KR102337155B1 - IoT 데이터 형상화를 통한 모니터링 시스템 및 방법 - Google Patents

IoT 데이터 형상화를 통한 모니터링 시스템 및 방법 Download PDF

Info

Publication number
KR102337155B1
KR102337155B1 KR1020200007741A KR20200007741A KR102337155B1 KR 102337155 B1 KR102337155 B1 KR 102337155B1 KR 1020200007741 A KR1020200007741 A KR 1020200007741A KR 20200007741 A KR20200007741 A KR 20200007741A KR 102337155 B1 KR102337155 B1 KR 102337155B1
Authority
KR
South Korea
Prior art keywords
dimensional
data
monitoring
normal data
iot
Prior art date
Application number
KR1020200007741A
Other languages
English (en)
Other versions
KR20210094240A (ko
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 KR1020200007741A priority Critical patent/KR102337155B1/ko
Publication of KR20210094240A publication Critical patent/KR20210094240A/ko
Application granted granted Critical
Publication of KR102337155B1 publication Critical patent/KR102337155B1/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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/34—Testing dynamo-electric machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33028—Function, rbf radial basis function network, gaussian network

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명은 IoT 데이터 분석에 관한 것이다. IoT 데이터 형상화를 통한 모니터링 방법은, 정상 상태 동안 획득된 N개의 특징을 갖는 N차원 정상 데이터 셋을 생성하는 단계, 상기 N차원 정상 데이터 셋을 3차원 정상 데이터 셋으로 차원 축소하여 3차원 정상 데이터 분포를 생성하는 단계, 상기 정상 상태 이후에 획득된 N개의 특징을 차원 축소하여 3차원 모니터링 데이터를 생성하는 단계, 및 상기 3차원 정상 데이터 분포에 기초하여 상기 3차원 모니터링 데이터로 이상점을 판정하는 단계를 포함할 수 있다.

