KR100315314B1 - 가스 분석, 농도추정 및 측정, 측정 데이터 보정방법과그의 표시방법 - Google Patents

Abstract

본 발명은 가스센서를 이용하여 혼합가스를 분석하기 위하여 가스 분류(Classification)와 농도 추정(Concentration Estimation) 및 분석을 동시에 하고 측정 데이터를 보정하며 그 일련의 처리단계를 실시간으로 기록하고 표시하는 방법에 대하여 개시한다.

본 발명은 가스센서 어레이를 사용한 가스 분석 및 계측 시스템에서 단일 및 혼합가스를 실시간으로 포집하여 가스별로 분류하고 이에 대한 농도를 추정하기 위한 데이터베이스를 구성하고, 이 데이터베이스에 가스 분류 및 농도를 추정하기 위한 값을 미리 저장하며, 이후 데이터베이스에 저장된 값을 이용하여 가스분류, 농도추정을 하여 가스의 종류 및 농도를 정확히 계측하여 분석하면서, 그 일련의 처리과정을 실시간에 표시하는 동시에 가스센서의 시간에 대한 드리프트 현상 때문에 나타나는 오차를 최소화시키기 위하여 데이터베이스에 저장된 값을 보정하는 보정방법을 제공한다.

Description

가스 분석, 농도추정 및 측정, 측정 데이터 보정방법과 그의 표시방법{Gas Analysis, Concentration Estimation and Measurement, Measurement Data Calibration Method and Displaying Method thereof}

본 발명은 단일 및 혼합가스를 분석하고 농도를 추정하여 계측하는 방법에 관한 것으로, 특히 다수개의 가스센서를 이용하여 가스를 실시간으로 포집하여 가스별로 분류하고 농도 추정 및 분석을 동시에 하고 측정 데이터를 보정하는 이러한 일련의 과정을 실시간에 기록하고 표시하는 방법에 관한 것이다.

현재, 반도체 MOS형 센서를 이용하여 단일 가스를 측정하는 제품은 알콜 측정기를 비롯한 메탄 가스 측정기 등이 국내외 여러 회사에 의해서 생산 및 개발되고 있는 실정이다. 이 제품들은 가스의 정확한 농도 측정을 대상으로 하고 있지 않고, 단순히 가스 농도가 어떤 기준치 이상인지만을 측정하고 있는 수준이다.

종래 MOS형 가스 센서와 전도성 폴리머(Conducting Polymer) 센서를 이용한 가스 분석 장치는 전압이 인가되고, 가스의 종류에 따라 센서의 내부 저항이 변하고 이에 따라 센서에 연결된 부하 저항에 가스 농도에 따른 출력 전압이 걸리게 되는 방식을 이용하여 가스 농도를 측정하고 있다.

그러나, 통상적으로 MOS형 센서의 경우에는 저항값이 1년정도 지나면 그 정확성이 1/3 정도 떨어진다. 즉, 가스 농도의 로그 크기(log scale)에 반비례하여 센서 자체의 저항값이 출력되면서 시간 경과에 따라 드리프트(drift) 현상이 발생되기 때문에 이에 대한 보정이 필요하다는 것이 TGS Co.에 의해 알려져있다(일본특허 제2,578,624호, 한국공개특허공보 제1999-029465호 참조).

여기서, TGS의 특허에서는 정확한 가스 농도를 측정하기 위하여 여러개의 저항을 사용하여 기간에 따라 해당 저항에 연결하는 방법을 제시하였다.

반면에, 혼합 가스를 분석 및 계측하기 위해서 다수개의 센서 어레이를 사용하면 가스마다 다른 특성을 가지므로 측정가스의 데이터를 선영 투영 방법 (Principal Components Analysis : PCA)으로 클러스터링(clustering)하게 된다. 그러나, 아직까지는 혼합 가스의 분석 및 계측 시스템에서는 좀더 정확한 분석 및 계측을 위해 측정 가스의 분류(classification)와 농도 레벨(Concentration level)을 추정하는 것은 불가능하다. 그 이유는 다수의 측정 센서들로 감지된 가스들은 다차원의 서로 다른 패턴들로 나타나기 때문이다. 이에, 측정된 가스의 데이터를 용이하게 분석 및 클러스터링하기 위하여 이들이 가지고 있는 데이터의 특성 변환 없이 저차원의 패턴으로 변경할 필요가 있다.

일반적으로 다차원의 패턴을 분석 및 클러스터링하기 용이한 저차원의 패턴으로 변환하기 위한 방법으로 선형 투영(linear projection) 또는 비선형 도해 (non-linear mapping) 방법 등이 주로 사용되고 있다.

