KR102300835B1 - System and method of monitoring by analyzing IoT data - Google Patents

System and method of monitoring by analyzing IoT data Download PDF

Info

Publication number
KR102300835B1
KR102300835B1 KR1020190160713A KR20190160713A KR102300835B1 KR 102300835 B1 KR102300835 B1 KR 102300835B1 KR 1020190160713 A KR1020190160713 A KR 1020190160713A KR 20190160713 A KR20190160713 A KR 20190160713A KR 102300835 B1 KR102300835 B1 KR 102300835B1
Authority
KR
South Korea
Prior art keywords
dimensional
data
monitoring
normal data
dimensional normal
Prior art date
Application number
KR1020190160713A
Other languages
Korean (ko)
Other versions
KR20210070671A (en
Inventor
김민상
류홍규
Original Assignee
(주)심플랫폼
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 (주)심플랫폼 filed Critical (주)심플랫폼
Priority to KR1020190160713A priority Critical patent/KR102300835B1/en
Publication of KR20210070671A publication Critical patent/KR20210070671A/en
Application granted granted Critical
Publication of KR102300835B1 publication Critical patent/KR102300835B1/en

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00Error detection; Error correction; Monitoring
    • G06F11/30Monitoring
    • G06F11/3003Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3006Monitoring 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/18Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04LTRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00Network arrangements or protocols for supporting network services or applications
    • H04L67/01Protocols
    • H04L67/12Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Automation & Control Theory (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명은 IoT 데이터 분석에 관한 것이다. IoT 데이터 분석을 통한 모니터링 방법은, 정상 상태 동안 획득된 N개의 특징을 갖는 N차원 정상 데이터 셋을 생성하는 단계, 상기 N차원 정상 데이터 셋을 이용하여 1개의 N차원 정상 데이터 분포 및 N개의 (N-1)차원 정상 데이터 분포를 생성하는 단계, 상기 정상 상태 이후에 획득된 N개의 특징을 갖는 N차원 모니터링 데이터를 생성하는 단계 및 상기 N차원 정상 데이터 분포를 이용하여 상기 N차원 모니터링 데이터가 이상점인지 판정하고, 상기 N개의 (N-1)차원 정상 데이터 분포를 이용하여 상기 이상점을 유발한 특징을 상기 N차원 모니터링 데이터에서 검출하는 단계를 포함할 수 있다.The present invention relates to IoT data analysis. A monitoring method through IoT data analysis includes the steps of generating an N-dimensional normal data set having N features acquired during a steady state, and using the N-dimensional normal data set, one N-dimensional normal data distribution and N (N -1) generating a dimensional normal data distribution, generating N-dimensional monitoring data having N features obtained after the steady state, and using the N-dimensional normal data distribution, the N-dimensional monitoring data is an outlier determining whether it is, and detecting the feature causing the outlier from the N-dimensional monitoring data using the distribution of the N (N-1)-dimensional normal data.

Description

IoT 데이터 분석을 통한 모니터링 시스템 및 방법{System and method of monitoring by analyzing IoT data}{System and method of monitoring by analyzing IoT data}

본 발명은 IoT 데이터 분석에 관한 것이다.The present invention relates to IoT data analysis.

IoT 센서는 모니터링 대상의 상태를 측정하기 위해 사용된다. 하나의 모니터링 대상에 설치된 복수의 IoT 센서가 생성하는 센싱 데이터는, 종류도 다양할 뿐 아니라, 일정한 주기로 생성되기 때문에, 빅데이터 처리가 요구되고 있다. 대부분의 사용자는, 모니터링 대상의 상태에 어떤 이상이 발생하였는지를 알고 싶으며, 이상 상태가 파악되면 이를 즉시 조치하고자 한다.IoT sensors are used to measure the status of the monitored object. Sensing data generated by a plurality of IoT sensors installed in one monitoring target is not only of various types, but also generated at regular intervals, so big data processing is required. Most users want to know what kind of abnormality has occurred in the state of the monitoring target, and when the abnormal state is identified, they want to take immediate action.

한국 등록특허공보 제10-1976585호Korean Patent Publication No. 10-1976585

본 발명은 모니터링 대상의 상태를 용이하게 파악할 수 있는 모니터링 시스템 및 방법을 제공하고자 한다.An object of the present invention is to provide a monitoring system and method that can easily determine the status of a monitoring target.

본 발명의 일측면에 따르면, IoT 데이터 분석을 통한 모니터링 방법이 제공된다. IoT 데이터 분석을 통한 모니터링 방법은, 정상 상태 동안 획득된 N개의 특징을 갖는 N차원 정상 데이터 셋을 생성하는 단계, 상기 N차원 정상 데이터 셋을 이용하여 1개의 N차원 정상 데이터 분포 및 N개의 (N-1)차원 정상 데이터 분포를 생성하는 단계, 상기 정상 상태 이후에 획득된 N개의 특징을 갖는 N차원 모니터링 데이터를 생성하는 단계 및 상기 N차원 정상 데이터 분포를 이용하여 상기 N차원 모니터링 데이터가 이상점인지 판정하고, 상기 N개의 (N-1)차원 정상 데이터 분포를 이용하여 상기 이상점을 유발한 특징을 상기 N차원 모니터링 데이터에서 검출하는 단계를 포함할 수 있다. According to one aspect of the present invention, there is provided a monitoring method through IoT data analysis. A monitoring method through IoT data analysis includes the steps of generating an N-dimensional normal data set having N features acquired during a steady state, and using the N-dimensional normal data set, one N-dimensional normal data distribution and N (N -1) generating a dimensional normal data distribution, generating N-dimensional monitoring data having N features obtained after the steady state, and using the N-dimensional normal data distribution, the N-dimensional monitoring data is an outlier determining whether it is, and detecting the feature causing the outlier from the N-dimensional monitoring data using the distribution of the N (N-1)-dimensional normal data.

일 실시예로, 상기 N차원 정상 데이터 분포는, 상기 N차원 정상 데이터 셋에 GMM(Gaussian Mixture Model)을 적용하여 생성할 수 있다.As an embodiment, the N-dimensional normal data distribution may be generated by applying a Gaussian Mixture Model (GMM) to the N-dimensional normal data set.

일 실시예로, 상기 N개의 (N-1)차원 정상 데이터 분포는, 상기 N차원 정상 데이터 셋에서 n번째 특징(1≤n≤N)을 제거하여 N개의 (N-1)차원 정상 데이터 셋을 생성하며, 상기 N개의 (N-1)차원 정상 데이터 셋에 GMM(Gaussian Mixture Model)을 적용하여 생성할 수 있다.In one embodiment, the N (N-1)-dimensional normal data distribution is obtained by removing the n-th feature (1≤n≤N) from the N-dimensional normal data set to obtain N (N-1)-dimensional normal data sets. , and may be generated by applying a Gaussian Mixture Model (GMM) to the N (N-1)-dimensional normal data sets.

일 실시예로, 상기 정상 상태 동안 획득된 N개의 특징을 갖는 N차원 정상 데이터 셋을 생성하는 단계는, 상기 정상 상태 구간 동안에, 모니터링 대상에 설치된 IoT 센서로부터 k개의 제1 센싱 데이터를 수신하는 단계 및 상기 k개의 제1 센싱 데이터 각각에 연관된 N개의 특징으로 N차원 정상 데이터 셋을 생성하는 단계를 포함할 수 있다.In one embodiment, the generating of the N-dimensional normal data set having the N features acquired during the normal state includes: receiving k pieces of first sensing data from an IoT sensor installed in a monitoring target during the steady state period and generating an N-dimensional normal data set with N features associated with each of the k pieces of first sensing data.

