KR102148812B1 - 공기질 측정 장치 및 시스템 - Google Patents

공기질 측정 장치 및 시스템 Download PDF

Info

Publication number
KR102148812B1
KR102148812B1 KR1020180151260A KR20180151260A KR102148812B1 KR 102148812 B1 KR102148812 B1 KR 102148812B1 KR 1020180151260 A KR1020180151260 A KR 1020180151260A KR 20180151260 A KR20180151260 A KR 20180151260A KR 102148812 B1 KR102148812 B1 KR 102148812B1
Authority
KR
South Korea
Prior art keywords
concentration
fine dust
concentrations
current
air
Prior art date
Application number
KR1020180151260A
Other languages
English (en)
Other versions
KR20200071796A (ko
Inventor
김상인
임현근
윤은정
Original Assignee
주식회사 아림사이언스
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 주식회사 아림사이언스 filed Critical 주식회사 아림사이언스
Priority to KR1020180151260A priority Critical patent/KR102148812B1/ko
Publication of KR20200071796A publication Critical patent/KR20200071796A/ko
Application granted granted Critical
Publication of KR102148812B1 publication Critical patent/KR102148812B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/02—Investigating particle size or size distribution
    • G01N15/0205—Investigating particle size or size distribution by optical means
    • G01N15/0211—Investigating a scatter or diffraction pattern
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Theoretical Computer Science (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Dispersion Chemistry (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Electrochemistry (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Emergency Management (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

본 발명은, 부유 미립자가 필터링된 공기에 광을 방출하여 산란된 산란광을 기반으로 제1 전류를 측정하는 광산란 측정부, 상기 공기에 알파선을 방출하여 전리된 제2 전류를 측정하는 알파선 전리측정부, 상기 공기에 베타선을 방출하여 전리된 제3 전류를 측정하는 베타선 전리측정부 및 기준챔버 내의 공기, 미세먼지 및 수분의 농도를 산출하여 설정된 제1 내지 제3 비례상수 세트값을 기반으로, 상기 제1 내지 제3 전류에 대한 상기 미세먼지의 제1 농도 및 수분의 제2 농도를 결정하고, 상기 제1 및 제2 농도의 측정 오차를 머신러닝/딥러닝 연산하여 상기 미세먼지의 최종 농도를 결정하는 데이터 처리부를 포함하는 공기질 측정 장치를 제공한다.

