KR102333050B1 - 보급형 먼지센서를 위한 보정 장치 - Google Patents
보급형 먼지센서를 위한 보정 장치 Download PDFInfo
- Publication number
- KR102333050B1 KR102333050B1 KR1020200021839A KR20200021839A KR102333050B1 KR 102333050 B1 KR102333050 B1 KR 102333050B1 KR 1020200021839 A KR1020200021839 A KR 1020200021839A KR 20200021839 A KR20200021839 A KR 20200021839A KR 102333050 B1 KR102333050 B1 KR 102333050B1
- Authority
- KR
- South Korea
- Prior art keywords
- dust
- sensor
- measured
- machine learning
- cnt
- Prior art date
Links
- 239000000428 dust Substances 0.000 title claims abstract description 124
- 238000010801 machine learning Methods 0.000 claims abstract description 38
- 238000005259 measurement Methods 0.000 claims abstract description 31
- 238000007664 blowing Methods 0.000 claims abstract description 6
- 239000002245 particle Substances 0.000 claims description 25
- 238000012937 correction Methods 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 13
- 238000000149 argon plasma sintering Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 238000000611 regression analysis Methods 0.000 description 4
- 239000000443 aerosol Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F24—HEATING; RANGES; VENTILATING
- F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
- F24F11/00—Control or safety arrangements
- F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Combustion & Propulsion (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mechanical Engineering (AREA)
- Dispersion Chemistry (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
본 발명의 일 실시예에 따른 보급형 먼지센서를 위한 보정 장치는, 하우징의 내부에 구비되며, 먼지농도를 측정하는 먼지센서, 온도를 측정하는 온도 센서 및 상대 습도를 측정하는 습도 센서를 포함하는 센서부; 송풍팬 및 상기 송풍팬을 회전시키는 모터를 포함하며, 상기 하우징의 내부로 유입되는 공기가 일정한 공기흐름을 형성하도록 제어하는 공기흐름 제어부; 상기 하우징의 외부에 구비되며, 상기 센서부에 의한 측정값 또는 보정된 먼지농도값을 디스플레이하는 디스플레이부; 및 기 학습된 기계학습 모델을 통해 상기 센서부에 의한 측정된 먼지농도, 온도 및 상대 습도를 기초로 먼지농도 측정값을 보정하는 프로세서를 포함할 수 있다.
Description
본 출원은 보급형 먼지센서를 위한 보정 장치에 관한 것이다.
최근, 미세먼지 이슈가 증가함에 따라 먼지농도에 대한 사람들의 관심이 높아지고 저가형 먼지센서가 널리 보급되어 사용되고 있다.
일 예로, 광학 방식을 채용한 먼지센서는 먼지에 광원을 조사하고 먼지입자에 의해 산란, 굴절 또는 반사되는 빛을 측정하는 방식으로 먼지 농도를 측정하여 미세먼지 농도를 출력할 수 있다.
그러나 널리 보급되어 사용되는 보급형 먼지센서의 경우 설치 환경 및 조건 등에 의해 영향을 받을 수 있고, 이에 따라 측정의 정확도가 떨어질 수 있다.
따라서, 당해 기술분야에서는 보급형 먼지센서의 측정값을 보정하여 보다 정확한 먼지농도를 제공하기 위한 방안이 요구되고 있다.
상기 과제를 해결하기 위해서, 본 발명의 일 실시예는 보급형 먼지센서를 위한 보정 장치를 제공한다.
상기 보급형 먼지센서를 위한 보정 장치는, 하우징의 내부에 구비되며, 먼지농도를 측정하는 먼지센서, 온도를 측정하는 온도 센서 및 상대 습도를 측정하는 습도 센서를 포함하는 센서부; 송풍팬 및 상기 송풍팬을 회전시키는 모터를 포함하며, 상기 하우징의 내부로 유입되는 공기가 일정한 공기흐름을 형성하도록 제어하는 공기흐름 제어부; 상기 하우징의 외부에 구비되며, 상기 센서부에 의한 측정값 또는 보정된 먼지농도값을 디스플레이하는 디스플레이부; 및 기 학습된 기계학습 모델을 통해 상기 센서부에 의한 측정된 먼지농도, 온도 및 상대 습도를 기초로 먼지농도 측정값을 보정하는 프로세서를 포함할 수 있다.
덧붙여 상기한 과제의 해결수단은, 본 발명의 특징을 모두 열거한 것이 아니다. 본 발명의 다양한 특징과 그에 따른 장점과 효과는 아래의 구체적인 실시형태를 참조하여 보다 상세하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따르면, 먼지센서의 측정값을 보정하여 보다 정확한 먼지농도를 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 보급형 먼지센서를 위한 보정 장치의 구성도이다.
