KR102307373B1 - 기계 학습 기반의 이상 상태 발생 지점 탐지 방법 및 이상 상태 발생 지점의 탐지를 위한 학습 방법 - Google Patents

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

Info

Publication number
KR102307373B1
KR102307373B1 KR1020190129551A KR20190129551A KR102307373B1 KR 102307373 B1 KR102307373 B1 KR 102307373B1 KR 1020190129551 A KR1020190129551 A KR 1020190129551A KR 20190129551 A KR20190129551 A KR 20190129551A KR 102307373 B1 KR102307373 B1 KR 102307373B1
Authority
KR
South Korea
Prior art keywords
abnormal state
value
sensor
statistical
point
Prior art date
Application number
KR1020190129551A
Other languages
English (en)
Other versions
KR20210046149A (ko
Inventor
박철진
김준형
김형진
Original Assignee
한양대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한양대학교 산학협력단 filed Critical 한양대학교 산학협력단
Priority to KR1020190129551A priority Critical patent/KR102307373B1/ko
Publication of KR20210046149A publication Critical patent/KR20210046149A/ko
Application granted granted Critical
Publication of KR102307373B1 publication Critical patent/KR102307373B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric 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
    • G05B23/0221—Preprocessing 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric 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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Optimization (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

센싱값에 측정 오류가 포함되는 환경에서 보다 정확하게 이상 상태 발생 지점을 탐지할 수 있는 방법 및 학습 방법이 개시된다. 개시된 기계 학습 기반의 이상 상태 발생 지점 탐지 방법은 미리 설정된 지점에 설치되며, 이상 상태를 감지하는 복수의 센서의 센싱값을 입력받는 단계; 및 상기 센싱값 및 통계적 공정 관리도를 이용하여, 상기 복수의 센서 중에서 이상 상태를 감지한 타겟 센서를 결정하는 단계; 상기 타겟 센서의 센싱값으로부터 파과 곡선을 추정하고, 상기 파과 곡선에 대한 통계값 및 넓이값을 생성하는 단계; 및 학습 데이터, 상기 통계값 및 넓이값을 이용하여, 상기 타겟 센서에 할당된 관할 지역에 포함된 후보 지점 중 적어도 하나를 이상 상태 발생 지점으로 예측하는 단계를 포함한다.