Description

IoT 데이터 형상화를 통한 모니터링 시스템 및 방법{System and method of monitoring by visualizing IoT data}
본 발명은 IoT 데이터 분석에 관한 것이다.
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.
한국 등록특허공보 제10-1976585호
본 발명은 모니터링 대상의 상태를 용이하게 파악할 수 있는 모니터링 시스템 및 방법을 제공하고자 한다.
본 발명의 일측면에 따르면, IoT 데이터 형상화를 통한 모니터링 방법이 제공된다. IoT 데이터 형상화를 통한 모니터링 방법은, 정상 상태 동안 획득된 N개의 특징을 갖는 N차원 정상 데이터 셋을 생성하는 단계, 상기 N차원 정상 데이터 셋을 3차원 정상 데이터 셋으로 차원 축소하여 3차원 정상 데이터 분포를 생성하는 단계, 상기 정상 상태 이후에 획득된 N개의 특징을 차원 축소하여 3차원 모니터링 데이터를 생성하는 단계, 및 상기 3차원 정상 데이터 분포에 기초하여 상기 3차원 모니터링 데이터로 이상점을 판정하는 단계를 포함할 수 있다.
일 실시예로, 상기 3차원 정상 데이터 분포는, 상기 3차원 정상 데이터 셋에 GMM(Gaussian Mixture Model)을 적용하여 생성할 수 있다.
일 실시예로, 상기 3차원 정상 데이터 셋 및 상기 3차원 모니터링 데이터는, 상기 N차원 정상 데이터 셋 및 상기 정상 상태 이후에 획득된 N개의 특징에 주성분 분석을 적용하여 생성될 수 있다.
일 실시예로, 상기 N차원 정상 데이터 셋을 3차원 정상 데이터 셋으로 차원 축소하여 3차원 정상 데이터 분포를 생성하는 단계는, 상기 N차원 정상 데이터 셋의 상기 N개의 특징을 조합한 제1 변수, 제2 변수 및 제3 변수를 생성하는 단계, 상기 최소값 및 상기 최대값에 의해 정의되는 3차원 공간을 균등 분할하여 복수의 직육면체 공간을 생성하는 단계, 상기 복수의 직육면체 공간 각각의 꼭지점에 GMM을 적용하여, 유효 분할 공간을 결정하는 단계 및 복수의 상기 유효 분할 공간으로 구성된 정상상태 경계면을 생성하는 단계를 포함할 수 있다.
일 실시예로, 상기 복수의 직육면체 공간 각각의 꼭지점에 GMM을 적용하여, 유효 분할 공간을 결정하는 단계는, 상기 각각의 꼭지점 사이에 위치한 1개 또는 그 이상의 지점에 GMM을 적용하여, 유효 분할 공간을 결정하는 단계를 더 포함할 수 있다.
일 실시예로, 상기 정상 상태 동안 획득된 N개의 특징을 갖는 N차원 정상 데이터 셋을 생성하는 단계는, 상기 정상 상태 동안에, 모니터링 대상에 설치된 IoT 센서로부터 k개의 제1 센싱 데이터를 수신하는 단계 및 상기 k개의 제1 센싱 데이터 각각에 연관된 N개의 특징으로 상기 N차원 정상 데이터 셋을 생성하는 단계를 포함할 수 있다.
일 실시예로, 상기 정상 상태 이후에 획득된 N개의 특징을 차원 축소하여 3차원 모니터링 데이터를 생성하는 단계는, 상기 정상 상태 이후에, 상기 IoT 센서로부터 k개의 제2 센싱 데이터를 수신하는 단계, 상기 k개의 제2 센싱 데이터 각각에 연관된 N개의 특징으로 상기 N차원 모니터링 데이터를 생성하는 단계 및 상기 N차원 모니터링 데이터에 포함된 N개의 특징을 조합한 제1 변수, 제2 변수 및 제3 변수를 생성하는 단계를 포함할 수 있다.
일 실시예로, 상기 특징은, 절대값, 기울기, 고속 퓨리에 변환값 중 어느 하나일 수 있다.
일 실시예로, 상기 3차원 정상 데이터 분포에 기초하여 상기 3차원 모니터링 데이터로 이상점을 판정하는 단계는, 상기 3차원 모니터링 특징을 상기 3차원 정상 데이터 분포와 함께 디스플레이에 표시하는 단계를 포함할 수 있다.
본 발명의 다른 측면에 따르면, IoT 데이터 형상화를 통한 모니터링 시스템이 제공된다. IoT 데이터 형상화를 통한 모니터링 시스템은, 정상 상태 동안에, 모니터링 대상에 설치된 IoT 센서로부터 k개의 제1 센싱 데이터를 수집하며, 상기 정상 상태 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 각각 생성하는 특징 획득부, 상기 N차원 정상 데이터 셋 및 상기 N차원 모니터링 데이터를 차원 축소하여 3차원 정상 데이터 셋 및 3차원 모니터링 데이터를 생성하는 특징 축소부, 상기 3차원 정상 데이터 셋을 이용하여 3차원 정상 데이터 분포를 생성하는 정상상태 경계면 생성부, 및 상기 정상 상태 경계면에 기초하여 상기 3차원 모니터링 데이터로 이상점을 판정하는 모니터링부를 포함할 수 있다.
일 실시예로, 상기 정상상태 경계면 생성부는, 상기 3차원 정상 데이터 셋에 GMM(Gaussian Mixture Model)을 적용하여 상기 3차원 정상 데이터 분포를 생성할 수 있다.
일 실시예로, 상기 특징 축소부는, 상기 N차원 정상 데이터 셋 및 상기 N차원 모니터링 데이터의 상기 N개의 특징을 조합한 제1 변수, 제2 변수 및 제3 변수를 생성할 수 있다.
일 실시예로, 상기 정상상태 경계면 생성부는, 상기 제1 변수, 상기 제2 변수 및 상기 제3 변수 각각에 대한 최소값 및 최대값을 결정하고, 상기 최소값 및 상기 최대값에 의해 정의되는 3차원 공간을 균등 분할하여 복수의 직육면체 공간을 생성하고, 상기 복수의 직육면체 공간 각각의 꼭지점에 GMM을 적용하여 유효 분할 공간을 결정하며, 복수의 상기 유효 분할 공간으로 구성된 정상상태 경계면을 생성할 수 있다.
