KR102073528B1 - 합성곱 신경망 기반의 이상 감지 장치 및 이상 감지 학습 데이터 생성 장치 - Google Patents
합성곱 신경망 기반의 이상 감지 장치 및 이상 감지 학습 데이터 생성 장치 Download PDFInfo
- Publication number
- KR102073528B1 KR102073528B1 KR1020190126979A KR20190126979A KR102073528B1 KR 102073528 B1 KR102073528 B1 KR 102073528B1 KR 1020190126979 A KR1020190126979 A KR 1020190126979A KR 20190126979 A KR20190126979 A KR 20190126979A KR 102073528 B1 KR102073528 B1 KR 102073528B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- plot image
- normal data
- normal
- abnormality
- Prior art date
Links
Images
Classifications
-
- 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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
Abstract
본 발명의 일실시예에 따르면, 합성곱 신경망(Convolutional Neural Network, CNN) 기반의 이상 감지 장치에 있어서, 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 정상 데이터를 기초로 적어도 하나의 이상 데이터를 생성하고, 상기 정상 데이터에 상응하는 제1 플롯 이미지(plot image)를 생성하고, 상기 적어도 하나의 이상 데이터를 기초로 제2 플롯 이미지를 생성하고, 상기 제1 플롯 이미지 및 상기 제2 플롯 이미지를 기초로 이상 감지 모델을 학습시키고, 상기 학습시킨 이상 감지 모델을 이용하여 기상 관측 장치에서 관측된 데이터에 상응하는 관측 플롯 이미지의 이상 여부를 결정한다.
Description
아래의 실시예들은 합성곱 신경망 기반의 이상 감지 장치 및 이상 감지 학습 데이터 생성 장치에 관한 것이다.
머신 러닝(machine learning)은 인공 지능의 한 분야로, 패턴인식과 컴퓨터 학습 이론의 연구로부터 진화한 분야이며, 컴퓨터가 학습할 수 있도록 하는 알고리즘과 기술을 개발하는 분야를 말한다.
머신 러닝의 핵심은 표현(representation)과 일반화(generalization)에 있다. 표현이란 데이터의 평가이며, 일반화란 아직 알 수 없는 데이터에 대한 처리이다. 이는 전산 학습 이론 분야이기도 하다.
딥 러닝(deep learning)은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화를 시도하는 기계학습(machine learning) 알고리즘의 집합으로 정의되며, 큰 틀에서 사람의 사고방식을 컴퓨터에게 가르치는 기계학습의 한 분야라고 이야기할 수 있다.
이상 탐지(anomaly detection)란 자료에서 예상과는 다른 패턴을 보이는 개체 또는 자료를 찾는 것을 말한다. 이러한 개체를 우리말로는 이상, 이상 값, 극단 값, 예외, 비정상 등으로 부르고, 영어로는 anomaly, outlier, discordant observation, exception, aberration, surprise, peculiarity, contaminant와 같은 표현을 쓴다.
본 발명의 실시예에 따르면, 정상 데이터를 기초로 적어도 하나의 이상 데이터를 생성할 수 있는 합성곱 신경망 기반의 이상 감지 장치 및 이상 감지 학습 데이터 생성 장치를 제공할 수 있다.
또한, 본 발명의 다른 실시예에 따르면, 정상 데이터에 상응하는 플롯 이미지 및 적어도 하나의 이상 데이터를 기초로 새로운 플롯 이미지를 생성할 수 있는 합성곱 신경망 기반의 이상 감지 장치 및 이상 감지 학습 데이터 생성 장치를 제공할 수 있다.
또한, 본 발명의 또 다른 실시예에 따르면, 감지한 이상을 시각적으로 표시할 수 있는 합성곱 신경망 기반의 이상 감지 장치 및 이상 감지 학습 데이터 생성 장치를 제공할 수 있다.
본 발명의 일실시예에 따르면, 합성곱 신경망(Convolutional Neural Network, CNN) 기반의 이상 감지 장치에 있어서, 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 정상 데이터를 기초로 적어도 하나의 이상 데이터를 생성하고, 상기 정상 데이터에 상응하는 제1 플롯 이미지(plot image)를 생성하고, 상기 적어도 하나의 이상 데이터를 기초로 제2 플롯 이미지를 생성하고, 상기 제1 플롯 이미지 및 상기 제2 플롯 이미지를 기초로 이상 감지 모델을 학습시키고, 상기 학습시킨 이상 감지 모델을 이용하여 기상 관측 장치에서 관측된 데이터에 상응하는 관측 플롯 이미지의 이상 여부를 결정한다.
또한, 상기 적어도 하나의 프로세서는, 상기 정상 데이터의 데이터 값들 중 미리 설정된 시간 내의 데이터 값들을 기초로 평균 및 편차를 계산하고, 상기 계산한 평균 및 편차를 기초로 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들을 변형시키고, 상기 변형시킨 상기 정상 데이터의 데이터 값들을 기초로 적어도 하나의 이상 데이터를 생성할 수 있다.
또한, 상기 적어도 하나의 프로세서는, 상기 적어도 하나의 이상 데이터에 상응하는 오류 플롯 이미지를 생성하고, 상기 생성한 오류 플롯 이미지와 상기 제1 플롯 이미지를 결합하여 제2 플롯 이미지를 생성할 수 있다.
또한, 상기 적어도 하나의 프로세서는, 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들 중 상기 계산한 평균보다 큰 상기 정상 데이터의 데이터 값에는 상기 계산한 편차를 더하고, 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들 중 상기 계산한 평균보다 작은 상기 정상 데이터의 데이터 값에는 상기 계산한 편차를 빼서 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들을 변형시킬 수 있다.
또한, 상기 적어도 하나의 프로세서는, 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들 중 상기 계산한 평균보다 큰 상기 정상 데이터의 데이터 값에는 진행되는 시간에 따라 상기 계산한 편차를 계속 더하고, 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들 중 상기 계산한 평균보다 작은 상기 정상 데이터의 데이터 값에는 진행되는 시간에 따라 상기 계산한 편차를 계속 빼서 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들을 변형시킬 수 있다.
본 발명의 다른 실시예에 따르면, 합성곱 신경망(Convolutional Neural Network, CNN) 기반의 이상 감지 장치에 있어서, 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 미리 설정된 오류 발생 함수를 기초로 오류 데이터를 생성하고, 상기 생성한 오류 데이터를 기초로 정상 데이터의 데이터 값들을 변형시키고, 상기 변형시킨 상기 정상 데이터의 데이터 값들을 기초로 적어도 하나의 이상 데이터를 생성하고, 상기 정상 데이터에 상응하는 제1 플롯 이미지(plot image)를 생성하고, 상기 적어도 하나의 이상 데이터에 상응하는 제2 플롯 이미지(plot image)를 생성하고, 상기 제1 플롯 이미지 및 상기 제2 플롯 이미지를 기초로 이상 감지 모델을 학습시키고, 상기 학습시킨 이상 감지 모델을 이용하여 기상 관측 장치에서 관측된 데이터에 상응하는 관측 플롯 이미지의 이상 여부를 결정한다.
또한, 상기 오류 발생 함수는, 시간과 관련된 오류 또는 데이터 값과 관련된 오류를 발생시킬 수 있다.
본 발명의 또 다른 실시예에 따르면, 이상 감지 학습 데이터 생성 장치에 있어서, 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 정상 데이터를 획득하고, 상기 획득한 정상 데이터의 데이터 값들 중 미리 설정된 시간 내의 데이터 값들을 기초로 평균 및 편차를 계산하고, 상기 계산한 평균 및 편차를 기초로 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들을 변형시키고, 상기 변형시킨 상기 정상 데이터의 데이터 값들을 기초로 적어도 하나의 이상 데이터를 생성하고, 상기 정상 데이터에 상응하는 제1 플롯 이미지(plot image)를 생성하고, 상기 적어도 하나의 이상 데이터를 기초로 제2 플롯 이미지를 생성한다.
또한, 상기 적어도 하나의 프로세서는, 상기 적어도 하나의 이상 데이터에 상응하는 오류 플롯 이미지를 생성하고, 상기 생성한 오류 플롯 이미지와 상기 제1 플롯 이미지를 결합하여 제2 플롯 이미지를 생성할 수 있다.
본 발명의 또 다른 실시예에 따르면, 이상 감지 학습 데이터 생성 장치에 있어서, 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 정상 데이터를 획득하고, 미리 설정된 오류 발생 함수를 기초로 오류 데이터를 생성하고, 상기 생성한 오류 데이터를 기초로 상기 정상 데이터의 데이터 값들을 변형시키고, 상기 변형시킨 상기 정상 데이터의 데이터 값들을 기초로 적어도 하나의 이상 데이터를 생성하고, 상기 정상 데이터에 상응하는 제1 플롯 이미지(plot image)를 생성하고, 상기 적어도 하나의 이상 데이터에 상응하는 제2 플롯 이미지(plot image)를 생성한다.
또한, 상기 오류 발생 함수는, 시간과 관련된 오류 또는 데이터 값과 관련된 오류를 발생시킬 수 있다.
본 발명의 일실시예에 따르면, 정상 데이터를 기초로 적어도 하나의 이상 데이터를 생성할 수 있는 효과가 있다.
또한, 정상 데이터에 상응하는 플롯 이미지 및 적어도 하나의 이상 데이터를 기초로 새로운 플롯 이미지를 생성할 수 있는 효과가 있다.
또한, 감지한 이상을 시각적으로 표시할 수 있는 효과가 있다.
도 1은 일실시예에 따른 이상 감지 장치의 구성을 나타내는 도면이다.
도 2는 일실시예에 따른 이상 감지 방법을 나타내는 플로우 차트이다.
