/진동 신호 중 신호 최대값을 1번 기통으로 하는 기통 수 시계열 데이터를 세그먼트로 구분하고, 기통 중 하나를 휴지 기통으로 하여 재 측정한 소음/진동 신호 중 진동 감소 신호로 1번 기통의 세그먼트 번호 확인을 통해 인젝터 기인 진동 시계열 데이터로 정렬한 후 특징 벡터를 추출하며, 상기 특징 벡터로 고장 인젝터를 확인하는 제어기; 및 상기 엔진에서 S/N 비가 가장 높게 측정되는 기통의 위치에 부착되고, 상기 소음/진동 신호를 측정하는 가속도계가 포함되는 것을 특징으로 한다.
바람직한 실시예로서, 상기 제어기는 상기 특징 벡터를 AI에 기반한 고장 인젝터 처리결과를 상기 제어기에 전달하는 AI 시스템과 연계되거나 또는 상기 특징 벡터를 임계점에 기반한 고장 인젝터 처리결과를 상기 제어기에 전달하는 데이터 매핑기와 연계된다.
바람직한 실시예로서, 상기 제어기는 상기 소음/진동 신호를 측정하는 데이터 처리부, 상기 인젝터 신호를 분리하는 주파수 분리부, 상기 세그먼트를 구분하는 시계열데이터 정렬부, 상기 특징 벡터를 추출하는 특징벡터 추출부, 및 상기 고장 인젝터를 진단하는 진단결과 판단부로 구성된다.
바람직한 실시예로서, 상기 제어기는 고장 인젝터 확인 결과를 신호로 출력하여 진단 램프로 경고해 준다.
이러한 본 발명의 인젝터 고장 진단 장치에 적용된 신호편차기반 인젝터 고장 기통 진단 방법은 하기와 같은 작용 및 효과를 구현한다.
첫째, 기통의 인젝터 별 소음/진동 신호의 편차로 각 기통별 인젝터 고장 진단이 이루어짐으로써 복수개 기통에서 발생된 이상 신호에서도 기존의 소음/진동 레벨 비교 활용 방식이 불가하던 독립적이고 개별적인 인젝터 별 이상 진단이 이루어질 수 있다. 둘째, 신호 편차를 활용함으로써 서비스센터에서 엔진의 소음/진동 측정만으로도 각 기통 인젝터 별로 정상/이상 여부를 정확하게 판별 가능하다. 셋째, 기통별로 인젝터에 대해 독립적으로 진단이 가능함으로써 특정 기통의 인젝터 불량에 대하여 진단하여 이상 또는 불량이 확인된 인젝터 만 선별적으로 확인될 수 있다. 넷째, 이상 진단된 인젝터 만 선별적으로 교환 가능함으로써 A/S 시 정상과 이상의 구분없이 모든 인젝터를 교환할 때 대비 서비스 비용 절감 및 고객 서비스 만족이 이루어진다. 다섯째, 서비스센터에서 인젝터 고장 소음 발생 차량의 정비 시 점검자의 주관에 의해 이상소음을 청음으로 판별하는 오류 없이 정확한 진단이 이루어질 수 있다.
도 1 및 도 2는 본 발명에 따른 신호편차기반 인젝터 고장 기통 진단 방법의 순서도이고, 도 3은 본 발명에 따른 신호편차기반 인젝터 고장 기통 진단 제어가 구현되는 인젝터 고장 진단 장치의 예이며, 도 4는 본 발명에 따른 IIR 필터를 활용하여 측정한 진동/소음 Raw 데이터에서 이상 인젝터 특성이 가장 크게 나타나는 주파수 대역의 신호를 분리하는 예이고, 도 5는 본 발명에 따른 인젝터 비활성화 방식으로 Segment 구분 및 기통 번호 확인이 이루어지는 예이며, 도 6은 본 발명에 따른 인젝터 비활성화 방식 대신 CPS 신호 혹은 CKPS 신호 활용으로 Segment 구분 및 기통 번호 확인이 이루어지는 예이고, 도 7은 본 발명에 따른 특징 벡터 추출(Feature Vector Extraction)의 예이며, 도 8은 본 발명에 따른 각 기통별로 정렬된 Feature 벡터로 DNN 모델을 구성하여 Machine learning 혹은 Deep learning 모델 학습이 가능한 기통별 이상 진단이 이루어지는 AI(Artificial Intelligence) 시스템 활용방식의 예이며, 도 9는 본 발명에 따른 각 기통별로 정렬된 Feature 벡터에 대하여 설정된 각 기통별로 정상/이상 판단 임계점으로 기통별 이상 진단이 이루어지는 데이터 매핑기 활용방식의 예이다.
이하 본 발명의 실시 예를 첨부된 예시도면을 참조로 상세히 설명하며, 이러한 실시 예는 일례로서 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 여러 가지 상이한 형태로 구현될 수 있으므로, 여기에서 설명하는 실시 예에 한정되지 않는다.
도 1 및 도 2를 참조하면, 인젝터 고장 기통 진단 방법은 인젝터 고장 데이터 확인 제어(S10~S50), 인젝터 고장 위치 확인 제어(S60~S160), 특징 벡터 추출 제어(S170~S190), AI 기반 고장 인젝터 확인 제어(S200~S260) 및 임계점 기반 고장 인젝터 확인 제어(S200-1~S220-1,S250~S260)로 구현한다.
일례로 상기 인젝터 고장 데이터 확인 제어(S10~S50)는 엔진 연소에 따른 소음/진동 신호가 에서 인젝터 고장을 나타내는 인젝터 이상 주파수 대역 신호에 대해 인젝터 신호 분리가 이루어진다.
일례로 상기 인젝터 고장 위치 확인 제어(S60~S160)는 소음/진동 신호 중 신호 최대값을 1번 기통으로 하는 기통 수 시계열 데이터가 세그먼트(Segment)로 구분되고, 하나의 휴지 기통 상태에서 측정한 소음/진동 신호 중 진동 감소 신호를 1번 기통으로 하는 세그먼트(Segment) 번호 부여로 인젝터 기인 진동 시계열 데이터가 정렬된다. 상기 특징 벡터 추출 제어(S170~S190)는 인젝터 기인 진동 시계열 데이터로 정렬된 세그먼트(Segment)각각에 대해 특징 벡터(Feature Vector)가 추출된다.
일례로 상기 AI 기반 이상 인젝터 확인 제어(S200~S260)는 상기 특징 벡터(Feature Vector)가 AI(Artificial Intelligence)로 처리되어 이상 인젝터가 확인된다. 반면 상기 임계점 기반 이상 인젝터 확인 제어(S200-1~S220-1,S250~S260)는 상기 특징 벡터(Feature Vector)에 정상/이상 판단 임계점(Threshold)을 적용하여 이상 인젝터가 확인된다.
이로부터 상기 인젝터 고장 기통 진단 방법은 각 기통별 인젝터의 정상/고장 여부에 대한 독립적 진단으로 각 기통의 인젝터 고장 여부 판단을 할 수 있도록 하면서 각 기통별 인젝터의 소음/진동 신호 편차가 고려된 진단 정확도 향상이 가능함으로써 기존의 진동/소음 신호 레벨 비교방식이 갖던 고장 발생 기통 구분 불가로 인한 인젝터의 독립적인 진단 불가 및 각 기통별 인젝터 특성 차이가 갖는 정상/이상 판단 임계점의 상이함에 의한 정확한 진단 어려움을 모두 해소할 수 있다.
따라서 인젝터 고장 기통 진단 방법은 인젝터의 불량을 기통별로 독립적으로 진단하기 위하여 특정 주파수 대역을 이용한 신호편차 기반 인젝터 고장 기통 진단 방법으로 특징될 수 있다.
한편, 도 3은 인젝터 고장 진단 장치(1)의 예로서, 상기 인젝터 고장 진단 장치(1)는 엔진(2), 센서(6,7-1,7-2,8), 진단 램프(9), 제어기(10), AI(Artificial Intelligence) 시스템(20) 및 데이터 매핑기(30)를 포함한다.