본 발명에 따르면, 모니터링 대상의 상태를 용이하게 파악할 수 있게 된다.
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 형상화를 통한 모니터링 방법의 일 실시예를 예시적으로 도시한 흐름도이다.
도 3은 모니터링 대상으로부터 수집된 센싱 데이터 및 이로부터 획득된 특징을 예시적으로 도시한 도면이다.
도 4는 N차원 정상 데이터 분포로부터 3차원 정상 데이터 분포로의 축소를 예시적으로 도시한 도면이다.
도 5는 정상 데이터 분포 생성 과정의 연산량을 감소시키기 위한 방법을 예시적으로 도시한 흐름도이다.
도 6은 도 5에 도시된 정상 데이터 분포 생성 과정을 예시적으로 설명하기 위한 도면이다.
도 7은 도 6에 도시된 정상 데이터 분포 생성 과정을 상세하게 설명하기 위한 도면이다. 설명의 편의를 위해서, 2차원 공간을 예로 들어 설명한다.
도 8은 도 5 내지 7에 도시된 연산량 감소 방법이 적용된 IoT 데이터 형상화를 통한 모니터링 방법의 다른 실시예를 예시적으로 도시한 흐름도이다.
도 9는 도 1 내지 도 8에 예시된 모니터링 방법을 구현하기 위한 IoT 데이터 형상화를 통한 모니터링 시스템을 예시적으로 도시한 도면이다.
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.
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.
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.
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.
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.
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.
도 1은 IoT 데이터 분석을 통한 모니터링의 개념을 예시적으로 설명하기 위한 도면이다.
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.
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.
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.
도 2는 IoT 데이터 형상화를 통한 모니터링 방법을 예시적으로 도시한 흐름도로서, IoT 데이터 형상화를 통한 모니터링 시스템에 의해 수행되는 과정이고, 도 3은 모니터링 대상으로부터 수집된 센싱 데이터 및 이로부터 획득된 특징을 예시적으로 도시한 도면이며, 도 4는 N차원 정상 데이터 분포로부터 3차원 정상 데이터 분포로의 축소를 예시적으로 도시한 도면이다.
IoT 데이터 형상화를 통한 모니터링 방법은, 정상 데이터 분포를 생성하는 과정(단계 100 내지 140)과 생성된 정상 데이터 분포에 기초하여 대상물을 모니터링 하는 과정(단계 150)을 포함한다. 정상 데이터 분포는, N개의 특징을 이용하여 생성되는 3차원 정상 데이터 분포를 포함한다. 3차원 정상 데이터 분포는, 이상점의 발생 여부를 판단하는 기초로 이용된다.
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 센서 각각이 생성한 센싱 데이터 dk@time을 예시하고 있다. 센싱 데이터 dk@time는 정상 데이터 분포의 생성 및 이상점 검출에 이용되는 복수의 특징을 획득하는 기초로 사용된다. 예를 들어, 제1 IoT 센서는 모니터링 대상의 온도를 측정하고, 제2 IoT 센서는 모니터링 대상의 진동 주파수를 측정하고, 제3 IoT 센서는 모니터링 대상의 속도를 측정하며, 제4 IoT 센서는 모니터링 대상 주변 습도를 측정할 수 있다.
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.
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 특징들로 구성된 복수의 N차원 정상 데이터(이하 N차원 정상 데이터 셋)가 생성된다. 예를 들어, 제1 IoT 센서의 센싱 데이터는, 모니터링 대상의 온도이며, 이로부터 2개의 특징, 즉, 온도의 절대값 및 측정 시점에서의 기울기가 획득될 수 있다. 다른 예로, 제2 IoT 센서의 센싱 데이터는, 모니터링 대상의 진동 주파수이며, 이로부터, 2개의 특징, 즉, 절대값 및 고속 퓨리에 변환값이 획득될 수 있다.
주성분 분석(Principal Component Analysis, PCA)을 이용하여, N차원 정상 데이터 셋이, 시각적으로 표현 가능한 차원, 예를 들어, 3차원 또는 2차원 정상 데이터 셋으로 축소된다(130). 3차원으로 축소된 정상 데이터는, 제1 변수(예를 들어, x 좌표), 제2 변수(예를 들어, y 좌표), 및 제3 변수(예를 들어, z 좌표)로 구성된다. 주성분 분석은, N차원 정상 데이터 셋이 2차원 또는 3차원으로 축소될 때까지 반복적으로 적용된다.
주성분 분석은, 고차원의 데이터를 저차원의 데이터로 환원시키는 기법으로, 데이터를 한 개의 축으로 사상시켰을 때 그 분산이 가장 커지는 축을 첫 번째 주성분으로 하고 이후의 주성분들은 이전의 주성분들과 직교한다는 제약 아래 분산이 가장 커지는 축으로 하여 새로운 좌표계로 데이터를 선형 변환한다.