일 실시예로, 상기 정상 상태 이후에 획득된 N개의 특징을 갖는 N차원 모니터링 데이터를 생성하는 단계는, 상기 정상 상태 이후에, 상기 IoT 센서로부터 k개의 제2 센싱 데이터를 수신하는 단계 및 상기 k개의 제2 센싱 데이터 각각에 연관된 N개의 특징으로 N차원 모니터링 데이터를 생성하는 단계를 포함할 수 있다.In one embodiment, the generating of N-dimensional monitoring data having N features obtained after the normal state includes: receiving k pieces of second sensing data from the IoT sensor after the normal state; The method may include generating N-dimensional monitoring data with N features associated with each of the pieces of second sensing data.

일 실시예로, 상기 N차원 정상 데이터 분포를 이용하여 상기 N차원 모니터링 데이터가 이상점인지 판정하고, 상기 N개의 (N-1)차원 정상 데이터 분포를 이용하여 상기 이상점을 유발한 특징을 상기 N차원 모니터링 데이터에서 검출하는 단계는, 상기 N차원 모니터링 데이터가 상기 N차원 정상 데이터 분포에 포함되는지 판정하는 단계, 상기 N차원 정상 데이터 분포에 포함되지 않으면, 상기 N차원 모니터링 데이터에서, n번째 특징(1≤n≤N)을 제거하여 N개의 (N-1)차원 모니터링 특징을 생성하는 단계 및 상기 N개의 (N-1)차원 모니터링 특징이 상기 N개의 (N-1)차원 정상 데이터 분포 각각에 포함되는지 판정하는 단계를 포함할 수 있다.In one embodiment, it is determined whether the N-dimensional monitoring data is an outlier using the N-dimensional normal data distribution, and the characteristic that caused the outlier using the N (N-1)-dimensional normal data distribution is described above. The detecting in the N-dimensional monitoring data includes determining whether the N-dimensional monitoring data is included in the N-dimensional normal data distribution, and if not included in the N-dimensional normal data distribution, in the N-dimensional monitoring data, an nth feature generating N (N-1)-dimensional monitoring features by removing (1≤n≤N), and the N (N-1)-dimensional monitoring features are each of the N (N-1)-dimensional normal data distributions It may include the step of determining whether it is included in the.

일 실시예로, 상기 특징은, 상기 제1 센싱 데이터 또는 상기 제2 센싱 데이터의 절대값, 기울기, 고속 퓨리에 변환값 중 어느 하나일 수 있다.In an embodiment, the characteristic may be any one of an absolute value, a slope, and a fast Fourier transform value of the first sensed data or the second sensed data.

본 발명의 다른 측면에 따르면, IoT 데이터 분석을 통한 모니터링 시스템이 제공된다. IoT 데이터 분석을 통한 모니터링 시스템은, 정상 상태 구간 동안에, 모니터링 대상에 설치된 IoT 센서로부터 k개의 제1 센싱 데이터를 수집하며, 상기 정상 상태 구간 이후에 k개의 제2 센싱 데이터를 수집하는 센싱 데이터 수집부, 상기 제1 센싱 데이터 및 상기 제2 센싱 데이터로부터 N개의 특징을 획득하여 N차원 정상 데이터 셋 및 N차원 모니터링 데이터를 생성하는 특징 획득부, 상기 N차원 정상 데이터 셋을 이용하여 1개의 N차원 정상 데이터 분포 및 N개의 (N-1)차원 정상 데이터 분포를 생성하는 정상상태 모델 생성부, 및 상기 N차원 정상 데이터 분포 및 상기 N개의 (N-1)차원 정상 데이터 분포를 이용하여 N차원 모니터링 데이터가 이상점인지를 판정하는 상기 모니터링부를 포함할 수 있다.According to another aspect of the present invention, a monitoring system through IoT data analysis is provided. The monitoring system through IoT data analysis collects k pieces of first sensed data from the IoT sensors installed in the monitoring target during a steady state section, and a sensing data collection unit that collects k pieces of second sensed data after the steady state section , a feature acquisition unit that acquires N features from the first sensing data and the second sensing data to generate an N-dimensional normal data set and N-dimensional monitoring data, and one N-dimensional normal using the N-dimensional normal data set A steady-state model generator for generating a data distribution and N (N-1)-dimensional normal data distributions, and N-dimensional monitoring data using the N-dimensional normal data distribution and the N (N-1)-dimensional normal data distributions The monitoring unit for determining whether is an outlier may be included.

일 실시예로, 상기 정상상태 모델 생성부는, 상기 N차원 정상 데이터 셋에 GMM(Gaussian Mixture Model)을 적용하여 상기 N차원 정상 데이터 분포를 생성하고, 상기 N차원 정상 데이터 셋에서 n번째 특징(1≤n≤N)을 제거하여 N개의 (N-1)차원 정상 데이터 셋을 생성하며, 상기 N개의 (N-1)차원 정상 데이터 셋에 GMM을 적용하여 상기 N개의 (N-1)차원 정상 데이터 분포를 생성할 수 있다.In an embodiment, the steady-state model generating unit generates the N-dimensional normal data distribution by applying a Gaussian Mixture Model (GMM) to the N-dimensional normal data set, and the n-th feature (1) in the N-dimensional normal data set. ≤n≤N) is removed to generate N (N-1)-dimensional stationary data sets, and GMM is applied to the N (N-1)-dimensional stationary data sets to generate the N (N-1)-dimensional stationary data sets. You can create a data distribution.

일 실시예로, 상기 모니터링부는, 상기 N차원 모니터링 데이터가 상기 N차원 정상 데이터 분포에 포함되는지 판정하고, 상기 N차원 정상 데이터 분포에 포함되지 않으면, 상기 N차원 모니터링 데이터에서, n번째 특징(1≤n≤N)을 제거하여 N개의 (N-1)차원 모니터링 특징을 생성하며, 상기 N개의 (N-1)차원 모니터링 특징이 상기 N개의 (N-1)차원 정상 데이터 분포 각각에 포함되는지 판정할 수 있다.In one embodiment, the monitoring unit determines whether the N-dimensional monitoring data is included in the N-dimensional normal data distribution, and if not included in the N-dimensional normal data distribution, in the N-dimensional monitoring data, an nth feature (1 ≤n≤N) is removed to generate N (N-1)-dimensional monitoring features, and whether the N (N-1)-dimensional monitoring features are included in each of the N (N-1)-dimensional normal data distributions. can be judged.

본 발명에 따르면, 모니터링 대상의 상태를 용이하게 파악할 수 있게 된다. According to the present invention, it is possible to easily grasp the state of the monitoring target.