구체적으로 상기 엔진(2)은 내연기관 엔진이고, 6개의 기통(3)으로 연소실을 형성하면서 피스톤과 연결된 크랭크 샤프트를 구비한 실린더 블록(4) 및 캠 샤프트로 구동되는 밸브 시스템을 구비한 실린더 헤드(5)로 구분된다. 그러므로 상기 엔진(2)은 일반적인 6기통 엔진이다. 하지만 6기통 엔진은 하나의 예일 뿐 6기통 미만 또는 그 이상 기통 엔진도 무관하다.
구체적으로 상기 센서(6,7-1,7-2,8)는 가속도계(Accelerometer)(6), 크랭크 포지션 센서(Crank Position Sensor)(7-1), 캠 포지션 센서(Cam Position Sensor)(7-2) 및 엔진 탑재센서(8)로 구성된다.
일례로 상기 가속도계(6)는 1개로 구성되고, 엔진에서 발생되는 전체적인 소음을 측정하는 마이크로폰(도시되지 않음)과 함께 소음/진동을 측정한다. 그러므로 1개의 가속도계(6)는 실린더 블록(4) 또는 실린더 헤드(5)의 리브 구조를 이용하여 복수개 기통(3) 중 진동을 가장 잘 검출 할 수 있는 위치에 있는 일부 기통(예, 4개의 기통)로 부착된다.
하기 표 1은 구조해석 시뮬레이션을 이용한 가속도계 위치에 따른 인제터 신호 검출 성능 비교상태이다.
Figure pat00001
상기 표 1로부터, 상기 가속도계(6)는 엔진(2)에서 S/N비(Signal-to-Noise Ratio)(관측되는 신호 중 신호량(S)과 잡음량(N)의 비)가 가장 높은 측정 위치를 부착부위로 선정하며, 예로 인젝터 #4~6의 이상을 가장 잘 찾을 수 있는 위치는 5번 기통의 X 방향(엔진 위아래)과 Z방향(블록 노말 방향)하여 위치 선정됨을 예시한다.
이와 같이 상기 가속도계(6)가 엔진(2)에서 S/N비(Signal-to-Noise Ratio)가 최대인 측정 위치에 부착됨으로써 1개로 구성되더라도 분석에 필요한 충분한 데이터를 얻을 수 있다.
하지만, 상기 가속도계(6)는 비록 그들간의 계산량이 복잡하게 증가하더라도 보다 높은 정확도를 위하여 2개 이상의 가속도계로 구성될 수 있다.
일례로 상기 크랭크 포지션 센서(7-1)는 실린더 블록(4)쪽에서 크랭크 샤프트의 회전에 대한 신호를 검출한다. 상기 캠 포지션 센서(7-2)는 실린더 헤드(5)쪽에서 캠 샤프트의 회전에 대한 신호를 검출한다. 상기 엔진 탑재센서(8)는 냉각수온센서, 외기온 센서, 엔진 회전수 센서(또는 Revolution Per Minute 센서), 공기압 센서 등으로 엔진(2)에 부착되어 엔진 정보를 검출한다.
구체적으로 상기 진단 램프(9)는 운전석 클러스터(Cluster)에 설치된 램프 또는 LED(Light-Emitting Diode)로 진단결과 인젝터 # 이상 또는 정상에 대한 제어기(10)의 신호로 점등됨으로써 운전자에게 이상이 발생된 특정 인젝터를 알려 준다.
구체적으로 상기 제어기(10)는 가속도계(6), 크랭크 포지션 센서(7-1), 캠 포지션 센서(7-2) 및 엔진 탑재센서(8)의 검출 신호를 입력받고, 특히 가속도계(6)로 인젝터 주변에서 측정한 소음을 인젝터 기인 소음으로 하고, 엔진(2) 내 온갖 잡다한 소음이 포함된 마이크로폰(도시되지 않음)에서 측정한 소음을 엔진 소음으로 분류한다.
이를 위해 상기 제어기(10)는 데이터 처리부(11), 주파수 분리부(12), 시계열데이터 정렬부(13), 특징벡터 추출부(14) 및 진단결과 판단부(15)로 구성된다.
이때 상기 제어기(10)는 입력된 소음/진동 데이터를 데이터 처리부(11) -> 주파수 분리부(12) -> 시계열데이터 정렬부(13) -> 특징벡터 추출부(14) -> 진단결과 판단부(15)로 수행하거나 또는 데이터 처리부(11) -> 시계열데이터 정렬부(13) -> 주파수 분리부(12) -> 특징벡터 추출부(14) -> 진단결과 판단부(15)로 수행할 수 있다. 이러한 이유는 소음/진동 데이터가 주파수 분리된 후 시계열데이터로 정렬되거나 또는 시계열데이터로 정렬된 후 주파수 분리되더라도 특징벡터의 추출 결과는 동일하기 때문이다. 여기서 “->”는 데이터 처리 절차의 진행 순서를 나타낸다.
일례로 상기 데이터 처리부(11)는 소음/진동 측정 단계(S10~S20)를 수행하여 블록(4) 혹은 헤드(5)에서 소음/진동 데이터를 검출한다. 상기 주파수 분리부(12)는 주파수 분리 단계(S30~S50)를 수행하여 소음/진동 데이터를 진동/소음 Raw 신호로 하여 인젝터 고장이 발생하는 특정 주파수 대역의 신호를 분리하여 준다. 상기 시계열데이터 정렬부(13)는 인젝터 고장 위치 확인 제어(S60~S160)의 단계를 수행하여 측정된 진동/소음 신호에 대하여 이벤트(Event)(즉, 연소) 시점에 따른 세그먼트(Segment)의 시계열 데이터 정렬(예, 6기통 → 6 segments)로 엔진(2)의 기통(3)에 대한 순번을 정하여 준다.
일례로 상기 특징벡터 추출부(14)는 특징 벡터 추출 제어(S170~S190)의 단계를 수행하여 시계열 데이터 정렬된 각각의 Segment 별 소음/진동신호에서 얻은 특징 벡터로부터 인젝터의 정상/이상 구분에 대한 기본적인 데이터를 확인하여 준다.
일례로 상기 진단결과 판단부(15)는 AI 기반 이상 인젝터 확인 제어(S200~S260)를 수행하여 특징 벡터에 대한 AI(Artificial Intelligence) 처리결과 또는 임계점 기반 이상 인젝터 확인 제어(S200-1~S220-1,S250~S260)를 수행하여 특징 벡터에 대한 데이터 매핑기(30)의 임계점(Threshold) 적용 결과로 인젝터의 정상/이상 여부를 확인하고, OBD(On Board Diagnosis)로 저장하고 진단 램프(9)로 출력한다. 특히 상기 진단결과 판단부(15)는 AI 시스템(20)의 DNN(Deep Neural Network) 모델, Machine learning 및 Deep learning을 이상 진단 분석 도구(Tool)로 내장할 수 있다.
그러므로 상기 제어기(10)는 소음/진동 측정 단계(S10~S20), 주파수 분리 단계(S30~S50), 인젝터 고장 위치 확인 제어(S60~S160), 특징 벡터 추출 제어(S170~S190), AI 기반 이상 인젝터 확인 제어(S200~S260) 및 임계점 기반 이상 인젝터 확인 제어(S200-1~S220-1,S250~S260)에 대한 로직이나 프로그램을 저장하는 메모리를 구비하고, 중앙처리기(Central Processing Unit)로 작동된다.
구체적으로 상기 AI 시스템(20)은 인젝터의 정상/이상 판단을 위하여 특징 벡터(Feature vector)를 입력(Input)으로 하여 각 인젝터의 진단 분류 결과를 출력(Output)으로 하는 DNN(Deep Neural Network) 모델을 구성하고, 인젝터의 정상/이상 여부 판단에 Machine learning 혹은 Deep learning을 활용하여 특징 벡터(Feature vector) 처리 결과를 출력(Output)하여 제어기(10)의 진단결과 판단부(15)로 제공한다. 그러면 상기 진단결과 판단부(15)는 AI 시스템(20)의 출력(Output)을 이용하여 인젝터의 정상/이상 여부를 확인하여 OBD(On Board Diagnosis)로 저장하고 진단 램프(9)로 출력한다.
특히 상기 AI 시스템(20)은 CNN(Convolution Neural Network) 모델을 구성할 수도 있다.