Description

기계 학습 기반의 이상 상태 발생 지점 탐지 방법 및 이상 상태 발생 지점의 탐지를 위한 학습 방법{METHOD FOR DETECTING LOCATION OF ABNORMAL STATE BASED ON MACHINE LEARNING, LEARNING METHOD FOR DETECTING LOCATION OF ABNORMAL STATE}
본 발명은 기계 학습 기반의 이상 상태 발생 지점 탐지 방법 및 이상 상태 발생 지점의 탐지를 위한 학습 방법에 관한 것으로서, 더욱 상세하게는 센싱값에 측정 오류가 포함되는 환경에서 보다 정확하게 이상 상태 발생 지점을 탐지할 수 있는 방법 및 학습 방법에 관한 것이다.
현재 다양한 분야에서 센서가 활용되고 있으며, 미세 기술의 발달과 함께 점점 더 센서의 활용도는 높아질 것으로 예상된다. 이러한 센서를 이용하여 특정 환경이나 장소 또는 공정(프로세스)에서 이상 상태가 발생한 지점 등을 탐지하는 다양한 연구들이 진행되고 있다.
예컨대, 대한민국 공개특허 제2014-0026822호는 센서를 이용하여 원전 기기의 이상 상태를 탐지하며, 대한민국 공개특허 제2013-0090657호는 원격지 단말기의 이상 상태를 탐지한다.
이상 상태 탐지의 대상이 되는 범위가 넓을 경우, 이상 상태 발생 지점에 대한 탐지 정확도가 떨어질 수 있으며, 이를 보완하기 위해 센서의 개수를 증가시킬 경우 비용이 증가하는 문제가 있다.
또한 센서의 측정 오류로 인해 이상 상태의 탐지 정확도가 낮아질 수 있으며, 이러한 문제를 해결하기 위해, 이러한 통계적 방법에 의하여 공정을 관리하는 통계적 공적 관리(Statistical Process Control)에 기반하여 센서를 제어하는 방법이 연구되고 있다. 통계적 공정 관리를 위해 품질의 변동상황을 그래프로 나타내는 SPC 관리도가 이용되는데, SPC 관리도에서는 공정 품질의 임계치를 의미하는 관리 한계(control limit)가 정의된다. 즉, 공정 품질 수준이 관리 한계 범위에서 유지될 수 있도록, SPC 관리도를 통해 공정이 관리될 수 있다. 관리 한계는, 결국 센싱 데이터의 비교 대상인 임계값과 대응되는 개념이므로, 센서를 제어하기 위한 방법으로 통계적 공정 관리가 활용되고 있다.
SPC 관리도에는 슈하르트(Shewhart) 관리도, 누적합(CUSUM) 관리도 등이 있다. 슈하르트 관리도는 Shewhart(1931)에 의해 제안된 관리도로서 사용법이 간단하면서도 효율적이어서 가장 널리 사용되는 관리도이다. 누적합 관리도는 목표값에서 각 표본 값 편차의 누적합(CUSUM)을 표시하는 시간 가중 관리도이다.
관련 선행문헌으로, 대한민국 등록특허 제10-1896157호가 있다.
본 발명은 센싱값에 측정 오류가 포함되는 환경에서 보다 정확하게 이상 상태 발생 지점을 탐지할 수 있는 방법 및 학습 방법을 제공하기 위한 것이다.
상기한 목적을 달성하기 위한 본 발명의 일 실시예에 따르면, 미리 설정된 지점에 설치되며, 이상 상태를 감지하는 복수의 센서의 센싱값을 입력받는 단계; 및 상기 센싱값 및 통계적 공정 관리도를 이용하여, 상기 복수의 센서 중에서 이상 상태를 감지한 타겟 센서를 결정하는 단계; 상기 타겟 센서의 센싱값으로부터 파과 곡선을 추정하고, 상기 파과 곡선에 대한 통계값 및 넓이값을 생성하는 단계; 및 학습 데이터, 상기 통계값 및 넓이값을 이용하여, 상기 타겟 센서에 할당된 관할 지역에 포함된 후보 지점 중 적어도 하나를 이상 상태 발생 지점으로 예측하는 단계를 포함하는 기계 학습 기반의 이상 상태 발생 지점 탐지 방법이 제공된다.
또한 상기한 목적을 달성하기 위한 본 발명의 다른 실시예에 따르면, 미리 설정된 지점에 설치되며, 이상 상태를 감지하는 센서의 센싱값을 입력받는 단계; 및 상기 센싱값 및 통계적 공정 관리도를 이용하여, 상기 센서의 이상 상태 감지를 판단하는 단계; 상기 이상 상태가 감지된 시점 이후의 센싱값으로부터 파과 곡선을 추정하고, 상기 파과 곡선에 대한 통계값 및 넓이값을 생성하는 단계; 및 학습 데이터, 상기 통계값 및 넓이값을 이용하여, 상기 센서에 할당된 관할 지역에 포함된 후보 지점 중 적어도 하나를 이상 상태 발생 지점으로 예측하는 단계를 포함하는 기계 학습 기반의 이상 상태 발생 지점 탐지 방법이 제공된다.