도 2는 본 발명의 일 실시예에 따른 보급형 먼지센서의 보정을 위한 서버의 구성도이다.
도 3 및 도 4는 본 발명의 일 실시예에 따른 보급형 먼지센서를 위한 보정 방법의 흐름도이다.
도 5는 본 발명의 일 실시예에 따라 수집한 데이터의 예를 도시하는 도면이다.
도 6은 본 발명의 일 실시예에 따른 학습 결과의 예를 도시하는 도면이다.
도 7은 먼지센서 측정값의 보정을 위해서 알고리즘 및 변수를 달리하면서 보정 정확도를 비교하는 결과를 나타내는 도면이다.
도 8 및 도 9는 본 발명의 일 실시예에 따른 보정 정확도를 보여주는 도면이다.
도 2는 본 발명의 일 실시예에 따른 보급형 먼지센서의 보정을 위한 서버의 구성도이다.
도 3 및 도 4는 본 발명의 일 실시예에 따른 보급형 먼지센서를 위한 보정 방법의 흐름도이다.
도 5는 본 발명의 일 실시예에 따라 수집한 데이터의 예를 도시하는 도면이다.
도 6은 본 발명의 일 실시예에 따른 학습 결과의 예를 도시하는 도면이다.
도 7은 먼지센서 측정값의 보정을 위해서 알고리즘 및 변수를 달리하면서 보정 정확도를 비교하는 결과를 나타내는 도면이다.
도 8 및 도 9는 본 발명의 일 실시예에 따른 보정 정확도를 보여주는 도면이다.
이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다.
덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 '연결'되어 있다고 할 때, 이는 '직접적으로 연결'되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 '간접적으로 연결'되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 '포함'한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
우선, 본 발명의 실시예에 따른 보급형 먼지센서를 위한 보정 장치를 설명하기에 앞서, 본 발명의 실시예에 따른 먼지센서 측정값의 보정을 위해 고려되어야 할 사항을 설명한다.
먼지센서의 측정값에 영향을 미칠 수 있는 주요 요인으로 다음의 6가지를 들 수 있다.
1) 광원의 종류
2) 먼지센서의 측정 채널의 종류 및 개수
3) 먼지입자의 크기 분포(distribution)
4) 온도
5) 습도
6) 일정한 공기 흐름
이에, 본 발명에서는 상술한 바와 같은 6가지 주요 요인을 고려하여, 해당 요인을 기구적으로 통제/조절하거나 또는 동시 측정하고, 이를 기초로 보급형 먼지센서를 활용하여 보다 정확한 먼지농도값을 획득할 수 있는 기술을 제안한다.
도 1은 본 발명의 일 실시예에 따른 보급형 먼지센서를 위한 보정 장치의 구성도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 보급형 먼지센서를 위한 보정 장치(100)는 공기흐름 제어부(110), 센서부(120), 디스플레이부(130), 전원 공급부(140), 통신부(150), 저장부(160) 및 GPS(170)를 포함하여 구성될 수 있다.
공기흐름 제어부(110)는 먼지센서에 의한 먼지농도 측정시에 일정한 공기 흐름을 형성하기 위한 것으로, 예를 들어 송풍팬 및 이를 회전시키는 모터로 구현되어 보정 장치(100)의 하우징 내부로 유입되는 공기가 일정한 공기흐름을 형성하도록 할 수 있다. 이를 통해 먼지센서의 측정값에 영향을 미칠 수 있는 요인 중 하나인 일정한 공기흐름을 형성하도록 함으로써 공기 흐름에 의한 영향을 사전에 차단할 수 있다.
센서부(120)는 먼지 농도 및 먼지센서의 측정값에 영향을 미칠 수 있는 환경 요인을 측정하기 위한 것으로, 예를 들어, 센서부(120)는 먼지센서, 온도센서 및 습도센서를 포함할 수 있으며, 보정 장치(100)의 하우징 내부에 포함될 수 있다.
여기서, 먼지센서는 광산란 방식에 의해 먼지농도를 측정하는 보급형의 먼지센서일 수 있으며, 레이저 광원을 사용하고, 기 정해진 크기의 먼지입자별 농도를 측정하는 복수의 채널(예를 들어, 0.3㎛, 0.5㎛, 1.0㎛, 2.5㎛, 5.0㎛, 10.0㎛의 먼지입자별 농도를 각각 측정하는 6개의 채널)을 포함할 수 있다. 이를 통해 먼지센서의 측정값에 영향을 미칠 수 있는 요인 중 광원의 종류 및 먼지센서의 측정 채널의 종류 및 개수를 기구적으로 조절함으로써 보다 정확한 먼지센서 측정값의 보정이 이루어지도록 할 수 있다.
또한, 온도센서는 주변 온도를 측정하고, 습도 센서는 상대 습도를 측정하는 것으로 다양한 상용 센서가 적용될 수 있다.
