KR102313465B1 - 멀티 센서 기반 모바일 대기 상태 상황인지 고지 시스템 및 방법 - Google Patents
멀티 센서 기반 모바일 대기 상태 상황인지 고지 시스템 및 방법 Download PDFInfo
- Publication number
- KR102313465B1 KR102313465B1 KR1020190179203A KR20190179203A KR102313465B1 KR 102313465 B1 KR102313465 B1 KR 102313465B1 KR 1020190179203 A KR1020190179203 A KR 1020190179203A KR 20190179203 A KR20190179203 A KR 20190179203A KR 102313465 B1 KR102313465 B1 KR 102313465B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- sensor
- environment
- living
- air quality
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 22
- 238000007405 data analysis Methods 0.000 claims abstract description 49
- 238000013480 data collection Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000010219 correlation analysis Methods 0.000 claims abstract description 10
- 238000009423 ventilation Methods 0.000 claims description 20
- 239000000428 dust Substances 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 238000005259 measurement Methods 0.000 claims description 11
- 238000013499 data model Methods 0.000 claims description 10
- 239000003344 environmental pollutant Substances 0.000 claims description 10
- 231100000719 pollutant Toxicity 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 238000004887 air purification Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 5
- 238000000611 regression analysis Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 20
- 239000007789 gas Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 11
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 11
- 229910002091 carbon monoxide Inorganic materials 0.000 description 11
- 230000000875 corresponding effect Effects 0.000 description 11
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 101100323157 Arabidopsis thaliana LAP1 gene Proteins 0.000 description 5
- 239000012855 volatile organic compound Substances 0.000 description 5
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 4
- 238000003915 air pollution Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000000780 augmented Dickey–Fuller test Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003905 indoor air pollution Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 206010015946 Eye irritation Diseases 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 239000000809 air pollutant Substances 0.000 description 1
- 231100001243 air pollutant Toxicity 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003891 environmental analysis Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007794 irritation Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- WSFSSNUMVMOOMR-NJFSPNSNSA-N methanone Chemical compound O=[14CH2] WSFSSNUMVMOOMR-NJFSPNSNSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004400 mucous membrane Anatomy 0.000 description 1
- 229910000069 nitrogen hydride Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012536 packaging technology Methods 0.000 description 1
- 239000013618 particulate matter Substances 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
Landscapes
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Environmental Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- General Physics & Mathematics (AREA)
- Atmospheric Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Air Conditioning Control Device (AREA)
Abstract
본 발명의 일 실시예에 따른 멀티 센서 기반 모바일 대기 상태 상황인지 고지 시스템은 멀티 센서가 설치된 생활 공간의 내부 환경에 관한 센싱 데이터를 상기 멀티 센서로부터 수집하고, 상기 생활 공간에 해당하는 지역의 외부 환경을 나타내는 기상청 데이터를 기상청 서버로부터 수집하는 데이터 수집부; 상기 센싱 데이터 및 상기 기상청 데이터에 대한 상관도 분석을 통하여 상기 생활 공간의 내부 환경에 영향을 주는 오염 요인 변수를 도출하고, 상기 도출된 오염 요인 변수에 기초하여 상기 생활 공간의 생활 환경 공기질을 분석하는 빅데이터 분석부; 및 상기 생활 환경 공기질의 분석 결과에 기초하여 상기 생활 공간의 생활 환경 상황을 인지하는 상황 인지부를 포함한다.
Description
본 발명의 실시예들은 멀티 센서에 기반하여 대기 상태를 상황 인지하고 이를 모바일로 고지할 수 있는 시스템 및 방법에 관한 것이다.
최근 수십년에 걸쳐 실내 공기질(IAQ: Indoor Air Quality)에 대한 관심이 증가하고 있다. 이러한 관심은 점막의 자극 또는 건조, 버닝 아이(burning eyes), 피로로 인한 두통과 같은, 특정되지 않은 증상에 대해 불평하는 다양한 실내 환경의 거주자의 보고에 의해 초기에 촉발되었다. 어떤 경우에 이들 증상들은 포름알데히드와 같은, 실내 공기의 특정 오염 물질의 높은 농도와 관련될 수 있기 때문에, 사람들이 나쁜 실내 공기질에 대해 불평할 때마다 기후 조건 및 실내의 공기의 오염 물질을 측정하고 결정하는데 대한 관심이 증가하였다.
현재 많은 국가에서 대기환경오염 만큼 실내 공기오염에도 관심이 증가하는 추세이고, 실내의 공기질 측정 및 각 플랫폼에서 측정한 데이터를 전송하는 사물 인터넷(IoT) 기반 기술과 데이터 분석 기술이 다양하게 연구되고 있다. 그리고 이러한 기술을 바탕으로 사물 인터넷 기반 실내 공기질 측정 및 분석 플랫폼 또한 다양하게 개발되는 추세이다. 이러한 플랫폼은 수집된 공기질 데이터를 분석하여 사용자에게 분석 결과를 제공하는 것에 중점을 두고 있으며, 센서의 정확도가 조금 부족하더라도 사용자에게 실시간으로 현재 공기질에 대한 알림을 제공하여 환기 및 대처를 유도하는 것이 중요하다.
실외의 경우 국내 및 국외 각각의 통합 공기질 지수로 대기 오염도의 측정치를 표현하며 1시간에서 24시간 주기의 측정 데이터를 기반으로 산출한다. 그러나 국내 및 국외에서 사용되는 통합대기환경지수는 공기질 변화에 대한 실시간 공기질지수 산출이 어렵다. 그리고 이러한 플랫폼에서는 각 센서에 의해 이상치가 발생할 수 있기 때문에, 지수 산출 시 실제 측정값을 기반으로 이상치를 평활화하여 측정값을 보정할 필요가 있다.
또한 실내의 경우 통합된 공기질에 대해 아직 정해진 알림 지수가 없고, 오염된 공기가 한정된 공간에서 순환하기 때문에 지속적인 오염도가 높으며 실외보다 더 빠른 실시간 실내 공기질 알림 지수 산출이 필요하다. 그리고 기존 통합공기질 지수는 해당 시간 측정 데이터의 평균을 사용하여 지수를 산출하였으나 이는 실시간으로 공기질 지수를 표현하는데 한계가 있다.