또한 상기한 목적을 달성하기 위한 본 발명의 또 다른 실시예에 따르면, 미리 설정된 지점에 설치되며, 이상 상태를 감지하는 센서의 레퍼런스 센싱값을 입력받는 단계; 상기 레퍼런스 센싱값 및 통계적 공정 관리도를 이용하여, 상기 센서의 이상 상태 감지를 판단하는 단계; 상기 이상 상태가 감지된 시점 이후의 레퍼런스 센싱값으로부터 파과 곡선을 추정하고, 상기 파과 곡선에 대한 통계값 및 넓이값을 생성하는 단계; 및 상기 통계값 및 넓이값을 이용하여, 상기 센서에 할당된 관할 지역에 포함된 후보 지점 중 적어도 하나를 이상 상태 발생 지점으로 학습하는 단계를 포함하는 이상 상태 발생 지점의 탐지를 위한 학습 방법이 제공된다.
본 발명의 일실시예에 따르면, 통계적 공정 관리도를 이용하여 이상 상태를 감지함으로써, 센싱값에 측정 오류가 포함되는 환경에서도 정확하게 이상 상태 발생 시점을 탐지할 수 있다.
또한 본 발명의 일실시예에 따르면, 센싱값으로부터 추출된 특징값을 이용하여 학습을 수행함으로써, 학습에 소요되는 시간이 감소할 수 있다.
또한 본 발명의 일실시예에 따르면, 센서 별로 소규모의 관할 지역을 할당하고 관할 지역별로 학습 모델을 생성함으로써, 학습 효율을 높일 수 있다.
도 1은 본 발명의 일실시예에 따른 기계 학습 기반의 이상 상태 발생 지점 탐지 장치를 설명하기 위한 도면이다.
도 2는 본 발명의 일실시예에 따른 센서 위치와 이상 상태 발생 후보 지점 및 센서의 관할 지역을 도시하는 도면이다.
도 3은 본 발명의 일실시예에 따른 기계 학습 기반의 이상 상태 발생 지점 탐지 방법을 설명하기 위한 도면이다.
도 4는 본 발명의 일실시예에 따른 특징값을 설명하기 위한 도면이다.
도 5는 본 발명의 일실시예에 따른, 이상 상태 발생 지점의 탐지를 위한 학습 방법을 설명하기 위한 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
본 발명은 이상 상태 발생 지점을 감지하는 방법 및 학습 방법에 관한 발명으로서, 센서의 센싱값에 측정 오류가 포함되는 환경에서 보다 정확하기 위해, 일실시예로서 통계적 공정 관리도를 이용한다.
또한 센싱값을 그대로 이용하여 학습을 수행할 경우, 연산량이 증가하고 이상 상태 발생 지점을 감지하는데 소요되는 시간이 증가하기 때문에, 본 발명의 일실시예는 전처리를 통해 센싱값으로부터 특징값을 추출한 후 이러한 특징값을 이용하여 학습을 수행한다.
또한 하나의 센서의 센싱값으로부터 학습되는 후보 지점이 너무 많을 경우, 학습 효율이 떨어지는 만큼, 본 발명의 일실시예는 센서 별로 소규모의 관할 지역을 할당하고, 관할 지역에 포함된 후보 지점을 센싱값에 따른 이상 상태 발생 지점으로 학습하는 방법을 이용한다.
본 발명의 일실시예에서, 이상 상태 발생 지점은 수질 오염이 발생한 지점, 교통 사고가 발생한 지점 또는 공장 프로세스에서의 이상 상태 발생 지점 등일 수 있으며, 본 발명의 일실시예는 물의 흐름, 교통 흐름, 프로세스의 진행 흐름과 같이 특정 방향성을 나타내는 환경에 적용될 수 있다.
본 발명의 일실시예가 수질 오염 발생 지점을 탐지하는데 이용될 경우, 센서들은 강물에 설치되고 센싱값은 예를 들어 오염 물질의 농도 등에 대응될 수 있다. 또는 본 발명의 일실시예가 교통 사고 발생 지점을 탐지하는데 이용될 경우, 센서들은 도로 주위에 설치되고 센싱값은 차량의 속도나 차량 밀도 등에 대응될 수 있다. 또는 본 발명의 일실시예가 공장 프로세스에서의 이상 상태 발생 지점을 탐지하는데 이용될 경우, 센서들은 공정 라인 주위에 설치되고 센싱값은 공정 처리 시간이나 처리 속도 등에 대응될 수 있다.
본 발명의 일실시예에 따른 이상 상태 발생 지점 탐지 방법 및 학습 방법은 프로세서를 포함하는 컴퓨팅 장치에서 수행될 수 있으며, 이러한 컴퓨팅 장치는 데스크탑 PC, 노트북, 서버, 모바일 디바이스 또는 별도의 이상 상태 발생 지점 탐지 장치 및 학습 장치 등을 포함할 수 있다.
이하에서, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일실시예에 따른 기계 학습 기반의 이상 상태 발생 지점 탐지 장치를 설명하기 위한 도면이며, 도 2는 본 발명의 일실시예에 따른 센서 위치와 이상 상태 발생 후보 지점 및 센서의 관할 지역을 도시하는 도면이다.
도 1을 참조하면, 본 발명의 일실시예에 따른 이상 상태 발생 지점 탐지 장치는 이상 상태 감지부(110), 전처리부(120) 및 이상 상태 발생 지점 예측부(130)를 포함한다. 이상 상태 발생 지점 탐지 장치는 실시예에 따라서, 학습 모델 생성부(140)를 더 포함할 수 있으며, 또는 학습 모델 생성부(140)는 이상 상태 발생 지점 탐지 장치에 포함되지 않고, 별도의 학습 장치로 구성될 수 있다.
이상 상태 감지부(110)는 미리 설정된 지점에 설치되며, 이상 상태를 감지하는 복수의 센서의 센싱값을 입력받아, 센싱값 및 통계적 공정 관리도를 이용하여, 이상 상태를 감지하고, 복수의 센서 중 이상 상태를 감지한 타겟 센서를 결정한다.
일예로서, 도 2에 도시된 바와 같이, 6개의 센서(9, 19, 26, 33, 46, 53)가 하천의 미리 설정된 지점에 설치될 수 있으며, 이상 상태 감지부(110)는 이러한 6개의 센서(9, 19, 26, 33, 46, 53)로부터 센싱값을 입력받아 이상 상태를 감지할 수 있다. 그리고 6개의 센서(9, 19, 26, 33, 46, 53)의 센싱값 중 이상 상태가 감지된 센싱값을 생성한 센서를 타겟 센서로 결정할 수 있다. 도 2에서 화살표는 센서가 설치된 환경의 방향성을 나타내며, 일예로서 물의 흐르는 방향일 수 있다. 센서는 이러한 방향성에 기반하여 물이 흐르는 방향에 대응되도록 설치될 수 있다.
전처리부(120)는 타겟 센서의 센싱값으로부터 특징값을 추출하며 일실시예로서, 이러한 특징값은 타겟 센서의 센싱값으로부터 추정된 파과 곡선(breakthrough curve)에 대한 통계값 및 넓이값일 수 있다.
이상 상태 발생 지점 예측부(130)는 전처리부(120)에서 추출된 통계값 및 넓이값과 함께 학습 데이터를 이용하여, 타겟 센서에 할당된 관할 지역에 포함된 후보 지점 중 적어도 하나를 이상 상태 발생 지점으로 예측한다. 도 2에 도시된 바와 같이, 6개의 센서(9, 19, 26, 33, 46, 53) 별로 관할 지역(210 내지 260)이 할당되며, 이러한 관할 지역에는 이상 상태 발생 후보 지점이 미리 설정된다. 예컨대, 제1센서(9)가 타겟 센서로 결정된 경우, 이상 상태 발생 지점 예측부(130)는 제1센서의 관할 지역(260)의 13개 후보 지점(1 내지 8, 10 내지 14) 중에서 적어도 하나를 이상 상태 발생 지점으로 예측할 수 있다. 도 2에서 빗금친 원은 센서를 나타내며, 음영 처리된 원은 후보 지점을 나타낸다.
학습 데이터는 학습 모델 생성부(140)에 의해 제공될 수 있으며, 일예로서, 학습 데이터는 인공 신경망일 수 있다. 학습 모델 생성부(140)는 훈련 데이터로서, 전처리부(120)에서 생성된 센싱값에 대한 통계값 및 넓이값을 이용할 수 있다. 인공 신경망에 후보 지점에 대한 통계값 및 넓이값이 입력되고, 이러한 후보 지점의 이상 상태 발생 여부가 레이블(label)로 제공될 수 있다.
즉, 학습 데이터는 훈련 데이터인 후보 지점별 통계값 및 넓이값에 대한 이상 상태 발생 지점이 학습된 데이터로서, 이상 상태 발생 지점 예측부(130)는 이러한 학습 데이터와 전처리부(120)에서 추출된 통계값 및 넓이값을 이용하여, 타겟 센서의 관할 지역에 포함된 후보 지점 중 적어도 하나를 이상 상태 발생 지점으로 예측할 수 있다.
예컨대, 타겟 센서(9)의 센싱값으로부터 얻어진 특징값의 패턴이, 이상 상태가 발생한 것으로 레이블링된 제1후보 지점(1)에서의 훈련 데이터의 패턴과 유사하다면, 이상 상태 발생 지점 예측부(130)는 제1후보 지점(1)을 이상 상태 발생 지점으로 예측할 수 있다.
학습 모델 생성부(140)는 센서 즉, 관할 지역별로 학습 모델, 즉 인공 신경망을 생성할 수 있으며, 이상 상태 발생 지점 예측부(130)는 타겟 센서에 대응되는 학습 모델을 이용하여, 관할 지역에 포함된 후보 지점 중 적어도 하나를 이상 상태 발생 지점으로 예측할 수 있다.
이하에서는, 이상 상태 발생 지점 탐지 방법 및 이상 상태 발생 지점의 탐지를 위한 학습 방법이 보다 자세히 설명되며, 도 1의 이상 상태 발생 지점 탐지 및 학습 장치에서 수행되는 방법이 일실시예로서 설명된다.
도 3은 본 발명의 일실시예에 따른 기계 학습 기반의 이상 상태 발생 지점 탐지 방법을 설명하기 위한 도면이며, 도 4는 본 발명의 일실시예에 따른 특징값을 설명하기 위한 도면이다.
본 발명의 일실시예에 따른 이상 상태 발생 지점 탐지 장치는 미리 설정된 지점에 설치되며, 이상 상태를 감지하는 복수의 센서의 센싱값을 수신(S310) 즉, 입력받는다. 센서는 미리 설정된 방향성에 기반하여 설치될 수 있다.
그리고 이상 상태 발생 지점 탐지 장치는 입력된 센싱값 및 통계적 공정 관리도를 이용하여, 복수의 센서 중에서 이상 상태를 감지한 타겟 센서를 결정(S320)한다. 일실시예로서, 센서의 배치 및 관리 영역과 후보 지점의 설정은 도 2와 같이 이루어질 수 있다.
단계 S320에서 이상 상태 발생 지점 탐지 장치는 일실시예로서, 통계적 공정 관리도 중에 누적합 관리도(CUSUM chart)를 이용하여, 타겟 센서를 결정할 수 있다. 이 경우 이상 상태 발생 지점 탐지 장치는 미리 설정된 관리 시간 길이의 윈도우에 포함되는 센싱값을, 센서별 그리고 윈도우별로 누적합하며, 누적합 결과를 통계적 공정 관리도의 관리 한계와 비교하여, 타겟 센서를 결정한다.
도 4는 시간의 흐름에 따른 센싱값의 분포와 함께 추정된 파과 곡선을 도시하는 도면으로서, 도 4에 도시된 바와 같이, 이상 상태 발생 지점 탐지 장치는 미리 설정된 시간 길이만큼 오버랩된 윈도우(410) 구간에 포함되는 센싱값을 누적합하고, 누적합 결과가 관리 한계 이상인 시점(
Figure 112019106291777-pat00001
)에서, 이상 상태가 발생한 것으로 판단한다. 그리고, 이상 상태가 감지된 센싱값을 생성한 센서를 타겟 센서로 결정할 수 있다.
관리 한계는, 사용자에 의해 설정되는 오경보율(falss alarm rate)에 따라서 결정된다. 오경보율은 사용자에 의해 설정되는 값으로서, 센싱값이 관리 한계를 넘어서는 비율을 나타낸다. 즉, 오경보율이 낮다는 것은 센싱값이 관리 한계를 넘어서는 비율이 적도록 설정되는 것이므로, 센싱값이 급격히 변해야지만 주변 상황의 변화가 인지될 수 있으며, 상황 변화 인지에 오랜 시간이 소요될 수 있다. 반대로 오경보율이 높다는 것은 센싱값이 관리 한계를 넘어서는 비율이 높도록 설정되는 것이므로, 센싱값이 조금만 변하더라도 주변 상황의 변화가 인지될 수 있지만, 센서의 민감성이 높아져 신뢰도가 낮아질 수 있다. 다시 설명하면, 오경보율이 낮을 경우 관리 한계가 높게 설정되고, 오경보율이 높을 경우 관리 한계가 낮게 설정될 수 있다.
그리고 관리 시간 길이는 센서가 설치되는 환경에 따라서 다르게 설정될 수 있다. 일실시예로서, 센서가 하천에 설치되는 수질 오염 센서인 경우, 관리 시간 길이는 하천의 유속에 따라서 결정될 수 있다. 하천의 유속이 빠를수록 관리 시간 길이는 길어질 수 있다.
이상 상태가 감지된 이후, 이상 상태 발생 지점 탐지 장치는 타겟 센서의 센싱값으로부터 파과 곡선을 추정하고, 파과 곡선에 대한 통계값 및 넓이값을 생성(S230)한다. 일실시예로서, 이상 상태 발생 지점을 탐지한기 위한 통계값은 통계 모멘트(적률) 값일 수 있다.
도 4를 참조하면, 단계 S230에서, 이상 상태 발생 지점 탐지 장치는 타겟 센서의 센싱값을 피팅(fitting)하여 파과 곡선을 생성하고, 파괴 곡선의 이상 상태가 감지된 시점인 제1시점(
Figure 112019106291777-pat00002
)에서, 제2시점(
Figure 112019106291777-pat00003
) 사이에서 통계값 및 넓이값을 생성한다. 제2시점은 제1시점에서의 센싱값보다 작은 센싱값이 미리 설정된 발생 횟수(l)만큼 연속적으로 발생한 시점일 수 있다. 이러한 제2시점을 수학적으로 표현하면 [수학식 1]과 같다.
Figure 112019106291777-pat00004
여기서,
Figure 112019106291777-pat00005
는 타겟 센서의 센싱값,
Figure 112019106291777-pat00006
는 제1시점에서의 센싱값을 나타내며, p는 타겟 센서의 센싱값에 대한 인덱스를 나타낸다.
센싱값에는 측정 오류가 포함될 수 있으므로, 이상 상태 발생 지점 탐지 장치는 센싱값이 제1시점에서의 센싱값보다 바로 작아지는 시점을 제2시점으로 이용하지 않고, 제1시점에서의 센싱값보다 작은 센싱값이 미리 설정된 발생 횟수만큼 연속적으로 발생한 시점을 제2시점으로 이용한다.
이러한 발생 횟수는 센싱값의 오류 표준편차에 따라서 결정될 수 있으며, 센싱값의 오류 표준편차는 센서의 특성이나 센서가 설치되는 환경에 따라서 미리 주어질 수 있다. 일예로서, 발생 횟수는 센싱값의 오류 표준편차가 클수록 증가할 수 있다. 다시 말해, 센싱값의 오류 표준편차가 클수록 제2시점과 제1시점 사이의 거리는 멀어질 수 있다.
이상 상태 발생 지점 탐지 장치는 학습 데이터, 통계값 및 넓이값을 이용하여, 타겟 센서에 할당된 관할 지역에 포함된 후보 지점 중 적어도 하나를 이상 상태 발생 지점으로 예측(S240)한다.
학습 데이터는 학습된 인공 신경망일 수 있으며, 이러한 인공 신경망은 관할 지역별로 생성된 신경망일뿐만 아니라 일실시예로서, 관리 시간 길이 별로 생성된 신경망일 수도 있다. 즉, 하나의 관할 지역에 대해, 서로 다른 관리 시간 길이 별로 생성된 훈련 데이터에 의해 학습된 인공 신경망이, 복수개 생성될 수 있으며, 이상 상태 발생 지점 탐지 장치는 단계 S220에서 이용된 관리 시간 길이에 대응되는 인공 신경망을 이용하여, 이상 상태 발생 지점을 예측할 수 있다.
한편, 실시예에 따라서, 하나의 센서가 설치되어 이상 상태 발생 지점이 탐지될 수 있으며, 이 경우, 본 발명의 일실시예에 따른 이상 상태 발생 지점 탐지 방법은 미리 설정된 지점에 설치되며, 이상 상태를 감지하는 센서의 센싱값을 입력받는 단계; 및 입력된 센싱값 및 통계적 공정 관리도를 이용하여, 센서의 이상 상태 감지를 판단하는 단계; 판단 결과 이상 상태가 감지된 시점 이후의 센싱값으로부터 파과 곡선을 추정하고, 추정된 파과 곡선에 대한 통계값 및 넓이값을 생성하는 단계; 학습 데이터, 생성된 통계값 및 넓이값을 이용하여, 센서에 할당된 관할 지역에 포함된 후보 지점 중 적어도 하나를 이상 상태 발생 지점으로 예측하는 단계를 포함할 수 있다.
도 5는 본 발명의 일실시예에 따른, 이상 상태 발생 지점의 탐지를 위한 학습 방법을 설명하기 위한 도면이다. 도 5에서는 훈련 데이터로 이용되는 센싱값이 레퍼런스 센싱값으로 표현되었다.
도 5를 참조하면, 본 발명의 일실시예에 따른 학습 장치는, 미리 설정된 지점에 설치되며, 이상 상태를 감지하는 센서의 레퍼런스 센싱값을 수신(S510) 즉, 입력받는다. 레퍼런스 센싱값은 실제 센서의 센싱값이거나 또는 시뮬레이션을 통해 얻어진 다양한 센싱값일 수 있다.
학습 장치는, 레퍼런스 센싱값 및 통계적 공정 관리도를 이용하여, 센서의 이상 상태 감지를 판단(S520)하고, 이상 상태가 감지된 시점 이후의 레퍼런스 센싱값으로부터 파과 곡선을 추정하고, 파과 곡선에 대한 통계값 및 넓이값을 생성(S530)한다. 그리고 통계값 및 넓이값을 이용하여, 센서에 할당된 관할 지역에 포함된 후보 지점 중 적어도 하나를 이상 상태 발생 지점으로 학습(S540)한다.
단계 S520에서 학습 장치는 미리 설정된 관리 시간 길이의 윈도우에 포함되는 레퍼런스 센싱값을, 윈도우 별로 누적합하고, 누적합 결과를 통계적 공정 관리도의 관리 한계와 비교하여, 이상 상태 감지를 판단한다. 센서가 하천에 설치되는 수질 오염 센서일 경우, 관리 시간 길이는, 하천의 유속에 따라서 결정될 수 있다.
단계 S530에서, 학습 장치는 파과 곡선의 제1시점 및 제2시점 사이에서의 통계값 및 넓이값을 생성한다. 제1시점은, 이상 상태가 감지된 시점이며, 제2시점은, 제1시점에서의 센싱값보다 작은 센싱값이 미리 설정된 발생 횟수만큼 연속적으로 발생한 시점일 수 있다. 통계값은 일실시예로서, 적률값일 수 있으며, 발생 횟수는 레퍼런스 센싱값의 오류 표준편차에 따라서 결정될 수 있다.
단계 S540에서, 학습 장치는 인공 신경망을 이용하여 학습을 수행할 수 있다. 훈련 데이터인 통계값 및 넓이값은 후보 지점 별로 주어지며, 단계 S520에서의 판단 결과에 따라서, 이상 상태가 감지된 경우의 훈련 데이터 뿐만 아니라, 이상 상태가 감지되지 않은 경우의 훈련 데이터 역시 학습에 이용된다.
또한 학습 장치는 일실시예로서, 관리 시간 길이에 따라서 서로 다른 인공 신경망을 이용하여 학습을 수행할 수 있다. 즉, 이용되는 관리 시간 길이의 개수에 대응되는 개수의 인공 신경망이 생성될 수 있다.
앞서 설명한 기술적 내용들은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예들을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 하드웨어 장치는 실시예들의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.