구체적으로 상기 데이터 매핑기(30)는 판단 알고리즘(Algorithm)으로 특징 벡터를 각 기통별로 시계열 정렬 후 각 기통별로 정상/이상 판단 임계점(Threshold)을 다르게 부여한 특징 벡터 결과를 출력(Output)하여 제어기(10)의 진단결과 판단부(15)로 제공한다. 그러면 상기 진단결과 판단부(15)는 데이터 매핑기(30)의 출력(Output)으로 인젝터의 정상/이상 여부를 확인하여 OBD(On Board Diagnosis)로 저장하고 진단 램프(9)로 출력한다.
그러므로 상기 제어기(10)의 진단결과 판단부(15)는 AI 시스템(20)과 연계된 AI 기반 이상 인젝터 확인 제어(S200~S250)의 단계를 수행하거나 또는 데이터 매핑기(30)와 연계된 임계점 기반 이상 인젝터 확인 제어(S200-1~S22001,S250)의 단계를 수행하여 인젝터의 정상/이상 여부를 확인 및 출력하도록 구성될 수 있다.
이하, 도 1 및 도 2의 신호편차기반 인젝터 고장 기통 진단 방법을 도 3 내지 도 8를 참조로 상세히 설명한다. 이 경우 제어주체는 제어기(10)이고, 제어대상은 인젝터 고장 진단 장치(1)이다.
먼저 제어기(10)는 인젝터 고장 데이터 확인 제어(S10~S50)를 수행한다. 특히 상기 인젝터 고장 데이터 확인 제어(S10~S50)는 소음/진동 측정 단계(S10~S20)로 엔진의 블록 혹은 헤드에서 소음/진동 데이터를 얻고, 주파수 분리 단계(S30~S50)로 소음/진동 데이터를 소음/진동 Raw 데이터 신호로 하여 인젝터 고장이 발생하는 특정 주파수 대역의 신호를 분리하여 준다.
도 3을 참조하면, 제어기(10)는 엔진(2)의 6개 기통(3) 중 4개의 기통인 CYL #3, CYL #4, CYL #5, CYL #6의 각각에 부착된 가속도계(6)와 마이크로 폰으로 부터 검출된 소음/진동 신호를 데이터 처리부(11)에서 확인하고, 측정한 소음/진동 신호를 주파수 분리부(12)에서 소음/진동 신호의 Raw Data로 처리한다. 이 경우 상기 소음/진동 신호는 실린더 블록(4) 또는 실린더 헤드(5)에서 측정된다.
그러므로 상기 인젝터 고장 데이터 확인 제어(S10~S50)는 S10의 엔진에서 소음/진동 신호가 측정되는 단계, S20의 소음/진동 신호에 대해 Raw Data 분석이 이루어지는 단계, S30의 인젝터 이상 주파수 대역 신호가 확인되는 단계, S40의 인젝터 이상 주파수 대역 신호에 대해 필터처리(예, IIR 필터(Infinite Impulse Response Filter)가 이루어지는 단계, S50의 필터처리로 인젝터 고장을 나타내는 kHz단위의 특정 주파수 범위의 인젝터 신호(예, Band-Pass: 2.5~3kHz)가 분리되는 단계로 이루어진다.
도 4를 참조하면, 인젝터 고장 신호가 진동/소음신호 주파수 분석, IIR 필터 처리 및 IIR 필터 처리결과로 예시된다.
일례로 상기 진동/소음신호 주파수 분석에서, 인젝터 정상신호 세기 대비 인젝터 고장 신호 세기가 상대적으로 kHz단위의 특정 주파수 범위의 레벨이 증가함이 예시된다. 그리고 상기 IIR 필터 처리에서, IIR 필터의 Band-pass를 통해 kHz단위의 특정 주파수 범위가 Raw 데이터 신호로부터 인젝터 이상 주파수 대역이 인젝터 고장 신호로 분리됨이 예시된다. 또한 상기 IIR 필터 처리결과에서, 정상 인젝터의 IIR 필터 처리 진동신호 세기 대비 마모 인젝터 Grade #1,2의 IIR 필터 처리 진동신호 세기가 더 강함이 예시된다. 특히 마모 인젝터는 마모 인젝터 Grade #1 대비 마모 정도가 더 심한 마모 인젝터 Grade #,2에서 IIR 필터 처리 진동신호 세기가 더 강하게 나타남을 알 수 있다.
이어 제어기(10)는 인젝터 고장 위치 확인 제어(S60~S160)를 수행한다. 특히 상기 인젝터 고장 위치 확인 제어(S60~S160)는 이벤트(Event)(즉, 기통(3)별 연소)의 시점에 따른 세그먼트(Segment)의 시계열 데이터 정렬(예, 6기통 → 6 segments)로 엔진(2)을 구성하는 복수개의 기통(3)에 대한 순번을 정하여 준다.
도 3을 참조하면, 제어기(10)는 주파수 분리부(12)의 인젝터 신호 분리에 따른 인젝터 이상 주파수 대역 신호 결과를 시계열 데이터 정렬부(13)에서 처리한다.
구체적으로 상기 인젝터 고장 위치 확인 제어(S60~S160)는 S60의 측정된 진동/소음 신호에서 신호 최대값이 확인되는 단계, S70의 기통 수 확인이 이루어지는 단계, S80~S100의 세그먼트(Segment) 정렬이 이루어지는 단계, S110~S160의 인젝터 적용 기통번호 확인을 통해 1번 기통 해당 세그먼트(Segment) 번호가 확인되는 휴지 기통 기반 번호 확인 단계 또는 S110-1,S160의 크랭크 샤프트 신호 또는 캠 샤프트 신호로 1번 기통 해당 세그먼트(Segment) 번호가 확인되는 센서 기반 번호 확인 단계로 수행된다.
일례로 상기 측정된 진동/소음 신호에서 신호 최대값 확인(S60)은 엔진(2)의 1 cycle 연소 중 측정된 진동/소음 신호 중 신호 최대값으로 확인된다. 상기 기통 수 확인(S70)은 6기통 엔진(2)이면 6 기통로 확인된다.
도 5를 참조하면, 제어기(10)는 6기통 엔진(2)의 1 cycle 동안 측정된 진동/소음 신호 중 가장 강한 신호세기를 신호 최대값으로 확인하여 기준 값으로 설정하여 준다.
일례로 상기 세그먼트(Segment) 정렬(S80~S100)은 S80의 첫번째 세그먼트(Segment) 설정 단계, S90의 6 기통(3)에 대한 2 내지 6번째 세그먼트(Segment) 설정 단계, S100의 세그먼트(Segment) 별 기통번호 부여 단계로 수행된다.
도 5를 참조하면, 제어기(10)는 인젝터 기인 진동 시계열 데이터에서, 6기통 엔진(2)의 1 cycle 동안 측정된 진동/소음 신호 중 진동의 RMS 값이 가장 큰 경우를 신호 최대값으로 정하고, 상기 신호 최대값에 대한 세그먼트(Segment) 길이(A)를 0.04S로 하여 6 기통(3)의 2 내지 6번째 세그먼트(Segment) 길이를 A/2 = ± 0.02s로 설정을 하여 준다.
그러므로 상기 첫번째 세그먼트(Segment) 설정(S80)은 신호 최대값에 대한 세그먼트(Segment) 길이(A)를 A/2 ± 0.02s로 하고, 상기 2 내지 6 번째 세그먼트(Segment) 설정(S90)은 각각은 하기와 같이 정하여 진다.
즉, 6번 Segment 길이 = 2번 Segment 길이 = A/2 + A, ,,,, 6번 Segment = A/2 + 5A)
이로부터 상기 세그먼트(Segment) 별 기통번호(S100)는 1번 Segment 길이 = 0.02, 2번 Segment 길이 = 0.06,. 0.10, 0,14, 0,18, ,6번 Segment 길이 = 0,22로 부여된다.