실내 공기질(IAQ)에 대한 관심이 증가하는 것에 부가하여, 사물 인터넷 및 센서 기술의 발전은 소형의 저가 실내 공기질 모니터링 시스템의 발전을 가능하게 하였다. 이들 시스템들은 실시간으로 다양한 실내 공기 오염 물질을 모니터링할 수 있어서 사람들이 실시간으로 현재의 공기질을 식별함으로써 배출 또는 공기 청정 시스템을 사용하여 실내 공기를 정화하게 할 수 있다. 하지만, 대부분의 실내 공기질 모니터링 시스템들은 대응하는 오염 물질의 센싱된 값의 양을 수치로서 제시하기 때문에, 전문가뿐만 아니라 일반 사용자들은 공기가 얼마나 오염되었는지 또는 각 오염 물질의 오염 기준이 무엇인지를 식별하기가 어렵다.
기존에는 센서가 설치된 실내 공간 내부의 센싱 데이터로는 외부 환경 요인에 의한 상황인지 오류 발생 여지가 있었으며, 센서가 설치된 실내 공간에서 특정 활동 없이 외부 환기를 통한 오염도 증가가 가능한 문제가 있었다.
관련 선행기술로는 대한민국 등록특허공보 제10-1771053호(발명의 명칭: 실시간 통합 실내 공기질 알림지수 결정 방법 및 장치, 등록일자: 2017.08.18.)가 있다.
본 발명의 일 실시예는 멀티 센서에 의해 측정된 센싱 데이터(VOC, 초미세먼지, 일산화탄소, 이산화황, 이산화질소, 온도, 습도 등)의 상황인지를 통해 공기질 분석에 따른 대기 상태를 모바일로 고지하여 제공할 수 있는 멀티 센서 기반 모바일 대기 상태 상황인지 고지 시스템 및 방법을 제공한다.
본 발명이 해결하고자 하는 과제는 이상에서 언급한 과제(들)로 제한되지 않으며, 언급되지 않은 또 다른 과제(들)은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따른 멀티 센서 기반 모바일 대기 상태 상황인지 고지 시스템은 멀티 센서가 설치된 생활 공간의 내부 환경에 관한 센싱 데이터를 상기 멀티 센서로부터 수집하고, 상기 생활 공간에 해당하는 지역의 외부 환경을 나타내는 기상청 데이터를 기상청 서버로부터 수집하는 데이터 수집부; 상기 센싱 데이터 및 상기 기상청 데이터에 대한 상관도 분석을 통하여 상기 생활 공간의 내부 환경에 영향을 주는 오염 요인 변수를 도출하고, 상기 도출된 오염 요인 변수에 기초하여 상기 생활 공간의 생활 환경 공기질을 분석하는 빅데이터 분석부; 및 상기 생활 환경 공기질의 분석 결과에 기초하여 상기 생활 공간의 생활 환경 상황을 인지하는 상황 인지부를 포함한다.
상기 빅데이터 분석부는 상기 기상청 데이터 및 상기 센싱 데이터에 대하여 지도학습(supervised learning) 회귀분석 알고리즘을 이용한 빅데이터 분석을 수행하고, 상기 빅데이터 분석의 결과 및 상기 도출된 오염 요인 변수에 기초하여 상기 생활 공간의 생활 환경 공기질을 분석할 수 있다.
상기 빅데이터 분석부는 AI 기반 센서 보정 알고리즘을 이용하여 신호 간섭 및 온/습도에 의한 상기 멀티 센서의 측정 오차를 보정하되, 상기 AI 기반 센서 보정 알고리즘은 상기 멀티 센서로부터 수집된 센싱 데이터를 입력받기 위한 입력 레이어(Input Layer); 상기 입력 레이어의 입력 개수에 대응하는 개수의 레이어를 구비하며, 각 레이어는 상기 입력 레이어에 의해 입력된 센싱 데이터 각각을 전달받아 상기 측정 오차를 보정하기 위한 복수개의 뉴런을 포함하는 히든 레이어(Hidden Layer); 및 상기 보정된 센싱 데이터를 상기 입력 레이어의 입력 개수에 대응하는 개수만큼 출력하는 출력 레이어(Output Layer)를 포함할 수 있다.
상기 빅데이터 분석부는 상기 오염 요인 변수와 관련하여 미리 설정된 데이터 모델에 난수(Random Number)를 생성하고, 상기 난수가 생성된 데이터 모델을 기준으로, 상기 센싱 데이터와 관련한 샘플링 데이터셋(Sampling Dataset) 및 개방형 API를 통해 수집된 상기 기상청 데이터를 조합하여 빅데이터 분석에 필요한 새로운 데이터셋을 구축할 수 있다.
상기 멀티 센서는 온/습도 센서, 가스 센서 어레이, 미세먼지 처리칩, 다채널 아날로그 신호처리 회로, 다채널 ADC(Analog Digital Converter), 및 MCU(Micro Controller Unit)를 포함하는 환경감지 융합센서 모듈로 구성될 수 있다.
본 발명의 일 실시예에 따른 멀티 센서 기반 모바일 대기 상태 상황인지 고지 방법은 서비스 서버의 데이터 수집부가 멀티 센서가 설치된 생활 공간의 내부 환경에 관한 센싱 데이터를 상기 멀티 센서로부터 수집하는 단계; 상기 데이터 수집부가 상기 생활 공간에 해당하는 지역의 외부 환경을 나타내는 기상청 데이터를 기상청 서버로부터 수집하는 단계; 상기 서비스 서버의 빅데이터 분석부가 상기 센싱 데이터 및 상기 기상청 데이터에 대한 상관도 분석을 통하여 상기 생활 공간의 내부 환경에 영향을 주는 오염 요인 변수를 도출하는 단계; 상기 빅데이터 분석부가 상기 도출된 오염 요인 변수에 기초하여 상기 생활 공간의 생활 환경 공기질을 분석하는 단계; 및 상기 서비스 서버의 상황 인지부가 상기 생활 환경 공기질의 분석 결과에 기초하여 상기 생활 공간의 생활 환경 상황을 인지하는 단계를 포함한다.
기타 실시예들의 구체적인 사항들은 상세한 설명 및 첨부 도면들에 포함되어 있다.
본 발명의 일 실시예에 따르면, 멀티 센서에 의해 측정된 센싱 데이터(VOC, 초미세먼지, 일산화탄소, 이산화황, 이산화질소, 온도, 습도 등)의 상황인지를 통해 공기질 분석에 따른 대기 상태를 모바일로 고지하여 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 멀티 센서 기반 모바일 대기 상태 상황인지 고지 시스템의 네트워크 구성도이다.
