KR102048519B1 - 기계 학습 기반의 이상 상태 발생 지점 탐지 방법 및 이상 상태 발생 지점의 탐지를 위한 학습 방법 - Google Patents

기계 학습 기반의 이상 상태 발생 지점 탐지 방법 및 이상 상태 발생 지점의 탐지를 위한 학습 방법 Download PDF

Info

Publication number
KR102048519B1
KR102048519B1 KR1020180032228A KR20180032228A KR102048519B1 KR 102048519 B1 KR102048519 B1 KR 102048519B1 KR 1020180032228 A KR1020180032228 A KR 1020180032228A KR 20180032228 A KR20180032228 A KR 20180032228A KR 102048519 B1 KR102048519 B1 KR 102048519B1
Authority
KR
South Korea
Prior art keywords
abnormal state
point
learning
sensor
sensors
Prior art date
Application number
KR1020180032228A
Other languages
English (en)
Other versions
KR20190110354A (ko
Inventor
박철진
이유진
김형진
이미림
Original Assignee
한양대학교 산학협력단
홍익대학교 산학협력단
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 한양대학교 산학협력단, 홍익대학교 산학협력단 filed Critical 한양대학교 산학협력단
Priority to KR1020180032228A priority Critical patent/KR102048519B1/ko
Publication of KR20190110354A publication Critical patent/KR20190110354A/ko
Application granted granted Critical
Publication of KR102048519B1 publication Critical patent/KR102048519B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

기계 학습에 기반하여, 보다 적은 센서를 이용하면서 향상된 탐지 성능을 제공할 수 있는 이상 상태 발생 지점 탐지 방법 및 이상 상태 발생 지점의 탐지를 위한 학습 방법이 개시된다. 개시된 기계 학습 기반의 이상 상태 발생 지점 탐지 방법은 서로 다른 지점에 설치되며, 설치 지점의 이상 상태를 감지하는 복수의 센서의 센싱값을 입력받는 단계; 및 상기 센싱값에 대한 통계값, 상기 센서 사이의 이상 상태 감지 시간 차이값 및 학습 데이터를 이용하여, 이상 상태 발생 지점을 결정하는 단계를 포함하며, 상기 학습 데이터는 레퍼런스 통계값 및 레퍼런스 이상 상태 감지 시간 차이값에 대한 이상 상태 발생 지점이 학습된 데이터이다.