그러므로 상기 세그먼트(Segment) 정렬(S80~S100)은 기통 #1의 연소 중지와 기통 #2~#6의 연소로부터 측정된 소음/진동을 세그먼트(Segment)#1~#6로 구분하여 Band-pass filter 처리로 진동의 RMS 값을 구하고, 세그먼트(Segment)#1~#6에 해당되는 RMS 값들 중 가장 작은 RMS 최소값이 인젝터의 연료 분사 중지에 기인한 연소 기인 진동을 반영함으로써 세그먼트(Segment)#1~#6 중 RMS 최소값을 갖는 세그먼트(Segment)가 기통 #1에 해당되는 세그먼트(Segment)로 명확하게 파악될 수 있다.
그 결과 상기 세그먼트(Segment) 정렬(S80~S100)은 세그먼트(Segment)#1~#6에 대해 기통 #1~#6이 정확하게 구분 및 확정된다.
일례로 상기 휴지 기통 기반 번호 확인 단계(S110~S160)는 S110의 인젝터 적용 기통번호 확인이 이루어지는 단계, S120의 1번 인젝터 비활성화가 이루어지는 단계, S130의 1번 인젝터 비활성화에 따른 엔진의 진동신호가 측정되는 단계, S140의 인젝터 기인 시계열 데이터가 정렬되는 단계, S150의 연소기인 진동 가속도 최소값 확인이 이루어지는 단계, S160의 1번 인젝터 비활성화가 적용된 1번 기통의 해당 세그먼트(Segment) 번호가 확인되는 단계로 수행된다.
즉, 상기 세그먼트(Segment) 정렬(S80~S100)은 기통 #1~#6 중 임의로 1번 기통으로 정한 기통 #1의 기통 연소 비활성화(즉 휴지기통으로 전환)에 따라 해당 인젝터인 인젝터#1의 연료 분사 중단은 엔진(2)의 진동 감소를 가져오고, 이러한 엔진 진동 감소는 연소 기인 진동 감소로 정의되어 인젝터가 엔진 진동에 끼치는 영향을 알 수 있음에 기반 한다. 그러므로 연소 기인 진동 감소가 발생한 휴지 기통이 1번 기통으로 부여되어 세그먼트(Segment) 번호가 확인된다.
한편, 상기 센서 기반 번호 확인(S110-1,S160)은 S110-1의 CPS 또는 CKPS 신호 적용으로 1번 기통 해당 세그먼트(Segment) 번호 확인 단계, S160의 1번 인젝터 비활성화가 적용된 1번 기통의 해당 세그먼트(Segment) 번호 확인 단계로 수행된다.
이하에서 설명되는 “연소 기인 진동 감소”는 휴지기통에서 해당되는 인젝터의 연료 분사 없음으로 인해 연소에 기인한 진동이 감소됨을 의미하고, 이로부터 복수개의 기통 중 1번 기통 파악이 가능함을 증명한다.
도 6을 참조하면, 제어기(10)는 인젝터 기인 진동 시계열 데이터에서, 기통 #1~#6 중 임의로 1번 기통으로 정한 기통 #1의 기통 연소 비활성화에 따라 해당 인젝터인 인젝터#1의 연료 분사 중단 후 6기통 엔진(2)의 1 cycle 동안 크랭크 포지션 센서(7-1)의 크랭크 샤프트 위치 신호 또는 캠 샤프트 센서(7-2)의 캠 샤프트 위치 신호 중 크랭크 샤프트 위치 신호를 확인한다.
그러면 제어기(10)는 상기 크랭크 샤프트 위치 신호 또는 상기 크랭크 샤프트 위치 신호로 표현된 세그먼트(Segment)#1~#6의 신호 세기에서 인젝터의 연료 분사 중지에 기인한 연소 기인 진동이 반영되어 가장 약하게 나타난 신호 세기를 확인한다.
그러므로 상기 센서 기반 기통 번호 확인(S110-1,S160)은 최소 신호 세기를 나타낸 세그먼트(Segment)#4를 참조점으로 하여 세그먼트(Segment) #4의 기통 #4를 임의로 설정한 1번 기통으로 확인할 수 있다.
계속해서 제어기(10)는 특징 벡터 추출 제어(S170~S190)를 수행한다. 특히 상기 특징 벡터 추출 제어(S170~S190)는 시계열 데이터 정렬된 각각의 세그먼트(Segment) 별 소음/진동신호에서 얻은 특징 벡터로부터 인젝터의 정상/이상 구분에 대한 기본적인 데이터를 확인하여 준다.
일례로 상기 특징 벡터 추출은 진동 최대값, RMS(Root Mean Square), Variance, Peak-to-Peak, Kurtosis 및 Crest factor 중 어느 하나를 적용할 수 있다.
이 경우 RMS는 파형 신호의 순시값(instantaneous value)제곱을 한 주기간 평균한 것의 제곱근으로 증폭기가 연속적으로 낼 수 있는 출력을 의미한다. Variance는 측정값들의 편차들의 제곱의 평균으로 모집단의 측정치들이 흩어져 있는 정도에 대한 수치를 의미한다. Peak-to-Peak는 파형의 양과 파고값으로부터 음의 파고값까지의 크기를 의미한다. Kurtosis는 어떤 변수들에 대한 확률분포의 편평 정도를 나타내는 척도를 의미한다. Crest factor는 주기함수의 실효치에 대한 파고(첨두, 최대)치의 비율)를 의미한다.
구체적으로 상기 특징 벡터 추출 제어(S170~S190)는 S170의 세그먼트 단위(Segment Unit) 분할 단계, S180의 특징 벡터(Feature Vector) 설정 단계, S190의 이상 진단용 특징 벡터(Feature Vector) 추출 단계로 수행된다.
도 7을 참조하면, 제어기(10)는 도 5 및 도 6의 인젝터 기인 진동 시계열 데이터에 대하여 진단 정확도를 높이도록 1개 이상의 특징 벡터(Feature Vector)가 사용된 세그먼트 단위(Segment Unit)로 구분하고, 세그먼트 단위(Segment Unit)에서 추출한 특징 벡터(Feature Vector)로부터 이상특성을 특징벡터 추출부(14)로 확인한다.
그러므로 상기 세그먼트 단위(Segment Unit) 분할(S170)은 세그먼트(Segment)를 N개의 세그먼트 단위(Segment Unit)로 분할하고, 상기 특징 벡터(Feature Vector) 설정(S180)은 진동 최대 값, Crest factor, RMS, Variance, Max, Peak-to-Peak, Kurtosis 중 어느 하나로 세그먼트 단위(Segment Unit) 당 n개의 특징 벡터(Feature Vector)를 설정하며, 상기 이상 진단용 특징 벡터(Feature Vector) 추출(S190)은 인젝터 기인 진동 시계열 데이터의 세그먼트(Segment#1~#6)에 대해 N x n개의 이상 진단용 특징 벡터(Feature Vector)를 추출한다.
일례로 N은 세그먼트 단위(Segment Unit)의 개수로서 세그먼트(Segment#1~#6)의 2.4s 구간에서 60개로 설정되고, n은 특징 벡터(Feature Vector)의 Feature 개수로서 5개로 설정된다. 따라서 상기 이상 진단용 특징 벡터(Feature Vector)는 60x5 = 300가 추출된다.
최종적으로 제어기(10)는 AI 기반 이상 인젝터 확인 제어(S200~S260) 또는 임계점 기반 이상 인젝터 확인 제어(S200-1~S220-1,S250~S260)를 수행한다.
일례로 상기 AI 기반 이상 인젝터 확인 제어(S200~S250)는 특징 벡터의 Feature들에 대하여 Machine learning 모델 학습 혹은 Deep learning 모델 학습을 활용하여 인젝터의 정상/이상 여부 판단하고, 특히 모델의 정확도 향상을 위하여 데이터 증폭 방식으로 학습 활용이 이루어질 수 있다.