Description

공기질 측정 장치 및 시스템{APPARATUS FOR MEASURING AIR QUALITY AND SYSTEM THEREFOR}
본 발명은 공기질 측정 장치 및 시스템에 관한 것으로서, 더욱 상세하게는 공기 중에 포함된 미세먼지의 양을 측정하기 용이한 공기질 측정 장치 및 시스템에 관한 것이다.
대기 중의 입자상 오염물질(particulate matter; PM)은 다양한 종류의 화학적 성질을 갖는 미립자이다. 특히, 직간접적으로 인체에 해로운 영향을 주는 미세먼지는 인위적인 산업활동에 의해 발생되는 입자가 대부분을 차지한다.
미세먼지는 눈에 보이지 않을 만큼 미세한 입자의 먼지로, 지름 10㎛ 이하의 먼지를 말하며, 크기에 따라 PM10의 미세먼지, PM2.5의 초미세먼지, PM1,0의 극초미세먼지으로 구분한다. PM(Particulate Matter)이란 ‘입자상 물질(대기 중에 떠다니는 고체 또는 액체 상태의 미세 입자)’이라는 뜻으로 PM10은 입자의 크기가 지름 10㎛ 이하, PM2.5는 지름 2.5㎛ 이하, PM1.0은 지름 1.0㎛ 이하의 먼지이다. 극초미세먼지의 경우 폐포와 혈관에 더 잘 침투하여 건강에 영향이 더 클 수 있어, 관심이 고조되고 있다.
대기오염 공정시험기준에 따르면 대기환경 중 미세먼지를 측정하는 표준법으로 베타선흡수법과 중량농도법을 명시하고 있다.
베타선흡수법은 베타선원으로부터 방출된 베타선이 공기필터 위에 채취된 먼지를 통과할때 흡수되는 베타선의 상대적인 세기를 측정하여 미세먼지의 질량농도를 측정하는 방법이다. 간접법이 가지는 측정방법상의 한계로 인해 정확한 질량값을 도출해내기 위해서는 중량법과 비교검증단계를 거쳐야 하는 단점을 지니고 있다.
중량농도법은 대기환경 중 PM10 혹은 PM2.5의 질량 농도를 측정하는 방법 중 하나이다. 시료채취기를 사용하여 대기 중 미세먼지 시료를 채취하고, 채취 전, 후 필터의 무게 차이를 질량농도로 계산한다. 중량농도법은 오랜 시간 시료를 포집해야 하는 불편함과, 채취 중의 농도변화를 파악할 수 없는 한계를 지니고 있다.
위에서 언급한 표준법은 아니지만, 시료를 채취하지 않은 상태에서 직독할 수 있는 광산란법도 일반적으로 많이 사용되고 있다.
광산란법은 대기 중에 부유하고 있는 입자상 물질(PM)에 빛을 조사하면 입자에 의해 산란되게 되는데, 이때 물리적 성질이 동일한 입자상 물질의 빛을 조사하면 산란광의 양은 질량농도에 비례하게 된다는 원리를 이용하여 입자상 물질의 양을 측정하는 기술이다.
광산란을 이용하는 방법 중에는 세 개의 파장을 가지는 광원을 이용하여 산란입자량을 측정하는 네펠로미터법과 레이저와 같은 단일 파장이나 LED에서 발생하는 단일 파장에 가까운 광원을 이용하여 산란입자량을 측정하는 스펙트로미터법이 있다.
광산란법은 미세먼지로 인해 빛의 산란정도를 개수로 변환하고 계산되는 중량값을 이용하는 부분에 있어 외부 환경 변화에 따른 정확성이 감소하는 한계가 존재한다. 특히, 수분의 정확도를 감소시키는 외부환경 요인 중에서도 제일 큰 영향을 미친다.
최근들어, 공기에 포함된 수분의 정확도를 높여 미세먼지에 대한 정확한 농도를 측정하기 위한 연구가 진행 중에 있다.
본 발명의 목적은, 공기 중에 포함된 미세먼지의 양을 측정하기 용이한 공기질 측정 장치 및 시스템을 제공함에 있다.
또한, 본 발명의 목적은, 광산란 방식 및 방사선 방식을 적용하여 공기 중에 포함된 수분의 양 및 미세먼지의 양을 측정하고, 딥 러닝 방식에 따라 오차를 보정하여 정확한 미세먼지의 양을 측정하기 용이한 공기질 측정 장치 및 시스템을 제공함에 있다.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
본 발명에 따른 공기질 측정 장치는, 부유 미립자가 필터링된 공기에 광을 방출하여 산란된 산란광을 기반으로 제1 전류를 측정하는 광산란 측정부, 상기 공기에 알파선을 방출하여 전리된 제2 전류를 측정하는 알파선 전리측정부, 상기 공기에 베타선을 방출하여 전리된 제3 전류를 측정하는 베타선 전리측정부 및 기준챔버의 공기, 미세먼지 및 수분의 농도를 이용하여 산출하여 설정된 제1 내지 제3 비례상수 세트값을 기반으로, 상기 제1 내지 제3 전류에 대한 상기 미세먼지의 제1 농도 및 수분의 제2 농도를 결정하고, 상기 제1 및 제2 농도의 측정 오차를 머신러닝/딥러닝 연산하여 상기 미세먼지의 최종 농도를 결정하는 데이터 처리부를 포함할 수 있다.
상기 데이터 처리부는, 상기 제1 내지 제3 전류 및 상기 제1 내지 제3 비례상수 세트값을 저장하는 데이터 저장부, 상기 제1 내지 제3 전류 및 상기 제1 내지 제3 비례상수 세트값을 기반으로, 상기 제1 내지 제3 전류에 대한 상기 제1 및 제2 농도를 결정하는 농도 결정부 및 상기 제1 및 제2 농도의 측정 오차를 딥러닝 연산하여 상기 미세먼지의 최종 농도를 측정하는 농도 측정부를 포함할 수 있다.
상기 농도 결정부는, 상기 제1 내지 제3 전류를 아래의 다중 선형 회귀식을 이용하여 분석하여 상기 제1 및 제2 농도를 연산할 수 있다.
Figure 112018119712475-pat00001
,
Figure 112018119712475-pat00002
,
Figure 112018119712475-pat00003
여기서, IL은 제1 전류, Iα는 제2 전류, Iβ는 제3 전류, A는 공기의 농도값, P는 미세먼지의 제1 농도, W는 수분의 제2 농도, Ka1, Ka2, Ka3 각각은 광, 알파선, 베타선 방출시 공기 농도에 비례하여 설정된 전류의 크기를 나타낸 제1 비례상수 세트값, Kp1, Kp2, Kp3는 광, 알파선, 베타선 방출 시 공기 농도에 비례하여 설정된 전류의 크기를 나타낸 제2 비례상수 세트값, Kw1, kw2, Kw3는 광, 알파선, 베타선 방출 시 수분 농도에 비례하여 설정된 전류의 크기를 나타낸 제3 비례상수 세트값이다.
상기 농도 측정부는, 이전 입력된 미세먼지의 제1 이전 농도들 및 수분의 제2 이전 농도들을 기반으로 컨볼루션 신경망(Convolutional Neural Network, CNN)에 대하여 상기 미세먼지의 제1 예측농도 및 상기 수분의 제2 예측 농도를 출력하는 CNN 학습 처리부, 현재 시점 이전에 입력된 미세먼의 제1 이전 시점 농도들 및 수분의 제2 이전 시점 농도들을 설정된 tanh 함수에 적용하여 상기 현재 시점에서 상기 미세먼지의 제3 예측농도 및 상기 수분의 제4 예측 농도를 출력하는 LSTM 학습 처리부 및 상기 제1 내지 제4 예측농도과, 상기 제1 및 제2 농도를 비교하여 상기 측정 오차를 연산하고, 상기 측정 오차만큼 상기 제2 농도를 보정하여 상기 제1 농도가 최종적으로 보정된 상기 미세먼지의 최종 농도를 결정하는 오차보정부를 포함할 수 있다.
본 발명에 따른 공기질 측정 장치는, 상기 미세먼지의 최종 농도가 설정된 기준 농도보다 높으면 알림 메시지를 생성하는 메시지 생성부 및 상기 알림 메시지 생성 시, 상기 알림 메시지를 표시하는 표시부를 더 포함할 수 있다.
본 발명에 따른 공기질 측정 장치는, 상기 알림 메시지를 기 설정된 이동 단말기로 송신하는 통신부를 더 포함할 수 있다.
상기 통신부는, 상기 제1 및 제2 이전 농도들과, 상기 제1 및 제2 이전 시점 농도들을 인접한 다른 공기질 측정장치들 및 데이터 서버들로부터 수신할 수 있다.
본 발명에 따른 공기질 측정 시스템은, 측정 영역에서 미세먼지의 농도를 측정하는 공기질 측정 장치 및 복수의 다른 공기질 측정 장치 각각으로부터 송신된 농도 데이터들을 수신하고, 상기 공기질 측정 장치로 상기 농도 데이터들을 송신하는 데이터 베이스 서버를 포함하고, 상기 공기질 측정 장치는, 상기 농도 데이터들 중 상기 측정 영역에 인접한 제1 및 제2 측정 영역에 해당되는 제1 및 2 특정 농도 데이터를 추출하고, 상기 제1 및 제2 특정 농도 데이터 각각에 포함된 상기 미세먼지의 제1 및 제2 특정 농도와 상기 미세먼지의 농도 사이의 제1 및 제2 농도 차이값 중 적어도 하나가 설정된 기준 농도값 범위에 속하지 않으면, 상기 제1 및 제2 특정 농도 사이의 차이값과 상기 미세먼지의 농도에 대한 측정 오차를 기반으로 상기 미세먼지의 최종 농도를 결정할 수 있다.