도 2는 도 1의 서비스 서버의 상세 구성을 설명하기 위해 도시한 블록도이다.
도 3은 도 1의 멀티 센서를 나타낸 상세 구성도이다.
도 4는 본 발명의 일 실시예에 따른 빅데이터 분석에 이용되는 AI 기반 센서 보정 알고리즘의 구조를 도시한 도면이다.
도 5 내지 도 16은 본 발명의 일 실시예에 따른 멀티 센서 기반 모바일 대기 상태 상황인지 고지 시스템에 대한 실험 및 그 결과를 설명하기 위해 도시한 도면이다.
도 17은 본 발명의 일 실시예에 따른 멀티 센서 기반 모바일 대기 상태 상황인지 고지 방법을 설명하기 위해 도시한 흐름도이다.
도 2는 도 1의 서비스 서버의 상세 구성을 설명하기 위해 도시한 블록도이다.
도 3은 도 1의 멀티 센서를 나타낸 상세 구성도이다.
도 4는 본 발명의 일 실시예에 따른 빅데이터 분석에 이용되는 AI 기반 센서 보정 알고리즘의 구조를 도시한 도면이다.
도 5 내지 도 16은 본 발명의 일 실시예에 따른 멀티 센서 기반 모바일 대기 상태 상황인지 고지 시스템에 대한 실험 및 그 결과를 설명하기 위해 도시한 도면이다.
도 17은 본 발명의 일 실시예에 따른 멀티 센서 기반 모바일 대기 상태 상황인지 고지 방법을 설명하기 위해 도시한 흐름도이다.
본 발명의 이점 및/또는 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다.
또한, 이하 실시되는 본 발명의 바람직한 실시예는 본 발명을 이루는 기술적 구성요소를 효율적으로 설명하기 위해 각각의 시스템 기능구성에 기 구비되어 있거나, 또는 본 발명이 속하는 기술분야에서 통상적으로 구비되는 시스템 기능 구성은 가능한 생략하고, 본 발명을 위해 추가적으로 구비되어야 하는 기능 구성을 위주로 설명한다. 만약 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면, 하기에 도시하지 않고 생략된 기능 구성 중에서 종래에 기 사용되고 있는 구성요소의 기능을 용이하게 이해할 수 있을 것이며, 또한 상기와 같이 생략된 구성 요소와 본 발명을 위해 추가된 구성 요소 사이의 관계도 명백하게 이해할 수 있을 것이다.
또한, 이하의 설명에 있어서, 신호 또는 정보의 "전송", "통신", "송신", "수신" 기타 이와 유사한 의미의 용어는 일 구성요소에서 다른 구성요소로 신호 또는 정보가 직접 전달되는 것뿐만이 아니라 다른 구성요소를 거쳐 전달되는 것도 포함한다. 특히 신호 또는 정보를 일 구성요소로 "전송" 또는 "송신"한다는 것은 그 신호 또는 정보의 최종 목적지를 지시하는 것이고 직접적인 목적지를 의미하는 것이 아니다. 이는 신호 또는 정보의 "수신"에 있어서도 동일하다.
이하에서는 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 멀티 센서 기반 모바일 대기 상태 상황인지 고지 시스템의 네트워크 구성도이고, 도 2는 도 1의 서비스 서버(120)의 상세 구성을 설명하기 위해 도시한 블록도이다.
도 1 및 도 2를 참조하면, 상기 서비스 서버(120)는 데이터 수집부(210), 빅데이터 분석부(220), 상황 인지부(230), 및 제어부(240)를 포함하여 구성될 수 있다.
상기 데이터 수집부(210)는 멀티 센서(110)가 설치된 생활 공간의 내부 환경에 관한 센싱 데이터를 상기 멀티 센서(110)로부터 수집할 수 있다. 즉, 상기 데이터 수집부(210)는 상기 멀티 센서(110)와 게이트웨이(121)를 통해 연결된 디바이스 서버(122)로부터, 상기 멀티 센서(110)에 의해 감지된 상기 센싱 데이터를 수신하고 이를 모아서 수집할 수 있다.
여기서, 상기 생활 공간은 주택, 상가, 공장, 학교 등의 건물 내부의 공간을 의미할 수 있으며, 나아가 차량, 열차 등의 이동 수간의 내부 공간을 의미할 수 있다. 즉, 상기 생활 공간은 외부와의 구분이 가능하면서 사람이 생활 가능한 내부의 공간을 포괄하는 개념으로 이해될 수 있다.
또한, 상기 멀티 센서(110)는 온도, 습도, 가스, 미세먼지(PM-10, PM-25), 이산화질소(NO2), 일산화탄소(CO), 아황산가스(SO2) 등 대표적인 5가지 오염 물질을 감지하여 센싱 데이터를 출력할 수 있다.
이를 위해, 상기 멀티 센서(110)는 도 3에 도시된 바와 같이 온/습도 센서, 가스 센서 어레이, 미세먼지 처리칩, 다채널 아날로그 신호처리 회로, 다채널 ADC(Analog Digital Converter), 및 MCU(Micro Controller Unit)를 포함하는 환경감지 융합센서 모듈로 구성될 수 있다. 이에 따라, 상기 데이터 수집부(210)는 상기 멀티 센서(110)에 의해 출력된 센싱 데이터를 수집할 수 있게 된다.
본 실시예에서 제안하는 가스 센서는 유해가스 5종(O3, NO2, CO, SO2, VOC)을 감지하기 위하여 기존 상용 가스 센서를 사용하여 모듈을 제작하고 상황인지 알고리즘 구현을 위한 반도체식 가스 센서 어레이를 추가로 제작하여 인공지능 기반 멀티모달 환경센서 통합 모듈에 적용하고자 한다.
MEMS 공정을 이용한 반도체식 가스 센서 공정 기술을 활용하여 세가지 감지막 물질을 갖는 반도체식 가스 센서 어레이를 제작하고 감지막 프린팅 기술을 이용하여 센서의 반응속도 향상 및 신뢰성을 확보할 수 있다. 특히 반도체식 가스 센서는 가스 물질의 농도에 따라 감지막의 전기 전도도가 변하고, 감지막 구조에 따라 가스 감지 성능이 향상될 수 있으며, 간단한 회로 구현이 가능하여 다른 환경 감지 센서와 모듈을 구현하는데 용이하다.