도 3은 다른 실시예에 따른 이상 감지 방법을 나타내는 플로우 차트이다.
도 4는 일실시예에 따른 이상 감지 학습 데이터 생성 방법을 나타내는 플로우 차트이다.
도 5는 다른 실시예에 따른 이상 감지 학습 데이터 생성 방법을 나타내는 플로우 차트이다.
도 6은 일실시예에 따라 제2 플롯 이미지를 생성하는 모습을 나타내는 도면이다.
도 7은 다른 실시예에 따라 제2 플롯 이미지를 생성하는 모습을 나타내는 도면이다.
도 8은 또 다른 실시예에 따라 제2 플롯 이미지를 생성하는 모습을 나타내는 도면이다.
도 2는 일실시예에 따른 이상 감지 방법을 나타내는 플로우 차트이다.
도 3은 다른 실시예에 따른 이상 감지 방법을 나타내는 플로우 차트이다.
도 4는 일실시예에 따른 이상 감지 학습 데이터 생성 방법을 나타내는 플로우 차트이다.
도 5는 다른 실시예에 따른 이상 감지 학습 데이터 생성 방법을 나타내는 플로우 차트이다.
도 6은 일실시예에 따라 제2 플롯 이미지를 생성하는 모습을 나타내는 도면이다.
도 7은 다른 실시예에 따라 제2 플롯 이미지를 생성하는 모습을 나타내는 도면이다.
도 8은 또 다른 실시예에 따라 제2 플롯 이미지를 생성하는 모습을 나타내는 도면이다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시 예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시 예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시 예들은 다양한 형태들로 실시될 수 있으며 본 명세서에 설명된 실시 예들에 한정되지 않는다.
본 발명의 개념에 따른 실시 예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시 예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시 예들을 특정한 개시 형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만, 예컨대 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1구성요소는 제2구성요소로 명명될 수 있고, 유사하게 제2구성요소는 제1구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다.
일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하의 설명에서 동일한 식별 기호는 동일한 구성을 의미하며, 불필요한 중복적인 설명 및 공지 기술에 대한 설명은 생략하기로 한다.
본 발명의 실시 예에서 '통신', '통신망' 및 '네트워크'는 동일한 의미로 사용될 수 있다. 상기 세 용어들은, 파일을 사용자 단말, 다른 사용자들의 단말 및 다운로드 서버 사이에서 송수신할 수 있는 유무선의 근거리 및 광역 데이터 송수신망을 의미한다.
이하, 첨부한 도면을 참조하여 본 발명의 바람직한 실시 예를 설명함으로써, 본 발명을 상세히 설명한다.
도 1은 일실시예에 따른 이상 감지 장치의 구성을 나타내는 도면이다.
도 1을 참조하면, 이상 감지 장치(100)는 프로세서(110), 입출력 인터페이스 모듈(120) 및 메모리(130)를 포함한다.
이상 감지 장치(100)를 구성하는 프로세서(110), 입출력 인터페이스 모듈(120) 및 메모리(130)는 상호 연결되어 있으며, 상호 데이터를 전송하는 것이 가능하다.
프로세서(110)는 메모리(130)에 저장된 프로그램들 또는 명령들을 실행시킬 수 있다. 이때, 메모리(130)에는 이상 감지 장치(100)를 동작시키기 위한 동작프로그램(예컨대, OS)이 저장될 수 있다.
프로세서(110)는 이상 감지 장치(100)에 대한 정보를 관리하기 위한 프로그램을 실행시킬 수 있다.
프로세서(110)는 이상 감지 장치(100)의 동작을 관리하기 위한 프로그램을 실행시킬 수 있다.
프로세서(110)는 입출력 인터페이스 모듈(120)의 동작을 관리하기 위한 프로그램을 실행시킬 수 있다.
일실시예에 따라, 프로세서(110)는 입출력 인터페이스 모듈(120)을 통해 정상 데이터를 획득할 수 있다. 이때, 상기 정상 데이터는 기존에 획득한 데이터 또는 기존에 획득한 데이터 중 정상이라고 결정된 데이터일 수 있으나, 상기 정상 데이터가 이에 한정되는 것은 아니다. 또한, 상기 정상 데이터는 복수 개일 수 있다. 또한, 상기 정상 데이터는 시간 정보를 포함할 수 있다.
일실시예에 따라, 프로세서(110)는 입출력 인터페이스 모듈(120)을 정상 데이터에 상응하는 플롯 이미지를 획득할 수 있다.
프로세서(110)는 상기 획득한 플롯 이미지로부터 데이터 값들을 추출하여 정상 데이터를 생성할 수 있다. 이때, 상기 정상 데이터는 기존에 획득한 데이터 또는 기존에 획득한 데이터 중 정상이라고 결정된 데이터일 수 있으나, 상기 정상 데이터가 이에 한정되는 것은 아니다. 또한, 상기 정상 데이터는 복수 개일 수 있다. 또한, 상기 정상 데이터는 시간 정보를 포함할 수 있다.
ⅰ) 평균 및 편차를 이용한 학습 데이터 생성
프로세서(110)는 상기 정상 데이터의 데이터 값들 중 미리 설정된 시간 내의 데이터 값들을 기초로 평균 및 편차를 계산할 수 있다. 이때, 상기 미리 설정된 시간은 기상 관측 장치가 관측 데이터를 획득하는 시간의 N(예컨대, N은 10)배일 수 있으나, 상기 미리 설정된 시간이 이에 한정되는 것은 아니다.
프로세서(110)는 상기 계산한 평균 및 편차를 기초로 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들을 변형시킬 수 있다.
일례로, 프로세서(110)는 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들 중 상기 계산한 평균보다 큰 상기 정상 데이터의 데이터 값에는 상기 계산한 편차를 더하고, 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들 중 상기 계산한 평균보다 작은 상기 정상 데이터의 데이터 값에는 상기 계산한 편차를 빼서 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들을 변형 수 있다. 이때, 상기 미리 설정된 시간은 가변이다.
다른 예로, 프로세서(110)는 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들 중 상기 계산한 평균보다 큰 상기 정상 데이터의 데이터 값에는 진행되는 시간에 따라 상기 계산한 편차를 계속 더하고, 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들 중 상기 계산한 평균보다 작은 상기 정상 데이터의 데이터 값에는 진행되는 시간에 따라 상기 계산한 편차를 계속 빼서 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들을 변형시킬 수 있다. 이때, 상기 미리 설정된 시간은 가변이다.
다만, 상기 정상 데이터의 데이터 값들을 변형시키는 것들은 실시예에 불과하며, 상기 실시예에 의해 본 발명이 제한되거나 한정되는 것은 아니다.
프로세서(110)는 상기 변형시킨 상기 정상 데이터의 데이터 값들을 기초로 적어도 하나의 이상 데이터를 생성할 수 있다. 이때, 상기 이상 데이터는 시간 정보를 포함할 수 있다.
프로세서(110)는 시간적으로 연속된 복수 개의 미리 설정된 시간 각각에 포함된 정상 데이터의 데이터 값들을 기초로 각각의 평균 및 편차를 계산할 수 있다. 이때, 상기 미리 설정된 시간은 기상 관측 장치가 관측 데이터를 획득하는 시간의 N(예컨대, N은 10)배일 수 있으나, 상기 미리 설정된 시간이 이에 한정되는 것은 아니다. 또한, 상기 복수 개의 미리 설정된 시간 각각은 서로 상이할 수 있다.
프로세서(110)는 상기 계산한 각각의 평균 및 편차를 기초로 시간적으로 연속된 복수 개의 미리 설정된 시간 각각에 포함된 상기 정상 데이터의 데이터 값들을 변형시킬 수 있다.
프로세서(110)는 상기 변형시킨 상기 정상 데이터의 데이터 값들을 기초로 시간적으로 연속된 복수 개의 미리 설정된 시간 각각에 대응하는 변형 데이터를 생성할 수 있고, 상기 변형 데이터를 연속된 시간 순서로 결합하여 적어도 하나의 이상 데이터를 생성할 수 있다. 이때, 상기 이상 데이터는 시간 정보를 포함할 수 있다.
프로세서(110)는 상기 적어도 하나의 이상 데이터를 기초로 제2 플롯 이미지를 생성할 수 있다. 이때, 상기 제2 플롯 이미지는 복수 개가 생성될 수 있다.
프로세서(110)는 정상 데이터에 상응하는 제1 플롯 이미지를 생성할 수 있다. 이때, 상기 제1 플롯 이미지는 상기 정상 데이터의 수에 대응하여 복수 개가 생성될 수 있다.
프로세서(110)는 적어도 하나의 이상 데이터에 상응하는 오류 플롯 이미지를 생성할 수 있다. 이때, 상기 오류 플롯 이미지에는 시간 정보가 포함될 수 있다.
프로세서(110)는 상기 생성한 오류 플롯 이미지와 상기 제1 플롯 이미지를 결합하여 제2 플롯 이미지를 생성할 수 있다.
일례로, 프로세서(110)는 오류 플롯 이미지를 제1 플롯 이미지의 특정 지점에 결합하여 제2 플롯 이미지를 생성할 수 있다.
다른 예로, 프로세서(110)는 제1 플롯 이미지의 특정 지점 및 상기 특정 지점으로부터 일정한 간격 갖는 지점마다 오류 플롯 이미지를 결합하여 제2 플롯 이미지를 생성할 수 있다.
또 다른 예로, 프로세서(110)는 오류 플롯 이미지를 상기 제1 플롯 이미지의 임의의 지점에 결합하여 상기 제2 플롯 이미지를 생성할 수 있다.
또 다른 예로, 프로세서(110)는 오류 플롯 이미지를 제1 플롯 이미지의 복수 개의 임의의 지점에 결합하여 제2 플롯 이미지를 생성할 수 있다.
