(A) study on fault diagnosis in automotive chassis systems based on physics-informed knowledge distillation

다국어 초록 (Multilingual Abstract)

Software-Defined Vehicle (SDV) employs centralized high-performance controllers and advanced E/E architectures capable of acquiring and fusing large volumes of heterogeneous sensor data in real time. This enables virtual sensing and the application of AI-based anomaly detection and predictive maintenance techniques, supporting more precise and proactive diagnostic strategies. However, most existing AI-driven diagnostic studies require large-scale training datasets and substantial computational resources, presenting considerable challenges for practical deployment in terms of Domain Adaptation. This study focuses on chassis components—specifically shock absorbers and wheel bearings—as diagnostic targets. Physics-informed modeling and major fault-mode analyses were conducted using domain knowledge, and experimental data were collected from both healthy and fault-replicated components using high-precision external sensors and production-grade low precision sensors. Based on these two sensor modalities, the expressiveness of fault signatures was examined, and optimal signal-processing techniques were selected to extract key fault features. A Knowledge Distillation–based diagnostic framework was then developed to transfer the representational capability of high-precision sensor data to models operating solely on low-precision sensor inputs. This approach improves diagnostic accuracy under production-sensor constraints and enables a deployable chassis fault-diagnosis framework suitable for real-vehicle implementation. Additionally, the study evaluates the performance gains achieved by incorporating domain-knowledge-derived fault features into the model training process. The proposed physics-informed Knowledge Distillation model demonstrates practical Domain-Adaptation capability and embodies a paradigm shift from default threshold-based diagnosis to deployable, anomaly-detection–centric chassis fault diagnosis for next-generation SDV.

국문 초록 (Abstract)

SDV에서는 중앙 집중식 고성능 제어장치를 갖는 E/E(Electric/Electronic) 아 키텍처 기반으로, 다수의 센서 데이터를 실시간으로 수집 및 복합 분석하는 버추얼 센싱 기술 구현이 가능하며 다양한 AI 모델을 활용한 차량 이상 감지와 수명 예측 기법을 적용한 정밀하고 선제적인 차량 진단 기술을 구현할 수 있다. 하지만 현재 까지 발표된 대다수의 AI 기반 진단 기술은 고정밀 진단을 위해 대량의 학습 데이 터와 높은 연산 자원을 필요로 하여, 실제 차량 적용을 위한 Domain-Adaptation 관점으로 많은 한계를 보이고 있다. 본 연구에서는 자동차 샤시계 부품 중 쇽업소버와 휠베어링을 진단 대상으로 선정하고, 도메인 지식을 토대로 물리 모델과 주요 고장 모드 분석을 수행하였다. 더불어 정상 신품과 고장 재현품을 준비하여, 고정밀 별물형 센서와 양산 탑재형 저정밀 센서를 각각 활용한 실차 계측 데이터를 확보하였다. 이렇게 수집된 두 종류의 센서 데이터를 기반으로 고장 현상이 어떻게 표현되는지 확인하였으며, 특징 적인 고장 Feature를 추출하기 위한 적절한 신호 처리 기법을 선정하였다. 최종적으로 지식 증류 기반의 고장 진단 AI 모델을 구성하여, 고정밀 센서 데 이터를 통해 얻을 수 있는 정보를 저정밀 센서 기반 모델에 효과적으로 전이할 수 있도록 하였다. 이를 통해 실제 차량 운행 환경에서 양산 탑재형 저정밀 센서만을 사용하더라도 고장 진단이 가능한 프레임워크를 마련하였으며, 도메인 지식을 기반 으로 추출한 주요 고장 Feature를 학습에 포함하여 추가적인 진단 성능 향상이 가 능함을 검증하였다. 본 연구에서 개발하고 검증한 물리 정보 기반 지식 증류 모델은 실제 차량 환 경에서 요구되는 Domain-Adaptation 관점을 충족시키는 샤시 부품 고장 진단 기 술로 제안될 수 있다.

목차 (Table of Contents)

• 1. Introduction 1
• 1.1 Background 1
• 1.2 Related Work 4
• 1.3 Research Objectives and Methodology 8
• 2. Feature Extraction Strategies Using Physics and Domain Knowledge to Improve AI-Based Vehicle Fault Diagnosis Models 13
• 2.1 Understanding Vehicle Chassis Components 13
• 2.2 Physics and Fault Characteristics with Domain Knowledge 16
• 2.2.1 Shock Absorber Physical Model and Failure Modes 16
• 2.2.2 Wheel bearing Physical Model and Failure Modes 22
• 2.3 Driving Signal Analysis and Feature Extraction 27
• 2.3.1 ICP and IMU Sensor Representational Capability Evaluation 27
• 2.3.2 Time-Series Signal Analysis and Fault Feature Extraction 32
• 2.3.3 FFT-Based Signal Analysis and Fault Feature Extraction 36
• 2.3.4 Envelope Analysis–Based Fault Feature Extraction 45
• 2.3.5 Wavelet Transform–Based Signal Analysis and Fault Feature Extraction 49
• 3. Validation of AI Model Performance Using Physics-Informed Knowledge Distillation 53
• 3.1 Concept of Knowledge Distillation Models 53
• 3.2 Design and Validation of the Physics-Informed Knowledge Distillation Model 55
• 3.2.1 DOE for the Physics-informed Knowledge Distillation Model 55
• 3.2.2 Binary Fault Detection (Single-Modal) 57
• 3.2.3 Binary Fault Detection (Multi-Modal) 61
• 3.2.4 Multiclass Fault Classification (Multi-Modal) 66
• 3.3 Comprehensive Analysis of Model Validation Results 68
• 4. Conclusion and Future Work 73
• 4.1 Conclusion 73
• 4.2 Future Work 75
• References 77
• 논문요약 82