구체적으로 상기 AI 기반 이상 인젝터 확인 제어(S200~S260)는 S200의 AI 적용 단계, S210의 DNN(Deep Neural Network) 모델 구축 단계, S220의 AI 수행 단계, S230의 DNN 모델 정확도 확인 단계, S240의 DNN 모델 제 구축 단계, S250의 이상 인젝터 확인 단계, S260의 진단결과 신호 생성 단계로 수행된다.
도 8을 참조하면, 제어기(10)는 진단결과 판단부(15)를 통해 AI 시스템(20)과 연동 된다.
일례로 상기 DNN 모델 구축(S210)은 AI 적용(S200)에 따라 특징벡터 추출부(14)에서 진단 가능한 n X 100개 이상(n은 1이상의 정수)(예, 300개(N x n개))의 특징 벡터(Feature vector)가 AI 시스템(20)의 입력(Input)으로 전달되고, 상기 AI 시스템(20)은 진단 가능한 n X 100개 이상의 특징 벡터(Feature vector)로 DNN 모델을 구축한다. 상기 AI 수행(S220)은 Machine learning 혹은 Deep learning을 활용하여 특징 벡터(Feature vector) 처리 결과를 DNN 모델의 출력(Output)으로 한다. 상기 DNN 모델 정확도 확인(S230)은 진단결과 판단부(15)에서 DNN 모델의 출력(Output)을 통해 DNN 모델 결과를 전달받고, DNN 모델 결과를 분석하여 DNN 모델 정확도 향상의 필요성을 확인한 후 S240-1의 DNN 모델 제 구축 단계로 전환하거나 또는 S250의 이상 인젝터 확인 단계로 진입한다.
일례로 상기 DNN 모델 제 구축(S240)은 진단결과 판단부(15)에서 DNN 모델 결과로 이상 인젝터 확인이 불명확하여 DNN 모델 정확도 향상을 필요로 하는 경우로서, 이상 인젝터 시험 데이터 증폭을 위해 특징 벡터 추출 제어(S170~S190)로 복귀하여 이상 진단용 특징 벡터(Feature Vector) 추출 개수(S190)를 늘려준 다음 AI 기반 이상 인젝터 확인 제어(S200~S260)를 재 수행하여 준다.
반면 상기 이상 인젝터 확인(S250)은 진단결과 판단부(15)에서 DNN 모델 결과로 이상 인젝터 확인이 명확한 경우이다.
일례로 상기 진단결과 신호 생성(S260)은 진단결과 판단부(15)에서 기통#1~#6에 해당되는 인젝터#1~#6 중 정상 인젝터와 이상 인젝터를 구분하고, 이상 인젝터를 OBD(On Board Diagnosis)로 저장하고 진단 램프(9)로 출력한다.
도 3을 참조하면, 제어기(10)는 진단결과 판단부(15)의 진단 결과 출력을 이상 인젝터# 신호 또는 정상 인젝터# 신호로 진단 램프(9)를 점등함으로써 운전자 또는 점검자에게 이상 인젝터 결과를 알려 준다.
반면 상기 임계점 기반 이상 인젝터 확인 제어(S200-1~S220-1,S250~S260)는 시계열로 되어 있는 특징 벡터를 각 기통별로 정렬한 후 각 feature 에 대하여 각 기통별로 정상/이상 판단 임계점(Threshold)이 부여되는 판단 알고리즘(Algorithm)을 활용하여 인젝터의 정상/이상 여부 확인이 이루어질 수 있다.
구체적으로 상기 임계점 기반 이상 인젝터 확인 제어(S200-1~S220-1,S250~S260)는 S200-1의 데이터 매핑 수행 단계, S210-1의 특징 벡터(Feature Vector)와 기통 매칭 단계, S220-1의 임계점 대응 결과표 구축 단계, S250의 이상 인젝터 확인 단계, S260의 진단결과 신호 생성 단계로 수행된다.
도 9를 참조하면, 제어기(10)는 진단결과 판단부(15)를 통해 데이터 매핑기(30)와 연동 된다.
일례로 상기 특징 벡터(Feature Vector)와 기통 매칭(S200-2)은 데이터 매핑 적용(S200-1)에 따라 특징벡터 추출부(14)에서 진단 가능한 n X 100개 이상(n은 1이상의 정수)(예, 300개(N x n개))의 특징 벡터(Feature vector)가 데이터 매핑기(30)의 입력(Input)으로 전달되고, 상기 데이터 매핑기(30)는 진단 가능한 n X 100개 이상의 특징 벡터(Feature vector)에 대한 시계열 정렬 상태를 기통별 정렬 상태로 매핑 한다.
일례로 상기 임계점 대응 결과표 구축(S220-1)은 진단 가능한 n X 100개 이상의 특징 벡터(Feature vector)에 대한 기통별 정렬 상태에 기통별 백터 임계점(Threshold)을 부여하여 feature-기통 매칭 테이블로 형성한다.
일례로 상기 이상 인젝터 확인(S250)은 진단결과 판단부(15)에서 feature-기통 매칭 테이블에서 백터 임계점(Threshold)을 넘는 기통으로 이상 인젝터가 확인된다. 상기 진단결과 신호 생성(S260)은 진단결과 판단부(15)에서 기통#1~#6에 해당되는 인젝터#1~#6 중 정상 인젝터와 이상 인젝터를 구분하고, 이상 인젝터를 OBD(On Board Diagnosis)로 저장하고 진단 램프(9)로 출력한다.
도 3을 참조하면, 제어기(10)는 진단결과 판단부(15)의 진단 결과 출력을 이상 인젝터# 신호 또는 정상 인젝터# 신호로 진단 램프(9)를 점등함으로써 운전자 또는 점검자에게 이상 인젝터 결과를 알려 준다.
전술된 바와 같이, 본 실시예에 따른 인젝터 고장 진단 장치(1)의 신호편차기반 인젝터 고장 기통 진단 방법은 제어기(10)가 엔진(2)의 연소에 따른 소음/진동 신호를 측정하고, 상기 소음/진동 신호에서 인젝터 이상 주파수 대역 신호를 인젝터 신호로 분리하며, 상기 소음/진동 신호 중 신호 최대값을 1번 기통으로 하는 기통 수 시계열 데이터를 세그먼트(Segment)로 구분하고, 기통 중 하나를 휴지 기통으로 하여 재 측정한 소음/진동 신호 중 진동 감소 신호로 1번 기통의 세그먼트(Segment) 번호 확인을 통해 인젝터 기인 진동 시계열 데이터로 정렬한 후 특징 벡터(Feature Vector)를 추출한다.
특히 상기 특징 벡터(Feature Vector)를 AI(Artificial Intelligence)에 기반 한 처리결과로 이상 인젝터를 확인하거나 또는 상기 특징 벡터(Feature Vector)를 임계점(Threshold)에 기반 한 처리결과로 이상 인젝터를 확인함으로써 측정된 소음과 진동 신호로부터 각 기통별 인젝터 간 소음/진동 신호 편차가 고려되어 각 기통별 인젝터에 대한 정상 또는 이상 여부가 독립적으로 진단될 수 있으며, 특히 인젝터의 각각에 대한 독립적이면서 정확한 이상 진단이 이루어짐으로써 엔진 점검 시 선별적인 불량 인젝터의 교환으로 고객 서비스 만족과 함께 A/S 비용 저감도 가능하다.
1 : 인젝터 고장 진단 장치
2 : 엔진 3 : 기통
4 : 실린더 블록 5 : 실린더 헤드
6 : 가속도계(Accelerometer)
7-1 : 크랭크 포지션 센서(Crank Position Sensor)
7-2 : 캠 포지션 센서(Cam Position Sensor)
8 : 엔진 탑재센서 9 : 진단 램프
10 : 제어기 11 : 데이터 처리부
12 : 주파수 분리부 13 : 시계열데이터 정렬부
14 : 특징벡터 추출부 15 : 진단결과 판단부
20 : AI(Artificial Intelligence) 시스템
30 : 데이터 매핑기