Description

기계 학습 기반의 이상 상태 발생 지점 탐지 방법 및 이상 상태 발생 지점의 탐지를 위한 학습 방법{METHOD FOR DETECTING LOCATION OF ABNORMAL STATE BASED ON MACHINE LEARNING, LEARNING METHOD FOR DETECTING LOCATION OF ABNORMAL STATE}
본 발명은 기계 학습 기반의 이상 상태 발생 지점 탐지 방법 및 이상 상태 발생 지점의 탐지를 위한 학습 방법에 관한 것으로서, 더욱 상세하게는 센서 네트워크의 센싱값을 학습 데이터로 이용하는 기계 학습 기반의 이상 상태 발생 지점 탐지 방법 및 이상 상태 발생 지점의 탐지를 위한 학습 방법에 관한 것이다.
현재 다양한 분야에서 센서가 활용되고 있으며, 미세 기술의 발달과 함께 점점 더 센서의 활용도는 높아질 것으로 예상된다. 이러한 센서를 이용하여 특정 환경이나 장소 또는 프로세스에서 이상 상태가 발생한 지점 등을 탐지하는 다양한 연구들이 진행되고 있다.
예컨대, 대한민국 공개특허 제2014-0026822호는 센서를 이용하여 원전 기기의 이상 상태를 탐지하며, 대한민국 공개특허 제2013-0090657호는 원격지 단말기의 이상 상태를 탐지한다.
이상 상태 탐지의 대상이 되는 범위가 넓을 경우, 이상 상태 발생 지점에 대한 탐지 정확도가 떨어질 수 있으며, 이를 보완하기 위해 센서의 개수를 증가시킬 경우 비용이 증가하는 문제가 있다.
본 발명은 기계 학습에 기반하여, 보다 적은 센서를 이용하면서 향상된 탐지 성능을 제공할 수 있는 이상 상태 발생 지점 탐지 방법 및 이상 상태 발생 지점의 탐지를 위한 학습 방법을 제공하기 위한 것이다.
상기한 목적을 달성하기 위한 본 발명의 일 실시예에 따르면, 서로 다른 지점에 설치되며, 설치 지점의 이상 상태를 감지하는 복수의 센서의 센싱값을 입력받는 단계; 및 상기 센싱값에 대한 통계값, 상기 센서 사이의 이상 상태 감지 시간 차이값 및 학습 데이터를 이용하여, 이상 상태 발생 지점을 결정하는 단계를 포함하며, 상기 학습 데이터는 레퍼런스 통계값 및 레퍼런스 이상 상태 감지 시간 차이값에 대한 이상 상태 발생 지점이 학습된 데이터인 기계 학습 기반의 이상 상태 발생 지점 탐지 방법이 제공된다.
또한 상기한 목적을 달성하기 위한 본 발명의 다른 실시예에 따르면, 서로 다른 지점에 설치되며, 설치 지점의 이상 상태를 감지하는 복수의 센서의 레퍼런스 센싱값을 입력받는 단계; 상기 센서 사이의 레퍼런스 이상 상태 감지 시간 차이값을 입력받는 단계; 및 상기 레퍼런스 센싱값에 대한 통계값 및 상기 레퍼런스 이상 상태 감지 시간 차이값에 대한 이상 상태 발생 지점을 학습하는 단계를 포함하는 이상 상태 발생 지점의 탐지를 위한 학습 방법이 제공된다.
또한 상기한 목적을 달성하기 위한 본 발명의 또 다른 실시예에 따르면, 서로 다른 지점에 설치되며, 설치 지점의 이상 상태를 감지하는 복수의 센서의 센싱값의 레퍼런스 통계값을 입력받는 단계; 상기 센서 사이의 레퍼런스 이상 상태 감지 시간 차이값을 입력받는 단계; 및 상기 레퍼런스 통계값 및 상기 센서로부터 획득환 레퍼런스 이상 상태 감지 시간 차이값에 대한 이상 상태 발생 지점을 학습하는 단계를 포함하는 이상 상태 발생 지점의 탐지를 위한 학습 방법이 제공된다.