또 다른 예로, 프로세서(110)는 복수 개의 오류 플롯 이미지를 생성하고, 상기 생성한 복수 개의 오류 플롯 이미지를 제1 플롯 이미지의 임의의 지점에 각각 결합하여 상기 제2 플롯 이미지를 생성할 수 있다.
또 다른 예로, 프로세서(110)는 미리 설정된 크기(예컨대, 제1 플롯 이미지 크기의 반에 해당하는 크기)만큼 오류 플롯 이미지를 결합하고, 상기 결합한 오류 플롯 이미지를 상기 제1 플롯 이미지의 특정 지점에 오버랩하여 제2 플롯 이미지를 생성할 수 있다.
또 다른 예로, 프로세서(110)는 제1 플롯 이미지 크기와 동일한 크기가 될 때까지 오류 플롯 이미지를 결합하고, 상기 결합한 오류 플롯 이미지를 상기 제1 플롯 이미지에 오버랩하여 제2 플롯 이미지를 생성할 수 있다.
다만, 상기 제2 플롯 이미지를 생성하는 것들은 실시예에 불과하며, 상기 실시예에 의해 본 발명이 제한되거나 한정되는 것은 아니다.
ⅱ) 오류 발생 함수를 이용한 학습 데이터 생성
프로세서(110)는 미리 설정된 오류 발생 함수를 기초로 오류 데이터를 생성할 수 있다. 이때, 상기 오류 발생 함수는 랜덤(random) 함수일 수 있으나, 상기 오류 발생 함수가 이에 한정되는 것은 아니다.
일례로, 프로세서(110)는 미리 설정된 오류 발생 함수를 이용하여 시간과 관련된 오류(예컨대, 시간 지연 또는 주기 변화)를 발생시키는 오류 데이터를 생성할 수 있다.
다른 예로, 프로세서(110)는 미리 설정된 오류 발생 함수를 이용하여 데이터 값과 관련된 오류(예컨대, 데이터 값 변경 또는 데이터 값이 특정 값에 고정)를 발생시키는 오류 데이터를 생성할 수 있다.
다만, 상기 오류 데이터들은 실시예에 불과하며, 상기 실시예에 의해 본 발명이 제한되거나 한정되는 것은 아니다.
프로세서(110)는 상기 오류 데이터를 기초로 정상 데이터의 데이터 값들을 변형시킬 수 있다.
일례로, 프로세서(110)는 시간과 관련된 오류를 발생시키는 오류 데이터를 이용하여 정상 데이터의 데이터 값들을 시간 축에 따라 수평 또는 수직으로 이동시킬 수 있다.
다른 예로, 데이터 값과 관련된 오류를 발생시키는 오류 데이터를 이용하여 정상 데이터의 데이터 값들을 변형시킬 수 있다. 이때, 상기 오류 데이터를 이용하여 변형시키는 상기 정상 데이터의 데이터 값들은 복수 개 일 수 있다.
또 다른 예로, 프로세서(110)는 시간과 관련된 오류를 발생시키는 오류 데이터 및 데이터 값과 관련된 오류를 발생시키는 오류 데이터를 이용하여 정상 데이터의 데이터 값들을 시간 축에 따라 수평 또는 수직으로 이동시킨 후 상기 정상 데이터의 데이터 값들을 변형시킬 수 있다. 이때, 상기 오류 데이터를 이용하여 변형시키는 상기 정상 데이터의 데이터 값들은 복수 개 일 수 있다.
다만, 상기 정상 데이터의 데이터 값들을 변형시키는 것들은 실시예에 불과하며, 상기 실시예에 의해 본 발명이 제한되거나 한정되는 것은 아니다.
프로세서(110)는 상기 변형시킨 상기 정상 데이터의 데이터 값들을 기초로 적어도 하나의 이상 데이터를 생성할 수 있다. 이때, 상기 이상 데이터는 시간 정보를 포함할 수 있다.
프로세서(110)는 정상 데이터에 상응하는 제1 플롯 이미지를 생성할 수 있다. 이때, 상기 제1 플롯 이미지는 상기 정상 데이터의 수에 대응하여 복수 개가 생성될 수 있다.
프로세서(110)는 적어도 하나의 이상 데이터에 상응하는 제2 플롯 이미지를 생성할 수 있다. 이때, 상기 제2 플롯 이미지에는 시간 정보가 포함될 수 있다.
일례로, 프로세서(110)는 시간과 관련된 오류를 발생시키는 오류 데이터를 이용하여 변형시킨 상기 정상 데이터의 데이터 값들을 기초로 생성한 적어도 하나의 이상 데이터에 상응하는 제2 플롯 이미지를 생성할 수 있다.
다른 예로, 프로세서(110)는 데이터 값과 관련된 오류를 발생시키는 오류 데이터를 이용하여 변형시킨 상기 정상 데이터의 데이터 값들을 기초로 생성한 적어도 하나의 이상 데이터에 상응하는 제2 플롯 이미지를 생성할 수 있다.
또 다른 예로, 프로세서(110)는 시간과 관련된 오류를 발생시키는 오류 데이터 및 데이터 값과 관련된 오류를 발생시키는 오류 데이터를 이용하여 변형시킨 상기 정상 데이터의 데이터 값들을 기초로 생성한 적어도 하나의 이상 데이터에 상응하는 제2 플롯 이미지를 생성할 수 있다.
다만, 상기 제2 플롯 이미지를 생성하는 것들은 실시예에 불과하며, 상기 실시예에 의해 본 발명이 제한되거나 한정되는 것은 아니다.
프로세서(110)는 평균 및 편차를 이용하여 생성한 학습 데이터 및 오류 발생 함수를 이용하여 생성한 학습 데이터를 결합하여 새로운 학습 데이터를 생성할 수 있다.
ⅲ) 이상 감지 모델 학습
프로세서(110)는 제1 플롯 이미지 및 2 플롯 이미지를 기초로 이상 감지 모델을 학습시킬 수 있다. 이때, 상기 이상 감지 모델은 합성곱 신경망(Convolutional Neural Network, CNN)을 기초로 구현될 수 있으나, 상기 이상 감지 모델을 구현하기 위한 신경망(Neural Network)이 것이 이에 한정되는 것은 아니다. 또한, 상기 제1 플롯 이미지는 복수 개의 이미지 일 수 있다. 또한, 상기 제2 플롯 이미지는 복수 개의 이미지 일 수 있다.
프로세서(110)는 지도 학습(Supervised Learning)을 통하여 이상 감지 모델을 학습시킬 수 있으나, 상기 이상 감지 모델을 학습시키는 학습 방법이 이에 한정되는 것은 아니다.
ⅳ) 관측 플롯 이미지의 이상 여부 결정
프로세서(110)는 입출력 인터페이스 모듈(120)을 통해 기상 관측 장치에서 관측된 데이터를 획득할 수 있다.
프로세서(110)는 상기 획득한 기상 관측 장치에서 관측된 데이터를 기초로 관측 플롯 이미지를 생성할 수 있다.
프로세서(110)는 상기 생성한 관측 플롯 이미지의 이상 여부를 결정하기 위하여 상기 학습시킨 이상 감지 모델을 이용할 수 있다.
프로세서(110)는 상기 생성한 관측 플롯 이미지의 일부에 대해서만 이상이라고 결정할 수 있다.
프로세서(110)는 입출력 인터페이스 모듈(120)을 통해 상기 관측 플롯 이미지의 이상 여부를 출력할 수 있다.
프로세서(110)는 입출력 인터페이스 모듈(120)을 통해 상기 관측 플롯 이미지에서 이상이라고 결정한 부분을 표시하여 출력할 수 있다.
입출력 인터페이스 모듈(120)은 네트워크를 통하여 외부 장치(예컨대, 기상 관측 장치)와 연결될 수 있다.
입출력 인터페이스 모듈(120)은 외부 장치(예컨대, 서버)로부터 정상 데이터를 획득할 수 있다.
입출력 인터페이스 모듈(120)은 외부 장치(예컨대, 기상 관측 장치)에서 관측된 데이터를 획득할 수 있다.
입출력 인터페이스 모듈(120)은 사용자의 입력을 획득할 수 있다.
입출력 인터페이스 모듈(120)은 관측 플롯 이미지의 이상 여부를 출력할 수 있다.
입출력 인터페이스 모듈(120)은 관측 플롯 이미지에서 이상이라고 결정한 부분을 표시할 수 있다.
입출력 인터페이스 모듈(120)은 이상 여부를 알리기 위한 알람(예컨대, 비프음)을 출력할 수 있다.
입출력 인터페이스 모듈(120)은 이상 감지 장치(100)와 일체형으로 제공될 수 있다.
입출력 인터페이스 모듈(120)은 이상 감지 장치(100)에서 분리되어 제공될 수 있다.
입출력 인터페이스 모듈(120)은 이상 감지 장치(100)와 통신적으로 연결될 별도의 장치일 수 있다.
입출력 인터페이스 모듈(120)은 외부 장치와 연결되기 위한 포트(예컨대, USB 포트)를 포함할 수 있다.
입출력 인터페이스 모듈(120)은 모니터, 터치스크린, 마우스, 전자펜, 마이크로폰, 키보드, 스피커, 이어폰, 헤드폰 또는 터치패드를 포함할 수 있다.
메모리(130)는 입출력 인터페이스 모듈(120)을 통해 획득한 데이터를 저장할 수 있다.
메모리(130)는 입출력 인터페이스 모듈(120)을 통해 획득한 정상 데이터를 저장할 수 있다.
메모리(130)는 프로세서(110)가 계산한 평균 및 편차를 저장할 수 있다.