Claims (25)

  1. 엔진의 연소에 따른 소음/진동 신호가 제어기에서 인젝터 고장을 나타내는 인젝터 이상 주파수 대역 신호에 대해 인젝터 신호 분리가 이루어지는 단계;
    상기 소음/진동 신호 중 신호 최대값을 1번 기통으로 하는 기통 수 시계열 데이터가 세그먼트(Segment)로 구분되고, 하나의 휴지 기통 상태에서 측정한 소음/진동 신호 중 진동 감소 신호를 1번 기통으로 하는 세그먼트(Segment) 번호 확인을 통해 인젝터 기인 진동 시계열 데이터가 정렬되는 단계;
    상기 인젝터 기인 진동 시계열 데이터로 정렬된 세그먼트(Segment)각각에 대해 특징 벡터(Feature Vector)가 추출되는 단계; 및
    상기 특징 벡터(Feature Vector)가 AI(Artificial Intelligence) 기반으로 처리되어 이상 인젝터가 확인되거나 또는 상기 특징 벡터(Feature Vector)가 임계점(Threshold) 기반으로 처리되어 이상 인젝터가 확인되는 단계
    가 포함되는 것을 특징으로 하는 인젝터 고장 기통 진단 방법.
  2. 청구항 1에 있어서, 상기 소음/진동 신호는 상기 엔진의 1회 연소 사이클(Cycle) 동안 측정되는 것을 특징으로 하는 인젝터 고장 기통 진단 방법.
  3. 청구항 1에 있어서, 상기 소음/진동 신호는 가속도계(Accelerometer)로 측정되는 것을 특징으로 하는 인젝터 고장 기통 진단 방법.
  4. 청구항 3에 있어서, 상기 가속도계(Accelerometer)는 상기 엔진에서 S/N비(Signal-to-Noise Ratio)가 최대인 측정 위치에 부착되는 것을 특징으로 하는 인젝터 고장 기통 진단 방법.
  5. 청구항 1에 있어서, 상기 인젝터 신호 분리의 단계는, 상기 소음/진동 신호의 측정이 이루어지는 단계, 상기 소음/진동 신호를 Raw Data로 하여 인젝터 이상 주파수 대역 신호가 확인되는 단계, 및 필터처리로 인젝터 고장을 나타내는 인젝터 신호가 분리되는 단계
    로 수행되는 것을 특징으로 하는 인젝터 고장 기통 진단 방법.
  6. 청구항 5에 있어서, 상기 필터처리는 kHz단위의 특정 주파수 범위를 Band-Pass 대역으로 하는 IIR 필터(Infinite Impulse Response Filter)로 이루어지는 것을 특징으로 하는 인젝터 고장 기통 진단 방법.
  7. 청구항 1에 있어서, 상기 인젝터 기인 진동 시계열 데이터 정렬의 단계는, 상기 신호 최대값이 상기 소음/진동 신호가 갖는 신호 크기값 중 최대값으로 확인되는 단계, 상기 엔진의 기통 수 확인이 이루어지는 단계, 상기 신호 최대값이 발생된 기통을 1번 기통으로 하여 상기 기통 수 시계열 데이터가 상기 세그먼트(Segment)로 구분되고, 세그먼트(Segment) 정렬이 이루어지는 단계, 및 연소 기인 진동 감소가 발생한 상기 휴지 기통이 1번 기통으로 부여되어 상기 세그먼트(Segment) 번호 확인이 이루어지는 휴지 기통 기반 번호 확인 단계 또는 상기 휴지 기통이 크랭크 샤프트 신호 또는 캠 샤프트 신호 중 최소 신호를 발생한 1번 기통으로 부여되어 상기 세그먼트(Segment) 번호 확인이 이루어지는 센서 기반 번호 확인 단계
    로 수행되는 것을 특징으로 하는 인젝터 고장 기통 진단 방법.
  8. 청구항 7에 있어서, 상기 세그먼트(Segment) 정렬의 단계는, 상기 신호 최대값에 세그먼트(Segment) 길이를 부여하여 첫번째 세그먼트(Segment) 설정이 이루어지는 단계, 상기 세그먼트(Segment) 길이를 증가시켜 기통 수에 맞춘 세그먼트(Segment) 설정이 이루어지는 단계, 및 세그먼트(Segment) 설정으로 기통 번호 부여가 이루어지는 단계
    로 수행되는 것을 특징으로 하는 인젝터 고장 기통 진단 방법.
  9. 청구항 8에 있어서, 상기 첫번째 세그먼트(Segment) 설정에는 상기 세그먼트(Segment) 길이의 1/2이 적용되는 것을 특징으로 하는 인젝터 고장 기통 진단 방법.
  10. 청구항 7에 있어서, 상기 휴지 기통 기반 번호 확인 단계는, 상기 휴지 기통이 1번 기통으로 설정되는 단계, 상기 휴지 기통의 1번 인젝터를 비 활성화시키는 단계, 상기 엔진의 소음/진동신호가 재 측정되는 단계, 재 측정된 소음/진동신호가 인젝터 기인 시계열 데이터로 정렬되는 단계, 상기 인젝터 기인 시계열 데이터 중 진동 최소값이 있는 세그먼트를 상기 연소 기인 진동 감소로 인한 상기 휴지 기통의 세그먼트로 확인되는 단계, 및 연소 기인 진동 가속도 최소값이 발생된 기통을 1번 기통으로 하여 상기 세그먼트(Segment) 번호가 확인되는 단계
    로 수행되는 것을 특징으로 하는 인젝터 고장 기통 진단 방법.
  11. 청구항 10에 있어서, 상기 진동 최소값은 Band-Pass Filter 처리로 진동의 RMS(Root Mean Square) 값 중 RMS 최소값으로 설정되는 것을 특징으로 하는 인젝터 고장 기통 진단 방법.
  12. 청구항 7에 있어서, 상기 센서 기반 기통 번호 확인 단계는, 상기 크랭크 샤프트 신호 또는 상기 캠 샤프트 신호에 대한 신호 세기 크기가 확인되는 단계, 및 상기 신호 세기 크기 중 참조점으로 적용되는 최소 신호 세기가 발생된 기통을 1번 기통으로 하여 상기 세그먼트(Segment) 번호가 확인되는 단계
    로 수행되는 것을 특징으로 하는 인젝터 고장 기통 진단 방법.
  13. 청구항 1에 있어서, 상기 특징 벡터 추출의 단계는, 상기 세그먼트(Segment)가 세그먼트 단위(Segment Unit)로 분할되는 단계, 상기 세그먼트 단위(Segment Unit)에 대한 특징 벡터(Feature Vector)의 개수가 설정되는 단계, 및 상기 특징 벡터(Feature Vector)를 설정 개수만큼 추출하여 이상 진단용 특징 벡터(Feature Vector)로 적용되는 단계