Claims (12)

  1. 미리 설정된 지점에 설치되며, 이상 상태를 감지하는 복수의 센서의 센싱값을 입력받는 단계; 및
    상기 센싱값 및 통계적 공정 관리도를 이용하여, 상기 복수의 센서 중에서 이상 상태를 감지한 타겟 센서를 결정하는 단계;
    상기 타겟 센서의 센싱값으로부터 파과 곡선을 추정하고, 상기 파과 곡선에 대한 통계값 및 넓이값을 생성하는 단계; 및
    학습 데이터, 상기 통계값 및 넓이값을 이용하여, 상기 타겟 센서에 할당된 관할 지역에 포함된 후보 지점 중 적어도 하나를 이상 상태 발생 지점으로 예측하는 단계를 포함하며,
    상기 파과 곡선에 대한 통계값 및 넓이값을 생성하는 단계는
    상기 파과 곡선의 제1시점 및 제2시점 사이에서 상기 통계값 및 넓이값을 생성하며,
    상기 제1시점은, 상기 이상 상태가 감지된 시점이며,
    상기 제2시점은, 상기 제1시점에서의 센싱값보다 작은 센싱값이 미리 설정된 발생 횟수만큼 연속적으로 발생한 시점인,
    기계 학습 기반의 이상 상태 발생 지점 탐지 방법.
  2. 제 1항에 있어서,
    상기 타겟 센서를 결정하는 단계는
    미리 설정된 관리 시간 길이의 윈도우에 포함되는 센싱값을, 상기 윈도우 별로 누적합하는 단계; 및
    상기 누적합 결과를 상기 통계적 공정 관리도의 관리 한계와 비교하여, 상기 타겟 센서를 결정하는 단계
    를 포함하는 기계 학습 기반의 이상 상태 발생 지점 탐지 방법.
  3. 제 2항에 있어서,
    상기 센서는 하천에 설치되는 수질 오염 센서이며,
    상기 관리 시간 길이는, 상기 하천의 유속에 따라서 결정되는
    기계 학습 기반의 이상 상태 발생 지점 탐지 방법.
  4. 삭제
  5. 제 1항에 있어서,
    상기 발생 횟수는
    상기 센싱값의 오류 표준편차에 따라서 결정되는
    기계 학습 기반의 이상 상태 발생 지점 탐지 방법.
  6. 제 1항에 있어서,
    상기 센서는
    미리 설정된 방향성에 기반하여 설치되는 센서인
    기계 학습 기반의 이상 상태 발생 지점 탐지 방법.
  7. 미리 설정된 지점에 설치되며, 이상 상태를 감지하는 복수의 센서의 센싱값을 입력받는 단계; 및
    상기 센싱값 및 통계적 공정 관리도를 이용하여, 상기 복수의 센서 중에서 이상 상태를 감지한 타겟 센서를 결정하는 단계;
    상기 타겟 센서의 센싱값으로부터 파과 곡선을 추정하고, 상기 파과 곡선에 대한 통계값 및 넓이값을 생성하는 단계; 및
    학습 데이터, 상기 통계값 및 넓이값을 이용하여, 상기 타겟 센서에 할당된 관할 지역에 포함된 후보 지점 중 적어도 하나를 이상 상태 발생 지점으로 예측하는 단계를 포함하며,
    상기 타겟 센서를 결정하는 단계는
    미리 설정된 관리 시간 길이의 윈도우에 포함되는 센싱값을, 상기 윈도우 별로 누적합하는 단계; 및
    상기 누적합 결과를 상기 통계적 공정 관리도의 관리 한계와 비교하여, 상기 타겟 센서를 결정하는 단계를 포함하며,
    상기 센서는 하천에 설치되는 수질 오염 센서이며,
    상기 관리 시간 길이는, 상기 하천의 유속에 따라서 결정되는
    기계 학습 기반의 이상 상태 발생 지점 탐지 방법.
  8. 미리 설정된 지점에 설치되며, 이상 상태를 감지하는 센서의 레퍼런스 센싱값을 입력받는 단계;
    상기 레퍼런스 센싱값 및 통계적 공정 관리도를 이용하여, 상기 센서의 이상 상태 감지를 판단하는 단계;
    상기 이상 상태가 감지된 시점 이후의 레퍼런스 센싱값으로부터 파과 곡선을 추정하고, 상기 파과 곡선에 대한 통계값 및 넓이값을 생성하는 단계; 및
    상기 통계값 및 넓이값을 이용하여, 상기 센서에 할당된 관할 지역에 포함된 후보 지점 중 적어도 하나를 이상 상태 발생 지점으로 학습하는 단계를 포함하며,
    상기 파과 곡선에 대한 통계값 및 넓이값을 생성하는 단계는
    상기 파과 곡선의 제1시점 및 제2시점 사이에서의 상기 통계값 및 넓이값을 생성하며,
    상기 제1시점은, 상기 이상 상태가 감지된 시점이며,
    상기 제2시점은, 상기 제1시점에서의 센싱값보다 작은 센싱값이 미리 설정된 발생 횟수만큼 연속적으로 발생한 시점인,
    이상 상태 발생 지점의 탐지를 위한 학습 방법.
  9. 제 8항에 있어서,
    상기 센서의 이상 상태 감지 여부를 판단하는 단계는
    미리 설정된 관리 시간 길이의 윈도우에 포함되는 레퍼런스 센싱값을, 상기 윈도우 별로 누적합하는 단계; 및
    상기 누적합 결과를 상기 통계적 공정 관리도의 관리 한계와 비교하여, 상기 이상 상태 감지를 판단하는 단계
    를 포함하는 이상 상태 발생 지점의 탐지를 위한 학습 방법.
  10. 제 9항에 있어서,
    상기 센서는 하천에 설치되는 수질 오염 센서이며,
    상기 관리 시간 길이는, 상기 하천의 유속에 따라서 결정되며,
    상기 센서에 할당된 관할 지역에 포함된 후보 지점 중 적어도 하나를 이상 상태 발생 지점으로 학습하는 단계는
    상기 관리 시간 길이에 따라서 서로 다른 인공 신경망을 이용하여 학습을 수행하는
    이상 상태 발생 지점의 탐지를 위한 학습 방법.
  11. 삭제
  12. 제 8항에 있어서,
    상기 발생 횟수는
    상기 레퍼런스 센싱값의 오류 표준편차에 따라서 결정되는
    이상 상태 발생 지점의 탐지를 위한 학습 방법.
KR1020190129551A 2019-10-18 2019-10-18 기계 학습 기반의 이상 상태 발생 지점 탐지 방법 및 이상 상태 발생 지점의 탐지를 위한 학습 방법 KR102307373B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190129551A KR102307373B1 (ko) 2019-10-18 2019-10-18 기계 학습 기반의 이상 상태 발생 지점 탐지 방법 및 이상 상태 발생 지점의 탐지를 위한 학습 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190129551A KR102307373B1 (ko) 2019-10-18 2019-10-18 기계 학습 기반의 이상 상태 발생 지점 탐지 방법 및 이상 상태 발생 지점의 탐지를 위한 학습 방법

Publications (2)

Publication Number Publication Date
KR20210046149A KR20210046149A (ko) 2021-04-28
KR102307373B1 true KR102307373B1 (ko) 2021-09-29

Family

ID=75720900

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190129551A KR102307373B1 (ko) 2019-10-18 2019-10-18 기계 학습 기반의 이상 상태 발생 지점 탐지 방법 및 이상 상태 발생 지점의 탐지를 위한 학습 방법

Country Status (1)

Country Link
KR (1) KR102307373B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101896157B1 (ko) * 2016-11-23 2018-09-07 한양대학교 산학협력단 통계적 공정 관리에 기반한 센서 제어 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102048519B1 (ko) * 2018-03-20 2019-11-25 한양대학교 산학협력단 기계 학습 기반의 이상 상태 발생 지점 탐지 방법 및 이상 상태 발생 지점의 탐지를 위한 학습 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101896157B1 (ko) * 2016-11-23 2018-09-07 한양대학교 산학협력단 통계적 공정 관리에 기반한 센서 제어 방법

Also Published As

Publication number Publication date
KR20210046149A (ko) 2021-04-28

Similar Documents

Publication Publication Date Title
CN112085947B (zh) 一种基于深度学习和模糊聚类的交通拥堵预测方法
Kim et al. Vision-based nonintrusive context documentation for earthmoving productivity simulation
Cetin et al. Short-term traffic flow prediction with regime switching models
CN103473540B (zh) 智能交通系统车辆轨迹增量式建模与在线异常检测方法
KR102009574B1 (ko) 하천에서의 홍수범람 대응 관리 방법 및 하천에서의 홍수범람 대응 관리 시스템
US9146800B2 (en) Method for detecting anomalies in a time series data with trajectory and stochastic components
KR101463425B1 (ko) 시계열 예측 모델을 이용한 이상관측자료 탐지 방법 및 지하수위의 이상관측자료 탐지 방법
CN112435469B (zh) 车辆预警控制方法、装置、计算机可读介质及电子设备
Sheikh et al. A complex network analysis approach for estimation and detection of traffic incidents based on independent component analysis
Jiao et al. End-to-end uncertainty-based mitigation of adversarial attacks to automated lane centering
Zeng et al. Automated operational modal analysis using variational Gaussian mixture model
CN114093171B (zh) 基于多源数据融合的交通运行状态监测方法及装置
Li et al. Implicit Kalman filtering method for remaining useful life prediction of rolling bearing with adaptive detection of degradation stage transition point
Harrou et al. Traffic congestion detection based on hybrid observer and GLR test
JP7004068B2 (ja) 料金制御システム、料金制御装置、料金制御方法、及びプログラム
KR102307373B1 (ko) 기계 학습 기반의 이상 상태 발생 지점 탐지 방법 및 이상 상태 발생 지점의 탐지를 위한 학습 방법
KR102048519B1 (ko) 기계 학습 기반의 이상 상태 발생 지점 탐지 방법 및 이상 상태 발생 지점의 탐지를 위한 학습 방법
Kubota et al. Autopilot model for shield tunneling machines using support vector regression and its application to previously constructed tunnels
KR20220055335A (ko) 교통 정보 예측 장치 및 교통 정보 예측 방법
Billot et al. Integrating the impact of rain into traffic management: online traffic state estimation using sequential Monte Carlo techniques
WO2015039693A1 (en) Method and system for data quality assessment
CN116245838A (zh) 一种岩土勘探行为的监测方法、监测装置、设备及介质
Oh et al. Anonymous vehicle tracking for real-time traffic surveillance and performance on signalized arterials
Sun et al. A data-driven framework for tunnel infrastructure maintenance
Huo et al. Traffic anomaly detection method based on improved GRU and EFMS-Kmeans clustering

Legal Events

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