하지만, 가스 및 냄새 계측 시스템에서는 상기 방법을 적용해서 측정된 다차원의 패턴들을 저차원으로 줄여 데이터 패턴을 분석 및 클러스터링할 경우 발생되는 문제점을 설명하면 다음과 같다.

도 1은 통상의 가스 및 냄새 계측 시스템에서 선형 투영 방법만을 사용하여 측정 데이터 패턴을 표시한 그래프를 나타낸 것으로, 선형 투영 방법은 일반적으로 다차원 패턴들이 가지고 있던 모든 정보를 줄인 저차원(2 또는 3차원) 패턴에 전부 포함되지 않으므로 때때로 신호의 왜곡(distortion) 현상이 발생하게 된다. 특히 비선형적인 패턴 요소를 많이 포함하는 가스 및 냄새 계측 시스템으로 측정된 데이터 패턴들은 저차원 선형 투영 방법에서 많은 오차(error)를 초래하게 된다. 또한, 계산된 저차원 패턴으로 보여지는 축들에 아무런 물리적 의미를 부여할 수 없다는 단점이 있다.

도 2a 및 도 2b는 통상의 가스 및 냄새 계측 시스템에서 비선형 도해 방법을 사용하여 측정 데이터 패턴을 표시한 그래프들로서, 비선형 도해 방법(예컨대, sammon method)에서는 선형 투영 방법과 달리 커다란 투영 오차를 갖지는 않지만, 주어지는 초기 랜덤수들의 조건에 따라 항상 다른 결과를 만들게 되고 측정된 다차원 패턴들의 입력 순서에 따라 다른 결과를 만들게 된다. 그 결과, 측정된 다차원 가스 및 냄새 패턴들의 데이터베이스 입력 순서에 따라 저차원으로 도해된 데이터들이 축에 따라 회전(rotation)하는 현상을 나타낸다. 이러한 도해 결과는 관찰자들이 측정된 가스 및 냄새 데이터들을 쉽게 분석 및 판단하는데 어려움이 있다.

그러므로, 선형 투영 또는 비선형 도해 방법을 사용하여 가스 및 냄새 계측 시스템에서 측정된 다차원의 데이터 패턴을 저차원을 줄여 표시하는데 오차를 발생하거나 회전 현상을 일으켜 정확한 측정 데이터 패턴을 표시하고 기록하는데 문제점이 있었다.

그러므로, 종래에는 가스 분석 및 계측 시스템에서 가스 센서의 드리프트 현상으로 인해 정확하게 가스를 측정 및 분석하는데 어려움이 있고, 또한 가스 센서를 통해 감지된 가스를 분류하고 이의 농도 레벨을 측정하고 이들 일련의 과정을 표시하고 기록하는 시스템이 아직까지는 제품화되지 않고 있다. 단지 기존에는 가스의 분석만을 하고 농도 추정을 하지 않았거나, 가스의 분류와 농도 추정이 별도의 방법으로 이루어지게 하였다. 그러므로, 이에 대한 개발이 시급한 실정이다.

본 발명의 목적은 상기와 같은 종래 기술의 문제점을 해결하기 위하여 다수개의 센서 어레이(예컨대 MOS 가스센서와 전도성 폴리머형 가스센서)를 사용하여 단일 또는 혼합 가스의 분류, 농도 추정, 측정 및 분석을 동시에 하고 측정 데이터의 보정을 실시하는 가스 분석, 농도추정에 의한 측정, 측정 데이터 보정방법 및 그들의 과정을 기록하거나 표시하는 방법을 제공하는데 있다.

본 발명의 다른 목적은 가스 센서의 시간에 대한 드리프트 현상에 의한 오차를 방지하고자 신경 회로망을 이용하여 오차를 보정하여 기준 데이터베이스를 재구성함으로써 실제 가스의 측정 및 분석시 그 정밀성을 높일 수 있는 가스 분석, 농도추정 및 측정, 측정 데이터 보정방법과 그의 표시방법을 제공하는데 있다.

본 발명의 또다른 목적은 가스측정을 분석하는 선형 투영 방법과 비선형 도해 방법을 결합한 방법(The combination method of linear projection and non-linear mapping)을 이용하여 가스 측정에 따라 얻어지는 다차원 패턴을 저차원 패턴으로 변환하여 데이터 패턴을 저차원으로 분석 및 클러스터링함으로써 실시간의 가스 측정 결과를 기록하고 표시하는 가스 분석, 농도추정 및 측정, 측정 데이터 보정방법 및 표시방법을 제공하는데 있다.

도 1은 통상의 가스 및 냄새 계측 시스템에서 선형 투영 방법만을 사용하여 측정 데이터 패턴을 표시한 그래프.

도 2a 및 도 2b는 통상의 가스 및 냄새 계측 시스템에서 비선형 도해 방법을 사용하여 측정 데이터 패턴을 표시한 그래프.