상기 공기질 측정 장치는, 상기 측정 영역에서 부유 미립자가 필터링된 공기에 광을 방출하여 산란된 산란광을 기반으로 제1 전류를 측정하는 광산란 측정부, 상기 공기에 알파선을 방출하여 전리된 제2 전류를 측정하는 알파선 전리측정부, 상기 공기에 베타선을 방출하여 전리된 제3 전류를 측정하는 베타선 전리측정부 및 기준챔버 내의 공기, 미세먼지 및 수분의 농도를 산출하여 설정된 제1 내지 제3 비례상수 세트값을 기반으로, 상기 제1 내지 제3 전류에 대한 상기 미세먼지의 제1 농도 및 수분의 제2 농도를 결정하고, 상기 제1 및 제2 농도의 오차를 머신러닝/딥러닝 연산하여 상기 미세먼지의 농도에 대한 측정 오차를 결정하며, 상기 농도 데이터들 중 상기 제1 및 2 특정 농도 데이터를 추출하고, 상기 제1 및 제2 특정 농도 데이터 각각에 포함된 상기 미세먼지의 제1 및 제2 특정 농도와 상기 미세먼지의 농도 사이의 제1 및 제2 농도 차이값이 설정된 기준 농도값 범위에 속하지 않으면, 상기 제1 및 제2 특정 농도 사이의 차이값과 상기 측정 오차를 기반으로 상기 미세먼지의 최종 농도를 결정하는 데이터 처리부를 포함할 수 있다.
상기 데이터 처리부는, 상기 제1 내지 제3 전류 및 상기 제1 내지 제3 비례상수 세트값을 저장하는 데이터 저장부, 상기 제1 내지 제3 전류 및 상기 제1 내지 제3 비례상수 세트값을 기반으로, 상기 제1 내지 제3 전류에 대한 상기 제1 및 제2 농도를 결정하는 농도 결정부, 상기 제1 및 제2 농도의 오차를 딥러닝 연산하여 상기 측정 오차를 결정하는 오차 결정부, 상기 제1 및 2 특정 농도 데이터를 추출하고, 상기 제1 및 제2 농도 차이값이 상기 기준 농도값 범위에 속하는지 여부를 판단하는 농도 판단부 및 상기 제1 및 제2 농도 차이값이 상기 기준 농도값 범위에 속하지 않으면, 상기 제1 및 제2 특정 농도 사이의 차이값과 상기 측정 오차를 기반으로 상기 미세먼지의 최종 농도를 결정하는 농도 측정부를 포함할 수 있다.
상기 농도 결정부는, 상기 제1 내지 제3 전류를 아래의 다중 선형 회귀식을 이용하여 분석하여 상기 제1 및 제2 농도를 연산할 수 있다.
Figure 112018119712475-pat00004
Figure 112018119712475-pat00005
Figure 112018119712475-pat00006
여기서, IL은 제1 전류, Iα는 제2 전류, Iβ는 제3 전류, A는 공기의 농도값, P는 미세먼지의 제1 농도, W는 수분의 제2 농도, Ka1, Ka2, Ka3 각각은 광, 알파선, 베타선 방출시 공기 농도에 비례하여 설정된 전류의 크기를 나타낸 제1 비례상수 세트값, Kp1, Kp2, Kp3는 광, 알파선, 베타선 방출 시 공기 농도에 비례하여 설정된 전류의 크기를 나타낸 제2 비례상수 세트값, Kw1, kw2, Kw3는 광, 알파선, 베타선 방출 시 수분 농도에 비례하여 설정된 전류의 크기를 나타낸 제3 비례상수 세트값이다.
상기 오차 결정부는, 이전 입력된 미세먼지의 제1 이전 농도들 및 수분의 제2 이전 농도들을 기반으로 컨볼루션 신경망(Convolutional Neural Network, CNN)에 대하여 상기 미세먼지의 제1 예측농도 및 상기 수분의 제2 예측 농도를 출력하는 CNN 학습 처리부, 현재 시점 이전에 입력된 미세먼지의 제1 이전 시점 농도들 및 수분의 제2 이전 시점 농도들을 설정된 tanh 함수에 적용하여 상기 현재 시점에서 상기 미세먼지의 제3 예측농도 및 상기 수분의 제4 예측 농도를 출력하는 LSTM 학습 처리부 및 상기 제1 내지 제4 예측농도과, 상기 제1 및 제2 농도를 비교 연산하여 상기 측정 오차를 결정하는 결정부를 포함할 수 있다.
상기 농도 측정부는, 상기 제1 및 제2 농도 차이값이 상기 기준 농도값 범위에 속하지 않으면, 상기 제1 및 제2 특정 농도 사이의 차이값에 상기 측정 오차를 가감한 오차값을 연산하고, 상기 제1 및 제2 특정 농도의 평균 농도값에 상기 오차값을 가감하여 상기 미세먼지의 최종 농도를 결정할 수 있다.
상기 농도 측정부는, 상기 제1 및 제2 농도 차이값이 상기 기준 농도값 범위에 속하면, 상기 미세먼지의 농도에 상기 측정 오차를 가감하여 상기 미세먼지의 최종 농도를 결정할 수 있다.
상기 공기질 측정 장치는, 상기 미세먼지의 최종 농도가 설정된 기준 농도보다 높으면 알림 메시지를 생성하는 메시지 생성부 및 상기 알림 메시지 생성 시, 상기 알림 메시지를 표시하는 표시부를 더 포함할 수 있다.
상기 공기질 측정 장치는, 상기 알림 메시지를 기 설정된 이동 단말기로 송신하고, 상기 데이터베이스 서버로부터 송신된 상기 농도 데이터들을 수신하는 통신부를 더 포함할 수 있다.
본 발명에 따른 공기질 측정 장치 및 시스템은 공기로 광, 알파선 및 베타선을 방출하여 측정한 제1 내지 제3 전류를 머신러닝/딥러닝 연산하여 측정 오차가 보정된 미세먼지의 최종 농도를 측정할 수 있음으로써, 미세먼지의 농도를 정확하게 측정할 수 있는 이점이 있다.
상술한 효과와 더불어 본 발명의 구체적인 효과는 이하 발명을 실시하기 위한 구체적인 사항을 설명하면서 함께 기술한다.
도 1은 본 발명에 따른 공기질 측정 장치의 제어 구성을 나타낸 제어 블록도이다.
도 2는 도 1에 나타낸 광산란 측정부에 대한 일 예를 나타낸 도이다.
도 3은 도 1에 나타낸 알파선 및 베타선 전리측정부에 대한 일 예를 나타낸 도이다.
도 4는 본 발명에 따른 공기질 측정 장치의 동작 방법을 나타낸 순서도이다.
도 5는 본 발명에 따른 공기질 측정 시스템을 간략하게 나타낸 시스템도이다.
도 6은 도 5에 나타낸 공기질 측정 장치의 제어 구성을 나타낸 제어 블록도이다.
본 명세서 및 특허청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여, 본 발명의 기술적 사상에 부합되는 의미와 개념으로 해석되어야만 한다. 또한, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 하나의 실시예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
이하, 본 발명의 실시예에 따른 공기질 측정 장치에 관하여 도면을 참조하여 상세하게 설명하도록 한다.
도 1은 본 발명에 따른 공기질 측정 장치의 제어 구성을 나타낸 제어 블록도, 도 2는 도 1에 나타낸 광산란 측정부에 대한 일 예를 나타낸 도, 및 도 3은 도 1에 나타낸 알파선 및 베타선 전리측정부에 대한 일 예를 나타낸 도이다.
도 1 내지 도 3을 참조하면, 공기질 측정 장치(100)는 광산란 측정부(110), 알파선 전리측정부(120), 베타선 전리측정부(130) 및 데이터 처리부(140)를 포함할 수 있다.
광산란 측정부(110)는 광원에서 발생되는 광자선(이하, '광'으로 칭함)을 공기, 미세먼지, 수분 등에 의해 산란되어 수광부에 도달하는 산란광을 기반으로 제1 전류(IL)를 측정한다.
여기서, 도 2는 광산란 측정부(110)에서 공기, 미세먼지, 수분 등 산란광의 정도를 나타낸 도이며, 제1 전류(IL)의 크기는 부유물질의 농도에 비례할 수 있다.
알파선 전리측정부(120)는 알파선을 방출하는 알파선원을 이용할 수 있다. 또한, 베타선 전리측정부(130)는 베타선을 방출하는 베타선원을 이용할 수 있다.
여기서, 전리 방사선인 알파선 및 베타선이 공기 또는 물질에서 진행하는 평균거리를 비정(range)이라 하며, 상기 비정은 전리 방사선의 에너지와 투과하는 물질의 성질(원자량, 분자량, 밀도, 온도 등)에 따라 그 크기가 다를 수 있다.
또한, 상기 전리 방사선은 물질을 이온화시키는 전리작용(ionization)이 있는데, 알파선과 베타선은 그 에너지에 따라 전리 정도가 다르다. 또한 전리시키는 물질의 종류에 따라서도 그 정도가 다를 수 있다.