본 발명에 따르면, 적은 센서를 이용하여 이상 상태 발생 지점을 탐지할 수 있으며, 센서가 설치되지 않은 지점에 대해서도 이상 상태 발생 여부를 판단할 수 있다.
본 발명에 따르면, 이상 상태 발생 후보 지점을 센서의 위치에 따라 서로 다른 그룹으로 학습하여 서로 다른 분류 모델을 생성함으로써, 학습 효과를 높일 수 있다.
도 1은 본 발명의 일실시예에 따른 기계 학습 기반의 이상 상태 발생 지점 탐지 장치를 설명하기 위한 도면이다.
도 2는 본 발명의 일실시예에 따른 센서 위치와 이상 상태 발생 후보 지점을 도시하는 도면이다.
도 3은 오염 물질에 대한 센싱값을 나타내는 도면이다.
도 4는 본 발명의 일실시예에 따른 기계 학습 기반의 이상 상태 발생 지점 탐지 방법을 설명하기 위한 흐름도이다.
도 5는 본 발명의 일실시에에 따른 이상 상태 발생 지점의 탐지를 위한 학습 방법을 설명하기 위한 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
이하에서, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일실시예에 따른 기계 학습 기반의 이상 상태 발생 지점 탐지 장치를 설명하기 위한 도면이며, 도 2는 본 발명의 일실시예에 따른 센서 위치와 이상 상태 발생 후보 지점을 도시하는 도면이다. 그리고 도 3은 오염 물질에 대한 센싱값을 나타내는 도면이다.
본 발명에 따른 이상 상태 발생 지점 탐지 장치는 센서의 센싱값 및 학습 데이터를 이용하여 이상 상태 발생 지점 후보 지점 중에서, 이상 상태 발생 지점을 결정한다. 도 2에서 검은색 동그라미가 이상 상태 발생 지점 후보 지점을 나타내며, 원형 동그라미가 센서를 나타낸다. 도 2에서는 2개의 센서(26, 53)가 이용되는 경우가 도시되나, 실시예에 따라서 센서의 개수 및 이상 상태 발생 후보 지점은 다양하게 결정될 수 있다.
일실시예로서, 이상 상태 발생 지점은 수질 오염이 발생한 지점, 교통 사고가 발생한 지점 또는 공장 프로세스에서의 이상 상태 발생 지점 등일 수 있으며, 본 발명은 물의 흐름, 교통 흐름, 프로세스의 진행 흐름과 같이 특정 방향성을 나타내는 환경에 적용될 수 있다.
본 발명이 수질 오염 발생 지점을 탐지하는데 이용될 경우, 센서들은 강물에 설치되고 센싱값은 예를 들어 오염 물질의 농도 등에 대응될 수 있다. 또는 본 발명이 교통 사고 발생 지점을 탐지하는데 이용될 경우, 센서들은 도로 주위에 설치되고 센싱값은 차량의 속도나 차량 밀도 등에 대응될 수 있다. 또는 본 발명이 공장 프로세스에서의 이상 상태 발생 지점을 탐지하는데 이용될 경우, 센서들은 공정 라인 주위에 설치되고 센싱값은 공정 처리 시간이나 처리 속도 등에 대응될 수 있다.
본 발명에 따른 이상 상태 발생 지점 탐지 장치는 학습 데이터를 이용하여, 이상 상태 발생 지점을 탐지하므로, 이상 상태 발생 지점을 결정하기에 앞서, 기계 학습을 먼저 수행한다. 이상 상태 발생 지점 탐지 장치는 센서의 센싱값을 이용하여 이상 상태 발생 지점에 대한 기계 학습을 수행하는데, 시계열 데이터인 센싱값은 그 양이 매우 많으므로, 센싱값으로부터 특징값을 추출하여 기계 학습을 수행한다.
도 1을 참조하면, 본 발명에 따른 이상 상태 발생 지점 탐지 장치는 특징값 추출부(110), 이상 상태 판단부(120) 및 이상 상태 학습부(130)를 포함한다.