또한, 본 실시예에서 제안하는 초미세먼지 감지센서는 Microfluidics 및 MEMS기반의 일괄 공정(Batch process)을 통한 분석 시스템의 소형화, 저가화가 용이하다. 상기 초미세먼지 감지센서는 MEMS 기술을 통해 칩 형태로 구현되며 대기 중 부유 입자상 물질 중 초미세먼지를 분류해내고 분류된 초미세먼지를 하전시킬 수 있다. 그 후, 하전된 초미세먼지를 미세 전류 측정부를 통해 감지하고 전류 값을 농도로 환산할 수 있다.
이와 같이 제작되는 가스센서 및 초미세먼지 감지센서는 온/습도 센서와 결합되어 통합 모듈 시스템을 구현할 수 있다. 이러한 통합 모듈 시스템을 구현하기 위하여 외부 환경적 요인으로부터 센서 모듈을 보호하고 센서 성능을 안정화시킬 수 있는 패키징 기술 및 다종의 센서를 지원할 수 있는 다채널 통합 신호처리 프로세스 구조를 적용하고, 실내 환경 및 실외 환경의 신뢰성 테스트를 통하여 환경감지 융합센서 통합 모듈의 성능 확보할 수 있다.
본 실시예를 통해 제작되는 환경감지 융합센서 통합 모듈은 기존의 전문가에 의한 환경 분석 시장을 일반인들의 영역으로 확대함으로써 병원, 학교, 지하철 역사 등 다중 이용시설 및 각 가정 내 실내 공기질 모니터링, 공원, 도로변 등에서의 실외 휴대용 모니터링에 적용 가능하다. 또한 반도체, 자동차 등의 산업 현장, 건물의 공기 정화 시스템 등으로 응용이 가능하여 환경관련 산업발전과 시장을 더욱 넓힐 수 있으며, IoT 수요에 대응하기 위한 자동차 실내/외 유해가스 모니터링 시스템, 유해가스 진단 시스템, 산업단지용 유해가스 모니터링 및 안전관리에 적용 가능하다.
또한, IoT 통신 및 플랫폼 기술과 융합하여 환경센서 데이터를 수집하고 이를 처리하여 자동차 실내/외, 산업단지 또는 공장, 사용자 위치기반 환경상의 자가진단 및 의사결정 알고리즘을 개발, 이를 인공지능 기반 멀티모달 환경센서를 통한 제어 실증 사업에 적용할 수 있다.
한편, 상기 데이터 수집부(210)는 상기 생활 공간에 해당하는 지역의 외부 환경을 나타내는 기상청 데이터를 기상청 서버로부터 수집할 수 있다.
이를 위해, 상기 데이터 수집부(210)는 상기 멀티 센서(110)와 LoRa(111)망으로 연결된 네트워크 서버(112)에 접속하고, 상기 네트워크 서버(112)를 통해 상기 기상청 서버(미도시)로부터 상기 기상청 데이터를 수집할 수 있다.
이때, 상기 네트워크 서버(112)는 상기 멀티 센서(110)로부터 상기 멀티 센서(110)가 설치된 생활 공간의 위치 정보를 수집하고, 상기 수집된 위치 정보를 상기 기상청 서버에 전송하여 상기 생활 공간이 위치한 해당 지역의 기상청 데이터를 수신하며, 상기 수신된 기상청 데이터를 상기 서비스 서버(120)에 전송할 수 있다. 이러한 과정을 통해 상기 데이터 수집부(210)는 상기 기상청 데이터를 수집할 수 있게 된다.
상기 빅데이터 분석부(220)는 상기 데이터 수집부(210)에 의해 수집된 센싱 데이터 및 기상청 데이터에 대한 상관도 분석(correlation Analysis)을 통하여 상기 생활 공간의 내부 환경에 영향을 주는 오염 요인 변수를 도출할 수 있다.
상기 빅데이터 분석부(220)는 상기 도출된 오염 요인 변수에 기초하여 상기 생활 공간의 생활 환경 공기질을 분석할 수 있다.
이를 위해, 상기 빅데이터 분석부(220)는 상기 기상청 데이터 및 상기 센싱 데이터에 대하여 지도학습(supervised learning) 회귀분석 알고리즘을 이용한 빅데이터 분석을 수행하고, 상기 빅데이터 분석의 결과 및 상기 도출된 오염 요인 변수에 기초하여 상기 생활 공간의 생활 환경 공기질을 분석할 수 있다.
이때, 상기 빅데이터 분석부(220)는 AI 기반 센서 보정 알고리즘을 이용하여 신호 간섭 및 온/습도에 의한 상기 멀티 센서(110)의 측정 오차를 보정할 수 있다.
여기서, 상기 AI 기반 센서 보정 알고리즘은 도 4에 도시된 바와 같이, 상기 멀티 센서(110)로부터 수집된 센싱 데이터를 입력받기 위한 입력 레이어(Input Layer), 상기 입력 레이어의 입력 개수에 대응하는 개수의 레이어를 구비하며, 각 레이어는 상기 입력 레이어에 의해 입력된 센싱 데이터 각각을 전달받아 상기 측정 오차를 보정하기 위한 복수개의 뉴런을 포함하는 히든 레이어(Hidden Layer), 및 상기 보정된 센싱 데이터를 상기 입력 레이어의 입력 개수에 대응하는 개수만큼 출력하는 출력 레이어(Output Layer)를 포함하여 구성될 수 있다.
한편, 상기 빅데이터 분석부(220)는 상기 오염 요인 변수와 관련하여 미리 설정된 데이터 모델에 난수(Random Number)를 생성하고, 상기 난수가 생성된 데이터 모델을 기준으로, 상기 센싱 데이터와 관련한 샘플링 데이터셋(Sampling Dataset) 및 개방형 API를 통해 수집된 상기 기상청 데이터를 조합하여 빅데이터 분석에 필요한 새로운 데이터셋을 구축할 수 있다(도 15 참조).
상기 상황 인지부(230)는 상기 생활 환경 공기질의 분석 결과에 기초하여 상기 생활 공간의 생활 환경 상황을 인지할 수 있다.
상기 상황 인지부(230)는 환경청 고지 공간별 기준치에 대한 지역 정보 비교를 통해 상기 생활 공간의 생활 환경 상황을 대표 오염물질에 대한 상태 지수로서 나타내고, 이를 사용자(관리자)의 모바일 디바이스(130)에 제공(고지)할 수 있다.