도 3은 알파선 전리측정부(120) 및 베타선 전리측정부(130)에서 공기, 미세먼지, 수분 등 산란광의 정도를 나타낸 도이며, 제2 및 제3 전류(Iα, Iβ)의 크기는 부유물질의 농도에 비례할 수 있다.
데이터 처리부(140)는 저장부(141), 농도 결정부(143), 농도 측정부(145), 메시지 생성부(147) 및 표시부(149)를 포함할 수 있다.
저장부(141)는 광산란 측정부(110)에서 측정된 제1 전류(IL), 알파선 전리 측정부(120)에서 측정된 제2 전류(Iα) 및 베타선 측정부(130)에서 측정된 제3 전류(Iβ)를 저장할 수 있다. 저장부(141)는 농도 결정부(143)에서 기준챔버 내의 공기, 미세먼지 및 수분의 농도를 산출하여 설정된 제1 내지 제3 비례상수 세트값(Q1 내지 Q3)를 저장할 수 있다.
농도 결정부(143)는 제1 내지 제3 전류(IL, Iα, Iβ)를 아래의 다중 선형 회귀식을 이용하여 제1 및 제2 농도를 결정할 수 있다.
여기서, 상기 제1 농도는 미세먼지의 농도이며, 상기 제2 농도는 수분의 농도일 수 있다. 이외에, 공기의 농도를 결정할 수 있다.
Figure 112018119712475-pat00007
Figure 112018119712475-pat00008
Figure 112018119712475-pat00009
여기서, IL은 제1 전류, Iα는 제2 전류, Iβ는 제3 전류, A는 공기의 농도값, P는 미세먼지의 제1 농도, W는 수분의 제2 농도, Ka1, Ka2, Ka3 각각은 광, 알파선, 베타선 방출시 공기 농도에 비례하여 설정된 전류의 크기를 나타낸 제1 비례상수 세트값(Q1), Kp1, Kp2, Kp3는 광, 알파선, 베타선 방출 시 공기 농도에 비례하여 설정된 전류의 크기를 나타낸 제2 비례상수 세트값(Q2), Kw1, kw2, Kw3는 광, 알파선, 베타선 방출 시 수분 농도에 비례하여 설정된 전류의 크기를 나타낸 제3 비례상수 세트값(Q3)이다.
공기, 미세먼지 그리고 수분의 농도를 각각 제어할 수 있는 기준 챔버(standard chamber)에서 각각의 농도에 따른 제1 내지 제3 비례상수 세트값(Q1 내지 Q3)의 평균값과 측정 오차를 농도 측정부(145)에서 딥러닝 연산을 통하여 연산할 수 있다.
농도 측정부(145)는 CNN 학습 처리부(152), LSTM 학습 처리부(154) 및 오차 보정부(156)를 포함할 수 있다.
CNN 학습 처리부(152)는 이전 입력된 미세먼지의 제1 이전 농도들 및 수분의 제2 이전 농도들을 컨볼루션 신경망(Convolutional Neural Network, CNN)에서 사용하는 예측 모형에서 사용 가능한 형태로 전처리한 후, 입력 데이터에서 발생된 결측값(Missing Value)를 임의의 값(실험 환경에서는 0)으로 대체하고 CNN 모형에서 처리할 수 있도록 행렬 형태로 분할한 후 각 행렬의 유사도에 따른 군집을 할당할 수 있다.
CNN 학습 처리부(152)는 전처리 과정에서 제공되는 행렬데이터와 군집결과를 이용하여 CNN 신경망을 학습할 수 있다. 이후, CNN 학습 처리부(152)는 시험 데이터를 입력받아 CNN 분류 값을 산출한다.
결과적으로, CNN 학습 처리부(152)는 상기 미세먼지의 제1 예측농도 및 상기 수분의 제2 예측 농도에 대한 CNN 분류 값을 출력할 수 있다.
LSTM 학습 처리부(154)는 현재 시점 이전에 입력된 미세먼의 제1 이전 시점 농도들 및 수분의 제2 이전 시점 농도들을 설정된 tanh 함수에 적용하여 상기 현재 시점에서 상기 미세먼지의 제3 예측농도 및 상기 수분의 제4 예측 농도를 출력할 수 있다.
LSTM 학습 처리부(154)는 LSTM 신경망에 현재 시점 이전에 입력된 미세먼의 제1 이전 시점 농도들 및 수분의 제2 이전 시점 농도들 입력받아 예측을 수행하고 실제 값과 비교를 통해 신경망의 가중치(weight)를 조정하는 학습을 수행하여, LSTM 예측값, 즉 상기 미세먼지의 제3 예측농도 및 상기 수분의 제4 예측 농도를 산출할 수 있다.
오차 보정부(156)는 상기 제1 내지 제4 예측농도과, 상기 제1 및 제2 농도를 비교하여 상기 측정 오차를 연산하고, 상기 측정 오차만큼 상기 제2 농도를 보정하여 상기 제1 농도가 최종적으로 보정된 상기 미세먼지의 최종 농도(mk)를 결정할 수 있다.
즉, 오차 보정부(156)는 상기 제1 내지 제4 예측농도과, 상기 제1 및 제2 농도를 활용하여 회귀분석을 수행하여 상술한 [수학식 1]의 다중선형회귀식을 산출할 수 있다.
오차 보정부(156)는 예측 모형의 성능을 비교하기 위해서 각각의 상기 제1 내지 제4 예측농도과, 상기 제1 및 제2 농도를 비교하여 측정 오차를 산출할 수 있다.
이후, 오차 보정부(156)는 상기 측정 오차만큼 상기 제2 농도를 보정하여 상기 제1 농도가 최종적으로 보정된 상기 미세먼지의 최종 농도(mk)를 결정할 수 있다.
또한, 오차 보정부(156)는 [수학식 1]에 나타낸 다중선형회귀식을 상기 측정 오차를 적용하여 교정할 수 있다.
메시지 생성부(147)는 농도 측정부(145)에서 측정된 상기 미세먼지의 최종 농도(mk)가 설정된 기준 농도보다 높으면 알림 메시지(mm)를 생성할 수 있다.
즉, 메시지 생성부(147)는 최종 농도(mk)가 상기 기준 농도보다 높으면 경고에 해당되는 알림 메시지(mm)를 생성하고, 최종 농도(mk)가 상기 기준 농도보다 낮으면 최종 농도(mm)를 출력할 수 있다.
표시부(149)는 메시지 생성부(147)에서 출력된 알림 메시지(mm) 및 최종 농도(mk) 중 적어도 하나를 표시할 수 있다.
본 발명에 따른 공기질 측정장치는 통신부(150)를 더 포함할 수 있다.
통신부(150)는 알림 메시지(mm) 및 최종 농도(mk) 중 적어도 하나를 설정된 이동 단말기, 다른 공기질 측정장치들 및 데이터 서버들로 송신할 수 있다. 통신부(150)는 상기 제1 및 제2 이전 농도들과, 상기 제1 및 제2 이전 시점 농도들을 인접한 다른 공기질 측정장치들 및 데이터 서버들로부터 수신할 수 있다.
도 4는 본 발명에 따른 공기질 측정 장치의 동작 방법을 나타낸 순서도이다.
도 4를 참조하면, 공기질 측정 장치(100)의 광산란 측정부(110)는 광원에서 발생되는 광자선(이하, '광'으로 칭함)을 공기, 미세먼지, 수분 등에 의해 산란되어 수광부에 도달하는 산란광을 기반으로 제1 전류(IL)를 측정할 수 있다(S210).
이후, 알파선 전리측정부(120)는 알파선을 방출하는 알파선원을 이용하여, 공기, 미세먼지, 수분 등 산란광의 정도에 대한 제2 전류(Iα)를 측정할 수 있다(S220).
베타선 전리측정부(130)는 베타선을 방출하는 베타선원을 이용하여, 공기, 미세먼지, 수분 등 산란광의 정도에 대한 제3 전류(Iβ)를 측정할 수 있다(S230).
데이터 처리부(140)는 광산란 측정부(110)에서 측정된 제1 전류(IL), 알파선 전리 측정부(120)에서 측정된 제2 전류(Iα) 및 베타선 측정부(130)에서 측정된 제3 전류(Iβ)를 저장할 수 있다(S240).
데이터 처리부(140)는 제1 내지 제3 전류(IL, Iα, Iβ) 및 기 설정된 제1 내지 제3 비례상수 세트값(Q1 내지 Q3)을 이용하여 제1 및 제2 농도를 결정할 수 있다(S250).
여기서, 상기 제1 농도는 미세먼지의 농도이며, 상기 제2 농도는 수분의 농도일 수 있다.
데이터 처리부(140)는 이전 입력된 미세먼지의 제1 이전 농도들 및 수분의 제2 이전 농도들을 컨볼루션 신경망(Convolutional Neural Network, CNN)에서 사용하는 예측 모형에서 사용 가능한 형태로 전처리한 후, 상기 미세먼지의 제1 예측농도 및 상기 수분의 제2 예측 농도에 대한 CNN 분류 값을 출력할 수 있다(S260).
데이터 처리부(140)는 현재 시점 이전에 입력된 미세먼의 제1 이전 시점 농도들 및 수분의 제2 이전 시점 농도들을 설정된 tanh 함수에 적용하여 상기 현재 시점에서 상기 미세먼지의 제3 예측농도 및 상기 수분의 제4 예측 농도를 출력할 수 있다(S270).