특징값 추출부(110)는 서로 다른 지점에 설치되며, 설치 지점의 이상 상태를 감지하는 복수의 센서(25, 26)의 센싱값으로부터 기계 학습을 위한 레퍼런스 특징값 및 이상 상태 발생 지점 결정을 위한 특징값을 추출한다. 이 때 이용되는 센싱값은 미리 설정된 이상 상태 감지 범위에 포함되는 값들일 수 있으며, 도 3에서 임계값(310) 이상의 센싱값들일 수 있다. 임계값은 잡음인 센서의 특성 등에 따라 설정될 수 있다.
특징값 추출부(110)는 일실시예로서, 센싱값에 대한 통계값 및 센서 사이의 이상 상태 감지 시간 차이값을, 특징값으로서 추출할 수 있으며, 통계값은 평균, 분산, 왜도(skewness) 및 첨도(kurtosis) 중 적어도 하나를 포함할 수 있다.
그리고 학습에 이용되는 레퍼런스 특징값과 이상 상태 발생 지점 결정을 위한 특징값은 서로 대응된다. 예컨대, 레퍼런스 특징값으로서, 분산, 왜도, 첨도 및 이상 상태 감지 시간 차이값이 추출된다면, 이상 상태 발생 시점을 결정하기 위해 분산, 왜도, 첨도 및 이상 상태 감지 시간 차이값이 추출될 수 있다.
센서는 서로 다른 지점에 설치되기 때문에, 센서 사이에서 이상 상태를 감지하는 시간에 차이가 발생하며, 센서의 이상 상태 감지 시점은 센싱값이 임계값(310)을 초과하기 시작한 시점일 수 있다. 그리고 이상 상태 감지 시간 차이값은 센싱값이 임계값(310)을 초과하기 시작한 시점에서의 센서 사이의 차이값에 대응된다. 센서가 3개 이상인 경우에는, 이웃한 센서 사이에서의 이상 상태 감지 시간 차이값, 즉 2개의 이상 상태 감지 시간 차이값이 특징값으로 이용된다.
이상 상태 학습부(120)는 레퍼런스 통계값 및 레퍼런스 이상 상태 감지 시간 차이값에 대한 이상 상태 발생 지점을 학습한다. 즉, 이상 상태 학습부(120)는 센서의 설치 지점 및 센서의 설치 지점 이외에 미리 설정된 이상 상태 발생 후보 지점 중에서 적어도 하나의 후보 지점에서 이상 상태가 발생하였을 때의 레퍼런스 통계값 및 레퍼런스 이상 상태 감지 시간 차이값이, 어떠한 특성을 나타내는지 학습하는 것이다. 이 때 이용되는 레퍼런스 특징값은 시뮬레이션을 통해 얻어지거나 또는 실제 센서가 설치된 지역에서 관측된 데이터를 통해 얻어질 수 있다.
센싱값의 통계값 그리고 이상 상태 감지 시간 차이값은 이상 상태 발생 후보 지점 중 어느 지점에서 이상 상태가 발생하느냐에 따라서 달라지기 때문에, 이러한 특징값들이 학습에 이용될 수 있다.
이상 상태 학습부(120)는 다양한 기계 학습 알고리즘을 이용하여 학습을 수행할 수 있으며, 일실시예로서 랜덤 포레스트 알고리즘을 이용할 수 있다.
이상 상태 판단부(130)는 센싱값에 대한 통계값, 센서 사이의 이상 상태 감지 시간 차이값 및 학습 데이터를 이용하여, 이상 상태 발생 지점을 결정한다.
예컨대, 도 2의 제4지점(4)에 이상 상태가 발생하였을 때의 레퍼런스 특징값이, 이상 상태 발생 지점 결정을 위해 입력된 특징값과 유사할 경우, 이상 상태 판단부(130)는 제4지점(4)을 이상 상태 발생 지점으로 결정할 수 있다. 또는 도 2의 제10지점(10) 및 제17지점(17)에 이상 상태가 발생하였을 때의 이상 상태가 발생하였을 때의 레퍼런스 특징값이, 이상 상태 발생 지점 결정을 위해 입력된 특징값과 유사할 경우, 이상 상태 판단부(130)는 제10지점(10) 및 제17지점(17)을 이상 상태 발생 지점으로 결정할 수 있다.