상기 제어부(240)는 상기 서비스 서버(120), 즉 상기 데이터 수집부(210), 상기 빅데이터 분석부(220), 상기 상황 인지부(230) 등의 동작을 전반적으로 제어할 수 있다.
이하에서는 도 5 내지 도 16을 참조하여 본 발명의 일 실시예에 따른 멀티 센서 기반 모바일 대기 상태 상황인지 고지 시스템에 대한 실험 및 그 결과를 살펴보기로 한다.
실내 공기질 센서(멀티 센서)를 통한 센싱 데이터에서 이상을 감지하면 실내 공기질 오염 원인 데이터와 외부 빅데이터(기상청, 환경청)에 대한 데이터 분석을 통하여 환경청 실내 공기질 기준에 맞는 상황인지 모델 도출이 필요한다.
데이터 구조화를 위해, 수집된 정보[센싱 데이터 및 외부 빅데이터(기상청 데이터)]를 통해 주제 분석에서 요구되는 가능한 변수를 검토 및 평가한 뒤, 관련 데이터의 확보 및 이를 통한 분석 가능성을 고려하여 변수를 최종 선정한다.
예컨대, 이산화황(SO2), 이산화질소(NO2), 일산화탄소(CO), 미세먼지 PM10, 미세먼지 PM25 등의 고정 변수 1(기상청 데이터)과, 암모니아(NH3), 이산화질소(NO2), 일산화탄소(CO), 이산화황(SO2), 휘발성 유기화합물(VOC) 등의 고정 변수 2(센서 데이터), 및 음식물 조리 여부, 청소머신 작동여부, 면적, 실내 환경 여부 등의 가정 변수를 상기 변수로서 최종 선정할 수 있다.
샘플 데이터 모델 분석과 관련하여, 개발된 센서의 샘플 데이터에 대해 분포도 분석(Distribution Analysis)을 함으로써 주어진 데이터의 특성을 파악하고 그에 맞는 모델을 선정한다. 참고로, 도 5는 센서의 샘플 데이터에 해당하는 센서 (수집) 데이터를 나타낸 도면이다.
그리고, 도 6은 기상청 (수집) 데이터(PM10, PM25)를 시계열 분석하여 나타낸 도면으로서, 기상청 수집 데이터 중 PM10과 PM25는 시간 흐름에 따른 경향성 존재함을 알 수 있다. 정상성 검정 결과(Augmented Dickey-Fuller Test)에 따르면, PM10 데이터는 non-stationary 상태의 시계열 데이터(유의수준: 0.01 이하 기준)임을 알 수 있다.
그리고, 도 7은 기상청 (수집) 데이터(PM10, PM25)와 센서에서 측정된 미세먼지 데이터를 시계열 분석하여 나타낸 도면으로서, 정상성 검정 결과(Augmented Dickey-Fuller Test)에 따르면 센서에서 측정된 미세먼지 데이터는 non-stationary 상태의 시계열 데이터(유의수준: 0.01 이하 기준)임을 알 수 있다.
따라서, 도 8과 같이 데이터에 대한 산점도를 분석한 결과, 기상청에서 측정된 데이터 간에는 상관관계가 높은 것으로 확인된다. 즉, 도 9에 도시된 바와 같이 수집된 데이터에 대한 상관계수를 분석한 결과 기상청에서 수집한 데이터 간 상관관계가 높으며(상관계수: 0.7 이상), 센서에서 측정된 데이터 중 CO-습도, O3-NO2, 습도-온도 간 상관관계가 있음을 알 수 있다. 참고로, 도 10은 도 9의 수집 데이터 각각을 스펙트로그램(Spectrogram)으로 변환하여 나타낸 도면이다.
도 11은 스펙트로그램(Spectrogram)으로 변환한 수집 데이터에 대해 PCA(Principal Component Analysis)를 이용해 2차원으로 축소한 데이터 분포를 나타낸 도면이다. 11개 데이터(센서 측정 데이터: 온도, 습도, CO, CO2, 미세먼지, 기상청 수집 데이터: SO2, CO2, O3, NO2, PM10, PM25)를 낮은 차원으로 축소해 분석(11차원 -> 2-3차원)한 것으로서, 전체 데이터 경향을 벗어난 데이터가 존재하나 전반적으로 비슷한 경향을 보이는 것으로 확인됨을 알 수 있다.
도 12는 센서/기상청 수집 데이터에서 전체 경향을 벗어난 구간을 탐색한 결과를 나타낸 도면이다. 도 12에서 데이터 경향을 벗어난 군집이 2018.04.20. ~ 2018.04.21. (460-490번째 데이터)에 존재함을 확인할 수 있다.
도 13은 경향을 벗어난 데이터 특성을 나타낸 도면이다. 데이터 경향을 벗어난 군집에 속한 데이터들은 도 13과 같이 기상청에서 수집된 데이터들이 큰 값을 보이는 경우로 대기질이 좋지 않은 상황으로 확인됨을 알 수 있다.
도 14는 Loading plot을 이용한 상관관계 분석의 결과를 나타내는 도면이다. 도 14를 참조하면, PCA를 통해 추출된 loading을 이용해 데이터의 경향성을 보여주는 것으로서, 기상청에서 수집된 데이터들은 큰 상관관계를 가짐을 확인할 수 있다. 그리고 센서로 측정된 데이터 중 CO와 미세먼지 데이터는 기상청에서 수집된 데이터들과 음의 상관관계를 가짐을 확인할 수 있다.
도 15는 상관관계를 토대로 새로운 데이터셋(New Dataset)을 구축하는 과정을 보여주기 위해 도시한 도면이다. 도 15에 도시된 바와 같이, 데이터 모델에 난수(Random Number)를 생성하고, 개발 센서 Sampling Dataset과 개방형 API(도 1의 113 참조)를 통해 수집한 기상청 데이터를 조합하여 빅데이터 분석에 필요한 새로운 데이터셋을 구축할 수 있다.
본 실시예에 따르면, 생활환경 상황인지 공기질 개선 모델을 도출하기 위한 수학적 해석 과정으로 오염되지 않은 공기 질을 보장할 수 있는 최적 실내 환기 시간을 추정할 수 있다. 즉, 개발 센서 수집 Data 및 기상청 Data와 Logic을 통해 최적의 실내 공기질을 유지할 수 있는 최적 환기 시간(Vt)을 추정할 수 있다.
구체적으로, 분석 포인트(Analysis Points)로서, 실내 대기오염과 상관성 높은 환경 요소를 추정(출퇴근 이벤트/시간, 청소머신 작동 횟수/시간 등)하고, 최적의 실내 공기질 유지를 위한 공기 환기량(Vq) 및 환기시간(Vt)을 추정할 수 있다.
다시 말해, 아래와 같이 상황인지 시나리오를 정의할 수 있다.
1. 개발 센서를 통해 측정되는 변수를 모니터링 하여 특정 임계치(오염도 :80%) 초과시 공기 오염 경보 감지
2. 오염 경보 감지 시 공기질 변수에 대한 상관분석을 통해 현재 공기 오염에 영향을 주는 오염 요인 변수 파악
3. 오염 요인 변수에 대한 실내/외 관측지를 서로 비교하여 실내 공기 정화 유무를 판단
4. 오염 요인 발생량 추정을 통한 환기량(Vq)을 예측
(환기량 = 오염 요인 발생량 / (허용농도 - 외부농도))
5. 환기량(Vq)을 통한 환기 시간(Vt) 추정
도 16은 상황인지에 따른 결과를 도출하여 나타낸 표이다. 도 16에 도시된 바와 같이 상황인지에 따른 결과를 도출하여 모바일 디바이스(도 1의 130 참조)에 고지할 수 있다.
이상에서 설명된 장치는 하드웨어 구성 요소, 소프트웨어 구성 요소, 및/또는 하드웨어 구성 요소 및 소프트웨어 구성 요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성 요소는, 예를 들어, 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
도 17은 본 발명의 일 실시예에 따른 멀티 센서 기반 모바일 대기 상태 상황인지 고지 방법을 설명하기 위해 도시한 흐름도이다.
여기서 설명하는 방법은 본 발명의 하나의 실시예에 불과하며, 그 이외에 필요에 따라 다양한 단계들이 아래와 같이 부가될 수 있고, 하기의 단계들도 순서를 변경하여 실시될 수 있으므로, 본 발명이 하기에 설명하는 각 단계 및 그 순서에 한정되는 것은 아니다.
도 1, 도 2 및 도 17을 참조하면, 단계(1710)에서 상기 서비스 서버(120)의 데이터 수집부(210)는 멀티 센서(110)가 설치된 생활 공간의 내부 환경에 관한 센싱 데이터를 상기 멀티 센서(110)로부터 수집할 수 있다.
다음으로, 단계(1720)에서 상기 서비스 서버(120)의 데이터 수집부(210)는 상기 생활 공간에 해당하는 지역의 외부 환경을 나타내는 기상청 데이터를 기상청 서버로부터 수집할 수 있다.
다음으로, 단계(1730)에서 상기 서비스 서버(120)의 빅데이터 분석부(220)는 상기 데이터 수집부(210)에 의해 수집된 센싱 데이터 및 기상청 데이터에 대한 상관도 분석(correlation Analysis)을 통하여 상기 생활 공간의 내부 환경에 영향을 주는 오염 요인 변수를 도출할 수 있다.
다음으로, 단계(1740)에서 상기 서비스 서버(120)의 빅데이터 분석부(220)는 상기 도출된 오염 요인 변수에 기초하여 상기 생활 공간의 생활 환경 공기질을 분석할 수 있다.
이를 위해, 상기 빅데이터 분석부(220)는 상기 기상청 데이터 및 상기 센싱 데이터에 대하여 지도학습(supervised learning) 회귀분석 알고리즘을 이용한 빅데이터 분석을 수행하고, 상기 빅데이터 분석의 결과 및 상기 도출된 오염 요인 변수에 기초하여 상기 생활 공간의 생활 환경 공기질을 분석할 수 있다.
다음으로, 단계(1750)에서 상기 서비스 서버(120)의 상황 인지부(230)는 상기 생활 환경 공기질의 분석 결과에 기초하여 상기 생활 공간의 생활 환경 상황을 인지할 수 있다.
다음으로, 단계(1760)에서 상기 서비스 서버(120)의 상황 인지부(230)는 상기 생활 공간의 생활 환경 상황과 관련하여, 환경청 고지 공간별 기준치에 대한 지역 정보 비교를 통해 대표 오염물질에 대한 상태 지수를 고지할 수 있다.
실시예에 따른 방법은 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 실시예를 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), CDROM, 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. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
110: 멀티 센서
120: 서비스 서버
130: 모바일 디바이스
210: 데이터 수집부
220: 빅데이터 분석부
230: 상황 인지부
240: 제어부
120: 서비스 서버
130: 모바일 디바이스
210: 데이터 수집부
220: 빅데이터 분석부
230: 상황 인지부
240: 제어부
Claims (6)
- 멀티 센서가 설치된 생활 공간의 내부 환경에 관한 센싱 데이터를 상기 멀티 센서로부터 수집하고, 상기 생활 공간에 해당하는 지역의 외부 환경을 나타내는 기상청 데이터를 기상청 서버로부터 수집하는 데이터 수집부;
상기 센싱 데이터 및 상기 기상청 데이터에 대한 상관도 분석을 통하여 상기 생활 공간의 내부 환경에 영향을 주는 오염 요인 변수를 도출하고, 상기 도출된 오염 요인 변수에 기초하여 상기 생활 공간의 생활 환경 공기질을 분석하는 빅데이터 분석부; 및
상기 생활 환경 공기질의 분석 결과에 기초하여 상기 생활 공간의 생활 환경 상황을 인지하는 상황 인지부를 포함하고,
상기 빅데이터 분석부는 상기 기상청 데이터 및 상기 센싱 데이터에 대하여 지도학습(supervised learning) 회귀분석 알고리즘을 이용한 빅데이터 분석을 수행하고, 상기 빅데이터 분석의 결과 및 상기 도출된 오염 요인 변수에 기초하여 상기 생활 공간의 생활 환경 공기질을 분석하며,
상기 빅데이터 분석부는 AI 기반 센서 보정 알고리즘을 이용하여 신호 간섭 및 온/습도에 의한 상기 멀티 센서의 측정 오차를 보정하되, 상기 AI 기반 센서 보정 알고리즘은 상기 멀티 센서로부터 수집된 센싱 데이터를 입력받기 위한 입력 레이어(Input Layer); 상기 입력 레이어의 입력 개수에 대응하는 개수의 레이어를 구비하며, 각 레이어는 상기 입력 레이어에 의해 입력된 센싱 데이터 각각을 전달받아 상기 측정 오차를 보정하기 위한 복수개의 뉴런을 포함하는 히든 레이어(Hidden Layer); 및 상기 보정된 센싱 데이터를 상기 입력 레이어의 입력 개수에 대응하는 개수만큼 출력하는 출력 레이어(Output Layer)를 포함하고,
상기 빅데이터 분석부는 상기 오염 요인 변수와 관련하여 미리 설정된 데이터 모델에 난수(Random Number)를 생성하고, 상기 난수가 생성된 데이터 모델을 기준으로, 상기 센싱 데이터와 관련한 샘플링 데이터셋(Sampling Dataset) 및 개방형 API를 통해 수집된 상기 기상청 데이터를 조합하여 빅데이터 분석에 필요한 새로운 데이터셋을 구축하며,
상기 상황 인지부는 환경청 고지 공간별 기준치에 대한 지역 정보 비교를 통해 상기 생활 공간의 생활 환경 상황을 대표 오염물질에 대한 상태 지수로서 나타내고 이를 사용자의 모바일 디바이스에 제공하며,