이하에서, 본 발명은 첨부된 도면에 도시된 실시예를 참조하여 설명된다. 이해를 돕기 위해, 첨부된 전체 도면에 걸쳐, 동일한 구성 요소에는 동일한 도면 부호가 할당되었다. 첨부된 도면에 도시된 구성은 본 발명을 설명하기 위해 예시적으로 구현된 실시예에 불과하며, 본 발명의 범위를 이에 한정하기 위한 것은 아니다. 특히, 첨부된 도면들은, 발명의 이해를 돕기 위해서, 일부 구성 요소를 다소 과장하여 표현하고 있다.
도 1은 IoT 데이터 분석을 통한 모니터링의 개념을 예시적으로 설명하기 위한 도면이다.
도 2는 IoT 데이터 분석을 통한 모니터링 방법을 예시적으로 도시한 흐름도이다.
도 3은 모니터링 대상으로부터 수집된 센싱 데이터 및 이로부터 획득된 특징을 예시적으로 도시한 도면이다.
도 4는 특징을 이용하여 생성한 N차원 및 (N-1)차원 정상 데이터 분포를 예시적으로 도시한 도면이다.
도 5는 모니터링 과정에서 이상점이 발생한 상황을 예시적으로 도시한 도면이다.
도 6은 도 1 내지 도 5에 예시된 모니터링 방법을 구현하기 위한 IoT 데이터 분석을 통한 모니터링 시스템을 예시적으로 도시한 도면이다.
DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS Hereinafter, the present invention is described with reference to the embodiments shown in the accompanying drawings. For ease of understanding, like elements have been assigned like reference numerals throughout the accompanying drawings. The configuration shown in the accompanying drawings is merely an exemplary embodiment for explaining the present invention, and is not intended to limit the scope of the present invention. In particular, the accompanying drawings, in order to help the understanding of the invention, some components are expressed somewhat exaggerated.
1 is a diagram to exemplarily explain the concept of monitoring through IoT data analysis.
2 is a flowchart exemplarily illustrating a monitoring method through IoT data analysis.
3 is a diagram exemplarily illustrating sensing data collected from a monitoring target and characteristics obtained therefrom.
4 is a diagram exemplarily illustrating an N-dimensional and (N-1)-dimensional normal data distribution generated using features.
5 is a diagram exemplarily illustrating a situation in which an abnormal point occurs during a monitoring process.
6 is a diagram exemplarily illustrating a monitoring system through IoT data analysis for implementing the monitoring method illustrated in FIGS. 1 to 5 .

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 이를 상세한 설명을 통해 상세히 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.Since the present invention can have various changes and can have various embodiments, specific embodiments are illustrated in the drawings and will be described in detail through the detailed description. However, this is not intended to limit the present invention to specific embodiments, and it should be understood to include all modifications, equivalents and substitutes included in the spirit and scope of the present invention.

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. When a component is referred to as being “connected” or “connected” to another component, it is understood that the other component may be directly connected or connected to the other component, but other components may exist in between. it should be On the other hand, when it is said that a certain element is "directly connected" or "directly connected" to another element, it should be understood that no other element is present in the middle.

제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. Terms such as first, second, etc. may be used to describe various elements, but the elements should not be limited by the terms. The above terms are used only for the purpose of distinguishing one component from another.

본 명세서에서 사용한 용어는 단지 특정한 실시예를 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 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terms used herein are used only to describe specific embodiments, and are not intended to limit the present invention. The singular expression includes the plural expression unless the context clearly dictates otherwise. In this specification, terms such as "comprises" or "have" are intended to designate that the features, numbers, steps, operations, components, parts, or combinations thereof described in the specification exist, but one or more other features It should be understood that this does not preclude the existence or addition of numbers, steps, operations, components, parts, or combinations thereof.

또한, 각 도면을 참조하여 설명하는 실시예의 구성 요소가 해당 실시예에만 제한적으로 적용되는 것은 아니며, 본 발명의 기술적 사상이 유지되는 범위 내에서 다른 실시예에 포함되도록 구현될 수 있으며, 또한 별도의 설명이 생략될지라도 복수의 실시예가 통합된 하나의 실시예로 다시 구현될 수도 있음은 당연하다.In addition, the components of the embodiment described with reference to each drawing are not limitedly applied only to the embodiment, and may be implemented to be included in other embodiments within the scope of maintaining the technical spirit of the present invention, and also Even if the description is omitted, it is natural that a plurality of embodiments may be re-implemented as a single integrated embodiment.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일하거나 관련된 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. In addition, in the description with reference to the accompanying drawings, the same components regardless of the reference numerals are given the same or related reference numerals, and the overlapping description thereof will be omitted. In describing the present invention, if it is determined that a detailed description of a related known technology may unnecessarily obscure the gist of the present invention, the detailed description thereof will be omitted.

도 1은 IoT 데이터 분석을 통한 모니터링의 개념을 예시적으로 설명하기 위한 도면이다.1 is a diagram to exemplarily explain the concept of monitoring through IoT data analysis.

도 1을 참조하면, 모니터링 대상으로 모터가 예시되어 있다. 복수의 IoT 센서는, 모터에 고정 또는 일정 거리만큼 이격되도록 배치(이하 설치)되어 모터의 상태를 측정한다. IoT 센서가 모터 상태를 측정하여 생성한 센싱 데이터는, 모터의 상태를 판단하는데 이용된다. IoT 센서는, 예를 들어, 모터의 회전수, 진동, 온도 등과 같이, 모니터링 대상의 동작에 연관된 요소를 측정하거나, 모터 주변의 온도, 습도 등과 같이 모니터링 대상의 주변 환경에 연관된 요소를 측정할 수 있다. 여기서, IoT 센서에 의해 생성되는 센싱 데이터는, 모니터링 대상에 따라 달라질 수 있으며, 모니터링 대상이 모터에 한정되는 것은 아니다.Referring to FIG. 1 , a motor is exemplified as a monitoring object. A plurality of IoT sensors are fixed to the motor or arranged to be spaced apart by a predetermined distance (hereinafter, installed) to measure the state of the motor. The sensing data generated by the IoT sensor measuring the motor status is used to determine the motor status. The IoT sensor may measure a factor related to the operation of the monitoring target, such as the rotation speed of the motor, vibration, temperature, etc., or measure a factor related to the surrounding environment of the monitoring target, such as temperature and humidity around the motor. have. Here, the sensing data generated by the IoT sensor may vary depending on the monitoring target, and the monitoring target is not limited to the motor.

하나의 센싱 데이터로부터 하나 이상의 특징이 획득될 수 있다. 예를 들어, 속도를 측정하는 경우, 속도의 절대값, 기울기, 가속도, 고속 퓨리에 변환값(FFT) 등이 속도라는 센싱 데이터로부터 획득될 수 있다. 센싱 데이터는, 동일한 요소를 측정하더라도 설치 위치에 따라 상이할 수 있으며, 그로부터 획득되는 특징 역시 상이할 수 있다. One or more features may be obtained from one piece of sensing data. For example, when measuring a speed, an absolute value of the speed, a slope, an acceleration, a fast Fourier transform value (FFT), etc. may be obtained from sensing data called the speed. Sensing data may be different depending on an installation location even if the same element is measured, and characteristics obtained therefrom may also be different.

모니터링 대상의 정상 여부는 복수의 특징을 이용하여 모니터링 될 수 있다. 모니터링 대상이 정상적으로 동작하는 동안(이하, 정상 상태) 획득된 복수의 특징들은, 일정한 영역 내에 분포될 수 있다. 정상 데이터 분포는, 정상 상태 동안 획득된 복수의 특징들을 조합한 데이터 셋을 고차원 영역에 표현한 것이다. 정상 상태 이후, 센싱 데이터로부터 획득된 복수의 특징들로 구성된 데이터 셋은, 정상 데이터 분포와 비교된다. 정상 데이터 분포를 벗어나는 데이터(이하 이상점)의 발생은, 모니터링 대상이 비정상적으로 동작하고 있음을 나타낸다.Whether the monitoring target is normal may be monitored using a plurality of features. A plurality of characteristics acquired while the monitoring target operates normally (hereinafter, referred to as a normal state) may be distributed within a predetermined area. The normal data distribution represents a data set that combines a plurality of features acquired during a steady state in a high-dimensional area. After the steady state, the data set composed of a plurality of features obtained from the sensed data is compared with the normal data distribution. The occurrence of data out of the normal data distribution (hereinafter referred to as an outlier) indicates that the monitoring target is operating abnormally.