데이터 처리부(140)는 상기 제1 내지 제4 예측농도과, 상기 제1 및 제2 농도를 비교하여 상기 측정 오차를 연산하고, 상기 측정 오차만큼 상기 제2 농도를 보정하여 상기 제1 농도가 최종적으로 보정된 상기 미세먼지의 최종 농도(mk)를 결정할 수 있다(S280).
데이터 처리부(140)는 농도 측정부(145)에서 측정된 상기 미세먼지의 최종 농도(mk)가 설정된 기준 농도보다 높은지 판단하고(S290), 최종 농도(mk)가 설정된 기준 농도보다 높으면 알림 메시지(mm)를 생성할 수 있다(S300).
또한, 데이터 처리부(140)는 최종 농도(mk)가 상기 기준 농도보다 낮으면 최종 농도(mm)를 출력할 수 있다(S310).
데이터 처리부(140)는 알림 메시지(mm) 및 최종 농도(mk) 중 적어도 하나를 표시할 수 있다(S320).
데이터 처리부(140)는 알림 메시지(mm) 및 최종 농도(mk) 중 적어도 하나를 설정된 이동 단말기, 다른 공기질 측정장치들 및 데이터 서버들로 송신할 수 있다(S320).
도 5는 본 발명에 따른 공기질 측정 시스템을 간략하게 나타낸 시스템도, 및 도 6은 도 5에 나타낸 공기질 측정 장치의 제어 구성을 나타낸 제어 블록도이다.
도 5 및 도 6을 참조하면, 공기질 측정 시스템(400)은 공기질 측정 장치(500) 및 데이터 베이스 서버(600)를 포함할 수 있다.
공기질 측정 장치(500)는 광산란 측정부(510), 알파선 전리측정부(520), 베타선 전리측정부(530) 및 데이터 처리부(540)를 포함할 수 있다.
본 실시예에 따른 광산란 측정부(510), 알파선 전리측정부(520), 베타선 전리측정부(530) 및 데이터 처리부(540)의 기능은 도 1 내지 도 4의 광산란 측정부(110), 알파선 전리측정부(120), 베타선 전리측정부(130) 및 데이터 처리부(140)의 기능에 각각 대응될 수 있다. 이에, 중복되는 설명은 생략한다.
데이터 처리부(540)는 저장부(541), 농도 결정부(543), 오차 결정부(545), 농도 판단부(547) 및 농도 측정부(549)를 포함할 수 있다.
저장부(541)는 광산란 측정부(510)에서 측정된 제1 전류(IL), 알파선 전리 측정부(520)에서 측정된 제2 전류(Iα), 베타선 측정부(530)에서 측정된 제3 전류(Iβ), 그리고, 농도 결정부(543)에서 기준챔버 내의 공기, 미세먼지 및 수분의 농도를 산출하여 설정된 제1 내지 제3 비례상수 세트값(Q1 내지 Q3)를 저장할 수 있다.
저장부(541)는 데이터베이스 서버(600)로부터 복수의 다른 공기질 측정 장치 각각으로부터 송신된 농도 데이터들을 저장할 수 있다.
농도 결정부(543)는 제1 내지 제3 전류(IL, Iα, Iβ)를 위에 언급한 [수학식 1]에 따른 다중 선형 회귀식을 이용하여 제1 및 제2 농도를 결정할 수 있다.
오차 결정부(545)는 CNN 학습 처리부(552), LSTM 학습 처리부(554) 및 결정부(556)를 포함할 수 있다.
CNN 학습 처리부(552)는 이전 입력된 미세먼지의 제1 이전 농도들 및 수분의 제2 이전 농도들을 컨볼루션 신경망(Convolutional Neural Network, CNN)에서 사용하는 예측 모형에서 사용 가능한 형태로 전처리한 후, 입력 데이터에서 발생된 결측값(Missing Value)를 임의의 값(실험 환경에서는 0)으로 대체하고 CNN 모형에서 처리할 수 있도록 행렬 형태로 분할한 후 각 행렬의 유사도에 따른 군집을 할당할 수 있다.
CNN 학습 처리부(552)는 전처리 과정에서 제공되는 행렬데이터와 군집결과를 이용하여 CNN 신경망을 학습할 수 있다. 이후, CNN 학습 처리부(552)는 시험 데이터를 입력받아 CNN 분류 값을 산출한다.
결과적으로, CNN 학습 처리부(552)는 상기 미세먼지의 제1 예측농도 및 상기 수분의 제2 예측 농도에 대한 CNN 분류 값을 출력할 수 있다.
LSTM 학습 처리부(554)는 현재 시점 이전에 입력된 미세먼의 제1 이전 시점 농도들 및 수분의 제2 이전 시점 농도들을 설정된 tanh 함수에 적용하여 상기 현재 시점에서 상기 미세먼지의 제3 예측농도 및 상기 수분의 제4 예측 농도를 출력할 수 있다.
즉, LSTM 학습 처리부(554)는 LSTM 신경망에 현재 시점 이전에 입력된 미세먼의 제1 이전 시점 농도들 및 수분의 제2 이전 시점 농도들 입력받아 예측을 수행하고 실제 값과 비교를 통해 신경망의 가중치(weight)를 조정하는 학습을 수행하여, LSTM 예측값, 즉 상기 미세먼지의 제3 예측농도 및 상기 수분의 제4 예측 농도를 산출한다.
결정부(556)는 상기 제1 내지 제4 예측농도과, 상기 제1 및 제2 농도를 비교 연산하여 상기 측정 오차를 결정할 수 있다.
농도 판단부(547)는 데이터베이스 서버(600)로부터 수신한 상기 농도 데이터들 중 측정 영역에 인접한 제1 및 제2 측정 영역에 해당되는 제1 및 제2 특정 농도 데이터를 추출할 수 있다.
이후, 농도 판단부(547)는 상기 제1 및 제2 특정 농도 데이터 각각에 포함된 미세먼지의 제1 및 제2 특정 농도와 상기 미세먼지의 농도에 해당되는 상기 제1 농도 사이의 제1 및 제2 농도 차이값을 연산하고, 상기 제1 및 제2 농도 차이값이 설정된 기준 농도값 범위에 속하는지 판단할 수 있다.
농도 측정부(549)는 농도 판단부(547)의 판단 결과, 상기 제1 및 제2 농도 차이값이 상기 기준 농도값 범위에 속하는 것으로 판단하면, 상기 제1 농도에 상기 측정 오차를 가감하여 상기 미세먼지의 최종 농도(mk)를 결정할 수 있다.
또한, 농도 측정부(549)는 농도 판단부(547)의 판단 결과, 상기 제1 및 제2 농도 차이값이 상기 기준 농도값 범위에 속하지 않은 것으로 판단하면, 상기 제1 및 제2 특정 농도 사이의 차이값에 상기 측정 오차를 가감하여 오차값을 연산할 수 있다.
이후, 농도 측정부(549)는 상기 제1 및 제2 특정 농도의 평균 농도값에 상기 오차값을 가감하여 상기 미세먼지의 최종 농도(mk)를 결정할 수 있다.
또한, 공기질 측정 장치(500)는 메시지 생성부(560), 표시부(570) 및 통신부(580)을 더 포함할 수 있다.
메시지 생성부(560)는 농도 측정부(549)에서 측정된 상기 미세먼지의 최종 농도(mk)가 설정된 기준 농도보다 높으면 알림 메시지(mm)를 생성할 수 있다.
즉, 메시지 생성부(560)는 최종 농도(mk)가 상기 기준 농도보다 높으면 경고에 해당되는 알림 메시지(mm)를 생성하고, 최종 농도(mk)가 상기 기준 농도보다 낮으면 최종 농도(mm)를 출력할 수 있다.
표시부(570)는 메시지 생성부(560)에서 출력된 알림 메시지(mm) 및 최종 농도(mk) 중 적어도 하나를 표시할 수 있다.
통신부(580)는 알림 메시지(mm) 및 최종 농도(mk) 중 적어도 하나를 설정된 이동 단말기, 다른 공기질 측정장치들 및 데이터 서버들로 송신할 수 있다.
또한, 통신부(150)는 데이터베이스 서버(600)와 통신을 수행하여, 데이터베이스 서버(600)로부터 복수의 다른 공기질 측정 장치 각각으로부터 송신된 상기 농도 데이터들을 수신하여, 저장부(541)로 전달할 수 있다.
그리고, 통신부(580)는 최종 농도(mk)를 데이터 베이스 서버(600)로 송신할 수 있다.
데이터베이스 서버(600)는 공기질 측정 장치(500)로부터 최종 농도(mk)를 수신할 수 있으며, 복수의 다른 공기질 측정 장치 각각으로부터 송신된 농도 데이터들을 수신하며, 공기질 측정 장치(500)로 송신할 수 있다.
전술된 실시예는 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로 이해되어야 하며, 본 발명의 범위는 전술된 상세한 설명보다는 후술될 특허청구범위에 의해 나타내어질 것이다. 그리고 후술될 특허청구범위의 의미 및 범위는 물론, 그 등가개념으로부터 도출되는 모든 변경 및 변형 가능한 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
110: 광산란 측정부
120: 알파선 전리측정부
130: 베타선 전리측정부
140: 데이터 처리부

Claims (9)

  1. 측정 영역에서 미세먼지의 농도를 측정하는 공기질 측정 장치; 및
    복수의 다른 공기질 측정 장치 각각으로부터 송신된 농도 데이터들을 수신하고, 상기 공기질 측정 장치로 상기 농도 데이터들을 송신하는 데이터 베이스 서버를 포함하고,
    상기 공기질 측정 장치는,
    상기 측정 영역에서 부유 미립자가 필터링된 공기에 광을 방출하여 산란된 산란광을 기반으로 제1 전류를 측정하는 광산란 측정부;
    상기 공기에 알파선을 방출하여 전리된 제2 전류를 측정하는 알파선 전리측정부;
    상기 공기에 베타선을 방출하여 전리된 제3 전류를 측정하는 베타선 전리측정부; 및
    기준챔버 내의 공기, 미세먼지 및 수분의 농도를 산출하여 설정된 제1 내지 제3 비례상수 세트값을 기반으로, 상기 제1 내지 제3 전류에 대한 상기 미세먼지의 제1 농도 및 수분의 제2 농도를 결정하고, 상기 제1 및 제2 농도의 오차를 딥러닝 연산하여 상기 미세먼지의 농도에 대한 측정 오차를 결정하며, 상기 농도 데이터들 중 상기 제1 및 2 특정 농도 데이터를 추출하고, 상기 제1 및 제2 특정 농도 데이터 각각에 포함된 상기 미세먼지의 제1 및 제2 특정 농도와 상기 미세먼지의 농도 사이의 제1 및 제2 농도 차이값이 설정된 기준 농도값 범위에 속하지 않으면, 상기 제1 및 제2 특정 농도 사이의 차이값과 상기 측정 오차를 기반으로 상기 미세먼지의 최종 농도를 결정하는 데이터 처리부를 포함하는, 공기질 측정 시스템.
  2. 삭제
  3. 제 1 항에 있어서,
    상기 데이터 처리부는,
    상기 제1 내지 제3 전류 및 상기 제1 내지 제3 비례상수 세트값을 저장하는 데이터 저장부;
    상기 제1 내지 제3 전류 및 상기 제1 내지 제3 비례상수 세트값을 기반으로, 상기 제1 내지 제3 전류에 대한 상기 제1 및 제2 농도를 결정하는 농도 결정부;
    상기 제1 및 제2 농도의 오차를 딥러닝 연산하여 상기 측정 오차를 결정하는 오차 결정부;
    상기 제1 및 2 특정 농도 데이터를 추출하고, 상기 제1 및 제2 농도 차이값이 상기 기준 농도값 범위에 속하는지 여부를 판단하는 농도 판단부; 및
    상기 제1 및 제2 농도 차이값이 상기 기준 농도값 범위에 속하지 않으면, 상기 제1 및 제2 특정 농도 사이의 차이값과 상기 측정 오차를 기반으로 상기 미세먼지의 최종 농도를 결정하는 농도 측정부를 포함하는, 공기질 측정 시스템.
  4. 제 3 항에 있어서,
    상기 농도 결정부는, 상기 제1 내지 제3 전류를 아래의 다중 선형 회귀식을 이용하여 분석하여 상기 제1 및 제2 농도를 연산하는, 공기질 측정 시스템;
    Figure 112020034176535-pat00010