상기 빅데이터 분석부는 상기 수집된 데이터(상기 센싱 데이터 및 상기 기상청 데이터)를 스펙트로그램(Spectrogram)으로 변환하고, 상기 스펙트로그램으로 변환한 수집 데이터에 대해 PCA(Principal Component Analysis)를 이용해 2차원으로 축소하여 분석한 데이터 분포를 통해 전체 데이터 경향을 벗어난 데이터가 존재하는지 체크하고,
상기 상황 인지부는 상기 체크의 결과 전체 데이터 경향을 벗어난 데이터가 존재하는 경우 대기질이 좋지 않은 상황으로 인지하며,
상기 빅데이터 분석부는 상기 오염 요인 변수에 대한 실내 관측지 또는 실외 관측지를 서로 비교하여 실내 공기 정화 유무를 판단하고, 실내 공기 정화가 필요하다고 판단된 경우 오염 요인 발생량 추정을 통한 환기량을 예측하며, 상기 예측된 환기량을 통해 환기 시간을 추정하되,
여기서, 상기 환기량은 허용농도에서 외부농도를 뺀 값으로 오염 요인 발생량을 나누어 산출된 값으로 나타내고[환기량 = 오염 요인 발생량 / (허용농도 - 외부농도)],
상기 멀티 센서는 온/습도 센서, 가스 센서 어레이, 미세먼지 처리칩, 다채널 아날로그 신호처리 회로, 다채널 ADC(Analog Digital Converter), 및 MCU(Micro Controller Unit)를 포함하는 환경감지 융합센서 모듈로 구성되는 것을 특징으로 하는 멀티 센서 기반 모바일 대기 상태 상황인지 고지 시스템.
- 삭제
- 삭제
- 삭제
- 삭제
- 멀티 센서 기반 모바일 대기 상태 상황인지 고지 시스템의 서비스 서버를 이용한 멀티 센서 기반 모바일 대기 상태 상황인지 고지 방법에 있어서,
상기 서비스 서버의 데이터 수집부가 멀티 센서가 설치된 생활 공간의 내부 환경에 관한 센싱 데이터를 상기 멀티 센서로부터 수집하는 단계;
상기 데이터 수집부가 상기 생활 공간에 해당하는 지역의 외부 환경을 나타내는 기상청 데이터를 기상청 서버로부터 수집하는 단계;
상기 서비스 서버의 빅데이터 분석부가 상기 센싱 데이터 및 상기 기상청 데이터에 대한 상관도 분석을 통하여 상기 생활 공간의 내부 환경에 영향을 주는 오염 요인 변수를 도출하는 단계;
상기 빅데이터 분석부가 상기 도출된 오염 요인 변수에 기초하여 상기 생활 공간의 생활 환경 공기질을 분석하는 단계; 및
상기 서비스 서버의 상황 인지부가 상기 생활 환경 공기질의 분석 결과에 기초하여 상기 생활 공간의 생활 환경 상황을 인지하는 단계를 포함하고,
상기 빅데이터 분석부는 상기 기상청 데이터 및 상기 센싱 데이터에 대하여 지도학습(supervised learning) 회귀분석 알고리즘을 이용한 빅데이터 분석을 수행하고, 상기 빅데이터 분석의 결과 및 상기 도출된 오염 요인 변수에 기초하여 상기 생활 공간의 생활 환경 공기질을 분석하며,
상기 빅데이터 분석부는 AI 기반 센서 보정 알고리즘을 이용하여 신호 간섭 및 온/습도에 의한 상기 멀티 센서의 측정 오차를 보정하되, 상기 AI 기반 센서 보정 알고리즘은 상기 멀티 센서로부터 수집된 센싱 데이터를 입력받기 위한 입력 레이어(Input Layer); 상기 입력 레이어의 입력 개수에 대응하는 개수의 레이어를 구비하며, 각 레이어는 상기 입력 레이어에 의해 입력된 센싱 데이터 각각을 전달받아 상기 측정 오차를 보정하기 위한 복수개의 뉴런을 포함하는 히든 레이어(Hidden Layer); 및 상기 보정된 센싱 데이터를 상기 입력 레이어의 입력 개수에 대응하는 개수만큼 출력하는 출력 레이어(Output Layer)를 포함하고,
상기 빅데이터 분석부는 상기 오염 요인 변수와 관련하여 미리 설정된 데이터 모델에 난수(Random Number)를 생성하고, 상기 난수가 생성된 데이터 모델을 기준으로, 상기 센싱 데이터와 관련한 샘플링 데이터셋(Sampling Dataset) 및 개방형 API를 통해 수집된 상기 기상청 데이터를 조합하여 빅데이터 분석에 필요한 새로운 데이터셋을 구축하며,
상기 상황 인지부는 환경청 고지 공간별 기준치에 대한 지역 정보 비교를 통해 상기 생활 공간의 생활 환경 상황을 대표 오염물질에 대한 상태 지수로서 나타내고 이를 사용자의 모바일 디바이스에 제공하고,
상기 빅데이터 분석부는 상기 수집된 데이터(상기 센싱 데이터 및 상기 기상청 데이터)를 스펙트로그램(Spectrogram)으로 변환하고, 상기 스펙트로그램으로 변환한 수집 데이터에 대해 PCA(Principal Component Analysis)를 이용해 2차원으로 축소하여 분석한 데이터 분포를 통해 전체 데이터 경향을 벗어난 데이터가 존재하는지 체크하고,
상기 상황 인지부는 상기 체크의 결과 전체 데이터 경향을 벗어난 데이터가 존재하는 경우 대기질이 좋지 않은 상황으로 인지하며,
상기 빅데이터 분석부는 상기 오염 요인 변수에 대한 실내 관측지 또는 실외 관측지를 서로 비교하여 실내 공기 정화 유무를 판단하고, 실내 공기 정화가 필요하다고 판단된 경우 오염 요인 발생량 추정을 통한 환기량을 예측하며, 상기 예측된 환기량을 통해 환기 시간을 추정하되,
여기서, 상기 환기량은 허용농도에서 외부농도를 뺀 값으로 오염 요인 발생량을 나누어 산출된 값으로 나타내고[환기량 = 오염 요인 발생량 / (허용농도 - 외부농도)],
상기 멀티 센서는 온/습도 센서, 가스 센서 어레이, 미세먼지 처리칩, 다채널 아날로그 신호처리 회로, 다채널 ADC(Analog Digital Converter), 및 MCU(Micro Controller Unit)를 포함하는 환경감지 융합센서 모듈로 구성되는 것을 특징으로 하는 멀티 센서 기반 모바일 대기 상태 상황인지 고지 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190179203A KR102313465B1 (ko) | 2019-12-31 | 2019-12-31 | 멀티 센서 기반 모바일 대기 상태 상황인지 고지 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190179203A KR102313465B1 (ko) | 2019-12-31 | 2019-12-31 | 멀티 센서 기반 모바일 대기 상태 상황인지 고지 시스템 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210085772A KR20210085772A (ko) | 2021-07-08 |
| KR102313465B1 true KR102313465B1 (ko) | 2021-10-15 |
Family
ID=76893815
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190179203A KR102313465B1 (ko) | 2019-12-31 | 2019-12-31 | 멀티 센서 기반 모바일 대기 상태 상황인지 고지 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102313465B1 (ko) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102326208B1 (ko) * | 2021-08-11 | 2021-11-16 | 한국건설기술연구원 | 영상 인식 기반 3차원 미세 먼지 정보를 구축하기 위한 시스템 및 그 방법 |