결국, 전술된 예시에서 이상 상태 판단부(130)는 2개의 센서를 이용하여 50여개 이상 상태 후보 지점 중에서 어느 후보 지점이 이상 상태 발생 지점인지를 판단할 수 있다. 이로부터 본 발명에 따르면, 적은 센서를 이용하여 이상 상태 발생 지점을 탐지할 수 있으며, 센서가 설치되지 않은 지점에 대해서도 이상 상태 발생 여부를 판단할 수 있음을 알 수 있다.
한편, 이상 상태 학습부(120)는 학습을 수행할 때, 이상 상태 발생 후보 지점 전체에 대해 학습을 수행할 수 있다. 예컨대, 이상 상태 학습부(120)는 이상 상태 발생 후보 지점 중에서, 입력된 레퍼런스 통계값 및 레퍼런스 이상 상태 감지 시간 차이값에 대응되는 후보 지점과 그렇지 않은 나머지 후보 지점 모두에 서로 다른 레이블(label)을 할당하여 학습을 수행할 수 있는 것이다.
이 경우, 학습양이 많아져 학습 효과가 낮아질 수 있으므로, 이상 상태 학습부(120)는 일실시예로서, 센서의 위치에 따라서, 이상 상태 발생 후보 지점을 그룹핑하여 학습을 수행할 수 있다. 이 때, 센서는 미리 설정된 방향성에 기반하여 설치되는 것이 바람직하다.
도 2에 도시된 바와 같이, 강물이 화살표 방향으로 흐르며, 센서가 이러한 방향성에 기반하여 설치된 상황에서, 제1센서(26)가 제2센서(53)보다 먼저 이상 상태를 감지한 경우, 제1센서(26)보다 앞에 위치한 후보 지점(1 내지 25, 27, 28)에서 이상 상태가 발생한 것으로 예측할 수 있다. 그리고 도 2의 상황에서 제1센서(26)는 이상 상태를 감지하지 못하고 제1센서(26)보다 뒤에 위치한 제2센서(53)만이 이상 상태를 감지한 경우에는 제1센서(26)와 제2센서(53) 사이의 후보 지점(29 내지 52)에서 이상 상태가 발생한 것으로 예측할 수 있다.
따라서, 이상 상태 학습부(120)는 센서의 위치에 따라서 후보 지점을 나누어, 제1센서(26)의 앞에 위치한 후보 지점(1 내지 25, 27, 28)에 대한 이상 상태 발생 지점을 학습하고 제1센서(26)와 제2센서(53) 사이에 위치한 후보 지점(29 내지 52)에 대한 이상 상태 발생 지점을 학습할 수 있다. 이 때, 이상 상태 발생 후보 지점을 그룹핑하여 학습을 수행할 때 모두, 제1 및 제2센서에 대한 특징값이 레퍼런스 특징값으로서 이용된다.
그리고 이상 상태 판단부(130)는 이와 같이 후보 지점이 그룹핑되어 학습이 수행된 분류 모델 각각이 통합된 통합 모델을 이용하여 이상 상태 발생 지점을 탐지할 수 있다.
결국 본 발명에 따르면, 이상 상태 발생 후보 지점을 센서의 위치에 따라 서로 다른 그룹으로 학습하여 서로 다른 분류 모델을 생성함으로써, 학습 효과를 높일 수 있다.
도 4는 본 발명의 일실시예에 따른 기계 학습 기반의 이상 상태 발생 지점 탐지 방법을 설명하기 위한 흐름도이다.
본 발명에 따른 이상 상태 발생 지점 탐지 방법은 프로세서를 포함하는 컴퓨팅 장치에서 수행될 수 있으며, 도 4에서는 컴퓨팅 장치의 하나인 이상 상태 발생 지점 탐지 장치에서 수행되는 방법이 일실시예로서 설명된다.
본 발명에 따른 이상 상태 발생 지점 탐지 장치는 서로 다른 지점에 설치되며, 설치 지점의 이상 상태를 감지하는 복수의 센서의 센싱값을 수신(S410) 즉, 입력받으며, 복수의 센서는 미리 설정된 방향성에 기반하여 설치되는 센서일 수 있다.
그리고 센싱값에 대한 통계값, 센서 사이의 이상 상태 감지 시간 차이값 및 학습 데이터를 이용하여, 이상 상태 발생 지점을 결정(S420)한다. 여기서, 학습 데이터는 레퍼런스 통계값 및 레퍼런스 이상 상태 감지 시간 차이값에 대한 이상 상태 발생 지점이 학습된 데이터이며, 이상 상태 발생 지점은 센서의 센서의 설치 지점 및 설치 지점 이외에 미리 설정된 후보 지점 중 적어도 하나일 수 있다. 학습 데이터의 생성 방법은 도 5에서 보다 자세히 설명된다.
이 때 통계값은 일실시예로서, 통계값은 평균, 분산, 왜도 및 첨도 중 적어도 하나를 포함할 수 있으며, 이상 상태 감지 시간 차이값은 센싱값이 임계값을 초과하기 시작한 시점에서의 차이값에 대응될 수 있다.
도 5는 본 발명의 일실시에에 따른 이상 상태 발생 지점의 탐지를 위한 학습 방법을 설명하기 위한 도면이다.
본 발명에 따른 학습 방법은 프로세서를 포함하는 컴퓨팅 장치 예컨대, 전술된 이상 상태 발생 지점 탐지 장치나 또는 별도의 학습 장치에서 수행될 수 있으며, 도 5에서는 이상 상태 발생 지점 탐지 장치에서 수행되는 방법이 일실시예로서 설명된다.
본 발명에 따른 이상 상태 발생 지점 탐지 장치는 서로 다른 지점에 설치되며, 설치 지점의 이상 상태를 감지하는 복수의 센서의 레퍼런스 센싱값, 센서 사이의 레퍼런스 이상 상태 감지 시간 차이값을 수신(S510) 즉, 입력받는다. 실시예에 따라서, 이상 상태 발생 지점 탐지 장치는 레퍼런스 센싱값에 대한 통계값을 입력받을 수도 있다.
이상 상태 발생 지점 탐지 장치는 레퍼런스 센싱값에 대한 통계값 및 레퍼런스 이상 상태 감지 시간 차이값에 대한 이상 상태 발생 지점을 학습(S520)한다.
단계 S520에서, 이상 상태 발생 지점 탐지 장치는 이상 상태 발생 후보 지점을 센서의 위치에 따라서 서로 다른 그룹으로 나눠, 제1센서의 앞에 위치한 후보 지점에 대한 이상 상태 발생 지점을 학습하고, 제1센서보다 뒤에 위치한 제2센서와 제1센서 사이에 위치한 후보 지점에 대한 이상 상태 발생 지점을 학습할 수 있다.
예컨대, 총 10개의 후보 지점이 존재하며, 제1센서 앞에 제1 내지 제5후보 지점이 존재하고, 제1센서와 제2센서 사이에 제6 내지 제10후보 지점이 존재한다면, 이상 상태 발생 지점 탐지 장치는 제1 및 제2센서로부터 얻어진 레퍼런스 센싱값에 대한 통계값 및 레퍼런스 이상 상태 감지 시간 차이값을 이용하여, 제1후보 지점 그룹인 제1 내지 제5후보 지점에 대한 이상 상태 발생 여부를 학습한다. 그리고 제1 및 제2센서로부터 얻어진 레퍼런스 센싱값에 대한 통계값 및 레퍼런스 이상 상태 감지 시간 차이값을 이용하여 제2후보 지점 그룹인 제6 내지 제10후보 지점에 대한 이상 상태 발생 여부를 학습한다.
후보 지점 그룹의 개수와 그룹을 나누는 기준은, 센서 및 개수의 위치에 따라서 달라질 수 있다.
앞서 설명한 기술적 내용들은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예들을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 하드웨어 장치는 실시예들의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.