특징 추출(Feature Extraction)은 기존 변수를 조합해 새로운 변수를 만드는 기법으로, 단순히 일부 중요 변수만을 빼내는 특징 선택(Feature Selection)과는 대비된다. 특징 추출에는 기존 변수 가운데 일부만 활용하는 방식이 있고, 모두 쓰는 방식이 있는데, 주성분 분석은 후자에 해당된다.
주성분 분석에서는 기존 변수를 선형 결합해 새로운 변수를 만들어 낸다. 예를 들어, 변수가 p개, 관측치가 n개 있는 데이터
Figure 112020006794451-pat00001
(p*n)에 대하여, PCA는 아래와 같이 새로운 변수
Figure 112020006794451-pat00002
를 만드는 과정이다. 이와 같이 선형 변환된 데이터
Figure 112020006794451-pat00003
는 원본 데이터
Figure 112020006794451-pat00004
를 사영(projection)시킨 결과물로 이해할 수 있다.
Figure 112020006794451-pat00005
3차원 정상 데이터 셋에 GMM(Gaussian Mixture Model)을 적용한다(140). 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.
Figure 112020006794451-pat00006
여기서,
Figure 112020006794451-pat00007
는
Figure 112020006794451-pat00008
번째 정규 분포의 평균, 분산, 가중치를 나타낸다. 수학식 2와 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 4는 3차원 정상 데이터 분포를 나타낸다. 정상 상태에서 획득된 복수의 특징들로 구성된 3차원 정상 데이터 셋(210)은, 정상 영역(220) 내부에 위치한다. 정상 영역(220)은, 경계(200)에 의해 비정상 영역으로부터 구분된다. 한편, 주성분 분석을 적용하지 않은 N차원 정상 데이터 셋(210'')은, 정상 영역(220'') 내부에 위치한다. 정상 영역(220'')은, 경계(200'')에 의해 비정상 영역으로부터 구분된다. 마찬가지로, N차원 정상 데이터 셋(210'')을 한 차원 축소한 (N-1)차원 정상 데이터 셋(210') 역시 경계(200')에 의해 구분된 정상 영역(220')내에 위치한다. 4차원 이상의 공간은, 시각적으로 표현하기 어려우므로, 도 4의 (a)와 (b)는 설명을 위한 예시임을 이해하여야 한다.
3차원 정상 데이터 분포가 생성되면, 정상 상태 이후에 측정되는 제2 센싱 데이터를 이용하여 모니터링 대상에 발생한 이상점이 검출될 수 있다(150). 정상 상태 이후에 측정된 제2 센싱 데이터에서 획득된 N개의 특징(이하 N차원 모니터링 데이터)이, 3차원 정상 데이터 분포의 경계 내부에 위치하는지 판단된다(150).
k개의 제2 센싱 데이터에서 획득된 N차원 모니터링 데이터는, 주성분 분석에 의해 3차원 모니터링 특징으로 축소된다. 3차원 모니터링 데이터가 3차원 정상 데이터 분포 내에 위치하지 않으면, IoT 데이터 형상화를 통한 모니터링 시스템에 의한 알람 또는 경고 메시지의 형태로 출력될 수 있다.
한편, 3차원 모니터링 데이터는, 3차원 정상 데이터 분포와 함께 디스플레이에 표시될 수 있다. 이를 통해, 사용자가 시각적으로 이상점 발생 여부를 확인할 수도 있다.
도 5는 정상 데이터 분포 생성 과정의 연산량을 감소시키기 위한 방법을 예시적으로 도시한 흐름도이며, 도 6은 도 5에 도시된 정상 데이터 분포 생성 과정을 예시적으로 설명하기 위한 도면이다.
도 5를 참조하면, 3차원 정상 데이터 셋에 포함된 제1 변수, 제2 변수 및 제3 변수 각각의 최대값과 최소값이 결정된다(141). 3차원 정상 데이터 셋에서 변수마다 최대값 및 최소값이 산출되면, 변수별로 중심값을 구할 수 있게 된다.
3차원 공간을 균등 분할한다(142). 도 6의 (a)는, 단계 141에서 결정된 변수별 최대값, 최소값 및 중심값을 이용하여, 3차원 공간에 정의된 복수의 제1 직육면체 공간(146)을 나타낸다. 예를 들어, 3차원 공간은, 16등분되어 총 16개의 제1 직육면체 공간(146)으로 분할될 수 있다.
각 제1 직육면체 공간(146)의 꼭지점에 GMM을 적용하여 해당 공간 내에 3차원 정상 데이터가 포함되어 있는지를 확인한다(143). 제1 직육면체 공간(146)은, 8개의 꼭지점 a01 내지 a08을 가진다. 꼭지점의 제1 변수, 제2 변수 및 제3 변수에 GMM을 적용하면, 그 꼭지점이 정규 분포상에서 어떤 값을 갖는지를 알 수 있다. 8개의 꼭지점에 대해 산출된 값 모두가 정규 분포상의 값 중 하위에 속할수록 해당 제1 직육면체 공간(146) 내에 3차원 정상 데이터가 포함될 확률이 낮다. 반대로, 8개의 꼭지점에 대해 산출된 값 모두가 정규 분포상의 값 중 상위에 속할수록 해당 제1 직육면체 공간(146) 내에 3차원 정상 데이터가 포함될 확률이 높다. 이를 이용하여, 16개의 제1 직육면체 공간(146)을 유효 분할 공간과 무효 분할 공간으로 구분할 수 있다.
무효 분할 공간을 제외한 후, 남은 제1 직육면체 공간(146) 각각을 다시 균등 분할하여 단계 143을 반복한다. 도 6의 (b)는, 제1 직육면체 공간(146)을 4등분하여 4개의 제2 직육면체 공간(147)에 대해 유효 분할 공간과 무효 분할 공간을 구분하는 과정을 예시하고, (c)는, 제2 직육면체 공간(147)을 4등분하여 4개의 제3 직육면체 공간(148)에 대해 유효 분할 공간과 무효 분할 공간을 구분하는 과정을 예시하며, (d)는 상술한 단계를 통해 생성된 정상상태 경계면을 예시한다.
더 이상 무효 분할 공간이 없으면, 유효 분할 공간만으로 정상상태 경계면을 결정한다(145). 이로 인해, 정상상태 경계면은, 3차원 정상 데이터 셋으로 생성된 3차원 정상 데이터 분포와 실질적으로 동일한 경계를 가질 수 있다.
여기서, 3차원 공간의 균등 분할 횟수는, 1회일 수도 있다. 예를 들어, 3차원 공간은 64등분 또는 128등분되며, 이후 각 직육면체 공간에 대해 유효 분할 공간인지 여부가 확인될 수도 있다.
도 7은 도 6에 도시된 정상 데이터 분포 생성 과정을 상세하게 설명하기 위한 도면이다. 설명의 편의를 위해서, 2차원 공간을 예로 들어 설명한다.
도 7의 (a)를 참조하면, 2차원 공간을 4등분하여 4개 균등 공간에 대해 유효 분할 공간과 무효 분할 공간을 구분할 수 있다. 정상상태 경계면(200)이 예시된 형태를 가질 때, 4개의 꼭지점 b1, b2, b3, b4로 정의되는 두 번째 균등 공간(201)의 유효/무효 분할 공간 여부가 결정될 수 있다. 예시된 바와 같이, 두 번째 균등 공간 내에 정상상태 경계면(200)이 존재하지만, 4개의 꼭지점 b1, b2, b3, b4의 GMM값이 정규 분포상의 평균값보다 작다면, 두 번째 균등 공간은 무효 분할 공간으로 판단될 수 있다. 이를 방지하기 위해서, 꼭지점 사이에 위치한 1개 또는 그 이상의 지점(예를 들어, b12, b23, b34, b14)에 대한 GMM값을 평균값과 비교하는 과정이 추가로 실행될 수 있다. 동일한 과정은, 나머지 균등 분할 공간에 대해서도 적용된다. 그 결과, 두 번째 균등 분할 공간(201)은 유효 분할 공간으로, 네 번째 균등 분할 공간(202)은 무효 분할 공간으로 구분될 수 있다.
한편, 정상상태 경계면(200)에 속하는 균등 분할 공간 중 일부는, 무효 분할 공간으로 분류할 수 있다. 도 7의 (b)를 참조하면, 2차원 공간을 16등분하여 16개 균등 분할 공간에서, 정상상태 경계면(200) 내에 위치한 공간의 일부는 무효 분할 공간(202')으로 구분될 수 있다. 16개의 균등 분할 공간에 대해서, (a)에서 설명한 방식을 적용하면, 정상상태 경계면(200) 외부에 위치한 2개의 균등 분할 공간(202')이 무효 분할 공간으로 구분될 수 있다. 한편, 정상상태 경계면(200) 내부에 위치한 공간 중에서, 정상상태 경계면(200)이 위치하지 않은 2개의 균등 분할 공간(202'')도 무효 분할 공간으로 구분될 수 있다. 정상상태 경계면 외부에 위치한 균등 분할 공간(202')과 비교할 때, 내부에 위치한 균등 분할 공간(202'')에는, 정상 데이터가 존재할 수 있다. 하지만, 정상상태 경계면(200)이 존재하지 않는 공간이므로, 유효/무효 분할 공간 판단이 더 이상 필요 없어진다. 이를 통해, 연산량이 감소될 수 있다.
도 8은 도 5 내지 7에 도시된 연산량 감소 방법이 적용된 IoT 데이터 형상화를 통한 모니터링 방법의 다른 실시예를 예시적으로 도시한 흐름도이다. 도 2와 중복된 설명은 생략하고, 차이점 위주로 설명한다.
IoT 데이터 형상화를 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 3차원 정상 데이터 분포(이하 제1 3차원 정상 데이터 분포) 및 (N-1)개의 특징을 이용하여 생성되는 N개의 3차원 정상 데이터 분포(이하 제2 3차원 정상 데이터 분포)를 포함한다. 제1 3차원 정상 데이터 분포는, 이상점의 발생 여부를 판단하는 기초로 이용되며, 제2 3차원 정상 데이터 분포는 이상점을 발생시킨 특징을 검출하는데 이용된다.
도 8 참조하면, 모니터링 대상에 대한 센싱 데이터가 수집되고(300), 입력된 센싱 데이터에서 정상 상태에 속한 제1 센싱 데이터가 선택되며(310), 하나 이상의 특징이 제1 센싱 데이터로부터 획득되어 N차원 정상 데이터 셋이 생성된다(320).
N차원 정상 데이터 셋은, 주성분 분석에 의해 예를 들어, 3차원 정상 데이터 셋으로 축소된다(330). 3차원 정상 데이터 셋에 GMM을 적용하여 제1 3차원 정상 데이터 분포가 생성된다(340).
한편, N차원 정상 데이터 셋을 이용하여 N개의 (N-1)차원 정상 데이터 셋을 생성한다(350). (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 생성 될 수 있다.
(N-1)차원 정상 데이터 셋은, 주성분 분석에 의해 제2 3차원 정상 데이터 셋으로 축소된다(360). N개의 제2 3차원 정상 데이터 셋 각각에 GMM을 적용하여 N개의 제2 3차원 정상 데이터 분포를 생성한다(370). 제2 3차원 정상 데이터 셋은, 제거된 특징에 의한 영향을 받지 않으므로, 제2 3차원 정상 데이터 셋으로 생성된 제2 3차원 정상 데이터 분포 역시 제거된 특징을 반영하지 않는다.
제1 3차원 정상 데이터 분포 및 N개의 제2 3차원 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, 3차원 정상 데이터 분포의 경계 내부에 위치하는지 판단된다(380). 도 4에 예시된 바와 같이, 이상점(230)이 발생한 경우, 모니터링 대상이 비정상적으로 동작하고 있다고 판정된다.
제1 3차원 정상 데이터 분포를 통한 모니터링에서 이상점 발생이 검출되면, N개의 제2 3차원 정상 데이터 분포를 이용하여, 이상점을 유발한 특징을 판정한다(390). N차원 모니터링 데이터에 포함된 N개의 특징 중 하나가 제거된 N개의 3차원 모니터링 데이터가 생성된다. N개의 3차원 모니터링 데이터는, 제거된 특징을 반영하지 않는 제2 3차원 정상 데이터 분포에 1:1 매칭되어 이상점 발생 유무가 판정된다. 예를 들어, 세 번째 특징으로 인해 이상점이 발생한 경우를 가정하자. 세 번째 특징을 포함하는 (N-1)개의 제2 3차원 정상 데이터 분포에서 이상점(230)이 모두 검출된다. 이에 반해, 세 번째 특징이 제거된 한 개의 제2 3차원 정상 데이터 분포에서는, 이상점을 유발한 세 번째 특징이 제거되었으므로, 이상점이 발생하지 않는다.
도 9는 도 1 내지 도 8에 예시된 모니터링 방법을 구현하기 위한 IoT 데이터 형상화를 통한 모니터링 시스템을 예시적으로 도시한 도면이다.
도 9를 참조하면, IoT 데이터 형상화를 통한 모니터링 시스템은, 센싱 데이터 수집부(400), 특징 획득부(410), 특징 축소부(420), 정상상태 경계면 생성부(430), 및 모니터링부(440)를 포함할 수 있다.
IoT 데이터 형상화를 통한 모니터링 시스템은, 하나 이상의 프로세서 및 이에 통신 가능하게 연결된 저장 장치(예를 들어, 메모리)에 저장된 프로그램에 의해 구현될 수 있으며, 도 9는, 프로그램을 실행하는 프로세서를 기능적으로 표현한 것이다.
센싱 데이터 수집부(400)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.
특징 획득부(410)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.
특징 획득부(410)에 의해 생성된 데이터 셋은, 정상 상태 동안 생성되는 N차원 정상 데이터 셋과, 정상 상태 이후 생성되는 N차원 모니터링 데이터를 포함한다. 추가적으로, 특징 획득부(410)는, 1개의 N차원 정상 데이터 셋을 이용하여 N개의 (N-1)차원 정상 데이터 셋을 생성할 수 있다. 여기서, (N-1)차원 정상 데이터 셋은, N차원 정상 데이터 셋에서 n번째 특징(1≤n≤N)을 제거하여 생성될 수 있다.
특징 축소부(420)는, 데이터 셋의 차원을 축소한다. 특징 축소부(420)는, 주성분 분석을 이용하여 N차원 정상 데이터 셋을 시각적으로 표현 가능한 3차원 또는 2차원 정상 데이터 셋으로 축소한다. 한편, 특징 축소부(420)는, 주성분 분석을 이용하여 N차원 모니터링 데이터를 3차원 모니터링 데이터로 축소한다.
추가적으로, 특징 축소부(420)는, 주성분 분석을 이용하여 N개의 (N-1)차원 정상 데이터 셋을 3차원 또는 2차원 정상 데이터 셋으로 축소한다. 이 경우, N차원 정상 데이터 셋으로부터 축소된 정상 데이터 셋은 제1 3차원 정상 데이터 셋으로, (N-1)차원 정상 데이터 셋으로부터 축소된 정상 데이터 셋은 제2 3차원 정상 데이터 셋이라 지칭한다.
정상상태 경계면 생성부(430)는, 3차원 정상 데이터 셋을 이용하여, 3차원 정상 데이터 분포를 생성한다. 상술한 바와 같이, 정상상태 경계면은, 3차원 정상 데이터 분포와 실질적으로 동일하다. 정상상태 경계면 생성부(430)는, 제1 3차원 정상 데이터 셋에 GMM을 적용하여 3차원 정상 데이터 분포를 생성하거나, 3차원 공간을 균등 분할하여 정상상태 경계면을 생성할 수 있다.
추가적으로, 정상상태 경계면 생성부(430)는 N개의 제2 3차원 정상 데이터 셋에 GMM을 적용하여 N개의 제2 3차원 정상 데이터 분포를 생성한다.
모니터링부(440)는, 이상점 발생을 검출하고, 이상점을 유발한 특징을 판정한다. 모니터링부(440)는, 정상 상태 이후에 입력되는 제2 센싱 데이터로부터 획득된 3차원 모니터링 데이터가 3차원 정상 데이터 분포에 포함되는지를 판정한다.
추가적으로, 3차원 모니터링 데이터가 제1 3차원 정상 데이터 분포에 포함되지 않으면, 모니터링부(440)는, 3차원 모니터링 데이터가 N개의 제2 3차원 정상 데이터 분포 중 n번째 제2 3차원 정상 데이터 분포의 정상 영역에 포함되면, n번째 특징에 의해 이상점이 발생했다고 판정한다.
본 실시예에 따른 IoT 데이터 형상화를 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.
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.
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.
200: 경계 210: N차원 정상 데이터 셋
220: 정상 영역 230: 이상점
144: 육면체 공간 145: 유효 분할 공간
146: 무효 분할 공간
400: 센싱 데이터 수집부 410: 특징 획득부
420: 특징 축소부 430: 정상상태 경계면 생성부
440: 모니터링부

Claims (13)

  1. 정상 상태 동안 획득된 N개의 특징을 갖는 N차원 정상 데이터 셋을 생성하는 단계;
    상기 N차원 정상 데이터 셋을 3차원 정상 데이터 셋으로 차원 축소하여 3차원 정상 데이터 분포를 생성하는 단계;
    상기 정상 상태 이후에 획득된 N개의 특징을 차원 축소하여 3차원 모니터링 데이터를 생성하는 단계; 및
    상기 3차원 정상 데이터 분포에 기초하여 상기 3차원 모니터링 데이터로 이상점을 판정하는 단계를 포함하는 IoT 데이터 형상화를 통한 모니터링 방법.
  2. 제1항에 있어서,
    상기 3차원 정상 데이터 분포는, 상기 3차원 정상 데이터 셋에 GMM(Gaussian Mixture Model)을 적용하여 생성하는, IoT 데이터 형상화를 통한 모니터링 방법.
  3. 제1항에 있어서,
    상기 3차원 정상 데이터 셋 및 상기 3차원 모니터링 데이터는, 상기 N차원 정상 데이터 셋 및 상기 정상 상태 이후에 획득된 N개의 특징에 주성분 분석을 적용하여 생성하는, IoT 데이터 형상화를 통한 모니터링 방법.
  4. 제1항에 있어서,
    상기 N차원 정상 데이터 셋을 3차원 정상 데이터 셋으로 차원 축소하여 3차원 정상 데이터 분포를 생성하는 단계는,
    상기 N차원 정상 데이터 셋의 상기 N개의 특징을 조합한 제1 변수, 제2 변수 및 제3 변수를 생성하는 단계;
    상기 제1 변수, 상기 제2 변수 및 상기 제3 변수 각각에 대한 최소값 및 최대값을 결정하는 단계;
    상기 최소값 및 상기 최대값에 의해 정의되는 3차원 공간을 균등 분할하여 복수의 직육면체 공간을 생성하는 단계;
    상기 복수의 직육면체 공간 각각의 꼭지점에 GMM을 적용하여, 유효 분할 공간을 결정하는 단계; 및
    복수의 상기 유효 분할 공간으로 구성된 정상상태 경계면을 생성하는 단계를 포함하는, IoT 데이터 형상화를 통한 모니터링 방법.
  5. 제4항에 있어서, 상기 복수의 직육면체 공간 각각의 꼭지점에 GMM을 적용하여, 유효 분할 공간을 결정하는 단계는,
    상기 각각의 꼭지점 사이에 위치한 1개 또는 그 이상의 지점에 GMM을 적용하여, 유효 분할 공간을 결정하는 단계를 더 포함하는, IoT 데이터 형상화를 통한 모니터링 방법.
  6. 제1항에 있어서,
    상기 정상 상태 동안 획득된 N개의 특징을 갖는 N차원 정상 데이터 셋을 생성하는 단계는,
    상기 정상 상태 동안에, 모니터링 대상에 설치된 IoT 센서로부터 k개의 제1 센싱 데이터를 수신하는 단계; 및
    상기 k개의 제1 센싱 데이터 각각에 연관된 N개의 특징으로 상기 N차원 정상 데이터 셋을 생성하는 단계를 포함하는, IoT 데이터 형상화를 통한 모니터링 방법.
  7. 제6항에 있어서,
    상기 정상 상태 이후에 획득된 N개의 특징을 차원 축소하여 3차원 모니터링 데이터를 생성하는 단계는,
    상기 정상 상태 이후에, 상기 IoT 센서로부터 k개의 제2 센싱 데이터를 수신하는 단계;
    상기 k개의 제2 센싱 데이터 각각에 연관된 N개의 특징으로 N차원 모니터링 데이터를 생성하는 단계; 및
    상기 N차원 모니터링 데이터에 포함된 N개의 특징을 조합한 제1 변수, 제2 변수 및 제3 변수를 생성하는 단계를 포함하는, IoT 데이터 형상화를 통한 모니터링 방법.
  8. 제1항에 있어서,
    상기 특징은, 절대값, 기울기, 고속 퓨리에 변환값 중 어느 하나인, IoT 데이터 형상화를 통한 모니터링 방법.
  9. 제1항에 있어서,
    상기 3차원 정상 데이터 분포에 기초하여 상기 3차원 모니터링 데이터로 이상점을 판정하는 단계는,
    상기 3차원 모니터링 특징을 상기 3차원 정상 데이터 분포와 함께 디스플레이에 표시하는 단계를 포함하는, IoT 데이터 형상화를 통한 모니터링 방법.
  10. 정상 상태 동안에, 모니터링 대상에 설치된 IoT 센서로부터 k개의 제1 센싱 데이터를 수집하며, 상기 정상 상태 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 각각 생성하는 특징 획득부;
    상기 N차원 정상 데이터 셋 및 상기 N차원 모니터링 데이터를 차원 축소하여 3차원 정상 데이터 셋 및 3차원 모니터링 데이터를 생성하는 특징 축소부;
    상기 3차원 정상 데이터 셋을 이용하여 3차원 정상 데이터 분포를 생성하는 정상상태 경계면 생성부; 및
    상기 정상 상태 경계면에 기초하여 상기 3차원 모니터링 데이터로 이상점을 판정하는 모니터링부를 포함하는 IoT 데이터 형상화를 통한 모니터링 시스템.
  11. 제10항에 있어서,
    상기 정상상태 경계면 생성부는, 상기 3차원 정상 데이터 셋에 GMM(Gaussian Mixture Model)을 적용하여 상기 3차원 정상 데이터 분포를 생성하는, IoT 데이터 형상화를 통한 모니터링 시스템.
  12. 제10항에 있어서,
    상기 특징 축소부는, 상기 N차원 정상 데이터 셋 및 상기 N차원 모니터링 데이터의 상기 N개의 특징을 조합한 제1 변수, 제2 변수 및 제3 변수를 생성하는, IoT 데이터 형상화를 통한 모니터링 시스템.
  13. 제12항에 있어서,
    상기 정상상태 경계면 생성부는,
    상기 제1 변수, 상기 제2 변수 및 상기 제3 변수 각각에 대한 최소값 및 최대값을 결정하고,
    상기 최소값 및 상기 최대값에 의해 정의되는 3차원 공간을 균등 분할하여 복수의 직육면체 공간을 생성하고,
    상기 복수의 직육면체 공간 각각의 꼭지점에 GMM(Gaussian Mixture Model)을 적용하여 유효 분할 공간을 결정하며,
    복수의 상기 유효 분할 공간으로 구성된 정상상태 경계면을 생성하는, IoT 데이터 형상화를 통한 모니터링 시스템.
KR1020200007741A 2020-01-21 2020-01-21 IoT 데이터 형상화를 통한 모니터링 시스템 및 방법 KR102337155B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200007741A KR102337155B1 (ko) 2020-01-21 2020-01-21 IoT 데이터 형상화를 통한 모니터링 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200007741A KR102337155B1 (ko) 2020-01-21 2020-01-21 IoT 데이터 형상화를 통한 모니터링 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20210094240A KR20210094240A (ko) 2021-07-29
KR102337155B1 true KR102337155B1 (ko) 2021-12-09

Family

ID=77127629

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200007741A KR102337155B1 (ko) 2020-01-21 2020-01-21 IoT 데이터 형상화를 통한 모니터링 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102337155B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102485474B1 (ko) * 2021-12-03 2023-01-06 한국전자기술연구원 통계적 데이터 특성 추출을 통한 해상 센서 자가 고장 진단 장치

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101116663B1 (ko) * 2010-04-15 2012-03-07 성균관대학교산학협력단 고차원 데이터의 유사도 검색을 위한 데이터 분할방법
KR101560274B1 (ko) * 2013-05-31 2015-10-14 삼성에스디에스 주식회사 데이터 분석 장치 및 방법
KR101976585B1 (ko) 2018-06-19 2019-05-09 주식회사 유타렉스 스마트 센서 기반 IoT 모터 모니터링 시스템

Also Published As

Publication number Publication date
KR20210094240A (ko) 2021-07-29

Similar Documents

Publication Publication Date Title
US11138817B2 (en) Vehicle system prognosis device and method
US8831233B2 (en) Monitoring apparatus and method
JP7040851B2 (ja) 異常検知装置、異常検知方法及び異常検知プログラム
KR20160143512A (ko) 머신 러닝을 위한 진보된 분석 기반시설
JP6677300B2 (ja) 震央距離推定装置、震央距離推定方法、及びプログラム
US8086640B2 (en) System and method for improving data coverage in modeling systems
Stender et al. Complex machine dynamics: systematic recurrence quantification analysis of disk brake vibration data
JP7126256B2 (ja) 異常診断装置、異常診断方法、及びプログラム
CN109839900A (zh) 数值控制装置
JP6783163B2 (ja) 翼振動監視装置および翼振動監視方法
KR102337155B1 (ko) IoT 데이터 형상화를 통한 모니터링 시스템 및 방법
EP3271839A1 (en) Sensor data visualization apparatus and method
KR20190119210A (ko) 센서 기반 실시간 악취 분류 장치 및 방법
EP2135144B1 (en) Machine condition monitoring using pattern rules
Lee et al. Induction motor fault classification based on ROC curve and t-SNE
JP6904418B2 (ja) 情報処理装置、情報処理システム、情報処理方法、及び、プログラム
CN117980707A (zh) 操作振动信号的自主辨别
WO2024120018A1 (zh) 检测方法、训练方法、电器、监控系统、存储介质和设备
CN109074052B (zh) 非稳定检测装置、非稳定检测系统以及非稳定检测方法
KR102300835B1 (ko) IoT 데이터 분석을 통한 모니터링 시스템 및 방법
CN114492517B (zh) 电梯检测方法、电梯检测装置、电子设备及存储介质
JP2020203032A (ja) 脳症判定プログラム、脳症判定方法および情報処理装置
JP7433648B2 (ja) 異常検出方法
CN104574500A (zh) 三维模型生成装置、三维模型生成方法以及程序
WO2020054725A1 (ja) 診断装置及び診断方法

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right