도 3은 본 발명에 따른 가스 분류와 농도의 동시 추정 분석 및 측정 데이터를 보정하는 방법을 설명하기 위한 흐름도.

도 4a 내지 도 4c는 본 발명의 방법에 따라 다수개의 센서 어레이로부터 감지된 다양한 가스의 농도 측정예를 나타낸 그래프.

도 5는 본 발명에 따른 가스 분석과 농도추정 및 계측 시스템의 측정 데이터 보정 방법에 사용된 다층 신경 회로망의 구조도.

도 6은 도 5의 다층 신경 회로망 학습 방법을 설명하기 위한 흐름도,

도 7은 본 발명에 따른 가스 분석과 농도추정 및 계측 시스템의 측정 데이터 보정 방법으로 실제 측정된 가스들의 분석과 농도 추정 예를 나타낸 그래프.

도 8은 본 발명에 따라 선형 투영 방법과 비선형 도해 방법의 결합으로 이루어진 가스 및 냄새 계측 시스템의 측정 데이터 패턴을 실시간으로 기록하고 표시하는 방법을 설명하기 위한 흐름도.

도 9는 본 발명의 가스 및 냄새 계측 시스템의 측정 데이터 패턴의 표시방법에 의해 출력된 그래프.

상기 목적을 달성하기 위하여 본 발명은 다수개의 센서 어레이를 갖는 가스 분석 및 계측 시스템에서 측정된 데이터를 보정하는 방법에 있어서, 상기 다수개의 센서 어레이로부터 측정된 가스중에서 적어도 하나 이상의 가스를 기준 가스로 지정하고, 측정하기를 원하는 샘플가스를 지정하는 단계; 상기 센서들에 측정된 샘플가스의 저항값을 기준가스의 저항값으로 나누거나 상기 센서들에 측정된 샘플가스의 전압값을 기준가스의 전압값으로 나누어 기준 데이터를 계산하는 단계; 상기 기준 데이터를 신경회로망에 인가한 후 전방향 계산하여 기준 분류 및 기준 농도를 출력하고, 상기 출력된 기준 분류 및 기준 농도와 이들의 목표값의 오차를 계산하여 오차에 따라 레벤버그-마큐트 방법에 의해 학습시키는 단계; 상기 학습된 데이터를 데이터베이스화하고 이를 가스의 분석 및 계측시 이용하는 단계; 상기 측정된 다차원의 단일 또는 혼합 가스의 데이터 패턴을 비선형 도해 방법과 상기 비선형 도해 방법에서 발생된 오차를 줄이기 위해 선형 투영 방법 함께 이용하여 저차원의 데이터 패턴으로 바꾸어 표시하는 단계를 포함하여 이루어진 것을 특징으로 한다.

본 발명에 따르면, 온도 및 습도에 가장 영향을 받지 않고 수명이 가장 긴 MOS형 가스 센서 어레이와 전도성 폴리머(Conducting Polymer) 센서 어레이를 통해 검출된 데이터의 분류와 농도 추정의 정밀도를 높이기 위하여, 가스의 분류 및 농도 추정을 위한 데이터베이스를 제공하고 미리 가스의 기준 데이터를 구한 후에, 신경 회로망의 레벤버그-마큐트(Levenverg-Marquardt) 학습방법을 통해 오차가 보정된 기준 가스 분류와 농도값을 결정하는 신경 회로망의 연결강도(weight)값을 이 데이터베이스에 저장함으로써 정확한 분석 데이터를 확보가 가능하며, 또한 정기적으로 데이터를 갱신하는 보정 작업으로 센서의 시간에 대한 드리프트 현상으로 인한 오류를 보정할 수 있다.

또한, 본 발명은 학습된 데이터를 데이터베이스화하고 이를 이용하여 가스를 분석하고 및 계측하는데 있어서, 다수의 가스 센서 어레이로부터 감지된 다차원의 단일 또는 혼합 가스와 그 냄새의 데이터를 비선형 도해 방법과 이 비선형 도해 방법에 의해 발생된 오차를 줄이기 위한 선영 투영 방법을 함께 이용하여 저차원의 데이터 패턴으로 바꾸어 기록하고 표시하는 것을 특징으로 한다.

이하, 첨부된 도면을 참조하여 본 발명을 상세히 설명하기로 한다.도 3은 본 발명에 따른 가스 분류와 농도 추정 및 분석을 동시에 하고 측정 데이터를 보정하는 방법을 설명하기 위한 흐름도이다.

우선, 다수개의 센서 어레이로부터 감지될 수 있는 가스중에서 어느 하나의 가스를 기준 가스로 지정한다(S10). 또한, 측정하려는 가스들을 샘플가스로 지정한다. 여기서, 가스 센서는 종전과 마찬가지로 MOS형 센서나 전도성 폴리머(Polymer) 센서를 이용할 수 있으며 측정대상의 가스는 단일 또는 혼합 가스 모두 가능하다. 그리고, 센서들에 측정된 샘플가스에 대한 저항값을 기준가스의 저항값으로 나누거나 센서들에 측정된 샘플가스에 대한 전압값을 기준가스의 전압값으로 나누어 기준 가스의 농도를 계산한다(S12). 이때 샘플 데이터는 정확한 측정을 위해 3개 이상의 가스 농도 값으로부터 얻어지는 것이 바람직하다(S14). 그 다음, 기준 가스의 농도와 기준 분류에 따른 기준 데이터를 신경회로망으로 학습시키는데, 레벤버그-마큐트(Levenverg-Marquardt) 방법으로 학습시킨다(S16). 그리고 나서, 학습된 데이터를 데이터베이스화하고 이를 실제 가스의 분석 및 계측시 이용하도록 한다(S18). 상기 데이터베이스화된 데이터로부터 실제 측정된 가스 데이터의 분류 및 농도를 추정할 수 있다.

그러므로, 본 발명에 따른 가스 분류와 농도의 추정 측정 및 분석을 동시에 실시하고 측정 데이터를 보정하는 방법은 가스 분류 및 농도 추정을 위한 데이터베이스에 저장될 기준 데이터를 구하고 이후 실제 분석시 상기 데이터베이스에 저장된 기준 데이터를 참고로 하여 가스의 분류 및 농도를 정확하게 추정할 수 있을 뿐만 아니라, 이러한 작업을 드리프트 현상이 크게 나타나게 되는 일정한 기간마다 반복시켜 신경회로망의 데이터베이스를 수정함으로써 가스 센서 자체에 발생된 가스 농도 측정의 오차를 보정할 수도 있다.

그럼 본 발명을 구체적인 예를 들어 좀더 상세하게 설명하기로 한다.

도 4a 내지 도 4c는 본 발명의 방법에 따라 다수개의 센서 어레이로부터 감지된 다양한 가스의 농도 측정 예를 나타낸 그래프로서, 예를 들면 4개의 가스 센서들을 통해 측정된 에탄올(ethanol), 메탄올(methanol)과 그 혼합 가스의 농도별 데이터가 도시되어 있다. 즉, 도 4a에서는 500PPM, 1000PPM, 1500PPM의 기준 농도에 따른 센서들로부터의 에탄올 측정값들이 도시되어 있고, 도 4b에서는 500PPM, 750PPM, 1000PPM, 1500PPM의 기준 농도에 따른 센서들로부터의 메탄올 측정값들이 도시되어 있다. 그리고, 도 4c에서는 에탄올 500PPM과 메탄올 500PPM, 에탄올 500PPM과 메탄올 1000PPM, 에탄올 100PPM과 메탄올 1000PPM, 에탄올 15000PPM과 메탄올 1000PPM의 기준 농도에 따라 센서들로부터 그 혼합 가스의 측정값들이 도시되어 있다.

본 실시예에서는 가스의 종류를 편의상 에탄올, 메탄올 및 이들 혼합 가스의 세 가지만 예를 들었지만, 더 많은 가스 종류로 확장할 수 있으며 가스 센서의 종류도 설명의 편의상 4개의 센서 어레이에 대해서만 설명하였지만 더 많이 확장될 수 있다.

이들 도면에 도시된 측정 데이터들은 바로 사용할 수 없다. 보통 가스 센서의 경우 같은 센서라 하더라도 서로 다른 값이 나올 수 있기 때문이다. 그래서, 측정된 이들 가스중에서 기준 가스를 정하고 이 기준 가스중의 어느 한 농도를 기준 농도로 구하도록 한다.

이에, 가스 센서의 저항값을 계산해서 이것을R _o (기준 저항)로 정하고, 실제 측정된 샘플가스에 대한 가스 센서의 저항값R _s과 기준 저항R _o 의 비를 구해 실제 사용하는 데이터인R _s/R _o 값을 얻는다. 여기서R _s는 실제 측정된 가스 센서의 전압을 측정하면 바로 컴퓨터에 의해 실시간적으로 환산해서 구할 수 있다.

이러한 방법 대신에 가스 센서의 출력 전압을 이용할 수도 있다. 기준 가스의 기준 농도에 대한 전압을V _o 라 할 때 실제 측정된 가스센서의 출력 전압V _s 를 구한다. 그리고, 측정된 출력 전압을 기준 농도의 전압으로 나누어 실제 사용하는 데이터인V _s /V _o 를 구한다.