Claims (10)

  1. 서로 다른 지점에 설치되며, 설치 지점의 이상 상태를 감지하는 복수의 센서의 센싱값을 입력받는 단계; 및
    상기 센싱값에 대한 통계값, 상기 센서 사이의 이상 상태 감지 시간 차이값 및 학습 데이터를 이용하여, 이상 상태 발생 지점을 결정하는 단계를 포함하며,
    상기 학습 데이터는 레퍼런스 통계값 및 레퍼런스 이상 상태 감지 시간 차이값에 대한 이상 상태 발생 지점이 학습된 데이터이며,
    상기 이상 상태 발생 지점은, 상기 센서의 설치 지점 이외에 미리 설정된 후보 지점 중 적어도 하나인
    기계 학습 기반의 이상 상태 발생 지점 탐지 방법.
  2. 제 1항에 있어서,
    상기 통계값은
    평균, 분산, 왜도 및 첨도 중 적어도 하나를 포함하는
    기계 학습 기반의 이상 상태 발생 지점 탐지 방법.
  3. 제 1항에 있어서,
    상기 이상 상태 감지 시간 차이값은
    상기 센싱값이 임계값을 초과하기 시작한 시점에서의 차이값인
    기계 학습 기반의 이상 상태 발생 지점 탐지 방법.
  4. 삭제
  5. 제 1항에 있어서,
    상기 복수의 센서는
    미리 설정된 방향성에 기반하여 설치되는 센서인
    기계 학습 기반의 이상 상태 발생 지점 탐지 방법.
  6. 서로 다른 지점에 설치되며, 설치 지점의 이상 상태를 감지하는 복수의 센서의 레퍼런스 센싱값을 입력받는 단계;
    상기 센서 사이의 레퍼런스 이상 상태 감지 시간 차이값을 입력받는 단계; 및
    상기 레퍼런스 센싱값에 대한 통계값 및 상기 레퍼런스 이상 상태 감지 시간 차이값에 대한 이상 상태 발생 지점을 학습하는 단계를 포함하며,
    상기 이상 상태 발생 지점을 학습하는 단계는
    제1센서의 앞에 위치한 후보 지점에 대한 이상 상태 발생 지점을 학습하는 단계; 및
    상기 제1센서보다 뒤에 위치한 제2센서와 상기 제1센서 사이에 위치한 후보 지점에 대한 이상 상태 발생 지점을 학습하는 단계를 포함하며,
    상기 이상 상태 발생 지점은
    상기 센서의 설치 지점 및 상기 센서의 설치 지점 이외에 미리 설정된 상기 후보 지점 중 적어도 하나인
    이상 상태 발생 지점의 탐지를 위한 학습 방법.
  7. 삭제
  8. 제 6항에 있어서,
    상기 복수의 센서는
    미리 설정된 방향성에 기반하여 설치되는 센서인
    이상 상태 발생 지점의 탐지를 위한 학습 방법.
  9. 삭제
  10. 서로 다른 지점에 설치되며, 설치 지점의 이상 상태를 감지하는 복수의 센서의 센싱값의 레퍼런스 통계값을 입력받는 단계;
    상기 센서 사이의 레퍼런스 이상 상태 감지 시간 차이값을 입력받는 단계; 및
    상기 레퍼런스 통계값 및 상기 센서로부터 획득환 레퍼런스 이상 상태 감지 시간 차이값에 대한 이상 상태 발생 지점을 학습하는 단계를 포함하며,
    상기 이상 상태 발생 지점을 학습하는 단계는
    제1센서의 앞에 위치한 후보 지점에 대한 이상 상태 발생 지점을 학습하는 단계; 및
    상기 제1센서보다 뒤에 위치한 제2센서와 상기 제1센서 사이에 위치한 후보 지점에 대한 이상 상태 발생 지점을 학습하는 단계를 포함하며,
    상기 이상 상태 발생 지점은
    상기 센서의 설치 지점 및 상기 센서의 설치 지점 이외에 미리 설정된 상기 후보 지점 중 적어도 하나인
    이상 상태 발생 지점의 탐지를 위한 학습 방법.
KR1020180032228A 2018-03-20 2018-03-20 기계 학습 기반의 이상 상태 발생 지점 탐지 방법 및 이상 상태 발생 지점의 탐지를 위한 학습 방법 KR102048519B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180032228A KR102048519B1 (ko) 2018-03-20 2018-03-20 기계 학습 기반의 이상 상태 발생 지점 탐지 방법 및 이상 상태 발생 지점의 탐지를 위한 학습 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180032228A KR102048519B1 (ko) 2018-03-20 2018-03-20 기계 학습 기반의 이상 상태 발생 지점 탐지 방법 및 이상 상태 발생 지점의 탐지를 위한 학습 방법

Publications (2)

Publication Number Publication Date
KR20190110354A KR20190110354A (ko) 2019-09-30
KR102048519B1 true KR102048519B1 (ko) 2019-11-25

Family

ID=68098708

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180032228A KR102048519B1 (ko) 2018-03-20 2018-03-20 기계 학습 기반의 이상 상태 발생 지점 탐지 방법 및 이상 상태 발생 지점의 탐지를 위한 학습 방법

Country Status (1)

Country Link
KR (1) KR102048519B1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102307373B1 (ko) * 2019-10-18 2021-09-29 한양대학교 산학협력단 기계 학습 기반의 이상 상태 발생 지점 탐지 방법 및 이상 상태 발생 지점의 탐지를 위한 학습 방법
KR102714877B1 (ko) 2020-02-28 2024-10-10 현대자동차주식회사 Cnt 복합소재를 이용한 발열장치
KR102276801B1 (ko) * 2021-02-25 2021-07-14 (주)알티엠 기계학습 기반 시계열 데이터 처리 방법 및 장치

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3007657B2 (ja) 1990-07-09 2000-02-07 大阪瓦斯株式会社 埋設管探知方法
KR100420717B1 (ko) * 2001-05-03 2004-03-02 (주)동명기술공단종합건축사사무소 상수관의 누수 탐지 방법 및 그 시스템
KR101428913B1 (ko) * 2012-12-28 2014-08-11 한국산업기술대학교산학협력단 초소형 이미지 어레이 센서를 이용한 과열 상태 감시 시스템

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8341106B1 (en) * 2011-12-07 2012-12-25 TaKaDu Ltd. System and method for identifying related events in a resource network monitoring system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3007657B2 (ja) 1990-07-09 2000-02-07 大阪瓦斯株式会社 埋設管探知方法
KR100420717B1 (ko) * 2001-05-03 2004-03-02 (주)동명기술공단종합건축사사무소 상수관의 누수 탐지 방법 및 그 시스템
KR101428913B1 (ko) * 2012-12-28 2014-08-11 한국산업기술대학교산학협력단 초소형 이미지 어레이 센서를 이용한 과열 상태 감시 시스템

Also Published As

Publication number Publication date
KR20190110354A (ko) 2019-09-30

Similar Documents

Publication Publication Date Title
KR102048519B1 (ko) 기계 학습 기반의 이상 상태 발생 지점 탐지 방법 및 이상 상태 발생 지점의 탐지를 위한 학습 방법
WO2021232229A1 (zh) 虚拟场景生成方法、装置、计算机设备和存储介质
KR102291869B1 (ko) 비정상 트래픽 패턴의 탐지 방법 및 장치
US20220004818A1 (en) Systems and Methods for Evaluating Perception System Quality
US20160358088A1 (en) Sensor data confidence estimation based on statistical analysis
CN111753290A (zh) 软件类型的检测方法及相关设备
CN109547455A (zh) 工业物联网异常行为检测方法、可读存储介质和终端
US12106575B2 (en) Method for operating a driver assistance system of a vehicle and driver assistance system for a vehicle
US20200380123A1 (en) Fast identification of trustworthy deep neural networks
CN116135640A (zh) 一种车辆防碰撞预警方法、系统及车辆
CN109688112A (zh) 工业物联网异常行为检测装置
CN116450137A (zh) 一种系统异常的检测方法、装置、存储介质及电子设备
KR102132077B1 (ko) 설비 데이터의 이상 정도 평가 방법
US10896252B2 (en) Composite challenge task generation and deployment
CN110162472A (zh) 一种基于fuzzing测试的测试用例生成方法
CN110817674B (zh) 一种扶梯的缺级检测方法、装置、设备及存储介质
TWI636276B (zh) 人工智能地震判斷方法及地震偵測系統
CN114863210A (zh) 桥梁结构健康监测数据驱动模型的对抗样本攻击方法及系统
KR102328879B1 (ko) 학습 데이터의 불균형 상황에서 이상 웹로그를 탐지할 수 있도록 하는 비지도 학습 방법 및 학습 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치
US11232202B2 (en) System and method for identifying activity in a computer system
Fujita et al. Fine-tuned Surface Object Detection Applying Pre-trained Mask R-CNN Models
KR102307373B1 (ko) 기계 학습 기반의 이상 상태 발생 지점 탐지 방법 및 이상 상태 발생 지점의 탐지를 위한 학습 방법
JP7318711B2 (ja) 異常検知装置、異常検知方法、及びプログラム
KR20240076915A (ko) 제조 공정에서 이상을 감지하는 방법 및 장치
CN118013341A (zh) 一种基于smote的电力通信设备数据平衡的方法

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant