인천대학교 인디고클랫폼 인천대학교 기술지원허브

차량이 동장 중에 EPS에서 출력값인 steering wheel angle 를 받을 수 있다. 이때 EPS 시스템은 EPS 모터의 단자전압 를 입력으로 받는다. IMM은 다중필터로 여기서는 여러 개의 Kalman filter로 구성되어있다. 각각의 Kalman filter들은 고유의 고장필터모델들로 설계되어있으며 시스템이 적합한 고장상태가 되었을 때, 해당되는 고장모델의 확률이 증가한다. Bayesian 확률 이론에 근거하여 Markov 확률 분포에 따라 모델들이 상호작용을 일으켜 비용효율적으로 시스템을 추정할 수 있다. 이러한 IMM filter는 시스템의 입력과 출력을 기반으로 모델들의 적합도를 likelihood function을 통해 나타낼 수 있다. 현재 시스템 특성에 가장 적합하다고 판단되는 모델이 현재 시스템의 고장상태인 것이다. 확률적으로 시스템의 상태를 추정하는 IMM filter는 단일 필터를 이용한 추정 방식과 비교하여 여러 고장상황에 대해 유연하게 대처할 수 있다는 것이 장점이다. 만약 한가지 고장상황이 아닌 둘 이상의 고장이 복합적으로 발생하는 상황이라면 여기서 제안하는 방식인 PCIMM을 적용하는 것이 적합하다. PCIMM은 동시에 일어나는 여러 고장상황을 미리 범주화하여 고장을 설계하고 그에 따라서 복합고장을 검출하고 진단하는 것이 가능하다. 위 그림에서는 하나의 예시로 두 가지의 복합고장에 대한 PCIMM의 블록선도를 나타내었는데, 먼저 Parameter IMM에서는 EPS의 파라미터 고장, 즉 steering wheel, rack, pinion의 마찰력 증가, EPS 모터의 전기적 저항 증가 등에 대한 고장을 진단할 수 있으며, QR IMM에서는 EPS의 출력 센서의 노이즈 증가 고장을 진단할 수 있게 설계되었다. 이러한 두 가지 형태로 설계된 IMM은 PCIMM이라는 하나의 시스템에 묶여 병렬적으로 각각의 고장을 진단하며 이 두 가지의 mode probability를 기반으로 하나의 interacted mode probability를 도출해 내어 정확한 시스템의 고장상태를 판단할 수 있다.