도 2는 IoT 데이터 분석을 통한 모니터링 방법을 예시적으로 도시한 흐름도로서, IoT 데이터 분석을 통한 모니터링 시스템에 의해 수행되는 과정이고, 도 3은 모니터링 대상으로부터 수집된 센싱 데이터 및 이로부터 획득된 특징을 예시적으로 도시한 도면이고, 도 4는 특징을 이용하여 생성한 N차원 및 N-1차원 정상 데이터 분포를 예시적으로 도시한 도면이며, 도 5는 모니터링 과정에서 이상점이 발생한 상황을 예시적으로 도시한 도면이다.FIG. 2 is a flowchart exemplarily illustrating a monitoring method through IoT data analysis, a process performed by a monitoring system through IoT data analysis, and FIG. 3 is sensing data collected from a monitoring target and features obtained therefrom. It is a diagram exemplarily shown, and FIG. 4 is a diagram exemplarily illustrating the distribution of N-dimensional and N-1 dimensional normal data generated using features, and FIG. It is the drawing shown.

IoT 데이터 분석을 통한 모니터링 방법은, 정상 데이터 분포를 생성하는 과정(단계 100 내지 150)과 생성된 정상 데이터 분포에 기초하여 대상물을 모니터링 하는 과정(단계 160 내지 170)을 포함한다. 정상 데이터 분포는, N개의 특징을 이용하여 생성되는 1개의 N차원 정상 데이터 분포 및 (N-1)개의 특징을 이용하여 생성되는 N개의 (N-1)차원 정상 데이터 분포를 포함한다. N차원 정상 데이터 분포는, 이상점의 발생 여부를 판단하는 기초로 이용되며, (N-1)차원 정상 데이터 분포는 이상점을 발생시킨 특징을 검출하는데 이용된다.The monitoring method through IoT data analysis includes a process of generating a normal data distribution (steps 100 to 150) and a process of monitoring an object based on the generated normal data distribution (steps 160 to 170). The normal data distribution includes one N-dimensional stationary data distribution generated using N features and N (N-1)-dimensional stationary data distributions generated using (N-1) features. The N-dimensional normal data distribution is used as a basis for judging whether an outlier occurs, and the (N-1)-dimensional normal data distribution is used to detect a feature that causes the outlier.

도 2를 참조하면, 모니터링 대상에 대한 센싱 데이터가 수집된다(100). 센싱 데이터는, 모니터링 대상에 설치된 복수의 IoT 센서에 의해 생성된다. 센싱 데이터는, 일정 시간 간격, 예를 들어, 1초 간격으로 생성되거나, 연속적으로 생성될 수 있다. 도 3의 (a)는 k개의 IoT 센서가 생성한 센싱 데이터 dk@time을 예시하고 있다. 센싱 데이터 dk@time는 정상 데이터 분포의 생성 및 이상점 검출에 이용되는 복수의 특징을 획득하는 기초로 사용된다. Referring to FIG. 2 , sensing data for a monitoring target is collected ( 100 ). The sensing data is generated by a plurality of IoT sensors installed in the monitoring target. The sensing data may be generated at a predetermined time interval, for example, 1 second interval, or may be continuously generated. 3A illustrates sensing data d k@time generated by k IoT sensors. The sensing data d k@time is used as a basis for acquiring a plurality of features used for generating a normal data distribution and detecting an outlier.

입력된 센싱 데이터에서 정상 상태에 속한 제1 센싱 데이터가 선택된다(110). 정상 상태는, 다양하게 설정 가능하다. 예를 들어, 정상 상태는, 모니터링을 시작한 특정 시점, 예를 들어, t1부터 일정 시간이 경과할 시점, 예를 들어, t245까지의 시구간을 정상 상태로 설정하거나, 제1 센싱 데이터를 획득하는 최대 회수 이내(즉, 1차부터 245차 센싱 데이터)를 정상 상태로 설정할 수 있다. 한편, 정상 상태는 복수일 수 있다. 모터의 경우, 동작 모드(예를 들어, continuous duty, short-time duty, intermittent duty 등)별로 정상 상태가 설정되거나, 모드별 정상 상태를 조합하여 단일 정상 상태에 대한 정상 데이터 분포가 생성될 수도 있다.The first sensing data belonging to the normal state is selected from the input sensing data ( 110 ). The steady state can be set in various ways. For example, the normal state is a specific time point at which monitoring is started, for example, a time period when a predetermined time elapses from t 1 , for example, a time period from t 245 is set to a normal state, or the first sensing data is Within the maximum number of times acquired (that is, the first to 245th sensing data) can be set to a normal state. Meanwhile, the steady state may be plural. In the case of a motor, a steady state may be set for each operation mode (eg, continuous duty, short-time duty, intermittent duty, etc.), or a normal data distribution for a single steady state may be generated by combining the steady states for each mode. .

하나 이상의 특징이 제1 센싱 데이터로부터 획득된다(120). 도 3의 (b)는 제1 IoT 센서가 생성한 제1 센싱 데이터로부터 m1개의 특징을 획득하는 것을 예시하고 있다. 복수의 IoT 센서가 센싱 데이터를 각각 생성하는 경우, 복수의 IoT 센서가 생성한 제1 센싱 데이터마다 하나 이상의 특징을 획득하는 과정이 수행된다. 센싱 데이터에 연관된 특징은, 센싱 데이터의 고유 속성에 따라 각각 다르게 설정될 수 있다. 예를 들어, 온도나 습도 등의 경우, 절대값, 평균값, 기울기 등의 특징이 획득될 수 있다. 다른 예로, 회전 주파수, 진동 등의 경우, 절대값, 가속도, 고속 퓨리에 변환값 등의 특징이 획득될 수 있다. 복수의 센싱 데이터 각각으로부터 획득된 하나 이상의 특징들의 수를 N이라고 하면, N개의 특징들을 성분으로 하는 복수의 N차원 정상 데이터(이하 N차원 정상 데이터 셋)가 생성된다.One or more features are obtained from the first sensed data ( 120 ). 3 (b) illustrates acquiring m 1 features from the first sensing data generated by the first IoT sensor. When the plurality of IoT sensors respectively generate sensing data, a process of acquiring one or more features for each first sensing data generated by the plurality of IoT sensors is performed. Characteristics related to the sensing data may be set differently according to unique properties of the sensing data. For example, in the case of temperature or humidity, characteristics such as an absolute value, an average value, and a slope may be obtained. As another example, in the case of rotation frequency and vibration, characteristics such as absolute values, acceleration values, and fast Fourier transform values may be obtained. If the number of one or more features acquired from each of the plurality of sensing data is N, a plurality of N-dimensional normal data (hereinafter, N-dimensional normal data set) including the N features as components is generated.