메모리(130)는 프로세서(110)가 변형시킨 정상 데이터를 저장할 수 있다.
메모리(130)는 프로세서(110)가 생성한 이상 데이터를 저장할 수 있다.
메모리(130)는 프로세서(110)가 생성한 제1 플롯 이미지를 저장할 수 있다.
메모리(130)는 프로세서(110)가 생성한 제2 플롯 이미지를 저장할 수 있다.
메모리(130)는 프로세서(110)가 생성한 오류 플롯 이미지를 저장할 수 있다.
메모리(130)는 오류 발생 함수를 저장할 수 있다.
메모리(130)는 오류 데이터를 저장할 수 있다.
메모리(130)는 이상 감지 모델을 저장할 수 있다.
메모리(130)는 프로세서(110)가 생성한 학습 데이터를 저장할 수 있다.
메모리(130)는 입출력 인터페이스 모듈(120)을 통해 획득한 기상 관측 장치에서 관측된 데이터를 저장할 수 있다.
메모리(130)는 프로세서(110)가 생성한 관측 플롯 이미지를 저장할 수 있다.
메모리(130)는 관측 플롯 이미지의 이상 여부를 저장할 수 있다.
여기서 사용된 '모듈'이라는 용어는 논리적인 구성 단위를 나타내는 것으로서, 반드시 물리적으로 구분되는 구성 요소가 아니라는 점은 본 발명이 속하는 기술분야의 당업자에게 자명한 사항이다.
도 2는 일실시예에 따른 이상 감지 방법을 나타내는 플로우 차트이다.
도 2를 참조하면, 이상 감지 장치가 정상 데이터의 데이터 값들 중 미리 설정된 시간 내의 데이터 값들을 기초로 평균 및 편차를 계산한다(200).
여기서, 상기 미리 설정된 시간은 기상 관측 장치가 관측 데이터를 획득하는 시간의 N(예컨대, N은 10)배일 수 있으나, 상기 미리 설정된 시간이 이에 한정되는 것은 아니다.
또한, 상기 미리 설정된 시간은 시간적으로 연속된 복수 개의 시간일 수 있으며, 상기 복수 개의 미리 설정된 시간 각각은 서로 상이할 수 있다.
이상 감지 장치가 상기 계산한 평균 및 편차를 기초로 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들을 변형시킨다(210).
이때, 상기 이상 감지 장치는 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들 중 상기 계산한 평균보다 큰 상기 정상 데이터의 데이터 값에는 상기 계산한 편차를 더하고, 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들 중 상기 계산한 평균보다 작은 상기 정상 데이터의 데이터 값에는 상기 계산한 편차를 빼서 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들을 변형시킬 수 있다.
또한, 상기 이상 감지 장치는 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들 중 상기 계산한 평균보다 큰 상기 정상 데이터의 데이터 값에는 진행되는 시간에 따라 상기 계산한 편차를 계속 더하고, 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들 중 상기 계산한 평균보다 작은 상기 정상 데이터의 데이터 값에는 진행되는 시간에 따라 상기 계산한 편차를 계속 빼서 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들을 변형시킬 수 있다.
이상 감지 장치가 상기 변형시킨 상기 정상 데이터의 데이터 값들을 기초로 적어도 하나의 이상 데이터를 생성한다(220).
이때, 상기 이상 감지 장치는 정상 데이터가 복수 개인 경우, 복수 개의 이상 데이터를 생성할 수 있다.
이상 감지 장치가 상기 정상 데이터에 상응하는 제1 플롯 이미지(plot image)를 생성한다(230).
여기서, 상기 이상 감지 장치는 일실시예에 따라, 적어도 하나의 이상 데이터 생성 후 제1 플롯 이미지를 생성하나, 다른 실시예에 따라, 상기 적어도 하나의 이상 데이터 생성 전 상기 제1 플롯 이미지를 생성할 수 있다.
이상 감지 장치가 상기 적어도 하나의 이상 데이터를 기초로 제2 플롯 이미지를 생성한다(240).
이때, 상기 이상 감지 장치는 상기 적어도 하나의 이상 데이터를 기초로 제2 플롯 이미지를 생성할 수 있다.
또한, 상기 이상 감지 장치는 상기 적어도 하나의 이상 데이터에 상응하는 오류 플롯 이미지를 생성하고, 상기 생성한 오류 플롯 이미지와 상기 제1 플롯 이미지를 결합하여 제2 플롯 이미지를 생성할 수 있다.
또한, 상기 이상 감지 장치는 오류 플롯 이미지를 제1 플롯 이미지의 특정 지점에 결합하여 제2 플롯 이미지를 생성할 수 있다.
또한, 상기 이상 감지 장치는 제1 플롯 이미지의 특정 지점 및 상기 특정 지점으로부터 일정한 간격 갖는 지점마다 오류 플롯 이미지를 결합하여 제2 플롯 이미지를 생성할 수 있다.
또한, 상기 이상 감지 장치는 오류 플롯 이미지를 상기 제1 플롯 이미지의 임의의 지점에 결합하여 상기 제2 플롯 이미지를 생성할 수 있다.
또한, 상기 이상 감지 장치는 오류 플롯 이미지를 제1 플롯 이미지의 복수 개의 임의의 지점에 결합하여 제2 플롯 이미지를 생성할 수 있다.
또한, 상기 이상 감지 장치는 복수 개의 오류 플롯 이미지를 생성하고, 상기 생성한 복수 개의 오류 플롯 이미지를 제1 플롯 이미지의 임의의 지점에 각각 결합하여 상기 제2 플롯 이미지를 생성할 수 있다.
또한, 상기 이상 감지 장치는 미리 설정된 크기(예컨대, 제1 플롯 이미지 크기의 반에 해당하는 크기)만큼 오류 플롯 이미지를 결합하고, 상기 결합한 오류 플롯 이미지를 상기 제1 플롯 이미지의 특정 지점에 오버랩하여 제2 플롯 이미지를 생성할 수 있다.
또한, 상기 이상 감지 장치는 제1 플롯 이미지 크기와 동일한 크기가 될 때까지 오류 플롯 이미지를 결합하고, 상기 결합한 오류 플롯 이미지를 상기 제1 플롯 이미지에 오버랩하여 제2 플롯 이미지를 생성할 수 있다.
이상 감지 장치가 상기 제1 플롯 이미지 및 상기 제2 플롯 이미지를 기초로 이상 감지 모델을 학습시킨다(250).
이때, 상기 이상 감지 장치는 지도 학습(Supervised Learning)을 통하여 이상 감지 모델을 학습시킬 수 있으나, 상기 이상 감지 모델을 학습시키는 학습 방법이 이에 한정되는 것은 아니다.
또한, 상기 이상 감지 모델은 합성곱 신경망(Convolutional Neural Network, CNN)을 기초로 구현될 수 있으나, 상기 이상 감지 모델을 구현하기 위한 신경망(Neural Network)이 것이 이에 한정되는 것은 아니다.
이상 감지 장치가 상기 학습시킨 이상 감지 모델을 이용하여 기상 관측 장치에서 관측된 데이터에 상응하는 관측 플롯 이미지의 이상 여부를 결정한다(260).
이때, 상기 이상 감지 장치는 상기 관측 플롯 이미지의 일부에 대해서만 이상이라고 결정할 수 있다.
이상 감지 장치가 상기 관측 플롯 이미지의 이상 여부를 출력한다(270).
이때, 상기 이상 감지 장치는 상기 관측 플롯 이미지에서 이상이라고 결정한 부분을 표시하여 출력할 수 있다.
도 3은 다른 실시예에 따른 이상 감지 방법을 나타내는 플로우 차트이다.
도 3을 참조하면, 이상 감지 장치가 미리 설정된 오류 발생 함수를 기초로 오류 데이터를 생성한다(300).
이때, 상기 오류 발생 함수는 랜덤(random) 함수일 수 있으나, 상기 오류 발생 함수가 이에 한정되는 것은 아니다.
또한, 상기 이상 감지 장치는 상기 미리 설정된 오류 발생 함수를 이용하여 시간과 관련된 오류(예컨대, 시간 지연 또는 주기 변화)를 발생시키는 오류 데이터를 생성할 수 있다.
또한, 상기 이상 감지 장치는 상기 미리 설정된 오류 발생 함수를 이용하여 데이터 값과 관련된 오류(예컨대, 데이터 값이 특정 값에 고정 또는 데이터 값 변경)를 발생시키는 오류 데이터를 생성할 수 있다.
이상 감지 장치가 상기 생성한 오류 데이터를 기초로 정상 데이터의 데이터 값들을 변형시킨다(310).
이때, 상기 이상 감지 장치는 시간과 관련된 오류를 발생시키는 오류 데이터를 이용하여 상기 정상 데이터의 데이터 값들을 시간 축에 따라 수평 또는 수직으로 이동시킬 수 있다.
또한, 상기 이상 감지 장치는 데이터 값과 관련된 오류를 발생시키는 오류 데이터를 이용하여 정상 데이터의 데이터 값들을 변형시킬 수 있다. 이때, 상기 오류 데이터를 이용하여 변형시키는 상기 정상 데이터의 데이터 값들은 복수 개 일 수 있다.
또한, 상기 이상 감지 장치는 시간과 관련된 오류를 발생시키는 오류 데이터 및 데이터 값과 관련된 오류를 발생시키는 오류 데이터를 이용하여 정상 데이터의 데이터 값들을 시간 축에 따라 수평 또는 수직으로 이동시킨 후 상기 정상 데이터의 데이터 값들을 변형시킬 수 있다. 이때, 상기 오류 데이터를 이용하여 변형시키는 상기 정상 데이터의 데이터 값들은 복수 개 일 수 있다.