한편, 본 실시예에서는 각 가스당 3개의 농도 상태를 사용하였는데, 더 정확한 가스 측정을 위해서 더 많은 농도 레벨을 사용하는 것이 바람직하다.

도 5는 본 발명에 따른 가스 분석 및 계측 시스템의 측정 데이터 보정 방법에 사용된 다층 신경회로망의 구조도이다.

이를 참조하면, 본 발명에 적용된 다층 신경회로망은 다수개의 기준 데이터(10)를 입력받는 뉴런들로 구성된 입력층(20)과, 가스의 기준 분류값(60)과 기준 농도값(70)을 출력하도록 2개의 뉴런으로 구성된 출력층(40)과, 소정의 연결강도(weight)(50)를 갖고 입력층(20) 및 출력층(40)의 뉴런 각각에 모두 연결되는 뉴런들로 구성된 중간층(30)으로 이루어진다.

이러한 다층 신경회로망에서는 각 층사이의 연결강도(50)가 반복 학습에 의해 원하는 적절한 값으로 학습되는데, 반복 횟수는 출력층(40)의 출력과 목표값의 RMS 오차가 정해진 오차범위에 수렴할 때까지로 정한다.

도 6는 도 5의 다층 신경회로망 학습 방법을 설명하기 위한 흐름도로서, 이를 참조하여 본 발명의 신경회로망의 학습 방법과 이로부터 구해진 값을 데이터베이스화하는 과정을 설명하면 다음과 같다.

우선, 신경회로망의 연결강도를 초기화한다(S20). 그리고, 기준데이터를 입력층에 인가하고(S22) 전방향 계산에 의해 중간층 및 출력층을 통해 기준 분류 및 기준 농도를 출력한다(S24). 상기 전방향 계산은의 수학식에 의해 구현되고,이다. 여기서,는 출력층을 의미하고은 (k-1)번째 층의 i번째 뉴런과 k번째 층의 j번째 뉴런간의 연결강도의 값이며,(·)는 활성함수를 의미한다. 그 다음, 출력층을 통해 출력된 값들과 기준분류 및 기준 농도의 목표값의 오차를 계산하고(S26), 계산된 오차가 설정된 오차보다 큰지를 판단한다(S28). 만약 출력값과 목표값의 오차가 설정된 오차 이하일 경우 전방향 계산에 사용된 연결 강도를 고정하고(S30), 이 연결 강도를 데이터베이스화한다(S34). 반면에, 계산된 출력값과 목표값의 오차가 설정된 오차보다 클 경우 연결 강도를 수정하고, 기준 데이터를 입력층에 인가해서 수정된 연결 강도를 사용하고 상기 학습과정을 반복 수행한다(S30).

여기서, 연결강도의 수정은 여러가지 방법이 사용될 수 있는데, 레벤버그-마큐트(Levenverg-Marquardt) 방법을 중심으로 연결강도를 학습시키고 최적화시킨다. 이 알고리즘은이다. 여기서,는 연결강도의 행렬표현을 의미하며,J는 각 연결강도들에 대한 오차도 함수들의 자코비안(Jacobian) 행렬을 의미하며, μ는 스칼라값이며e는 오차의 벡터를 의미한다.

그러므로, 상술한 신경회로망을 통해 반복 학습된 연결강도를 가스 분석 및 계측 시스템내의 메모리 또는 이와 온라인 통신으로 연결된 외부 컴퓨터의 데이터베이스에 저장해서 이후 실제 가스를 분석할 때 이용할 수가 있다. 따라서, 실제 가스를 측정할 때 포집된 가스가 다수개의 센서 어레이를 통해 농도가 감지되고 이 감지된 데이터는 과도 응답을 뺀 평탄한 상태의 값을 가지고 분석에 들어가게 된다. 미리 데이터베이스에 저장되어 있는 연결 강도값을 호출하고 이를 사용한 다중 신경회로망의 전방향 계산에 의해 가스의 분류값과 농도값을 출력하게 된다. 그 결과, 가스 센서의 수명으로 인해 발생되는 드리프트 현상에 의한 오차를 최대한 줄일 수 있으며 측정 대상의 가스 분류와 농도를 정확하게 추정할 수가 있다. 만약 학습하지 않은 가스의 농도 데이터가 입력될지라도 신경회로망은 일반화 특성을 갖고 있기 때문에 적응하여 농도와 분류를 추정할 수 있다.도 7은 본 발명에 따른 가스 분석 및 계측 시스템의 측정 데이터 보정방법으로 실제 측정된 가스들의 분류와 농도 측정예를 나타낸 그래프이다. 도시된 바와 같이, 본 발명에 의해 미리 학습된 5개의 가스(에탄올, 메탄올, 부탄올, n-부틴 아세테이트, 혼합)에 대한 연결강도를 가지고 실제 가스 데이터 측정시 가스 분류와 그 농도를 추정하면 오차 없이 양호한 결과 값이 출력됨을 보여주고 있다. 또한, 가스 센서는 사용 기간에 따라 드리프트 현상을 야기하므로 과거에 데이터베이스에 저장된 데이터가 현재에서는 정확한 값을 추정하는데 있어 오차가 발생할 수 있다. 예컨대, 도 7에서 2번 분류의 에탄올 1500PPM의 농도가 정확하게 추정되었지만, 가스 센서의 오차로 인해 가스 분류가 2.45 또는 2.52 등으로 결정하기 어렵게 분류될 경우 가스 농도에 대한 추정 값도 달라질 수 있다. 따라서, 본 발명은 정기적인 재보정(re-calibration)을 통해서 데이터베이스에 기록된 데이터 값을 유지 및 수정하도록 한다.