N차원 정상 데이터 셋에 GMM(Gaussian Mixture Model)을 적용한다(130). 혼합 모델(Mixture Model)은, 전체 분포에서 하위 분포가 존재한다고 보는 모델로서, 데이터가 모수를 갖는 복수의 분포로부터 생성되었다고 가정하는 모델이다. 이 중에서 가장 많이 사용되는 GMM은 데이터가 k개의 정규 분포(Gaussian)로부터 생성되었다고 보는 모델이다. GMM은, 각 정규 분포의 평균, 분산 및 가중치를 모수로 하여 데이터 분포를 근사화할 수 있다. A Gaussian Mixture Model (GMM) is applied to the N-dimensional normal data set (130). A mixture model is a model that assumes that sub-distributions exist in the overall distribution, and is a model that assumes that data is generated from a plurality of distributions having parameters. Among them, the most used GMM is a model that assumes that data are generated from k normal distributions (Gaussian). GMM can approximate the data distribution using the mean, variance, and weight of each normal distribution as parameters.

Figure 112019125899312-pat00001
Figure 112019125899312-pat00001

여기서,

Figure 112019125899312-pat00002
Figure 112019125899312-pat00003
번째 정규 분포의 평균, 분산, 가중치를 나타낸다. 수학식 1과 같은 방법으로, N차원 정상 데이터 셋에 대해 GMM을 적용하면, 확률밀도 값이 같은 점끼리 연결한 등고선(contour)을 경계로 하는 N차원 정상 데이터 분포가 생성된다. 도 4의 (a)는 N차원 정상 데이터 분포를 나타낸다. 정상 상태에서 획득된 복수의 특징들로 구성된 N차원 정상 데이터 셋(210)은, 정상 영역(220) 내부에 위치한다. 정상 영역(220)은, 경계(200)에 의해 비정상 영역으로부터 구분된다.here,
Figure 112019125899312-pat00002
Is
Figure 112019125899312-pat00003
Indicates the mean, variance, and weight of the second normal distribution. When the GMM is applied to the N-dimensional normal data set in the same way as in Equation 1, an N-dimensional normal data distribution is generated with a boundary line connecting points having the same probability density value. 4A shows an N-dimensional normal data distribution. The N-dimensional normal data set 210 including a plurality of features acquired in a steady state is located inside the normal region 220 . The normal region 220 is separated from the abnormal region by the boundary 200 .

한편, N차원 정상 데이터 셋을 이용하여 N개의 (N-1)차원 정상 데이터 셋을 생성한다(140). (N-1)차원 정상 데이터 셋은, N차원 정상 데이터 셋에서 n번째 특징(1≤n≤N)을 순차적으로 제거하여 생성될 수 있다. 예를 들어, 제1 (N-1)차원 정상 데이터 셋은, N차원 정상 데이터 셋에서 첫 번째 특징만을 제거하여 생성되며, 제2 (N-1)차원 정상 데이터 셋은, N차원 정상 데이터 셋에서 두 번째 특징만을 제거하여 생성될 수 있다. Meanwhile, N (N-1)-dimensional normal data sets are generated using the N-dimensional normal data sets (140). The (N-1)-dimensional normal data set may be generated by sequentially removing the n-th feature (1≤n≤N) from the N-dimensional normal data set. For example, the first (N-1)-dimensional normal data set is generated by removing only the first feature from the N-dimensional normal data set, and the second (N-1)-dimensional normal data set is the N-dimensional normal data set. It can be created by removing only the second feature from

N개의 (N-1)차원 정상 데이터 셋 각각에 GMM을 적용하여 N개의 (N-1)차원 정상 데이터 분포를 생성한다(150). (N-1)차원 정상 데이터 셋은, 제거된 특징에 의한 영향을 받지 않으므로, (N-1)차원 정상 데이터 셋으로 생성된 정상 데이터 분포 역시 제거된 특징을 반영하지 않는다. 1개의 N차원 정상 데이터 분포 및 N개의 (N-1)차원 정상 데이터 분포가 생성되면, 정상 상태 이후에 측정되는 제2 센싱 데이터를 이용하여 모니터링 대상에 발생한 이상점을 검출한다. 정상 상태 이후에 측정된 제2 센싱 데이터에서 획득된 N개의 특징(이하 N차원 모니터링 데이터)이, N차원 정상 데이터 분포의 경계 내부에 위치하는지 판단된다(160). 도 5의 (a)에 예시된 바와 같이, 이상점(230)이 발생한 경우, 모니터링 대상이 비정상적으로 동작하고 있다고 판정된다. 그러나, 도 4 및 5에 예시된 바와 달리, N차원은 인간이 시각적으로 인지할 수 없는 공간이며, 모니터 등에 시각적으로 표현할 수 없다. 따라서 이상점 발생 유무는, IoT 데이터 분석을 통한 모니터링 시스템에 의한 알람 또는 경고 메시지의 형태로 출력될 수 있다.GMM is applied to each of the N (N-1)-dimensional normal data sets to generate N (N-1)-dimensional stationary data distributions (150). Since the (N-1)-dimensional normal data set is not affected by the removed features, the normal data distribution generated from the (N-1)-dimensional normal data set also does not reflect the removed features. When one N-dimensional normal data distribution and N (N-1)-dimensional normal data distributions are generated, an anomaly generated in the monitoring target is detected using the second sensing data measured after the steady state. It is determined whether the N features (hereinafter, N-dimensional monitoring data) obtained from the second sensing data measured after the steady state are located within the boundary of the N-dimensional normal data distribution ( 160 ). As illustrated in (a) of FIG. 5 , when the abnormal point 230 occurs, it is determined that the monitoring target is operating abnormally. However, unlike those illustrated in FIGS. 4 and 5 , the N dimension is a space that cannot be visually perceived by humans, and cannot be visually expressed on a monitor or the like. Therefore, the presence or absence of an abnormal point may be output in the form of an alarm or warning message by a monitoring system through IoT data analysis.

N차원 정상 데이터 분포를 통한 모니터링에서 이상점이 검출되면, (N-1)차원 정상 데이터 분포를 이용하여, 이상점을 유발한 특징을 판정한다(170). N차원 모니터링 데이터에 포함된 N개의 특징 중 하나가 제거된 N개의 (N-1)차원 모니터링 데이터가 생성된다. N개의 (N-1)차원 모니터링 데이터는, 제거된 특징을 반영하지 않는 (N-1)차원 정상 데이터 분포에 1:1 매칭되어 이상점 발생 유무가 판정된다. 도 5의 (b)는, 세 번째 특징으로 인해 이상점이 발생한 경우를 예시적으로 표시하고 있다. 첫 번째 특징이 제거된 제1 (N-1)차원 정상 데이터 분포(2201), 두 번째 특징이 제거된 제2 (N-1)차원 정상 데이터 분포(2202), 및 N 번째 특징이 제거된 제N (N-1)차원 정상 데이터 분포(220N)의 경우, 이상점을 유발한 세 번째 특징에 의한 영향을 받으므로, 이상점(230)이 모두 검출된다. 이에 반해, 세 번째 특징이 제거된 제3 (N-1)차원 정상 데이터 분포(2203)의 경우, 이상점을 유발한 세 번째 특징이 제거되었으므로, 이상점이 발생하지 않는다. If an outlier is detected in the monitoring through the N-dimensional normal data distribution, a characteristic causing the outlier is determined using the (N-1)-dimensional normal data distribution ( 170 ). N pieces of (N-1)-dimensional monitoring data in which one of the N features included in the N-dimensional monitoring data is removed are generated. The N pieces of (N-1)-dimensional monitoring data are 1:1 matched to the (N-1)-dimensional normal data distribution that does not reflect the removed features, and the presence or absence of an outlier is determined. 5B exemplarily shows a case in which an outlier occurs due to the third characteristic. A first (N-1)-dimensional normal data distribution 2201 from which the first feature is removed, a second (N-1)-dimensional normal data distribution 2202 from which the second feature is removed, and a second (N-1)-dimensional normal data distribution from which the N-th feature is removed. In the case of the N (N-1)-dimensional normal data distribution 220N, all of the outliers 230 are detected because they are affected by the third feature that caused the outliers. On the other hand, in the case of the third (N-1)-dimensional normal data distribution 2203 from which the third feature is removed, since the third feature causing the outlier is removed, the outlier does not occur.