| KR20230065028A (ko) * | 2021-11-04 | 2023-05-11 | 제이씨스퀘어주식회사 | 인공지능(ai) 기반의 환경센서를 이용한 환경 상황인지 및 행동고지 시스템 및 방법 |
| KR102646983B1 (ko) * | 2023-08-08 | 2024-03-14 | 고려대학교 산학협력단 | 예측 모델을 이용한 대기 내 중금속 농도 예측 방법 및 장치 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101629809B1 (ko) * | 2014-03-26 | 2016-06-14 | 주식회사 나인에코 | 대형건물 실내공기질 예측 서비스 제공 시스템 |
| KR20160134107A (ko) * | 2015-05-14 | 2016-11-23 | 에스케이텔레콤 주식회사 | 공기질 측정 데이터를 이용한 정보 처리 방법 및 이를 위한 장치, 이를 위한 프로그램을 기록한 컴퓨터 판독 가능한 기록매체 |
-
2019
- 2019-12-31 KR KR1020190179203A patent/KR102313465B1/ko active IP Right Grant
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210085772A (ko) | 2021-07-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11680935B2 (en) | Networked air quality monitoring | |
| KR102313465B1 (ko) | 멀티 센서 기반 모바일 대기 상태 상황인지 고지 시스템 및 방법 | |
| US11112395B2 (en) | Networked air quality monitoring system | |
| Kim et al. | ISSAQ: An integrated sensing systems for real-time indoor air quality monitoring | |
| KR101771053B1 (ko) | 실시간 통합 실내 공기질 알림지수 결정 방법 및 장치 | |
| US20200064294A1 (en) | Nano gas sensor system based on a hybrid nanostructure sensor array, electronics, algorithms, and normalized cloud data to detect, measure and optimize detection of gases to provide highly granular and actionable gas sensing information | |
| Salman et al. | Real time wireless sensor network (WSN) based indoor air quality monitoring system | |
| GB2544916A (en) | Air quality notifying device connecting air quality measurement device and wireless terminal, and air quality notifying method therefor | |
| KR20170122043A (ko) | 실시간 실내 공기질 이상치 제거 방법 및 장치 | |
| KR101517332B1 (ko) | 공기정보 제공 시스템 | |
| KR102483784B1 (ko) | 딥러닝 알고리즘을 이용한 실내 공기질 측정 관리 시스템 및 방법 | |
| Zou et al. | Examining the functional range of commercially available low‐cost airborne particle sensors and consequences for monitoring of indoor air quality in residences | |
| Suriano et al. | Design and Development of a Flexible, Plug‐and‐Play, Cost‐Effective Tool for on‐Field Evaluation of Gas Sensors | |
| KR20180030961A (ko) | 미세먼지 측정방법 | |
| Patwardhan et al. | Comparative evaluation of new low-cost particulate matter sensors | |
| Aashiq et al. | An IoT-based handheld environmental and air quality monitoring station | |
| Pokric et al. | ekoNET-environmental monitoring using low-cost sensors for detecting gases, particulate matter, and meteorological parameters | |
| Biondo et al. | A wsn real-time monitoring system approach for measuring indoor air quality using the internet of things | |
| Fanca et al. | Monitoring and Prediction of Indoor Air Quality for Enhanced Occupational Health. | |
| Kareem Abed Alzabali et al. | A novel IoT-integrated ensemble learning approach for indoor air quality enhancement | |
| CN210222823U (zh) | 一种基于探针的社区人口流量分析系统 | |
| KR20180122589A (ko) | 실시간 실내 공기질 이상치 제거 방법 및 장치 | |
| Purbakawaca et al. | Low-cost nitrogen dioxide monitoring station based on metal oxide sensor and cellular network | |
| Handayani et al. | Performance Evaluation on Applied Low-Cost Multi-Sensor Technology in Air Pollution Monitoring | |
| Walsange et al. | Arduino and Sensor Based Air Pollution Monitoring System Using IOT |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| X091 | Application refused [patent] | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) |