    Figure 112020034176535-pat00011

    Figure 112020034176535-pat00012

    여기서, IL은 제1 전류, Iα는 제2 전류, Iβ는 제3 전류, A는 공기의 농도값, P는 미세먼지의 제1 농도, W는 수분의 제2 농도, Ka1, Ka2, Ka3 각각은 광, 알파선, 베타선 방출시 공기 농도에 비례하여 설정된 전류의 크기를 나타낸 제1 비례상수 세트값, Kp1, Kp2, Kp3는 광, 알파선, 베타선 방출 시 공기 농도에 비례하여 설정된 전류의 크기를 나타낸 제2 비례상수 세트값, Kw1, kw2, Kw3는 광, 알파선, 베타선 방출 시 수분 농도에 비례하여 설정된 전류의 크기를 나타낸 제3 비례상수 세트값이다.
  5. 제 3 항에 있어서,
    상기 오차 결정부는,
    이전 입력된 미세먼지의 제1 이전 농도들 및 수분의 제2 이전 농도들을 기반으로 컨볼루션 신경망(Convolutional Neural Network, CNN)에 대하여 상기 미세먼지의 제1 예측농도 및 상기 수분의 제2 예측 농도를 출력하는 CNN 학습 처리부;
    현재 시점 이전에 입력된 미세먼지의 제1 이전 시점 농도들 및 수분의 제2 이전 시점 농도들을 설정된 tanh 함수에 적용하여 상기 현재 시점에서 상기 미세먼지의 제3 예측농도 및 상기 수분의 제4 예측 농도를 출력하는 LSTM 학습 처리부; 및
    상기 제1 내지 제4 예측농도과, 상기 제1 및 제2 농도를 비교 연산하여 상기 측정 오차를 결정하는 결정부를 포함하는, 공기질 측정 시스템.
  6. 제 3 항에 있어서,
    상기 농도 측정부는, 상기 제1 및 제2 농도 차이값이 상기 기준 농도값 범위에 속하지 않으면, 상기 제1 및 제2 특정 농도 사이의 차이값에 상기 측정 오차를 가감한 오차값을 연산하고, 상기 제1 및 제2 특정 농도의 평균 농도값에 상기 오차값을 가감하여 상기 미세먼지의 최종 농도를 결정하는, 공기질 측정 시스템.
  7. 제 3 항에 있어서,
    상기 농도 측정부는, 상기 제1 및 제2 농도 차이값이 상기 기준 농도값 범위에 속하면, 상기 미세먼지의 농도에 상기 측정 오차를 가감하여 상기 미세먼지의 최종 농도를 결정하고,
    상기 공기질 측정 장치는,
    상기 미세먼지의 최종 농도가 설정된 기준 농도보다 높으면 알림 메시지를 생성하는 메시지 생성부;
    상기 알림 메시지 생성 시, 상기 알림 메시지를 표시하는 표시부; 및
    상기 알림 메시지를 기 설정된 이동 단말기로 송신하고, 상기 데이터베이스 서버로부터 송신된 상기 농도 데이터들을 수신하는 통신부를 더 포함하는, 공기질 측정 시스템.
  8. 부유 미립자가 필터링된 공기에 광을 방출하여 산란된 산란광을 기반으로 제1 전류를 측정하는 광산란 측정부;
    상기 공기에 알파선을 방출하여 전리된 제2 전류를 측정하는 알파선 전리측정부;
    상기 공기에 베타선을 방출하여 전리된 제3 전류를 측정하는 베타선 전리측정부; 및
    기준챔버 내의 공기, 미세먼지 및 수분의 농도를 산출하여 설정된 제1 내지 제3 비례상수 세트값을 기반으로, 상기 제1 내지 제3 전류에 대한 상기 미세먼지의 제1 농도 및 수분의 제2 농도를 결정하고, 상기 제1 및 제2 농도의 측정 오차를 딥러닝 연산하여 상기 미세먼지의 최종 농도를 결정하는 데이터 처리부를 포함하고,
    상기 데이터 처리부는,
    상기 제1 내지 제3 전류 및 상기 제1 내지 제3 비례상수 세트값을 저장하는 데이터 저장부;
    상기 제1 내지 제3 전류 및 상기 제1 내지 제3 비례상수 세트값을 기반으로, 상기 제1 내지 제3 전류에 대한 상기 제1 및 제2 농도를 결정하는 농도 결정부; 및
    상기 제1 및 제2 농도의 측정 오차를 딥러닝 연산하여 상기 미세먼지의 최종 농도를 측정하는 농도 측정부를 포함하고,
    상기 농도 결정부는, 상기 제1 내지 제3 전류를 아래의 다중 선형 회귀식을 이용하여 분석하여 상기 제1 및 제2 농도를 연산하는, 공기질 측정 장치;
    Figure 112020034176535-pat00013

    Figure 112020034176535-pat00014

    Figure 112020034176535-pat00015

    여기서, IL은 제1 전류, Iα는 제2 전류, Iβ는 제3 전류, A는 공기의 농도값, P는 미세먼지의 제1 농도, W는 수분의 제2 농도, Ka1, Ka2, Ka3 각각은 광, 알파선, 베타선 방출시 공기 농도에 비례하여 설정된 전류의 크기를 나타낸 제1 비례상수 세트값, Kp1, Kp2, Kp3는 광, 알파선, 베타선 방출 시 공기 농도에 비례하여 설정된 전류의 크기를 나타낸 제2 비례상수 세트값, Kw1, kw2, Kw3는 광, 알파선, 베타선 방출 시 수분 농도에 비례하여 설정된 전류의 크기를 나타낸 제3 비례상수 세트값이다.
  9. 제 8 항에 있어서,
    상기 농도 측정부는,
    이전 입력된 미세먼지의 제1 이전 농도들 및 수분의 제2 이전 농도들을 기반으로 컨볼루션 신경망(Convolutional Neural Network, CNN)에 대하여 상기 미세먼지의 제1 예측농도 및 상기 수분의 제2 예측 농도를 출력하는 CNN 학습 처리부;
    현재 시점 이전에 입력된 미세먼지의 제1 이전 시점 농도들 및 수분의 제2 이전 시점 농도들을 설정된 tanh 함수에 적용하여 상기 현재 시점에서 상기 미세먼지의 제3 예측농도 및 상기 수분의 제4 예측 농도를 출력하는 LSTM 학습 처리부; 및
    상기 제1 내지 제4 예측농도과, 상기 제1 및 제2 농도를 비교하여 상기 측정 오차를 연산하고, 상기 측정 오차만큼 상기 제2 농도를 보정하여 상기 제1 농도가 최종적으로 보정된 상기 미세먼지의 최종 농도를 결정하는 오차보정부를 포함하는, 공기질 측정 장치.
KR1020180151260A 2018-11-29 2018-11-29 공기질 측정 장치 및 시스템 KR102148812B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180151260A KR102148812B1 (ko) 2018-11-29 2018-11-29 공기질 측정 장치 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180151260A KR102148812B1 (ko) 2018-11-29 2018-11-29 공기질 측정 장치 및 시스템

Publications (2)

Publication Number Publication Date
KR20200071796A KR20200071796A (ko) 2020-06-22
KR102148812B1 true KR102148812B1 (ko) 2020-08-28

Family

ID=71142396

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180151260A KR102148812B1 (ko) 2018-11-29 2018-11-29 공기질 측정 장치 및 시스템

Country Status (1)

Country Link
KR (1) KR102148812B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102229385B1 (ko) * 2021-01-13 2021-03-18 주식회사 필라스크리에이션 펠티어 소자 방식 제습을 통한 습도 보정 기능을 구비하는 미세먼지 자동 측정 장치 및 이를 이용한 미세먼지 측정 방법
WO2021242027A1 (ko) * 2020-05-27 2021-12-02 주식회사 아림사이언스 공기질 측정 장치 및 시스템
KR20230014995A (ko) * 2021-07-22 2023-01-31 주식회사 공감센서 광산란 초미세먼지 측정기를 위한 초미세먼지 측정값 교정 방법 및 시스템

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102407112B1 (ko) * 2020-06-30 2022-06-10 울산과학기술원 딥러닝 기반 모델링을 통한 미량오염물질 정밀검출 장치 및 방법
KR102446490B1 (ko) * 2020-11-03 2022-09-23 건국대학교 산학협력단 미세 먼지 수준 추정 방법 및 장치
KR102393536B1 (ko) * 2020-12-07 2022-05-03 주식회사 아림사이언스 자동 교정 알고리즘이 내장된 공기질 측정 장치 및 시스템
KR102477455B1 (ko) * 2020-12-30 2022-12-14 주식회사 바티에 딥러닝 기반 고정밀 라돈 모니터링 시스템 및 그 방법
KR102501937B1 (ko) * 2021-03-12 2023-02-21 한국과학기술원 미세 먼지 농도 모니터링 방법 및 그 장치

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101168948B1 (ko) 2010-10-22 2012-08-02 주식회사 에이피엠엔지니어링 미세 먼지 및 초미세 먼지의 채취 및 측정 시스템
KR101606561B1 (ko) 2014-12-15 2016-03-25 주식회사 그린솔루스 먼지입자측정방법 및 먼지입자측정장치
KR101741630B1 (ko) 2016-02-12 2017-05-31 동국대학교 산학협력단 미세먼지 측정 데이터 유효성 판단 장치 및 방법

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101202783B1 (ko) * 2010-05-03 2012-11-19 건국대학교 산학협력단 미세입자 측정 데이터 보정 시스템
KR20160080382A (ko) * 2014-12-29 2016-07-08 주식회사 그린솔루스 먼지측정장치
KR20160106908A (ko) * 2015-03-03 2016-09-13 쌍신전자통신주식회사 먼지 센서의 출력 보정 방법
KR20160121151A (ko) * 2015-04-10 2016-10-19 한양대학교 에리카산학협력단 수정진동자저울을 이용한 미세먼지 측정시스템
KR101865072B1 (ko) * 2016-10-17 2018-06-07 주식회사에스에이티 미세먼지농도 측정, 보정 및 예측을 통한 미세먼지정보 구축장치 및 그 방법
KR20180030961A (ko) * 2016-11-25 2018-03-27 천예준 미세먼지 측정방법
KR101921125B1 (ko) * 2016-12-08 2018-11-22 에스케이플래닛 주식회사 미세먼지 센서를 이용한 기상 정보 관리 장치, 그 방법 및 컴퓨터 프로그램이 기록된 기록매체

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101168948B1 (ko) 2010-10-22 2012-08-02 주식회사 에이피엠엔지니어링 미세 먼지 및 초미세 먼지의 채취 및 측정 시스템
KR101606561B1 (ko) 2014-12-15 2016-03-25 주식회사 그린솔루스 먼지입자측정방법 및 먼지입자측정장치
KR101741630B1 (ko) 2016-02-12 2017-05-31 동국대학교 산학협력단 미세먼지 측정 데이터 유효성 판단 장치 및 방법

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021242027A1 (ko) * 2020-05-27 2021-12-02 주식회사 아림사이언스 공기질 측정 장치 및 시스템
KR102229385B1 (ko) * 2021-01-13 2021-03-18 주식회사 필라스크리에이션 펠티어 소자 방식 제습을 통한 습도 보정 기능을 구비하는 미세먼지 자동 측정 장치 및 이를 이용한 미세먼지 측정 방법
KR20230014995A (ko) * 2021-07-22 2023-01-31 주식회사 공감센서 광산란 초미세먼지 측정기를 위한 초미세먼지 측정값 교정 방법 및 시스템
KR102500555B1 (ko) * 2021-07-22 2023-02-17 주식회사 공감센서 광산란 초미세먼지 측정기를 위한 초미세먼지 측정값 교정 방법 및 시스템

Also Published As

Publication number Publication date
KR20200071796A (ko) 2020-06-22

Similar Documents

Publication Publication Date Title
KR102148812B1 (ko) 공기질 측정 장치 및 시스템
Rosenberg et al. Particle sizing calibration with refractive index correction for light scattering optical particle counters and impacts upon PCASP and CDP data collected during the Fennec campaign
Walser et al. On the parametrization of optical particle counter response including instrument-induced broadening of size spectra and a self-consistent evaluation of calibration measurements
EP2440917B1 (en) Method for determining weights of eggs
Wang-Li et al. Techniques for measuring particle size distribution of particulate matter emitted from animal feeding operations
KR20080077078A (ko) 방사선을 이용하여 액체형태물품에 대한 보안검사를수행하는 방법 및 장치
CN113063897B (zh) 空气污染物溯源方法及装置
Frazão et al. High-resolution imaging of nuclear waste containers with muon scattering tomography
KR102393536B1 (ko) 자동 교정 알고리즘이 내장된 공기질 측정 장치 및 시스템
KR20170116805A (ko) 다중 각도에서 태양광 관측기반의 대기 분자의 라만 산란특성을 이용한 에어로솔 고도 산출방법
KR20210146593A (ko) 공기질 측정 장치 및 시스템
JP6467572B2 (ja) レーザによる放射線測定方法及びその装置
Saputra et al. Digital pulse analyzer for simultaneous measurement of pulse height, pulse width, and interval time on an optical particle counter
Nagy et al. Numerical and experimental study of the performance of the dual wavelength optical particle spectrometer (DWOPS)
KR102249120B1 (ko) 피검자의 체내·외 방사능 오염 분석 프로그램 및 분석 시스템
CN107389518A (zh) 一种空气质量检测方法及系统
JP5505463B2 (ja) 降下煤塵の非定常発塵源の探索方法
CN1469111A (zh) 采用散射光直方图快速辨别颗粒的方法及设备
CN116934837B (zh) 物体检测处理方法、装置、系统、电子设备及存储介质
EP4339602A1 (en) Method of performing machine learning of a small angle x-ray scattering measurement data analysis model
CN111175203B (zh) 一种用于超低粉尘在线监测的检测系统
KR20230152526A (ko) 센서 교정 장치, 센서 교정 공기질 측정 장치, 및 그 교정 방법
WO2022264612A1 (ja) 分布算出装置、方法およびプログラム
JP4079374B2 (ja) 特定粒径をもつ浮遊粒子の個数濃度の評価方法
Gan’shin et al. Volcanic ash over the Russian Federation territory after the volcanic eruption in Iceland on April 14, 2010 from the data of model simulations and observations

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right