일 실시예에 따르면, 먼지센서, 온도센서 및 습도센서는 기 설정된 시간 간격(예를 들어, 1분)으로 먼지 농도, 온도 및 습도를 각각 측정할 수 있으며, 이 경우에도 높은 정확도로 먼지센서의 측정값을 보정하도록 할 수 있다.
또한, 먼지센서, 온도센서 및 습도센서는 보정 장치(100)가 위치한 공간의 먼지농도, 온도 및 습도를 보다 정확하게 측정하기 위해 보정 장치(100)의 하우징 내에서도 하우징으로의 공기 유입구 부근에 설치될 수 있으며 이에 따라 보정 장치(100)에 포함된 소자, 공기유로 등에 의한 영향을 최소화할 수 있다.
디스플레이부(130)는 센서부(120)에 의한 측정값 또는 보정된 먼지농도값 등을 디스플레이하기 위한 것으로, 예를 들어 상용 디스플레이 패널 등으로 구현되어 보정 장치(100)의 하우징 외부의 일 측에 구비될 수 있다.
전원 공급부(140)는 보정 장치(100)의 동작을 위한 전원을 제공하기 위한 것으로, 예를 들어 유선 또는 무선 방식으로 충전 가능한 상용 배터리로 구현될 수 있다.
통신부(150)는 외부 기기와의 통신을 수행하기 위한 것으로, 예를 들어 다양한 무선 통신 방식을 채용하여 구현될 수 있다.
일 실시예에 따르면, 통신부(150)는 센서부(120)에 의해 측정된 측정값을 원격지에 위치한 서버, 사용자 단말 등으로 전송하고, 이로부터 보정된 먼지농도값을 수신할 수 있다.
저장부(160)는 센서부(120)에 의한 측정값을 저장하기 위한 것으로, 예를 들어 다양한 형태의 메모리 장치에 의해 구현될 수 있다.
일 실시예에 따르면, 저장부(160)는 기 설정된 시간 간격에 따라 센서부(120)에 의해 측정된 복수의 측정값들과 이에 대한 보정된 먼지농도값 등을 함께 저장할 수 있다.
GPS(Global Positioning System)(170)는 현재 위치 정보를 획득하기 위한 것이다.
일 실시예에 따르면, 보정 장치(100)는 GPS(170)를 추가적으로 구비함으로써 위치적인 특성을 추가적으로 고려하여 먼지센서 측정값의 보정을 위한 기계학습 모델을 구축하도록 할 수 있다.
상술한 실시예에서는, 센서부(120)에 의한 측정값을 서버 등으로 전송하고 이로부터 보정된 먼지농도값을 수신하는 것으로 설명하였으나, 반드시 이로 제한되는 것은 아니다.
예를 들어, 보정 장치(100) 내부에 추가적인 프로세서를 구비하고, 보정 장치(100)가 학습이 완료된 기계학습 모델을 서버로부터 수신하여 저장하며, 이를 통해 자체적으로 먼지센서 측정값을 보정하도록 구현될 수도 있다.
도 2는 본 발명의 일 실시예에 따른 보급형 먼지센서의 보정을 위한 서버의 구성도이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 보급형 먼지센서의 보정을 위한 서버(200)는 통신부(210), 기계학습 모델(220) 및 저장부(230)를 포함하여 구성될 수 있다.
통신부(210)는 도 1을 참조하여 상술한 보정 장치(100)와 통신을 수행하기 위한 것으로, 예를 들어 다양한 무선 통신 방식을 채용하여 구현될 수 있다.
일 실시예에 따르면, 통신부(210)는 보정 장치(100)에 의해 측정된 측정값을 수신하고, 후술하는 기계학습 모델(220)에 의해 보정된 먼지농도값을 보정 장치(100)로 전송할 수 있다.
기계학습 모델(220)은 보정 장치(100)에 의해 측정된 먼지농도, 온도 및 습도를 기초로 보정 장치(100)에 포함된 먼지센서 측정값을 보정하기 위한 것으로, 프로세싱 장치 및 기계학습 엔진으로 구현될 수 있다.
기계학습 알고리즘은 크게 이상 감지(anomaly detection), 분류(classification), 클러스터링(clustering), 회귀 분석(regression) 등으로 구분될 수 있다.
일 실시예에 따르면, 기계학습 모델(220)은 입력 데이터의 연속성 및 다양한 환경 인자의 영향 등을 고려하여 회귀 분석 중에서도 결정 포레스트 회귀분석 (Decision Forest Regression)으로 구현될 수 있다.
기계학습 모델(220)은 보정 장치(100)의 센서부(120)에 의한 측정값과 레퍼런스 장비(미도시)에 의한 측정값을 이용하여 사전에 학습된 것일 수 있다.
기계학습 모델(220)의 학습 파라미터 및 학습 데이터에 대해서는 도 3을 참조하여 보다 구체적으로 후술하기로 한다.
저장부(230)는 통신부(210)를 통해 수집한 데이터, 기계학습 모델(220)에 의해 보정된 먼지농도값 등을 저장하기 위한 것으로, 예를 들어 다양한 형태의 메모리 장치에 의해 구현될 수 있다.
도 3 및 도 4는 본 발명의 일 실시예에 따른 보급형 먼지센서를 위한 보정 방법의 흐름도로서, 도 3은 도 2에 도시된 기계학습 모델(220)을 학습시키기 위한 과정을 도시하고, 도 4는 학습 완료된 기계학습 모델을 활용하여 먼지센서 측정값을 보정하는 과정을 도시하는 것이다. 도 3 및 도 4에 도시된 보급형 먼지센서를 위한 보정 방법은 도 1 및 도 2에 도시된 보정 장치(100) 및 서버(200)에 의해 구현될 수 있다.
도 3을 참조하면, 우선, 기계학습 모델의 학습 및 평가를 위한 데이터를 수집할 수 있다(S31). 예를 들어, 도 1에 도시된 보정 장치(100)에 포함된 센서부(120)를 통해 먼지농도, 온도 및 습도 데이터를 측정할 수 있고, 비교적 정확한 미세먼지 농도 측정이 가능한 레퍼런스 장비에 의해 먼지농도를 측정할 수 있다. 일 실시예에 따르면, 레퍼런스 장비로서 광산란 방식의 장비인 Grimm사의 Portable Aerosol Spectrometer를 사용할 수 있으나, 반드시 이로 제한되는 것은 아니다. 여기서, Portable Aerosol Spectrometer은 PM10, PM2.5 및 PM1.0를 동시 측정 가능하며, 0.3㎛, 0.5㎛, 1.0㎛, 2.5㎛, 5.0㎛, 10.0㎛ 등을 포함하는 총 32개 크기의 먼지농도를 측정할 수 있다. 데이터 수집을 위해 보정 장치(100) 및 레퍼런스 장비를 통해 기 정해진 시간 간격(예를 들어, 수초~수분)으로 측정을 수행할 수 있다. 도 5는 본 발명의 일 실시예에 따라 수집한 데이터의 예를 도시하는 도면으로, 도 5에서 G_PM10, G_PM2.5, G_PM1, S_Temperature, S_Humidity, S_cnt0.3, S_cnt0.5, S_cnt1.0, S_cnt2.5, S_cnt5.0 및 S_cnt10은 각각 Portable Aerosol Spectrometer에 의해 측정된 PM10, PM2.5, PM1.0, 센서부(120)에 의해 측정된 온도, 습도, 0.3㎛, 0.5㎛, 1.0㎛, 2.5㎛, 5.0㎛, 10.0㎛ 채널의 먼지농도에 해당한다.
이후, 수집한 데이터의 전처리를 수행할 수 있다(S32).
일 실시예에 따르면, 수집한 데이터에 대해 누락 데이터 정리(Clean Missing Data), 파티션 앤 샘플(Partition & Sample), 데이터 선택(Select Columns in Dataset) 등을 수행할 수 있다. 여기서, 누락 데이터 정리는 데이터에 Null 값이 존재하는 경우 이를 제외하는 것이다. 또한, 파티션 앤 샘플은 수집한 전체 데이터에서 학습 및 검증에 사용할 데이터를 샘플링하는 것으로, 예를 들어 5 fold로 설정하여 20%의 데이터를 학습에 활용하고, 나머지 80%의 데이터를 검증에 활용하도록 할 수 있다. 또한, 데이터 선택에서는 표 1과 같이 수집한 데이터에서 불필요한 데이터를 제외시키고 대상 변수(예를 들어, PM10, PM2.5 및 PM1.0 등)를 포함하도록 데이터를 선택할 수 있다.
| Target | Selected Data |
| PM10 | G_PM10, S_Temperature, S_Humidity, S_cnt_0.3㎛, S_cnt_0.5㎛, S_cnt_1.0㎛, S_cnt_2.5㎛, S_cnt_5.0㎛, S_cnt_10.0㎛ |
| PM2.5 | G_PM2.5, S_Temperature, S_Humidity, S_cnt_0.3㎛, S_cnt_0.5㎛, S_cnt_1.0㎛, S_cnt_2.5㎛, S_cnt_5.0㎛, S_cnt_10.0㎛ |
| PM1.0 | G_PM1.0, S_Temperature, S_Humidity, S_cnt_0.3㎛, S_cnt_0.5㎛, S_cnt_1.0㎛, S_cnt_2.5㎛, S_cnt_5.0㎛, S_cnt_10.0㎛ |
이후, 기계학습 모델의 파라미터를 설정할 수 있다(S33).
일 실시예에 따르면, 사용자의 입력 등에 따라 기계학습 모델의 학습을 위한 파라미터를 설정할 수 있다. 예를 들어, 하기의 표 2와 같이 기계학습 모델을 파라미터를 설정할 수 있다.
| 학습 조건 | 설정값 |
| 트레이너 모드 생성(Create Trainer mode) | Single Parameter |
| 결정 트리 개수(Number of decision trees) | 8 |
| 결정 트리의 최대 깊이(Maximum depth of the decision trees) | 32 |
| 노드당 랜덤 스플릿 개수(Number of random splits per node) | 128 |
| 리프 노드 당 샘플의 최소 개수(Minimum number of samples per leaf node) | 1 |
이후, 전처리된 데이터를 이용하여 기계학습 모델의 학습을 수행할 수 있다(S34). 즉, 학습 데이터로서 보정 장치(100)에 의해 측정된 먼지농도, 온도 및 습도 데이터와, 레퍼런스 장비에 의해 측정된 먼지농도를 이용하여, 보정 장치(100)의 측정값으로부터 레퍼런스 장비에 의해 측정된 먼지농도를 예측하도록 학습을 수행할 수 있다.
추가적으로, 기계학습 모델은 먼지입자의 크기 분포에 따라 보다 정확한 먼지농도를 예측하기 위해 기 설정된 복수의 크기 분포 별로 기계학습 모델을 구축하고, 먼지입자 크기 분포에 따라 해당하는 기계학습 모델을 적용하도록 구현될 수도 있다. 이를 위해, 먼지입자의 크기 분포에 따라 복수의 케이스로 분류하고, 해당 분류별로 기계학습 모델을 학습시킬 수 있다.
다음으로 도 4를 참조하면, 우선 도 1에 도시된 보정 장치(100)에 포함된 센서부(120)를 통해 먼지농도, 온도 및 습도 데이터를 측정할 수 있다(S41).
이후, 먼지센서의 복수의 채널에 의해 각각 측정된 먼지입자별 농도를 기초로 먼지입자 크기 분포를 분석할 수 있다(S42). 예를 들어, 복수의 채널에 의해 각각 측정된 먼지입자별 농도를 기초로 먼지입자의 크기 분포가 기 분류된 복수의 케이스 중 어디에 속하는지 여부를 판단할 수 있다.
이후, 분석된 크기분포에 따른 기계학습 모델을 적용하여 먼지센서 측정값을 보정할 수 있다(S43).
상술한 S42 및 S43 단계는 보정 장치(100)와 통신 가능한 서버(200)에 의해 수행되거나, 또는 보정 장치(100) 내에 구비된 프로세서에 의해 수행될 수 있다.
도 6은 본 발명의 일 실시예에 따른 학습 결과의 예를 도시하는 도면으로, (a), (b) 및 (c)는 각각 PM10, PM2.5 및 PM1.0에 대한 보정된 먼지센서 측정값과 레퍼런스 장비에 의한 측정값의 대비한 결과이고, 표 3은 정확도 평가 결과를 나타내는 것이다.
| Target | Mean Absolute Error | Root Mean Squared Error | Relative Absolute Error | Relative Squared Error | Coefficient of Determination |
| PM10 | 4.2070 | 6.5044 | 0.1824 | 0.0511 | 0.9489 |
| PM2.5 | 1.3627 | 2.0779 | 0.0627 | 0.0059 | 0.9941 |
| PM1.0 | 0.9180 | 1.4888 | 0.0450 | 0.0035 | 0.9965 |
상술한 본 발명의 실시예에 따르면 고가의 장비를 사용하지 않고도 보급형 먼지센서를 활용하여 먼지센서의 측정값에 영향을 미칠 수 있는 다양한 요인을 통제/조절 또는 병행하여 측정함으로써 PM10 기준 94% 이상의 상관성을 가지는 정확한 미세먼지 농도를 제공할 수 있다.
도 7은 먼지센서 측정값의 보정을 위해서 알고리즘 및 변수를 달리하면서 보정 정확도를 비교하는 결과를 나타내는 것으로, 구체적으로 도 7의 (a)는 다양한 회귀분석 알고리즘에 대한 평균 제곱근 오차(Root Mean Square Error; RMSE) 및 R2(Coefficient of Determination; COD) 결과를 비교하여 도시하고, 도 7의 (b)는 본 발명의 실시예에 따라 결정 포레스트 회귀분석을 이용하면서 활용하는 변수를 달리한 경우의 평균 제곱근 오차 및 R2 결과를 비교하여 도시한다.
도 7의 (a)를 참조하면, 센서 제조사에서 제공하는 변수(Manufacturer factor) 및 대기환경 변수(Atmospheric factor)는 활용하지 않은 경우로서, 본 발명의 실시예에 따라 결정 포레스트 회귀분석을 사용하는 경우 보정 정확도가 높아짐을 알 수 있다. 일반적으로 계측기 또는 센서를 사용하여 먼지농도를 측정할 때 사용되는 먼지의 종류에 따라 결과가 달라질 수 있으므로, 챔버 테스트(Lab test)에서는 표준 먼지 입자를 사용하고, 필드 테스트(Field test)에서는 실제 대기 중의 입자를 사용한다. 이에, 챔버 테스트에서 사용하는 표준 먼지 입자의 보정을 위한 변수는 센서 제조사에서 제공하는 변수에 해당하고, 실제 대기 중의 입자의 보정을 위한 변수는 대기환경 변수에 해당한다.
예를 들어, Plantower사의 PMS5003 센서의 경우 총 12개의 데이터를 제공하며, 각 데이터는 하기와 같다.
Data 1: PM1.0 농도 (단위: ㎍/㎥), 표준먼지 보정계수 (Calibration factor = 1) 적용
Data 2: PM2.5 농도 (단위: ㎍/㎥), 표준먼지 보정계수 (Calibration factor = 1) 적용
Data 3: PM10 농도 (단위: ㎍/㎥), 표준먼지 보정계수 (Calibration factor = 1) 적용
Data 4: PM1.0 농도 (단위: ㎍/㎥), 대기환경 보정계수 적용
Data 5: PM2.5 농도 (단위: ㎍/㎥), 대기환경 보정계수 적용
Data 6: PM10 농도 (단위: ㎍/㎥), 대기환경 보정계수 적용
Data 7: 0.1L의 공기 중 0.3 ㎛ 이상의 입자 수농도
Data 8: 0.1L의 공기 중 0.5 ㎛ 이상의 입자 수농도
Data 9: 0.1L의 공기 중 1.0 ㎛ 이상의 입자 수농도
Data 10: 0.1L 의 공기 중 2.5 ㎛ 이상의 입자 수농도
Data 11: 0.1L 의 공기 중 5.0 ㎛ 이상의 입자 수농도
Data 12: 0.1L 의 공기 중 10.0 ㎛ 이상의 입자 수농도
또한, 도 7의 (b)를 참조하면, 모든 변수를 사용하는 경우 보정 정확도가 높아짐을 알 수 있다.
이와 같이, 사용하는 알고리즘의 종류, 활용 변수 및 보정 방법에 따라 보정 정확도가 크게 달라지므로, 보정 정확도를 향상시킬 수 있는 방법을 제시하는 것이 중요하며, 상술한 본 발명의 실시예에 따르면 보정 정확도를 크게 향상시킬 수 있다.
도 8 및 도 9는 본 발명의 일 실시예에 따른 보정 정확도를 보여주는 도면으로, 도 8은 PM1.0, PM2.5 및 PM10에 대한 보정값과 레퍼런스 장비의 측정값을 분포차트(Scatter chart)로 나타낸 것이고, 도 9는 PM1.0, PM2.5 및 PM10에 대한 보정값에 대한 테일링 차트(Tailing chart)를 도시하는 것이다.
도 8을 참조하면, PM1.0, PM2.5 및 PM10에 대한 보정값과 레퍼런스 장비의 측정값이 서로 상관관계를 보임을 알 수 있다.
또한, 도 9에서 오차가 0인 경우 데이터가 정확함을 나타내는 것으로 농도가 높아지더라도 크게 벗어나지 않고 비교적 정확한 결과를 얻을 수 있음을 알 수 있다.
본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 있어, 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 본 발명에 따른 구성요소를 치환, 변형 및 변경할 수 있다는 것이 명백할 것이다.
100: 보정 장치
110: 공기 흐름 제어부
120: 센서부
130: 디스플레이부
140: 전원 공급부
150: 통신부
160: 저장부
170: GPS
200: 서버
210: 통신부
220: 기계학습 모델
230: 저장부
110: 공기 흐름 제어부
120: 센서부
130: 디스플레이부
140: 전원 공급부
150: 통신부
160: 저장부
170: GPS
200: 서버
210: 통신부
220: 기계학습 모델
230: 저장부
Claims (7)
- 하우징의 내부에 구비되며, 먼지농도를 측정하는 먼지센서, 온도를 측정하는 온도 센서 및 상대 습도를 측정하는 습도 센서를 포함하는 센서부;
송풍팬 및 상기 송풍팬을 회전시키는 모터를 포함하며, 상기 하우징의 내부로 유입되는 공기가 일정한 공기흐름을 형성하도록 제어하는 공기흐름 제어부;
상기 하우징의 외부에 구비되며, 상기 센서부에 의한 측정값 또는 보정된 먼지농도값을 디스플레이하는 디스플레이부; 및
기 학습된 기계학습 모델을 통해 상기 센서부에 의한 측정된 먼지농도, 온도 및 상대 습도를 기초로 먼지농도 측정값을 보정하는 프로세서를 포함하는 것을 특징으로 하고,
상기 기 학습된 기계학습 모델은,
기계학습 데이터를 수집하는 단계;
수집된 데이터의 전처리를 수행하는 단계;
상기 기계학습 모델의 파라미터를 선택하는 단계; 및
전처리된 데이터 및 선택된 파라미터를 이용하여 상기 기계학습 모델의 학습을 수행하는 단계
를 통해 학습된 것이고,
상기 수집된 데이터의 전처리를 수행하는 단계는,
상기 수집된 데이터 중 레퍼런스 장비에 의해 측정된 중량농도인 G_PM10, G_PM2.5, G_PM1, 상기 센서부에 의해 측정된 온도인 S_Temperature, 상기 센서부에 의해 측정된 습도인 S_Humidity, 상기 센서부에 의해 측정된 수농도인 S_cnt_0.3㎛, S_cnt_0.5㎛, S_cnt_1.0㎛, S_cnt_2.5㎛, S_cnt_5.0㎛, 및 S_cnt_10.0㎛ 값을 포함하는 데이터를 선택하는 단계를 포함하고,상기 프로세서는
상기 센서부를 통해 먼지농도, 온도 및 습도 데이터를 측정하는 단계;
복수의 채널에 의해 각각 측정된 먼지입자별 농도를 기초로 먼지입자의 크기 분포를 분석하는 단계; 및
분석된 크기 분포에 따른 기계학습 모델을 이용하여 먼지센서 측정값을 보정하는 단계
를 수행하고,
상기 먼지센서 측정값을 보정하는 단계는
상기 센서부에 의한 측정값과 상기 레퍼런스 장비에 의한 측정값을 이용하여 사전에 학습된 상기 기계학습 모델을 이용하여 상기 먼지센서 측정값을 보정하는 단계를 포함하고,
상기 기계학습 모델은 결정 포레스트 회귀분석(Decision Forest Regression)으로 구현되고,
상기 기계학습 모델은 상기 센서부에 의한 측정값과 레퍼런스 장비에 의한 측정값을 이용하여 사전에 학습된 것이고,
상기 기계학습 모델은 상기 레퍼런스 장비에 의해 측정된 중량농도(G_PM10, G_PM2.5, G_PM1), 상기 센서부에 의해 측정된 온도(S_Temperature), 상기 센서부에 의해 측정된 습도(S_Humidity), 상기 센서부에 의해 측정되고 표준먼지 보정계수가 적용된 중량농도(PM10, PM2.5, PM1), 상기 센서부에 의해 측정되고 대기환경 보정계수가 적용된 중량농도(PM10, PM2.5, PM1), 상기 센서부에 의해 측정된 수농도(S_cnt_0.3㎛, S_cnt_0.5㎛, S_cnt_1.0㎛, S_cnt_2.5㎛, S_cnt_5.0㎛, S_cnt_10.0㎛)를 모두 이용하여 사전에 학습된 것인, 보급형 먼지센서를 위한 보정 장치.
- 제 1 항에 있어서,
상기 먼지센서는 광산란 방식에 의해 먼지농도를 측정하고, 레이저 광원을 사용하며, 기 정해진 크기의 먼지입자별 농도를 측정하는 복수의 채널을 포함하는 것을 특징으로 하는 보급형 먼지센서를 위한 보정 장치
- 제 2 항에 있어서,
상기 기 정해진 크기는 0.3㎛, 0.5㎛, 1.0㎛, 2.5㎛, 5.0㎛ 및 10.0㎛를 포함하는 것을 특징으로 하는 보급형 먼지센서를 위한 보정 장치.
- 삭제
- 삭제
- 제 1 항에 있어서,
상기 기계학습 모델은 먼지입자의 크기 분포에 따라 분류된 복수의 케이스별로 각각 학습되며, 먼지농도 측정값을 기초로 분석한 먼지입자 크기 분포에 따라 해당하는 기계학습 모델을 적용하여 먼지농도 측정값을 보정하는 것을 특징으로 하는 보급형 먼지센서를 위한 보정 장치. - 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200021839A KR102333050B1 (ko) | 2020-02-21 | 2020-02-21 | 보급형 먼지센서를 위한 보정 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200021839A KR102333050B1 (ko) | 2020-02-21 | 2020-02-21 | 보급형 먼지센서를 위한 보정 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210106825A KR20210106825A (ko) | 2021-08-31 |
| KR102333050B1 true KR102333050B1 (ko) | 2021-12-01 |
Family
ID=77489521
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200021839A KR102333050B1 (ko) | 2020-02-21 | 2020-02-21 | 보급형 먼지센서를 위한 보정 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102333050B1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117786612A (zh) * | 2023-12-26 | 2024-03-29 | 南京信息工程大学 | 一种适用于低成本co2传感器校准方案的优化方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101912240B1 (ko) * | 2018-03-28 | 2018-10-26 | 주식회사 과학기술분석센타 | 미세먼지 측정 장치 |
| KR101988317B1 (ko) | 2018-08-06 | 2019-06-12 | 주식회사 디에이피 | 인공지능에 기반하여 비산먼지를 측정하고 예측하는 장치 및 그 방법 |
| KR102066871B1 (ko) | 2019-07-15 | 2020-01-16 | 한국과학기술정보연구원 | 대기질 측정 방법 및 대기질 측정 시스템 |
| KR102134545B1 (ko) | 2019-12-30 | 2020-07-15 | 주식회사 에어콕 | 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 방법 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101865072B1 (ko) * | 2016-10-17 | 2018-06-07 | 주식회사에스에이티 | 미세먼지농도 측정, 보정 및 예측을 통한 미세먼지정보 구축장치 및 그 방법 |
| KR20190103784A (ko) * | 2018-02-28 | 2019-09-05 | 빌리브마이크론(주) | 다중 광수신기을 이용한 광학 센서 장치 및 방법 |
-
2020
- 2020-02-21 KR KR1020200021839A patent/KR102333050B1/ko active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101912240B1 (ko) * | 2018-03-28 | 2018-10-26 | 주식회사 과학기술분석센타 | 미세먼지 측정 장치 |
| KR101988317B1 (ko) | 2018-08-06 | 2019-06-12 | 주식회사 디에이피 | 인공지능에 기반하여 비산먼지를 측정하고 예측하는 장치 및 그 방법 |
| KR102066871B1 (ko) | 2019-07-15 | 2020-01-16 | 한국과학기술정보연구원 | 대기질 측정 방법 및 대기질 측정 시스템 |
| KR102134545B1 (ko) | 2019-12-30 | 2020-07-15 | 주식회사 에어콕 | 미세먼지 및 초미세먼지 측정 정확도 향상을 위한 센서 자동보정 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210106825A (ko) | 2021-08-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102002988B1 (ko) | 미세먼지 농도 연산장치 및 방법 | |
| KR102555008B1 (ko) | 먼지농도 보정 장치 | |
| EP2355164A1 (en) | Solar battery evaluation device and method for evaluating solar battery | |
| CN104897599A (zh) | 用于检测物质的方法和装置 | |
| UA120585C2 (uk) | Спосіб ідентифікації і розрізнення матеріалів та система для його здійснення | |
| CN106062535A (zh) | 用于确定环境空气的二氧化碳含量的方法和设备 | |
| US10060837B2 (en) | Differential pressure constant volume flow air sampler | |
| CN108426808A (zh) | 确定气溶胶中颗粒物质量浓度的颗粒物测量设备及方法 | |
| KR102333050B1 (ko) | 보급형 먼지센서를 위한 보정 장치 | |
| KR20200002694A (ko) | 분광 모델의 교정에 기초하는 교차-유효성확인 | |
| KR101510861B1 (ko) | 복합 악취 분석 시스템 및 방법 | |
| CN108614071A (zh) | 分布式室外大气质量监测精度校正系统及参数更新方法 | |
| CN107329189A (zh) | 光谱仪探测器无效像元筛选方法及辐射校正方法 | |
| Chiavassa et al. | An investigation on duty-cycle for particulate matter monitoring with light-scattering sensors | |
| CN113874707A (zh) | 用于确定气溶胶的粒径分布的方法和气溶胶测量设备 | |
| CN110031416B (zh) | 气体浓度检测装置及方法 | |
| CN110210005A (zh) | 一种无参考值的光谱波数选择方法 | |
| CN111602048A (zh) | 用于优化峰形的系统和方法 | |
| Astolfi et al. | Development and Metrological Characterization of a Multi-sensor Device for Indoor Environmental Quality (IEQ) monitoring | |
| CN113218912A (zh) | 一种基于远程质控监控平台的烟气在线监测方法及系统 | |
| CN112326882A (zh) | 空气质量传感器处理方法和装置 | |
| US20230024901A1 (en) | Method and aerosol measuring device for determining a source-dependent particle size distribution of an aerosol | |
| CN116183036A (zh) | 一种偏振遥感器短波红外波段背景辐射响应校正方法 | |
| AU2019429807B2 (en) | Spectrometer system and method for testing of same | |
| KR102613758B1 (ko) | 광산란방식 미세먼지측정기의 측정값 오류 보상방법 |
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) |