이상 감지 장치가 상기 변형시킨 상기 정상 데이터의 데이터 값들을 기초로 적어도 하나의 이상 데이터를 생성한다(320).
이때, 상기 이상 감지 장치는 정상 데이터가 복수 개인 경우, 복수 개의 이상 데이터를 생성할 수 있다.
이상 감지 장치가 상기 정상 데이터에 상응하는 제1 플롯 이미지(plot image)를 생성한다(330).
여기서, 상기 이상 감지 장치는 일실시예에 따라, 적어도 하나의 이상 데이터 생성 후 제1 플롯 이미지를 생성하나, 다른 실시예에 따라, 상기 오류 데이터 생성 전, 상기 정상 데이터의 데이터 값들 변형 전 또는 상기 적어도 하나의 이상 데이터 생성 전 상기 제1 플롯 이미지를 생성할 수 있다. 다만, 상기 이상 감지 장치가 정상 데이터에 상응하는 플롯 이미지를 획득한 경우, 상기 제1 플롯 이미지를 생성하지 않고, 상기 획득한 플롯 이미지로 상기 제1 플롯 이미지를 대체할 수 있다.
이상 감지 장치가 상기 적어도 하나의 이상 데이터에 상응하는 제2 플롯 이미지(plot image)를 생성한다(340).
이때, 상기 이상 감지 장치는 시간과 관련된 오류를 발생시키는 오류 데이터를 이용하여 변형시킨 상기 정상 데이터의 데이터 값들을 기초로 생성한 적어도 하나의 이상 데이터에 상응하는 제2 플롯 이미지를 생성할 수 있다.
또한, 상기 이상 감지 장치는 데이터 값과 관련된 오류를 발생시키는 오류 데이터를 이용하여 변형시킨 상기 정상 데이터의 데이터 값들을 기초로 생성한 적어도 하나의 이상 데이터에 상응하는 제2 플롯 이미지를 생성할 수 있다.
또한, 상기 이상 감지 장치는 시간과 관련된 오류를 발생시키는 오류 데이터 및 데이터 값과 관련된 오류를 발생시키는 오류 데이터를 이용하여 변형시킨 상기 정상 데이터의 데이터 값들을 기초로 생성한 적어도 하나의 이상 데이터에 상응하는 제2 플롯 이미지를 생성할 수 있다.
이상 감지 장치가 상기 제1 플롯 이미지 및 상기 제2 플롯 이미지를 기초로 이상 감지 모델을 학습시킨다(350).
이때, 상기 이상 감지 장치는 지도 학습(Supervised Learning)을 통하여 이상 감지 모델을 학습시킬 수 있으나, 상기 이상 감지 모델을 학습시키는 학습 방법이 이에 한정되는 것은 아니다.
또한, 상기 이상 감지 모델은 합성곱 신경망(Convolutional Neural Network, CNN)을 기초로 구현될 수 있으나, 상기 이상 감지 모델을 구현하기 위한 신경망(Neural Network)이 것이 이에 한정되는 것은 아니다.
이상 감지 장치가 상기 학습시킨 이상 감지 모델을 이용하여 기상 관측 장치에서 관측된 데이터에 상응하는 관측 플롯 이미지의 이상 여부를 결정한다(360).
이때, 상기 이상 감지 장치는 상기 관측 플롯 이미지의 일부에 대해서만 이상이라고 결정할 수 있다.
이상 감지 장치가 상기 관측 플롯 이미지의 이상 여부를 출력한다(370).
이때, 상기 이상 감지 장치는 상기 관측 플롯 이미지에서 이상이라고 결정한 부분을 표시하여 출력할 수 있다.
도 4는 일실시예에 따른 이상 감지 학습 데이터 생성 방법을 나타내는 플로우 차트이다.
일실시예에 따라, 이상 감지 장치는 이상 감지 학습 데이터를 생성할 때, 이상 감지 학습 데이터 생성 장치일 수 있다.
도 4를 참조하면, 이상 감지 학습 데이터 생성 장치가 정상 데이터를 획득한다(400).
이때, 상기 이상 감지 학습 데이터 생성 장치가 획득한 상기 정상 데이터는 기존에 획득한 데이터 또는 기존에 획득한 데이터 중 정상이라고 결정된 데이터일 수 있으나, 상기 정상 데이터가 이에 한정되는 것은 아니다. 또한, 상기 정상 데이터는 복수 개일 수 있다. 또한, 상기 정상 데이터는 시간 정보를 포함할 수 있다.
또한, 상기 이상 감지 학습 데이터 생성 장치는 정상 데이터에 상응하는 플롯 이미지를 획득할 수 있다.
또한, 상기 이상 감지 학습 데이터 생성 장치는 상기 획득한 플롯 이미지로부터 데이터 값들을 추출하여 정상 데이터를 생성할 수 있다. 이때, 상기 정상 데이터는 기존에 획득한 데이터 또는 기존에 획득한 데이터 중 정상이라고 결정된 데이터일 수 있으나, 상기 정상 데이터가 이에 한정되는 것은 아니다. 또한, 상기 정상 데이터는 복수 개일 수 있다. 또한, 상기 정상 데이터는 시간 정보를 포함할 수 있다.
이상 감지 학습 데이터 생성 장치가 정상 데이터의 데이터 값들 중 미리 설정된 시간 내의 데이터 값들을 기초로 평균 및 편차를 계산한다(410).
여기서, 상기 미리 설정된 시간은 기상 관측 장치가 관측 데이터를 획득하는 시간의 N(예컨대, N은 10)배일 수 있으나, 상기 미리 설정된 시간이 이에 한정되는 것은 아니다.
또한, 상기 미리 설정된 시간은 시간적으로 연속된 복수 개의 시간일 수 있으며, 상기 복수 개의 미리 설정된 시간 각각은 서로 상이할 수 있다.
이상 감지 학습 데이터 생성 장치가 상기 계산한 평균 및 편차를 기초로 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들을 변형시킨다(420).
이때, 상기 이상 감지 학습 데이터 생성 장치는 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들 중 상기 계산한 평균보다 큰 상기 정상 데이터의 데이터 값에는 상기 계산한 편차를 더하고, 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들 중 상기 계산한 평균보다 작은 상기 정상 데이터의 데이터 값에는 상기 계산한 편차를 빼서 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들을 변형시킬 수 있다.
또한, 상기 이상 감지 학습 데이터 생성 장치는 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들 중 상기 계산한 평균보다 큰 상기 정상 데이터의 데이터 값에는 진행되는 시간에 따라 상기 계산한 편차를 계속 더하고, 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들 중 상기 계산한 평균보다 작은 상기 정상 데이터의 데이터 값에는 진행되는 시간에 따라 상기 계산한 편차를 계속 빼서 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들을 변형시킬 수 있다.
이상 감지 학습 데이터 생성 장치가 상기 변형시킨 상기 정상 데이터의 데이터 값들을 기초로 적어도 하나의 이상 데이터를 생성한다(430).
이때, 상기 이상 감지 학습 데이터 생성 장치는 정상 데이터가 복수 개인 경우, 복수 개의 이상 데이터를 생성할 수 있다.
이상 감지 학습 데이터 생성 장치가 상기 정상 데이터에 상응하는 제1 플롯 이미지(plot image)를 생성한다(440).
이때, 상기 이상 감지 학습 데이터 생성 장치는 일실시예에 따라, 적어도 하나의 이상 데이터 생성 후 제1 플롯 이미지를 생성하나, 다른 실시예에 따라, 상기 적어도 하나의 이상 데이터 생성 전 상기 제1 플롯 이미지를 생성할 수 있다.
이상 감지 학습 데이터 생성 장치가 상기 적어도 하나의 이상 데이터를 기초로 제2 플롯 이미지를 생성한다(450).
이때, 상기 이상 감지 학습 데이터 생성 장치는 상기 적어도 하나의 이상 데이터를 기초로 제2 플롯 이미지를 생성할 수 있다.
또한, 상기 이상 감지 학습 데이터 생성 장치는 상기 적어도 하나의 이상 데이터에 상응하는 오류 플롯 이미지를 생성하고, 상기 생성한 오류 플롯 이미지와 상기 제1 플롯 이미지를 결합하여 제2 플롯 이미지를 생성할 수 있다.
또한, 상기 이상 감지 학습 데이터 생성 장치는 오류 플롯 이미지를 제1 플롯 이미지의 특정 지점에 결합하여 제2 플롯 이미지를 생성할 수 있다.
또한, 상기 이상 감지 학습 데이터 생성 장치는 제1 플롯 이미지의 특정 지점 및 상기 특정 지점으로부터 일정한 간격 갖는 지점마다 오류 플롯 이미지를 결합하여 제2 플롯 이미지를 생성할 수 있다.
또한, 상기 이상 감지 학습 데이터 생성 장치는 오류 플롯 이미지를 상기 제1 플롯 이미지의 임의의 지점에 결합하여 상기 제2 플롯 이미지를 생성할 수 있다.
또한, 상기 이상 감지 학습 데이터 생성 장치는 오류 플롯 이미지를 제1 플롯 이미지의 복수 개의 임의의 지점에 결합하여 제2 플롯 이미지를 생성할 수 있다.
또한, 상기 이상 감지 학습 데이터 생성 장치는 복수 개의 오류 플롯 이미지를 생성하고, 상기 생성한 복수 개의 오류 플롯 이미지를 제1 플롯 이미지의 임의의 지점에 각각 결합하여 상기 제2 플롯 이미지를 생성할 수 있다.
또한, 상기 이상 감지 학습 데이터 생성 장치는 미리 설정된 크기(예컨대, 제1 플롯 이미지 크기의 반에 해당하는 크기)만큼 오류 플롯 이미지를 결합하고, 상기 결합한 오류 플롯 이미지를 상기 제1 플롯 이미지의 특정 지점에 오버랩하여 제2 플롯 이미지를 생성할 수 있다.