    로 수행되는 것을 특징으로 하는 인젝터 고장 기통 진단 방법.
  14. 청구항 13에 있어서, 상기 설정 개수는 상기 세그먼트 단위(Segment Unit)의 그룹에서 균등하게 적용되는 것을 특징으로 하는 인젝터 고장 기통 진단 방법.
  15. 청구항 14에 있어서, 상기 설정 개수는 진단 가능한 n X 100개 이상(n은 1이상의 정수)인 것을 특징으로 하는 인젝터 고장 기통 진단 방법.
  16. 청구항 13에 있어서, 상기 특징 벡터(Feature Vector)의 추출은 진동 최대값, RMS(Root Mean Square), Variance, Peak-to-Peak, Kurtosis 및 Crest factor 중 어느 하나로 이루어지는 것을 특징으로 하는 인젝터 고장 기통 진단 방법.
  17. 청구항 1에 있어서, 상기 AI 기반 고장 인젝터 확인의 단계는, 상기 특징 벡터(Feature Vector)가 이상 진단용 특징 벡터(Feature Vector)로 추출되고, AI 시스템에서 상기 이상 진단용 특징 벡터(Feature Vector)를 입력(Input)으로 하여 DNN(Deep Neural Network) 모델이 구축되는 단계, 상기 DNN 모델을 Machine learning 또는 Deep learning으로 AI 수행이 이루어지는 단계, 상기 제어기에서 상기 DNN 모델의 출력(Output)을 DNN 모델 결과로 하여 DNN 모델 정확도 향상이 판단되는 단계, 상기 DNN 모델 결과로부터 이상 인젝터 확인이 이루어지는 단계, 및 상기 고장 인젝터 확인이 진단결과로 출력되는 단계
    로 수행되는 것을 특징으로 하는 인젝터 고장 기통 진단 방법.
  18. 청구항 17에 있어서, 상기 AI 기반 고장 인젝터 확인의 단계는, 상기 DNN 모델 정확도 향상의 요구에 대해 상기 이상 진단용 특징 벡터(Feature Vector) 추출 개수를 증가하여 상기 DNN(Deep Neural Network) 모델이 재구축되는 단계
    를 포함하는 것을 특징으로 하는 인젝터 고장 기통 진단 방법.
  19. 청구항 1에 있어서, 상기 임계점(Threshold) 기반 고장 인젝터 확인의 단계는, 데이터 매핑기에서 상기 특징 벡터(Feature Vector)의 시계열 데이터를 기통별로 정렬하여 기통 매핑이 이루어지는 단계, 기통 매핑 결과에 기통별 임계점(Threshold) 매칭이 이루어지는 단계, 상기 제어기에서 임계점 매칭 결과로부터 이상 인젝터 확인이 이루어지는 단계, 및 상기 이상 인젝터 확인이 진단결과로 출력되는 단계
    로 수행되는 것을 특징으로 하는 인젝터 고장 기통 진단 방법.
  20. 엔진의 연소에 따른 소음/진동 신호를 측정하고, 상기 소음/진동 신호에서 인젝터 이상 주파수 대역 신호를 인젝터 신호로 분리하며, 상기 소음/진동 신호 중 신호 최대값을 1번 기통으로 하는 기통 수 시계열 데이터를 세그먼트(Segment)로 구분하고, 기통 중 하나를 휴지 기통으로 하여 재 측정한 소음/진동 신호 중 진동 감소 신호로 1번 기통의 세그먼트(Segment) 번호 확인을 통해 인젝터 기인 진동 시계열 데이터로 정렬한 후 특징 벡터(Feature Vector)를 추출하며, 상기 특징 벡터(Feature Vector)로 고장 인젝터를 확인하는 제어기; 및
    상기 소음/진동 신호를 측정하는 가속도계
    가 포함되는 것을 특징으로 하는 인젝터 고장 진단 장치.
  21. 청구항 20에 있어서, 상기 가속도계는 상기 엔진에서 S/N 비(Signal-to-Noise Ratio)가 가장 높게 측정되는 기통의 위치에 부착되는 것을 특징으로 하는 인젝터 고장 진단 장치.
  22. 청구항 20에 있어서, 상기 제어기는 AI(Artificial Intelligence) 시스템과 연계되고, 상기 AI(Artificial Intelligence) 시스템은 상기 특징 벡터(Feature Vector)를 AI(Artificial Intelligence)에 기반한 고장 인젝터 처리결과를 상기 제어기에 전달하는 것을 특징으로 하는 인젝터 고장 진단 장치.
  23. 청구항 20에 있어서, 상기 제어기는 데이터 매핑기와 연계되고, 상기 데이터 매핑기는 상기 특징 벡터(Feature Vector)를 임계점(Threshold)에 기반한 고장 인젝터 처리결과를 상기 제어기에 전달하는 것을 특징으로 하는 인젝터 고장 진단 장치.
  24. 청구항 20에 있어서, 상기 제어기는 상기 소음/진동 신호를 측정하는 데이터 처리부, 상기 인젝터 신호를 분리하는 주파수 분리부, 상기 세그먼트(Segment)를 구분하는 시계열데이터 정렬부, 상기 특징 벡터(Feature Vector)를 추출하는 특징벡터 추출부, 및 상기 고장 인젝터를 진단하는 진단결과 판단부로 구성되는 것을 특징으로 하는 인젝터 고장 진단 장치.
  25. 청구항 20에 있어서, 상기 제어기는 고장 인젝터 확인 결과를 신호로 출력하여 진단 램프로 경고해 주는 것을 특징으로 하는 인젝터 고장 진단 장치.
KR1020200069190A 2020-06-08 2020-06-08 신호편차기반 인젝터 고장 기통 진단 방법 및 인젝터 고장 진단 장치 Abandoned KR20210152287A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200069190A KR20210152287A (ko) 2020-06-08 2020-06-08 신호편차기반 인젝터 고장 기통 진단 방법 및 인젝터 고장 진단 장치
US17/110,506 US11236694B2 (en) 2020-06-08 2020-12-03 Injector abnormal cylinder diagnosis method and injector abnormality diagnosis system based on signal deviation

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200069190A KR20210152287A (ko) 2020-06-08 2020-06-08 신호편차기반 인젝터 고장 기통 진단 방법 및 인젝터 고장 진단 장치

Publications (1)

Publication Number Publication Date
KR20210152287A true KR20210152287A (ko) 2021-12-15

Family

ID=78817198

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200069190A Abandoned KR20210152287A (ko) 2020-06-08 2020-06-08 신호편차기반 인젝터 고장 기통 진단 방법 및 인젝터 고장 진단 장치

Country Status (2)

Country Link
US (1) US11236694B2 (ko)
KR (1) KR20210152287A (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7158101B2 (ja) * 2019-03-29 2022-10-21 日立建機株式会社 インジェクタ故障診断装置及びインジェクタ故障診断方法
US11982248B2 (en) * 2021-10-25 2024-05-14 Transportation Ip Holdings, Llc Methods and systems for diagnosing engine cylinders
CN115467742A (zh) * 2022-09-02 2022-12-13 哈尔滨工程大学 一种基于iwoa-svr-eemd的共轨喷油器故障信号预处理方法
CN117571327A (zh) * 2023-11-01 2024-02-20 岚图汽车科技有限公司 发动机喷油系统噪声识别方法、装置、设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040050363A1 (en) 2002-09-17 2004-03-18 Hitachi, Ltd. Control apparatus and control method for multi-cylinder engine

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS54141180A (en) * 1978-04-24 1979-11-02 Nippon Soken Knocking detector for internal combustion engine
JPS5970879A (ja) * 1982-10-18 1984-04-21 Nissan Motor Co Ltd デイ−ゼル機関の燃料噴射弁診断装置
GB2210688B (en) * 1987-10-05 1991-06-12 Univ Southampton Detection of faults in diesel fuel injectors
US4895121A (en) * 1988-09-16 1990-01-23 Caterpillar Inc. Method and apparatus for measuring detonation in an internal combustion engine
JP2943042B2 (ja) * 1994-02-28 1999-08-30 株式会社ユニシアジェックス 内燃機関の可変バルブ機構の機能診断装置
JPH10510028A (ja) * 1995-09-28 1998-09-29 ローベルト ボツシユ ゲゼルシヤフト ミツト ベシユレンクテル ハフツング 燃料調量装置の監視方法および監視装置
DE19536110B4 (de) * 1995-09-28 2005-09-29 Robert Bosch Gmbh Verfahren und Vorrichtung zur Steuerung einer Brennkraftmaschine
IT1284328B1 (it) * 1996-01-19 1998-05-18 Fiat Ricerche Metodo e unita' di diagnosi di guasti di iniettori di impianti di iniezione ad alta pressione per motori a combustione interna
US6275765B1 (en) * 1999-10-28 2001-08-14 Brunswick Corporation System for providing a prognosis of future engine faults
JP4411769B2 (ja) * 2000-10-17 2010-02-10 株式会社デンソー 多気筒内燃機関の異常気筒検出装置
US6546912B2 (en) * 2001-03-02 2003-04-15 Cummins Engine Company, Inc. On-line individual fuel injector diagnostics from instantaneous engine speed measurements
DE10154422A1 (de) * 2001-11-06 2003-05-15 Bosch Gmbh Robert Verfahren und Vorrichtung zur Störgeräuschausblendung bei der Klopferfassung in einer Brennkraftmaschine
US7021128B2 (en) * 2002-04-29 2006-04-04 Avl North America, Inc. Misfire detection using acoustic sensors
JP3900088B2 (ja) * 2003-02-20 2007-04-04 トヨタ自動車株式会社 内燃機関のノック判定期間の設定方法、燃料噴射時期の設定方法、及び内燃機関の制御装置
JP4182780B2 (ja) * 2003-03-11 2008-11-19 日産自動車株式会社 インジェクタ検査装置およびインジェクタ検査方法
DE102006054603A1 (de) * 2006-11-20 2008-05-21 Robert Bosch Gmbh Verfahren zur Diagnose einer Brennkraftmaschine
GB0705026D0 (en) * 2007-03-15 2007-04-25 Delphi Tech Inc Vehicle diagnosis system and method
DE102008008208A1 (de) * 2008-02-07 2009-08-13 Robert Bosch Gmbh Verfahren und Vorrichtung zur Diagnose mindestens eines Gaswechselventils mindestens eines Zylinders einer Brennkraftmaschine
JP5508834B2 (ja) * 2009-12-22 2014-06-04 日産自動車株式会社 内燃機関のノック判定装置
US8099231B1 (en) * 2010-08-18 2012-01-17 GM Global Technology Operations LLC System and method for detecting fuel injector malfunction based on engine vibration
US9477895B2 (en) * 2014-03-31 2016-10-25 Mitsubishi Electric Research Laboratories, Inc. Method and system for detecting events in an acoustic signal subject to cyclo-stationary noise
US9915217B2 (en) * 2015-03-05 2018-03-13 General Electric Company Methods and systems to derive health of mating cylinder using knock sensors
US10054043B2 (en) * 2015-04-07 2018-08-21 General Electric Company Systems and methods for estimating a time of an engine event
US10975828B2 (en) * 2018-05-21 2021-04-13 Ford Global Technologies, Llc Method and system for adjusting engine knock background noise levels
JP7158101B2 (ja) * 2019-03-29 2022-10-21 日立建機株式会社 インジェクタ故障診断装置及びインジェクタ故障診断方法
JP7304198B2 (ja) * 2019-04-26 2023-07-06 日立建機株式会社 インジェクタ診断装置及びインジェクタ診断方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040050363A1 (en) 2002-09-17 2004-03-18 Hitachi, Ltd. Control apparatus and control method for multi-cylinder engine

Also Published As

Publication number Publication date
US20210381458A1 (en) 2021-12-09
US11236694B2 (en) 2022-02-01

Similar Documents

Publication Publication Date Title
KR20210152287A (ko) 신호편차기반 인젝터 고장 기통 진단 방법 및 인젝터 고장 진단 장치
JP4550358B2 (ja) エラー識別ないし診断用の方法及び装置
US7634940B2 (en) Device and method for monitoring the intake manifold pressure of an internal combustion engine
EP2202504B1 (en) Method and device for detecting peak values of pressure in a cylinder of an internal combustion engine
JP4528341B2 (ja) 部分エンジン運転における内燃機関シリンダ内燃焼ミスファイヤの検出方法および制御装置
US20040260454A1 (en) Vibro-acoustic engine diagnostic system
CN101128665B (zh) 用于监控内燃机喷射装置的方法和装置
CN103792087A (zh) 并联试车故障监测与诊断方法
JP3737921B2 (ja) 内燃エンジンのバルブ関連障害状態を検出するシステムおよび方法
Liang et al. Multi-sensor signals multi-scale fusion method for fault detection of high-speed and high-power diesel engine under variable operating conditions
JP6531222B1 (ja) エンジン異常検出装置
JPH10281859A (ja) 異常診断方法および装置
US20010015197A1 (en) Method for monitoring the operation of sensors in an internal combustion engine, and electronic controller operating in accordance with the method
KR102063974B1 (ko) 이산 푸리에 변환과 선형 성분이 제거된 엔진 속도의 변동 분석을 활용한 엔진 실화 진단 시스템 및 방법
US7516647B2 (en) Device and method for assigning knock sensors to cylinders of an internal combustion engine
CN111693291A (zh) 一种基于振动信号的柴油机燃烧故障变工况定量诊断方法
US11434844B2 (en) Method for checking a variable valve lift control of an internal combustion engine
Jin et al. A vibration-based approach for diesel engine fault diagnosis
Abadi et al. Single and multiple misfire detection in internal combustion engines using Vold-Kalman filter order-tracking
WO2014065743A1 (en) Cylinder diagnosis
US20050257604A1 (en) Method and system for determining engine cylinder power level deviation from normal
Autar An automated diagnostic expert system for diesel engines
CN113864049B (zh) 一种根据爆震信号判断气门间隙异常的诊断方法
KR102300965B1 (ko) 다기통 엔진의 실화 진단 방법 및 장치
Chatterjee et al. Comparison of misfire detection technologies in spark-ignition engines for meeting on-board diagnostic regulation

Legal Events

Date Code Title Description
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20200608

PG1501 Laying open of application
PC1902 Submission of document of abandonment before decision of registration