본 발명에 의한 가스 및 냄새 계측 시스템의 측정 데이터 패턴을 실시간에 기록하고 표시하는 방법은 다수의 가스 센서 어레이로부터 감지된 다차원의 단일 또는 혼합 가스와 그 냄새의 데이터를 비선형 도해 방법과 비선형 도해 방법에 의해 발생된 오차를 줄이기 위한 선영 투영 방법을 함께 이용하여 다차원에서 저차원(2 또는 3차원)의 데이터 패턴으로 바꾸어 표시함으로써 시각적으로 쉽게 측정된 가스 및 냄새 데이터들을 분석 및 클러스터링할 수 있다.

비선형 도해 방법의 오차는 하기 [수학식 1]에 의해 구한다.

여기서,d _ij 는 다차원 패턴 i와 다차원 패턴 j 사이의 거리,는 변환되어질 2 또는 3차원의 저차원 패턴 i와 j 사이의 거리, N은 전체 측정된 패턴수이다. [수학식 1]을 최소화하는는 일반적인 경사변화 방법(gradient method)을 사용하여 구한다.도 8은 본 발명에 따라 선형 투영 방법과 비선형 도해 방법의 결합으로 이루어진 가스의 측정 데이터 패턴의 표시 방법을 설명하기 위한 흐름도로서, 비선형 도해 방법과 선영 투영 방법을 함께 이용하여 저차원의 데이터 패턴을 확보하는 과정은 다음과 같다.

다수의 가스 센서 어레이를 갖는 가스 및 냄새 계측 시스템을 초기화하고 (S40), 센서를 통해 측정된 다차원의 단일 또는 혼합 가스와 그 냄새에 관한 데이터(파라메터)를 도출한다(S42). 그리고, 비선형 도해 방법에 의해 얻어진 값을 저장하기 위한 메모리를 할당한다(S44). 그 다음, 일반적인 비선형 도해 방법에서을 구하기 위하여 초기화되는 패턴 i와 패턴 j가 불규칙한 작은 랜덤수로 만들어지므로 저차원으로 도해된 데이터들이 축에 따라 회전(rotation)되는 것을 방지하기 위하여 선형 투영 방법인 PCA(Principal Components Analysis)를 적용하여를 초기화할 것인지를 판단한다(S46). 선형 투영 방법의 초기화가 선택된다면, 선형 투영 방법의 프로그램을 실행하고 저차원(예컨대 2차원) 공간으로 다차원 입력 데이터를 투영한다(S48). 그리고,의 초기화를 위한 PCA 방법으로서 자코비안(Jacobian) 방법을 이용하여 고유치(eigenvalue)와 고유벡터(eigenvector)를 구하고 이를 크기 순서로 순차적으로 나열한다. 그러면, 2차원인 경우 가장 큰 고유치에 따른 고유벡터와 두 번째 큰 고유치에 따른 고유벡터를 사용한 선형 투영 방법인 PCA로 하기 [수학식 2]와 같은 저차원의 데이터 패턴(이하, Y패턴이라 칭함)을 얻을 수 있다(S50)

여기서, i는 실제 측정된 다차원 패턴(L-차원), l은 패턴수, k는 변환된 저차원(k=2 또는 3)이다.

그러므로, 상술한 선형 투영 방법(PCA)에 의해 투영된 값을 갖고 저차원 공간으로 Y패턴을을 초기화함으로써 비선형 도해 방법 이용시 패턴의 초기값으로 다차원 측정 데이터 패턴들의 입력 순서가 바뀐다하더라도 항상 일정한 저차원의 Y 패턴들 분포를 분석 및 클러스터링할 수 있다.

이에, 비선형 도해 방법으로 다차원의 데이터 패턴을 저차원의 패턴으로 변환하는 과정은, 비선형 도해 방법과 동일하게 랜덤하게 저차원 공간에서 데이터 패턴을 초기화하고(S52), 다차원 공간에서 데이터 패턴(이하, X패턴이라 칭함)사이의 유클리드 거리를 계산하며(S54), 급강하 절차를 사용하여 새로운 저차원, Y패턴의 형상을 계산한다(S56). 그런 다음, 저차원 공간에서 Y패턴 사이의 유클리드 거리를 계산함으로써(S58) 다차원에서 저차원 패턴으로 변경할 때 발생된 [수학식 1]의 평균오차를 계산한다(S60). 그리고, 정지 명령이 인가되는지를 판단하고(S62) 만약 이 단계(S60)에서 구해진 평균 오차값이 기준 이상이고 최대 반복 회수보다 작다면 상기 다차원 패턴의 거리를 계산하는 단계(S64)부터 반복하고, 그렇지 않을 경우 오차보정된 저차원 데이터 패턴을 표시한다(S68). 만약, 선형 투영 방법의 초기화가 선택되지 않는다면, 비선형 도해 방법과 동일하게 랜덤하게 저차원 공간에서 데이터 패턴을 초기화 하고, 다차원 공간에서 데이터 패턴(X패턴)사이의 거리를 계산(S54)하는 단계부터 다시 반복 수행한다.

따라서, 본 발명은 측정된 가스 및 냄새의 데이터 패턴을 저차원으로 변환하여 표시하는 방법에 있어 선형 투영 방법으로 비선형 도해 방법의 데이터 패턴 초기값 오류를 보상할 수 있으므로 가스 및 냄새 계측 시스템에서 얻어진 데이터 패턴을 쉽고 정확하게 분석 및 클러스터링할 수 있다.

도 9는 본 발명의 가스 및 냄새 계측 시스템의 측정 데이터 패턴의 표시방법에 의해 출력된 그래프를 나타낸 것으로서, 이를 참조하면 본 발명에 의해 선형 투영 방법(PCA)과 비선형 도해 방법(sammon)의 결합으로 측정된 가스 및 냄새의 데이터 패턴의 분포도가 선명해지고 축의 회전 현상이 나타나 있지 않아 이를 분석하고 클러스터링 하는데 정확성이 높아진다.

상기한 바와 같이, 가스 분류, 농도측정 및 측정 데이터를 보정하고 분석하는 방법에 따르면, 가스 센서의 드리프트 현상으로 인해 발생되는 오차를 보정할 수 있을 뿐만 아니라, 가스 센서를 통해 감지된 가스를 분류하고 이의 농도 레벨을 측정할 수 있다. 그리고, 재보정 과정을 통해서 가스 분류 및 농도 레벨 분석을 위해 데이터베이스에 저장된 신경회로망의 연결강도값을 유지, 수정함으로써 가스 분석 및 계측의 정밀성을 높일 수 있다. 더하여, 본 발명은 측정 데이터를 용이하게 분석하도록 비선형 도해 방법과 선영 투영 방법을 함께 사용하여 다차원 패턴을 저차원 패턴으로 변환함으로써 가스 및 냄새의 데이터 패턴이 비선형적인 요소를 가지고 있어 발생되는 신호 왜곡과 다차원 패턴에서 저차원 패턴으로 변환되는 과정에서 발생된 변환오차를 크게 줄이고, 가스 및 냄새의 데이터패턴을 저차원으로 오차를 최소화하여 기록하고 표시할 수 있으므로 데이터패턴의 분포도가 선명해지고 축의 회전 현상이 나타나 있지 않아 이를 분석하고 클러스터링 하는데 정확성이 높아지게 된다.

Claims (7)

1. 다수개의 센서 어레이를 갖는 가스 분석 및 계측 시스템에서 단일 또는 혼합 가스 분석, 농도추정 및 측정, 측정 데이터 보정방법과 그의 표시방법에 있어서,

   상기 다수개의 센서 어레이로부터 측정된 가스중에서 적어도 하나 이상의 가스를 기준 가스로 지정하고, 측정하기를 원하는 샘플가스를 지정하는 단계;

   상기 센서들에 측정된 샘플가스의 저항값을 기준가스의 저항값으로 나누거나 상기 센서들에 측정된 샘플가스의 전압값을 기준가스의 전압값으로 나누어 기준 데이터를 계산하는 단계;

   상기 기준 데이터를 신경회로망에 인가한 후 전방향 계산하여 기준 분류 및 기준 농도를 출력하고, 상기 출력된 기준 분류 및 기준 농도와 이들의 목표값의 오차를 계산하여 오차에 따라 레벤버그-마큐트 방법에 의해 학습시키는 단계;

   상기 학습된 데이터를 데이터베이스화하고 이를 가스의 분석 및 계측시 이용하는 단계;

   상기 측정된 다차원의 단일 또는 혼합 가스의 데이터 패턴을 비선형 도해 방법과 상기 비선형 도해 방법에서 발생된 오차를 줄이기 위해 선형 투영 방법 함께 이용하여 저차원의 데이터 패턴으로 바꾸어 표시하는 단계를 포함하여 이루어진 것을 특징으로 하는 가스 분석, 농도추정 및 측정, 측정 데이터 보정방법과 그의 표시방법.
2. 제 1항에 있어서, 상기 기준 데이터는 3개 이상의 가스 농도로부터 얻어지는 것을 특징으로 하는 가스 분석, 농도추정 및 측정, 측정 데이터 보정방법과 그의 표시방법.
3. 제 1항에 있어서, 상기 신경회로망은 다수개의 기준 데이터를 입력받는 뉴런들로 구성된 입력층과, 가스의 기준 분류값과 기준 농도값을 출력하도록 2개의 뉴런으로 구성된 출력층과, 소정의 연결강도를 갖고 상기 입력층 및 출력층의 뉴런 각각에 모두 연결되는 뉴런들로 구성된 중간층으로 이루어진 것을 특징으로 하는가스 분석, 농도추정 및 측정, 측정 데이터 보정방법과 그의 표시방법.
4. 제 1항 또는 제 3항에 있어서, 상기 신경회로망의 학습 방법은 상기 연결강도를 초기화하는 단계;

   상기 기준 데이터를 입력층에 인가하고 전방향 계산에 의해 상기 중간층 및 출력층을 통해 기준 분류 및 기준 농도를 출력하는 단계;

   상기 출력된 기준 분류 및 기준 농도와 이들의 목표값의 오차를 계산하는 단계;

   상기 계산된 오차가 설정된 오차보다 큰지를 판단하는 단계;

   상기 판단 결과 설정된 오차보다 작을 경우 레벤버그-마큐트 방법에 의해 연결강도를 학습시키는 단계;

   상기 계산된 오차가 설정된 오차 이하일 경우 연결강도를 고정하는 단계를 포함하여 이루어진 것을 특징으로 하는 가스 분석, 농도추정 및 측정, 측정 데이터 보정방법 및 그의 표시방법.
5. 제 4항에 있어서, 상기 계산된 오차가 설정된 오차보다 클 경우 연결강도를 수정하고, 상기 기준 데이터를 입력층에 인가하고 상기 수정된 연결강도를 이용해서 학습과정을 반복하는 것을 특징으로 하는 가스 분석, 농도추정 및 측정, 측정 데이터 보정방법과 그의 표시방법.
6. 제 1항에 있어서, 상기 비선형 도해 방법은 하기 [수학식 3]에 의해 오차가 구해지는 것을 특징으로 하는 가스 분석, 농도추정 및 측정, 측정 데이터 보정방법과 그의 표시방법.

   여기서,d _ij 는 다차원 패턴 i와 다차원 패턴 j 사이의 거리,는 변환되어질 2 또는 3차원의 저차원 패턴 i와 j 사이의 거리, N은 전체 측정된 패턴수이다.
7. 제 1항에 있어서, 상기 비선형 도해 방법과 선영 투영 방법을 함께 이용하여 저차원 데이터 패턴을 표시하는 과정은

   상기 가스 및 냄새 계측 시스템을 초기화하고 측정된 단일 또는 혼합 가스와 그 냄새의 데이터를 독출하는 단계;

   상기 비선형 도해 방법에 의해 얻어진 값을 저장하기 위한 메모리를 할당하는 단계;

   상기 선형 투영 방법의 초기화를 실시할 것인지를 판단하는 단계;

   상기 선형 투영 방법의 초기화가 실시된다면 선형 투영 방법의 프로그램을 실행하고 저차원 공간으로 다차원 입력 데이터를 투영하는 단계;

   상기 투영된 값을 갖고 저차원 공간으로 패턴을 초기화하는 단계;

   상기 다차원 공간에서 데이터 패턴 사이의 거리를 계산하는 단계;

   새로운 저차원 패턴의 형상을 계산하는 단계;

   상기 저차원 공간에서 데이터 패턴 사이의 거리를 계산하는 단계;

   상기 계산된 값들로부터 다차원에서 저차원 패턴으로 변경할 때 발생된 평균오차를 계산하는 단계; 및

   상기 평균 오차값이 기준 이상이면 상기 다차원 패턴의 거리를 계산하는 단계부터 반복하고 그렇지 않을 경우 상기 저차원 데이터 패턴을 표시하는 단계를 포함하여 이루어진 것을 특징으로 하는 가스 분석, 농도추정 및 측정, 측정 데이터 보정방법과 그의 표시방법.