또한, 상기 이상 감지 학습 데이터 생성 장치는 제1 플롯 이미지 크기와 동일한 크기가 될 때까지 오류 플롯 이미지를 결합하고, 상기 결합한 오류 플롯 이미지를 상기 제1 플롯 이미지에 오버랩하여 제2 플롯 이미지를 생성할 수 있다.
도 5는 다른 실시예에 따른 이상 감지 학습 데이터 생성 방법을 나타내는 플로우 차트이다.
일실시예에 따라, 이상 감지 장치는 이상 감지 학습 데이터를 생성할 때, 이상 감지 학습 데이터 생성 장치일 수 있다.
도 5를 참조하면, 이상 감지 학습 데이터 생성 장치가 정상 데이터를 획득한다(500).
이때, 상기 이상 감지 학습 데이터 생성 장치가 획득한 상기 정상 데이터는 기존에 획득한 데이터 또는 기존에 획득한 데이터 중 정상이라고 결정된 데이터일 수 있으나, 상기 정상 데이터가 이에 한정되는 것은 아니다. 또한, 상기 정상 데이터는 복수 개일 수 있다. 또한, 상기 정상 데이터는 시간 정보를 포함할 수 있다.
또한, 상기 이상 감지 학습 데이터 생성 장치는 정상 데이터에 상응하는 플롯 이미지를 획득할 수 있다.
또한, 상기 이상 감지 학습 데이터 생성 장치는 상기 획득한 플롯 이미지로부터 데이터 값들을 추출하여 정상 데이터를 생성할 수 있다. 이때, 상기 정상 데이터는 기존에 획득한 데이터 또는 기존에 획득한 데이터 중 정상이라고 결정된 데이터일 수 있으나, 상기 정상 데이터가 이에 한정되는 것은 아니다. 또한, 상기 정상 데이터는 복수 개일 수 있다. 또한, 상기 정상 데이터는 시간 정보를 포함할 수 있다.
이상 감지 학습 데이터 생성 장치가 미리 설정된 오류 발생 함수를 기초로 오류 데이터를 생성한다(510).
이때, 상기 오류 발생 함수는 랜덤(random) 함수일 수 있으나, 상기 오류 발생 함수가 이에 한정되는 것은 아니다.
또한, 상기 이상 감지 학습 데이터 생성 장치는 상기 미리 설정된 오류 발생 함수를 이용하여 시간과 관련된 오류(예컨대, 시간 지연 또는 주기 변화)를 발생시키는 오류 데이터를 생성할 수 있다.
또한, 상기 이상 감지 학습 데이터 생성 장치는 상기 미리 설정된 오류 발생 함수를 이용하여 데이터 값과 관련된 오류(예컨대, 데이터 값이 특정 값에 고정 또는 데이터 값 변경)를 발생시키는 오류 데이터를 생성할 수 있다.
이상 감지 학습 데이터 생성 장치가 상기 생성한 오류 데이터를 기초로 정상 데이터의 데이터 값들을 변형시킨다(520).
이때, 상기 이상 감지 학습 데이터 생성 장치는 시간과 관련된 오류를 발생시키는 오류 데이터를 이용하여 상기 정상 데이터의 데이터 값들을 시간 축에 따라 수평 또는 수직으로 이동시킬 수 있다.
또한, 상기 이상 감지 학습 데이터 생성 장치는 데이터 값과 관련된 오류를 발생시키는 오류 데이터를 이용하여 정상 데이터의 데이터 값들을 변형시킬 수 있다. 이때, 상기 오류 데이터를 이용하여 변형시키는 상기 정상 데이터의 데이터 값들은 복수 개 일 수 있다.
또한, 상기 이상 감지 학습 데이터 생성 장치는 시간과 관련된 오류를 발생시키는 오류 데이터 및 데이터 값과 관련된 오류를 발생시키는 오류 데이터를 이용하여 정상 데이터의 데이터 값들을 시간 축에 따라 수평 또는 수직으로 이동시킨 후 상기 정상 데이터의 데이터 값들을 변형시킬 수 있다. 이때, 상기 오류 데이터를 이용하여 변형시키는 상기 정상 데이터의 데이터 값들은 복수 개 일 수 있다.
이상 감지 학습 데이터 생성 장치가 상기 변형시킨 상기 정상 데이터의 데이터 값들을 기초로 적어도 하나의 이상 데이터를 생성한다(530).
이때, 상기 이상 감지 학습 데이터 생성 장치는 정상 데이터가 복수 개인 경우, 복수 개의 이상 데이터를 생성할 수 있다.
이상 감지 학습 데이터 생성 장치가 상기 정상 데이터에 상응하는 제1 플롯 이미지(plot image)를 생성한다(540).
여기서, 상기 이상 감지 학습 데이터 생성 장치는 일실시예에 따라, 적어도 하나의 이상 데이터 생성 후 제1 플롯 이미지를 생성하나, 다른 실시예에 따라, 상기 오류 데이터 생성 전, 상기 정상 데이터의 데이터 값들 변형 전 또는 상기 적어도 하나의 이상 데이터 생성 전 상기 제1 플롯 이미지를 생성할 수 있다. 다만, 상기 이상 감지 학습 데이터 생성 장치가 정상 데이터에 상응하는 플롯 이미지를 획득한 경우, 상기 제1 플롯 이미지를 생성하지 않고, 상기 획득한 플롯 이미지로 상기 제1 플롯 이미지를 대체할 수 있다.
이상 감지 학습 데이터 생성 장치가 상기 적어도 하나의 이상 데이터에 상응하는 제2 플롯 이미지(plot image)를 생성한다(550).
이때, 상기 이상 감지 학습 데이터 생성 장치는 시간과 관련된 오류를 발생시키는 오류 데이터를 이용하여 변형시킨 상기 정상 데이터의 데이터 값들을 기초로 생성한 적어도 하나의 이상 데이터에 상응하는 제2 플롯 이미지를 생성할 수 있다.
또한, 상기 이상 감지 학습 데이터 생성 장치는 데이터 값과 관련된 오류를 발생시키는 오류 데이터를 이용하여 변형시킨 상기 정상 데이터의 데이터 값들을 기초로 생성한 적어도 하나의 이상 데이터에 상응하는 제2 플롯 이미지를 생성할 수 있다.
또한, 상기 이상 감지 학습 데이터 생성 장치는 시간과 관련된 오류를 발생시키는 오류 데이터 및 데이터 값과 관련된 오류를 발생시키는 오류 데이터를 이용하여 변형시킨 상기 정상 데이터의 데이터 값들을 기초로 생성한 적어도 하나의 이상 데이터에 상응하는 제2 플롯 이미지를 생성할 수 있다.
도 6은 일실시예에 따라 제2 플롯 이미지를 생성하는 모습을 나타내는 도면이다.
도 6을 참조하면, 일실시예에 따라, 이상 감지 장치는 기상 관측 장치가 관측 데이터를 획득하는 시간과 동일한 시간(600) 내의 정상 데이터의 데이터 값들(601, 602)을 기초로 평균(603)을 계산할 수 있다.
일실시예에 따라, 이상 감지 장치는 기상 관측 장치가 관측 데이터를 획득하는 시간과 동일한 시간(600) 내의 정상 데이터의 데이터 값들(601, 602)과 평균(603)사이의 편차를 계산할 수 있다.
일실시예에 따라, 이상 감지 장치는 기상 관측 장치가 관측 데이터를 획득하는 시간과 동일한 시간(600) 내의 정상 데이터의 데이터 값들(601, 602) 중 상기 계산한 평균보다 큰 정상 데이터의 데이터 값(602)에는 상기 계산한 편차를 더해서 상기 계산한 평균보다 큰 정상 데이터의 데이터 값(602)을 변형(605)시키고, 상기 계산한 평균보다 작은 정상 데이터의 데이터 값(601)에는 상기 계산한 편차를 빼서, 상기 계산한 평균보다 작은 정상 데이터의 데이터 값(601)을 변형(604)시킬 수 있다.
일실시예에 따라, 이상 감지 장치는 시간적으로 연속된 복수 개의 기상 관측 장치가 관측 데이터를 획득하는 시간과 동일한 시간(600, 610, 620, 630, 640, 650, 660) 각각에 포함된 정상 데이터의 데이터 값들을 기초로 각각의 평균 및 편차를 계산할 수 있다.
일실시예에 따라, 이상 감지 장치는 상기 계산한 각각의 평균 및 편차를 기초로 시간적으로 연속된 복수 개의 기상 관측 장치가 관측 데이터를 획득하는 시간과 동일한 시간(600, 610, 620, 630, 640, 650, 660) 각각에 포함된 정상 데이터의 데이터 값들을 변형시킬 수 있다.
일실시예에 따라, 이상 감지 장치는 시간적으로 불연속된 복수개의 기상 관측 장치가 관측 데이터를 획득하는 시간과 동일한 시간(600, 610, 620,630, 650) 각각에 포함된 정상 데이터의 데이터 값들을 기초로 각각의 평균 및 편차를 계산할 수 있다.
일실시예에 따라, 이상 감지 장치는 상기 계산한 각각의 평균 및 편차를 기초로 시간적으로 연속된 복수 개의 기상 관측 장치가 관측 데이터를 획득하는 시간과 동일한 시간(600, 610, 620,630, 650) 각각에 포함된 정상 데이터의 데이터 값들을 변형시킬 수 있다.
일실시예에 따라, 이상 감지 장치는 상기 변형시킨 상기 정상 데이터의 데이터 값들을 기초로 적어도 하나의 이상 데이터(604, 605)를 생성할 수 있다.
일실시예에 따라, 이상 감지 장치는 생성한 이상 데이터를 기초로 제2 프롯 이미지(680)를 생성할 수 있다
일실시예에 따라, 이상 감지 장치는 정상 데이터에 상응하는 제1 플롯 이미지(670)를 생성할 수 있다. 이때, 상기 제1 플롯 이미지는 상기 정상 데이터의 수에 대응하여 복수 개가 생성될 수 있다.
일실시예에 따라, 이상 감지 장치는 적어도 하나의 이상 데이터에 상응하는 오류 플롯 이미지(680)를 생성할 수 있다.
일실시예에 따라, 이상 감지 장치는 제1 플롯 이미지(670)에 생성한 오류 플롯 이미지(680)를 오버랩하여 제2 플롯 이미지를 생성할 수 있다.
도 7은 다른 실시예에 따라 제2 플롯 이미지를 생성하는 모습을 나타내는 도면이다.
도 7을 참조하면, 일실시예에 따라, 이상 감지 장치는 기상 관측 장치가 관측 데이터를 획득하는 시간의 10배의 시간(700) 내의 정상 데이터의 데이터 값들(710a, 710b, 710c, 710d, 710f, 710g, 710h, 710i, 710j)의 평균(710b, 710h)을 계산할 수 있다.
일실시예에 따라, 이상 감지 장치는 기상 관측 장치가 관측 데이터를 획득하는 시간의 10배의 시간(700) 내의 정상 데이터의 데이터 값들(710a, 710b, 710c, 710d, 710f, 710g, 710h, 710i, 710j)과 평균(710b, 710h)사이의 편차를 계산할 수 있다.
일실시예에 따라, 이상 감지 장치는 기상 관측 장치가 관측 데이터를 획득하는 시간의 10배의 시간(700) 내의 정상 데이터의 데이터 값들(710a, 710b, 710c, 710d, 710f, 710g, 710h, 710i, 710j) 중 상기 계산한 평균보다 큰 정상 데이터의 데이터 값들(710c, 710d, 710f, 710g, 710h)에는 상기 계산한 편차를 더해서 상기 계산한 평균보다 큰 정상 데이터의 데이터 값들(720c, 720d, 720f, 720g, 720h)을 변형시키고, 상기 계산한 평균보다 작은 정상 데이터의 데이터 값들(710a, 710i, 710j)에는 상기 계산한 편차를 빼서, 상기 계산한 평균보다 작은 정상 데이터의 데이터 값들(720a, 720i, 720j)을 변형시킬 수 있으며, 상기 계산한 평균과 동일한 정상 데이터의 데이터 값(710b, 710h)은 변형시키지 않을 수 있다.
일실시예에 따라, 이상 감지 장치는 시간적으로 연속된 복수 개의 기상 관측 장치가 관측 데이터를 획득하는 시간의 10배의 시간과 동일한 시간 각각에 포함된 정상 데이터의 데이터 값들을 기초로 각각의 평균 및 편차를 계산할 수 있다.
일실시예에 따라, 이상 감지 장치는 상기 계산한 각각의 평균 및 편차를 기초로 시간적으로 연속된 복수 개의 기상 관측 장치가 관측 데이터를 획득하는 시간의 10배의 시간 각각에 포함된 정상 데이터의 데이터 값들을 변형시킬 수 있다.
일실시예에 따라, 이상 감지 장치는 시간적으로 불연속된 복수개의 기상 관측 장치가 관측 데이터를 획득하는 시간의 10배의 시간과 동일한 시간 각각에 포함된 정상 데이터의 데이터 값들을 기초로 각각의 평균 및 편차를 계산할 수 있다.
일실시예에 따라, 이상 감지 장치는 상기 계산한 각각의 평균 및 편차를 기초로 시간적으로 불연속된 복수 개의 기상 관측 장치가 관측 데이터를 획득하는 시간의 10배의 시간 각각에 포함된 정상 데이터의 데이터 값들을 변형시킬 수 있다.
일실시예에 따라, 이상 감지 장치는 상기 변형시킨 상기 정상 데이터의 데이터 값들을 기초로 적어도 하나의 이상 데이터(720a, 710b, 720c, 720d, 720f, 720g, 710h, 720i, 720j)를 생성할 수 있다.
일실시예에 따라, 이상 감지 장치는 생성한 이상 데이터를 기초로 제2 프롯 이미지(720)를 생성할 수 있다
일실시예에 따라, 이상 감지 장치는 정상 데이터에 상응하는 제1 플롯 이미지(710)를 생성할 수 있다. 이때, 상기 제1 플롯 이미지는 상기 정상 데이터의 수에 대응하여 복수 개가 생성될 수 있다.
일실시예에 따라, 이상 감지 장치는 적어도 하나의 이상 데이터에 상응하는 오류 플롯 이미지(720)를 생성할 수 있다.
일실시예에 따라, 이상 감지 장치는 제1 플롯 이미지(710)에 생성한 오류 플롯 이미지(720)를 오버랩하여 제2 플롯 이미지를 생성할 수 있다.
도 8은 또 다른 실시예에 따라 제2 플롯 이미지를 생성하는 모습을 나타내는 도면이다.
도 8을 참조하면, 일실시예에 따라, 이상 감지 장치는 기상 관측 장치가 관측 데이터를 획득하는 시간과 동일한 시간(800, 810) 내의 정상 데이터의 데이터 값들(801, 802, 811, 812)을 기초로 평균(803, 813)을 계산할 수 있다.
일실시예에 따라, 이상 감지 장치는 기상 관측 장치가 관측 데이터를 획득하는 시간과 동일한 시간(800, 810) 내의 정상 데이터의 데이터 값들(801, 802, 811, 812)과 평균(803, 813)사이의 편차를 계산할 수 있다.
일실시예에 따라, 이상 감지 장치는 기상 관측 장치가 관측 데이터를 획득하는 시간과 동일한 시간(800) 내의 정상 데이터의 데이터 값들(801, 802) 중 상기 계산한 평균보다 큰 정상 데이터의 데이터 값(802)에는 상기 계산한 편차를 더해서 상기 계산한 평균보다 큰 정상 데이터의 데이터 값(802)을 변형(805)시키고, 상기 계산한 평균보다 작은 정상 데이터의 데이터 값(801)에는 상기 계산한 편차를 빼서, 상기 계산한 평균보다 작은 정상 데이터의 데이터 값(801)을 변형(804)시킬 수 있다.
일실시예에 따라, 이상 감지 장치는 진행되는 시간에 따라 기상 관측 장치가 관측 데이터를 획득하는 시간과 동일한 시간(810) 내의 정상 데이터의 데이터 값들(811, 812) 중 상기 계산한 평균보다 큰 정상 데이터의 데이터 값(812)에는 정상 데이터의 데이터 값이 속하는 시간 대(810)의 편차 및 이전 시간(800) 대의 편차를 더해서 상기 계산한 평균보다 큰 정상 데이터의 데이터 값(812)을 변형(815)시키고, 상기 계산한 평균보다 작은 정상 데이터의 데이터 값(811)에는 정상 데이터의 데이터 값이 속하는 시간 대(810)의 편차 및 이전 시간(800) 대의 편차를 빼서 상기 계산한 평균보다 작은 정상 데이터의 데이터 값(811)을 변형(814)시킬 수 있다.
일실시예에 따라, 이상 감지 장치는 시간적으로 연속된 복수 개의 기상 관측 장치가 관측 데이터를 획득하는 시간과 동일한 시간 각각에 포함된 정상 데이터의 데이터 값들을 기초로 각각의 평균 및 편차를 계산하고, 정상 데이터의 데이터 값들 중 상기 계산한 평균보다 큰 정상 데이터의 데이터 값에는 정상 데이터의 데이터 값이 속하는 시간 대의 편차 및 이전 시간 대(들)의 편차를 더해서 상기 계산한 평균보다 큰 정상 데이터의 데이터 값을 변형시키고, 상기 계산한 평균보다 작은 정상 데이터의 데이터 값에는 정상 데이터의 데이터 값이 속하는 시간 대의 편차 및 이전 시간 대(들)의 편차를 빼서 상기 계산한 평균보다 작은 정상 데이터의 데이터 값을 변형시킬 수 있다.
일실시예에 따라, 이상 감지 장치는 시간적으로 불연속된 복수 개의 기상 관측 장치가 관측 데이터를 획득하는 시간과 동일한 시간 각각에 포함된 정상 데이터의 데이터 값들을 기초로 각각의 평균 및 편차를 계산하고, 정상 데이터의 데이터 값들 중 상기 계산한 평균보다 큰 정상 데이터의 데이터 값에는 정상 데이터의 데이터 값이 속하는 시간 대의 편차 및 이전 시간 대(들)의 편차를 더해서 상기 계산한 평균보다 큰 정상 데이터의 데이터 값을 변형시키고, 상기 계산한 평균보다 작은 정상 데이터의 데이터 값에는 정상 데이터의 데이터 값이 속하는 시간 대의 편차 및 이전 시간 대(들)의 편차를 빼서 상기 계산한 평균보다 작은 정상 데이터의 데이터 값을 변형시킬 수 있다.
일실시예에 따라, 이상 감지 장치는 상기 변형시킨 상기 정상 데이터의 데이터 값들을 기초로 적어도 하나의 이상 데이터(804, 805, 814, 815)를 생성할 수 있다.
일실시예에 따라, 이상 감지 장치는 생성한 이상 데이터(804, 805, 814, 815)를 기초로 제2 프롯 이미지(830)를 생성할 수 있다
일실시예에 따라, 이상 감지 장치는 정상 데이터에 상응하는 제1 플롯 이미지(820)를 생성할 수 있다. 이때, 상기 제1 플롯 이미지는 상기 정상 데이터의 수에 대응하여 복수 개가 생성될 수 있다.