도 6은 도 1 내지 도 5에 예시된 모니터링 방법을 구현하기 위한 IoT 데이터 분석을 통한 모니터링 시스템을 예시적으로 도시한 도면이다.6 is a diagram exemplarily illustrating a monitoring system through IoT data analysis for implementing the monitoring method illustrated in FIGS. 1 to 5 .

도 6을 참조하면, IoT 데이터 분석을 통한 모니터링 시스템은, 센싱 데이터 수집부(300), 특징 획득부(310), 정상상태 모델 생성부(320), 및 모니터링부(330)를 포함할 수 있다. IoT 데이터 분석을 통한 모니터링 시스템은, 하나 이상의 프로세서 및 이에 통신 가능하게 연결된 저장 장치(예를 들어, 메모리)에 저장된 프로그램에 의해 구현될 수 있으며, 도 6은, 프로그램을 실행하는 프로세서를 기능적으로 표현한 것이다.Referring to FIG. 6 , the monitoring system through IoT data analysis may include a sensing data collection unit 300 , a feature acquisition unit 310 , a steady state model generation unit 320 , and a monitoring unit 330 . . A monitoring system through IoT data analysis may be implemented by a program stored in one or more processors and a storage device (eg, memory) communicatively connected thereto, and FIG. 6 is a functional representation of the processor executing the program. will be.

센싱 데이터 수집부(300)는, 복수의 IoT 센서로부터 제1 및 제2 센싱 데이터를 통신망을 통해 수집한다. 통신망은, 유선 또는 무선 통신망일 수 있다. 수집된 센싱 데이터는, 메모리에 저장될 수 있다.The sensing data collection unit 300 collects first and second sensing data from a plurality of IoT sensors through a communication network. The communication network may be a wired or wireless communication network. The collected sensing data may be stored in a memory.

특징 획득부(310)는, 수집된 제1 및 제2 센싱 데이터로부터 하나 이상의 특징을 획득한다. 특징은, 제1 및 제2 센싱 데이터로부터 직접 획득(예를 들어, 절대값 등)되거나 연산을 통해 획득(예를 들어, 고속 퓨리에 변환값 등)될 수 있다. 복수의 IoT 센서가 센싱 데이터를 생성하는 경우, 각 센싱 데이터별로 하나 이상의 특징이 획득될 수 있다. 획득된 N개의 특징들은 N차원 정상 데이터 셋의 형태로 메모리에 저장될 수 있다.The feature acquisition unit 310 acquires one or more features from the collected first and second sensing data. The feature may be obtained directly from the first and second sensing data (eg, an absolute value, etc.) or may be obtained through calculation (eg, a fast Fourier transform value, etc.). When a plurality of IoT sensors generate sensing data, one or more characteristics may be obtained for each sensing data. The acquired N features may be stored in the memory in the form of an N-dimensional normal data set.

정상상태 모델 생성부(320)는, N차원 정상 데이터 셋을 이용하여, 1개의 N차원 정상 데이터 분포 및 N개의 (N-1)차원 정상 데이터 분포를 생성한다. N차원 정상 데이터 분포는, 복수의 N차원 정상 데이터 셋에 GMM을 적용하여 생성되며, (N-1)차원 정상 데이터 분포는, 복수의 (N-1)차원 정상 데이터 셋에 GMM을 적용하여 생성된다. 여기서, (N-1)차원 정상 데이터 셋은, N차원 정상 데이터 셋에서 n번째 특징(1≤n≤N)을 제거하여 생성될 수 있다. The steady-state model generator 320 generates one N-dimensional normal data distribution and N (N-1)-dimensional normal data distributions by using the N-dimensional stationary data set. The N-dimensional normal data distribution is generated by applying GMM to a plurality of N-dimensional normal data sets, and the (N-1)-dimensional normal data distribution is generated by applying GMM to a plurality of (N-1)-dimensional normal data sets. do. Here, the (N-1)-dimensional normal data set may be generated by removing the n-th feature (1≤n≤N) from the N-dimensional normal data set.

모니터링부(330)는, 이상점 발생을 검출하고, 이상점을 유발한 특징을 판정한다. 모니터링부(330)는, 정상 상태 이후에 입력되는 제2 센싱 데이터로부터 획득된 N차원 모니터링 데이터가 N차원 정상 데이터 분포에 포함되는지를 판정한다. N차원 모니터링 데이터가 N차원 정상 데이터 분포에 포함되지 않으면, 모니터링부(330)는, N차원 모니터링 데이터를 이용하여 N개의 (N-1)차원 모니터링 데이터를 생성한다. (N-1)차원 모니터링 데이터는, N차원 모니터링 데이터에서 n번째 특징을 제거하여 생성된다. 모니터링부(320)는, 제n (N-1)차원 모니터링 데이터가 제n 개의 (N-1)차원 정상 데이터 분포의 정상 영역에 포함되면, n번째 특징에 의해 이상점이 발생했다고 판정한다.The monitoring unit 330 detects the occurrence of the abnormal point and determines the characteristic that caused the abnormal point. The monitoring unit 330 determines whether the N-dimensional monitoring data obtained from the second sensing data input after the normal state is included in the N-dimensional normal data distribution. If the N-dimensional monitoring data is not included in the N-dimensional normal data distribution, the monitoring unit 330 generates N pieces of (N-1)-dimensional monitoring data using the N-dimensional monitoring data. The (N-1)-dimensional monitoring data is generated by removing the n-th feature from the N-dimensional monitoring data. The monitoring unit 320 determines that an anomaly has occurred due to the n-th characteristic when the n-th (N-1)-dimensional monitoring data is included in the normal region of the n-th (N-1)-dimensional normal data distribution.

본 실시예에 따른 IoT 데이터 분석을 통한 모니터링 방법은 디지털 처리 장치에 내장되거나 설치된 프로그램 등에 의해 시계열적 순서에 따른 자동화된 절차로 수행될 수도 있음은 당연하다. 상기 프로그램을 구성하는 코드들 및 코드 세그먼트들은 당해 분야의 컴퓨터 프로그래머에 의하여 용이하게 추론될 수 있다. 또한, 상기 프로그램은 디지털 처리 장치가 읽을 수 있는 정보저장매체(computer readable media)에 저장되고, 디지털 처리 장치에 의하여 읽혀지고 실행됨으로써 상기 방법을 구현한다. 상기 정보저장매체는 자기 기록매체, 광 기록매체 및 캐리어 웨이브 매체를 포함한다.It goes without saying that the monitoring method through IoT data analysis according to the present embodiment may be performed as an automated procedure according to a time-series sequence by a program built-in or installed in the digital processing device. Codes and code segments constituting the program can be easily inferred by a computer programmer in the art. In addition, the program is stored in a computer readable media readable by a digital processing device, and is read and executed by the digital processing device to implement the method. The information storage medium includes a magnetic recording medium, an optical recording medium, and a carrier wave medium.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. The above description of the present invention is for illustration, and those of ordinary skill in the art to which the present invention pertains can understand that it can be easily modified into other specific forms without changing the technical spirit or essential features of the present invention. will be. Therefore, it should be understood that the embodiments described above are illustrative in all respects and not restrictive.

본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타나며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.The scope of the present invention is indicated by the following claims rather than the above detailed description, and all changes or modifications derived from the meaning and scope of the claims and their equivalent concepts should be construed as being included in the scope of the present invention. .

200: 경계 210: N차원 정상 데이터 셋
220: 정상 영역 230: 이상점
300: 센싱 데이터 수집부 310: 특징 획득부
320: 정상상태 모델 생성부 330: 모니터링부
200: Boundary 210: N-dimensional normal data set
220: normal region 230: outlier
300: sensing data collection unit 310: feature acquisition unit
320: steady state model generation unit 330: monitoring unit

Claims (11)

정상 상태 동안 획득된 N개의 특징을 갖는 N차원 정상 데이터 셋을 생성하는 단계;
상기 N차원 정상 데이터 셋을 이용하여 1개의 N차원 정상 데이터 분포 및 N개의 (N-1)차원 정상 데이터 분포를 생성하는 단계;
상기 정상 상태 이후에 획득된 N개의 특징을 갖는 N차원 모니터링 데이터를 생성하는 단계; 및
상기 N차원 정상 데이터 분포를 이용하여 상기 N차원 모니터링 데이터가 이상점인지 판정하고, 상기 N개의 (N-1)차원 정상 데이터 분포를 이용하여 상기 이상점을 유발한 특징을 상기 N차원 모니터링 데이터에서 검출하는 단계를 포함하되,
상기 N차원 정상 데이터 분포를 이용하여 상기 N차원 모니터링 데이터가 이상점인지 판정하고, 상기 N개의 (N-1)차원 정상 데이터 분포를 이용하여 상기 이상점을 유발한 특징을 상기 N차원 모니터링 데이터에서 검출하는 단계는,
상기 N차원 모니터링 데이터가 상기 N차원 정상 데이터 분포에 포함되는지 판정하는 단계;
상기 N차원 정상 데이터 분포에 포함되지 않으면, 상기 N차원 모니터링 데이터에서, n번째 특징(1≤n≤N)을 제거하여 N개의 (N-1)차원 모니터링 특징을 생성하는 단계; 및
상기 N개의 (N-1)차원 모니터링 특징이 상기 N개의 (N-1)차원 정상 데이터 분포 각각에 포함되는지 판정하는 단계를 포함하는, IoT 데이터 분석을 통한 모니터링 방법.
generating an N-dimensional normal data set having N features acquired during a steady state;
generating one N-dimensional normal data distribution and N (N-1)-dimensional normal data distributions using the N-dimensional normal data set;
generating N-dimensional monitoring data having N features acquired after the steady state; and
It is determined whether the N-dimensional monitoring data is an outlier using the N-dimensional normal data distribution, and the characteristic that caused the outlier using the N (N-1)-dimensional normal data distribution is identified in the N-dimensional monitoring data. detecting,
It is determined whether the N-dimensional monitoring data is an outlier using the N-dimensional normal data distribution, and the characteristic that caused the outlier using the N (N-1)-dimensional normal data distribution is identified in the N-dimensional monitoring data. The detection step is
determining whether the N-dimensional monitoring data is included in the N-dimensional normal data distribution;
if not included in the N-dimensional normal data distribution, generating N (N-1)-dimensional monitoring features by removing an n-th feature (1≤n≤N) from the N-dimensional monitoring data; and
and determining whether the N (N-1)-dimensional monitoring features are included in each of the N (N-1)-dimensional normal data distributions.
제1항에 있어서,
상기 N차원 정상 데이터 분포는, 상기 N차원 정상 데이터 셋에 GMM(Gaussian Mixture Model)을 적용하여 생성하는, IoT 데이터 분석을 통한 모니터링 방법.
According to claim 1,
The N-dimensional normal data distribution is generated by applying a Gaussian Mixture Model (GMM) to the N-dimensional normal data set, a monitoring method through IoT data analysis.
제1항에 있어서,
상기 N개의 (N-1)차원 정상 데이터 분포는,
상기 N차원 정상 데이터 셋에서 n번째 특징(1≤n≤N)을 제거하여 N개의 (N-1)차원 정상 데이터 셋을 생성하며,
상기 N개의 (N-1)차원 정상 데이터 셋에 GMM(Gaussian Mixture Model)을 적용하여 생성하는, IoT 데이터 분석을 통한 모니터링 방법.
According to claim 1,
The N (N-1)-dimensional normal data distribution is,
Remove the n-th feature (1≤n≤N) from the N-dimensional normal data set to generate N (N-1)-dimensional normal data sets,
A monitoring method through IoT data analysis for generating by applying a Gaussian Mixture Model (GMM) to the N (N-1) dimensional normal data set.
제1항에 있어서,
상기 정상 상태 동안 획득된 N개의 특징을 갖는 N차원 정상 데이터 셋을 생성하는 단계는,
상기 정상 상태 구간 동안에, 모니터링 대상에 설치된 IoT 센서로부터 k개의 제1 센싱 데이터를 수신하는 단계; 및
상기 k개의 제1 센싱 데이터 각각에 연관된 N개의 특징으로 N차원 정상 데이터 셋을 생성하는 단계를 포함하는, IoT 데이터 분석을 통한 모니터링 방법.
According to claim 1,
The step of generating an N-dimensional normal data set having N features acquired during the steady state comprises:
receiving k pieces of first sensing data from an IoT sensor installed in a monitoring target during the steady state period; and
A monitoring method through IoT data analysis, comprising generating an N-dimensional normal data set with N features associated with each of the k pieces of first sensing data.
제4항에 있어서,
상기 정상 상태 이후에 획득된 N개의 특징을 갖는 N차원 모니터링 데이터를 생성하는 단계는,
상기 정상 상태 이후에, 상기 IoT 센서로부터 k개의 제2 센싱 데이터를 수신하는 단계; 및
상기 k개의 제2 센싱 데이터 각각에 연관된 N개의 특징으로 N차원 모니터링 데이터를 생성하는 단계를 포함하는, IoT 데이터 분석을 통한 모니터링 방법.
5. The method of claim 4,
The step of generating N-dimensional monitoring data having N features obtained after the steady state comprises:
receiving k pieces of second sensing data from the IoT sensor after the normal state; and
A monitoring method through IoT data analysis, comprising generating N-dimensional monitoring data with N features associated with each of the k pieces of second sensing data.
삭제delete 제5항에 있어서,
상기 특징은, 상기 제1 센싱 데이터 또는 상기 제2 센싱 데이터의 절대값, 기울기, 고속 퓨리에 변환값 중 어느 하나인, IoT 데이터 분석을 통한 모니터링 방법.
6. The method of claim 5,
The characteristic is any one of an absolute value, a slope, and a fast Fourier transform value of the first sensed data or the second sensed data, a monitoring method through IoT data analysis.
정상 상태 구간 동안에, 모니터링 대상에 설치된 IoT 센서로부터 k개의 제1 센싱 데이터를 수집하며, 상기 정상 상태 구간 이후에 k개의 제2 센싱 데이터를 수집하는 센싱 데이터 수집부;
상기 제1 센싱 데이터 및 상기 제2 센싱 데이터로부터 N개의 특징을 획득하여 N차원 정상 데이터 셋 및 N차원 모니터링 데이터를 생성하는 특징 획득부;
상기 N차원 정상 데이터 셋을 이용하여 1개의 N차원 정상 데이터 분포 및 N개의 (N-1)차원 정상 데이터 분포를 생성하는 정상상태 모델 생성부; 및
상기 N차원 정상 데이터 분포 및 상기 N개의 (N-1)차원 정상 데이터 분포를 이용하여 N차원 모니터링 데이터가 이상점인지를 판정하는 모니터링부를 포함하되,
상기 모니터링부는,
상기 N차원 모니터링 데이터가 상기 N차원 정상 데이터 분포에 포함되는지 판정하고,
상기 N차원 정상 데이터 분포에 포함되지 않으면, 상기 N차원 모니터링 데이터에서, n번째 특징(1≤n≤N)을 제거하여 N개의 (N-1)차원 모니터링 데이터를 생성하며,
상기 N개의 (N-1)차원 모니터링 데이터가 상기 N개의 (N-1)차원 정상 데이터 분포 각각에 포함되는지 판정하는, IoT 데이터 분석을 통한 모니터링 시스템.
a sensing data collection unit for collecting k pieces of first sensing data from the IoT sensors installed in the monitoring target during the steady state period, and collecting k pieces of second sensing data after the steady state period;
a feature acquisition unit acquiring N features from the first sensing data and the second sensing data to generate an N-dimensional normal data set and N-dimensional monitoring data;
a steady-state model generator for generating one N-dimensional normal data distribution and N (N-1)-dimensional normal data distributions using the N-dimensional normal data set; and
A monitoring unit for determining whether the N-dimensional monitoring data is an outlier by using the N-dimensional normal data distribution and the N (N-1)-dimensional normal data distribution,
The monitoring unit,
It is determined whether the N-dimensional monitoring data is included in the N-dimensional normal data distribution,
If it is not included in the N-dimensional normal data distribution, the n-th feature (1≤n≤N) is removed from the N-dimensional monitoring data to generate N (N-1)-dimensional monitoring data,
A monitoring system through IoT data analysis to determine whether the N pieces of (N-1)-dimensional monitoring data are included in each of the N pieces of (N-1)-dimensional normal data distribution.
제8항에 있어서,
상기 정상상태 모델 생성부는,
상기 N차원 정상 데이터 셋에 GMM(Gaussian Mixture Model)을 적용하여 상기 N차원 정상 데이터 분포를 생성하고,
상기 N차원 정상 데이터 셋에서 n번째 특징(1≤n≤N)을 제거하여 N개의 (N-1)차원 정상 데이터 셋을 생성하며,
상기 N개의 (N-1)차원 정상 데이터 셋에 GMM을 적용하여 상기 N개의 (N-1)차원 정상 데이터 분포를 생성하는, IoT 데이터 분석을 통한 모니터링 시스템.
9. The method of claim 8,
The steady-state model generation unit,
The N-dimensional normal data distribution is generated by applying a Gaussian Mixture Model (GMM) to the N-dimensional normal data set,
Remove the n-th feature (1≤n≤N) from the N-dimensional normal data set to generate N (N-1)-dimensional normal data sets,
A monitoring system through IoT data analysis that generates the distribution of the N (N-1) dimensional normal data by applying GMM to the N (N-1) dimensional normal data set.
삭제delete 제8항에 있어서,
상기 특징은, 상기 제1 센싱 데이터 또는 상기 제2 센싱 데이터의 절대값, 기울기, 고속 퓨리에 변환값 중 어느 하나인, IoT 데이터 분석을 통한 모니터링 시스템.

9. The method of claim 8,
The characteristic is any one of an absolute value, a slope, and a fast Fourier transform value of the first sensed data or the second sensed data, a monitoring system through IoT data analysis.

KR1020190160713A 2019-12-05 2019-12-05 System and method of monitoring by analyzing IoT data KR102300835B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190160713A KR102300835B1 (en) 2019-12-05 2019-12-05 System and method of monitoring by analyzing IoT data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190160713A KR102300835B1 (en) 2019-12-05 2019-12-05 System and method of monitoring by analyzing IoT data

Publications (2)

Publication Number Publication Date
KR20210070671A KR20210070671A (en) 2021-06-15
KR102300835B1 true KR102300835B1 (en) 2021-09-10

Family

ID=76412283

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190160713A KR102300835B1 (en) 2019-12-05 2019-12-05 System and method of monitoring by analyzing IoT data

Country Status (1)

Country Link
KR (1) KR102300835B1 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102464945B1 (en) * 2021-08-18 2022-11-10 한국과학기술정보연구원 Apparatus and method for analyzing signal data state using machine learning

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6569927B1 (en) * 2017-11-28 2019-09-04 株式会社安川電機 Abnormality determination system, motor control device, and abnormality determination device

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101976585B1 (en) 2018-06-19 2019-05-09 주식회사 유타렉스 IoT SYSTEM FOR MONITORING MOTOR USING SMART SENSOR

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6569927B1 (en) * 2017-11-28 2019-09-04 株式会社安川電機 Abnormality determination system, motor control device, and abnormality determination device

Also Published As

Publication number Publication date
KR20210070671A (en) 2021-06-15

Similar Documents

Publication Publication Date Title
CN110888783B (en) Method and device for monitoring micro-service system and electronic equipment
Kullaa Distinguishing between sensor fault, structural damage, and environmental or operational effects in structural health monitoring
US8831233B2 (en) Monitoring apparatus and method
JP2018112852A (en) Fault prediction method, fault prediction device and fault prediction program
EP3674827B1 (en) Monitoring target selecting device, monitoring target selecting method and program
CN112272763A (en) Abnormality detection device, abnormality detection method, and abnormality detection program
KR102300835B1 (en) System and method of monitoring by analyzing IoT data
JP2017102826A (en) Abnormality diagnosis device, abnormality diagnosis method, and abnormality diagnosis program
Georgoulas et al. Bearing fault detection and diagnosis by fusing vibration data
JP6815282B2 (en) Feature evaluation system for rotary electric machines and feature evaluation method for rotary electric machines
CN117980707A (en) Autonomous discrimination of operational vibration signals
Rousopoulou et al. Data analytics towards predictive maintenance for industrial ovens: A case study based on data analysis of various sensors data
JP7226424B2 (en) Abnormal temperature detection device, abnormal temperature detection method, and abnormal temperature detection program
CA3134637C (en) Apparatus for equipment monitoring
JP6898607B2 (en) Abnormality sign detection system and abnormality sign detection method
RU2702293C1 (en) Temperature sensor failure detection in turbine systems
JP7362743B2 (en) A method for monitoring the operation of a machine that generates vibrations, and a device for the realization of such a method
KR102384742B1 (en) System and method for detecting anomality using sensor data
KR102337155B1 (en) System and method of monitoring by visualizing IoT data
JP2018147406A (en) Quality abnormality detection method, quality abnormality detection device, and quality abnormality detection program
Zhang et al. Applied sensor fault detection and validation using transposed input data PCA and ANNs
EP3388911B1 (en) Monitoring device, monitoring method and program
Aye et al. Fault detection of slow speed bearings using an integrated approach
JP2019159786A (en) Information processing device, information processing method, and program
WO2020054725A1 (en) Diagnostic apparatus and diagnostic method

Legal Events

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