일실시예에 따라, 이상 감지 장치는 적어도 하나의 이상 데이터에 상응하는 오류 플롯 이미지(830)를 생성할 수 있다.
일실시예에 따라, 이상 감지 장치는 제1 플롯 이미지(820)에 생성한 오류 플롯 이미지(830)를 오버랩하여 제2 플롯 이미지를 생성할 수 있다.
이상에서, 본 발명의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 발명이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성 요소들이 적어도 하나로 선택적으로 결합하여 동작할 수도 있다.
또한, 그 모든 구성 요소들이 각각 하나의 독립적인 하드웨어로 구현될 수 있지만, 각 구성 요소들의 그 일부 또는 전부가 선택적으로 조합되어 하나 또는 복수 개의 하드웨어에서 조합된 일부 또는 전부의 기능을 수행하는 프로그램 모듈을 갖는 컴퓨터 프로그램으로서 구현될 수도 있다. 그 컴퓨터 프로그램을 구성하는 코드들 및 코드 세그먼트들은 본 발명의 기술 분야의 당업자에 의해 용이하게 추론될 수 있을 것이다.
이러한 컴퓨터 프로그램은 컴퓨터가 읽을 수 있는 저장매체(Computer Readable Media)에 저장되어 컴퓨터에 의하여 읽혀지고 실행됨으로써, 본 발명의 실시예를 구현할 수 있다. 컴퓨터 프로그램의 저장매체로서는 자기 기록매체, 광 기록매체, 등이 포함될 수 있다.
또한, 이상에서 기재된 "포함하다", "구성하다" 또는 "가지다" 등의 용어는, 특별히 반대되는 기재가 없는 한, 해당 구성 요소가 내재될 수 있음을 의미하는 것이므로, 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것으로 해석되어야 한다.
기술적이거나 과학적인 용어를 포함한 모든 용어들은, 다르게 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥 상의 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100...이상 감지 장치
Claims (11)
- 합성곱 신경망(Convolutional Neural Network, CNN) 기반의 이상 감지 장치에 있어서,
적어도 하나의 프로세서를 포함하고,
상기 적어도 하나의 프로세서는,
정상 데이터를 기초로 적어도 하나의 이상 데이터를 생성하고,
상기 정상 데이터에 상응하는 제1 플롯 이미지(plot image)를 생성하고,
상기 적어도 하나의 이상 데이터를 기초로 제2 플롯 이미지를 생성하고,
상기 제1 플롯 이미지 및 상기 제2 플롯 이미지를 기초로 이상 감지 모델을 학습시키고,
상기 학습시킨 이상 감지 모델을 이용하여 기상 관측 장치에서 관측된 데이터에 상응하는 관측 플롯 이미지의 이상 여부를 결정하되,
상기 적어도 하나의 프로세서는,
상기 적어도 하나의 이상 데이터에 상응하는 오류 플롯 이미지를 생성하고,
상기 생성한 오류 플롯 이미지와 상기 제1 플롯 이미지를 결합하여 제2 플롯 이미지를 생성하는 합성곱 신경망(Convolutional Neural Network, CNN)기반의 이상 감지 장치. - 제1항에 있어서,
상기 적어도 하나의 프로세서는,
상기 정상 데이터의 데이터 값들 중 미리 설정된 시간 내의 데이터 값들을 기초로 평균 및 편차를 계산하고,
상기 계산한 평균 및 편차를 기초로 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들을 변형시키고,
상기 변형시킨 상기 정상 데이터의 데이터 값들을 기초로 적어도 하나의 이상 데이터를 생성하는 합성곱 신경망(Convolutional Neural Network, CNN) 기반의 이상 감지 장치. - 삭제
- 제2항에 있어서,
상기 적어도 하나의 프로세서는,
상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들 중 상기 계산한 평균보다 큰 상기 정상 데이터의 데이터 값에는 상기 계산한 편차를 더하고, 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들 중 상기 계산한 평균보다 작은 상기 정상 데이터의 데이터 값에는 상기 계산한 편차를 빼서 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들을 변형시키는 합성곱 신경망(Convolutional Neural Network, CNN) 기반의 이상 감지 장치. - 제2항에 있어서,
상기 적어도 하나의 프로세서는,
상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들 중 상기 계산한 평균보다 큰 상기 정상 데이터의 데이터 값에는 진행되는 시간에 따라 상기 계산한 편차를 계속 더하고, 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들 중 상기 계산한 평균보다 작은 상기 정상 데이터의 데이터 값에는 진행되는 시간에 따라 상기 계산한 편차를 계속 빼서 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들을 변형시키는 합성곱 신경망(Convolutional Neural Network, CNN) 기반의 이상 데이터 감지 장치. - 삭제
- 삭제
- 이상 감지 학습 데이터 생성 장치에 있어서,
적어도 하나의 프로세서를 포함하고,
상기 적어도 하나의 프로세서는,
정상 데이터를 획득하고,
상기 획득한 정상 데이터의 데이터 값들 중 미리 설정된 시간 내의 데이터 값들을 기초로 평균 및 편차를 계산하고,
상기 계산한 평균 및 편차를 기초로 상기 미리 설정된 시간 내의 상기 정상 데이터의 데이터 값들을 변형시키고,
상기 변형시킨 상기 정상 데이터의 데이터 값들을 기초로 적어도 하나의 이상 데이터를 생성하고,
상기 정상 데이터에 상응하는 제1 플롯 이미지(plot image)를 생성하고,
상기 적어도 하나의 이상 데이터를 기초로 제2 플롯 이미지를 생성하는 이상 감지 학습 데이터 생성 장치. - 제8항에 있어서,
상기 적어도 하나의 프로세서는,
상기 적어도 하나의 이상 데이터에 상응하는 오류 플롯 이미지를 생성하고,
상기 생성한 오류 플롯 이미지와 상기 제1 플롯 이미지를 결합하여 제2 플롯 이미지를 생성하는 이상 감지 학습 데이터 생성 장치. - 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190126979A KR102073528B1 (ko) | 2019-10-14 | 2019-10-14 | 합성곱 신경망 기반의 이상 감지 장치 및 이상 감지 학습 데이터 생성 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190126979A KR102073528B1 (ko) | 2019-10-14 | 2019-10-14 | 합성곱 신경망 기반의 이상 감지 장치 및 이상 감지 학습 데이터 생성 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102073528B1 true KR102073528B1 (ko) | 2020-02-25 |
Family
ID=69647786
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190126979A KR102073528B1 (ko) | 2019-10-14 | 2019-10-14 | 합성곱 신경망 기반의 이상 감지 장치 및 이상 감지 학습 데이터 생성 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102073528B1 (ko) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170374296A1 (en) * | 2016-06-23 | 2017-12-28 | Fluke Corporation | Thermal anomaly detection |
| KR20190111871A (ko) | 2015-03-30 | 2019-10-02 | 동우 화인켐 주식회사 | 터치 센서 |
-
2019
- 2019-10-14 KR KR1020190126979A patent/KR102073528B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190111871A (ko) | 2015-03-30 | 2019-10-02 | 동우 화인켐 주식회사 | 터치 센서 |
| US20170374296A1 (en) * | 2016-06-23 | 2017-12-28 | Fluke Corporation | Thermal anomaly detection |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109902832B (zh) | 机器学习模型的训练方法、异常预测方法及相关装置 | |
| Li et al. | Adversarial attacks and defenses on cyber–physical systems: A survey | |
| Ma et al. | Classification of power quality disturbances via deep learning | |
| AU2020437435B2 (en) | Adversarial image generation method, apparatus, device, and readable storage medium | |
| US10599877B2 (en) | Protecting content on a display device from a field-of-view of a person or device | |
| US20180336437A1 (en) | Streaming graph display system with anomaly detection | |
| Wang et al. | Drifted Twitter spam classification using multiscale detection test on KL divergence | |
| CN108765340B (zh) | 模糊图像处理方法、装置及终端设备 | |
| Rathore et al. | Untargeted, targeted and universal adversarial attacks and defenses on time series | |
| US11520993B2 (en) | Word-overlap-based clustering cross-modal retrieval | |
| CN110516210B (zh) | 文本相似度的计算方法和装置 | |
| CN112528634A (zh) | 文本纠错模型训练、识别方法、装置、设备及存储介质 | |
| CN109784133B (zh) | 动作评量模型生成装置及其动作评量模型生成方法 | |
| CN110730164B (zh) | 安全预警方法及相关设备、计算机可读存储介质 | |
| Chien et al. | Hierarchical and self-attended sequence autoencoder | |
| CN113164056A (zh) | 睡眠预测方法、装置、存储介质及电子设备 | |
| CN114387567A (zh) | 一种视频数据的处理方法、装置、电子设备及存储介质 | |
| Nguyen et al. | Nested one-class support vector machines for network intrusion detection | |
| KR102432600B1 (ko) | 벡터 양자화를 이용한 중복 문서 탐지 방법 및 시스템 | |
| US20220269928A1 (en) | Stochastic noise layers | |
| KR102073528B1 (ko) | 합성곱 신경망 기반의 이상 감지 장치 및 이상 감지 학습 데이터 생성 장치 | |
| WO2021012263A1 (en) | Systems and methods for end-to-end deep reinforcement learning based coreference resolution | |
| US20220343156A1 (en) | Server for refining model in terminal and operation method thereof | |
| KR102276086B1 (ko) | 보안 비디오에 대한 어노말리 검출장치 및 방법 | |
| US11599827B2 (en) | Method and apparatus for improving the robustness of a machine learning system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |