KR102355178B1

KR102355178B1 - 디지털 트윈을 이용하여 가상센서를 구현하는 컴퓨팅 시스템 및 이를 이용한 실시간 데이터 수집 방법

Info

Publication number: KR102355178B1
Application number: KR1020190073330A
Authority: KR
Inventors: 김탁곤
Original assignee: 주식회사 한국디지털트윈연구소
Priority date: 2019-06-20
Filing date: 2019-06-20
Publication date: 2022-02-10
Also published as: KR20200144998A; US20220197231A1; WO2020256418A3; WO2020256418A2

Abstract

본 발명의 일 실시예에 따른 컴퓨팅 시스템은, 물리 기반 모델을 구현하는 컴퓨팅 시스템으로서, 물리적인 복잡계(complex system)를 기술하며(describes), 연역적인 추론이 가능한 물리 기반 모델; 및 적어도 하나 이상의 프로세서를 포함한다. 상기 적어도 하나 이상의 프로세서는, 상기 물리 기반 모델 내에 포함되는 복수의 노드들 중 적어도 일부인 제1 노드의 상태 정보가 시간의 경과 또는 공간 분포 중 적어도 하나 이상과 관련되면서 포함되도록 얻어진 제1 데이터를 수신하고, 상기 제1 데이터에 기반하여 상기 물리 기반 모델 내의 상기 제1 노드 각각에 대하여, 상기 상태 정보를 시간의 경과 또는 공간 분포 중 적어도 하나 이상과 관련하여 식별하고, 상기 제1 노드 각각에 대하여, 상기 상태 정보를 시간의 경과 또는 공간 분포 중 적어도 하나 이상과 관련하여 재현할 수 있도록 상기 물리 기반 모델 내의 변수들 간의 파라미터를 결정한다.

Description

디지털 트윈을 이용하여 가상센서를 구현하는 컴퓨팅 시스템 및 이를 이용한 실시간 데이터 수집 방법 {COMPUTING SYSTEM FOR VIRTUAL SENSOR IMPLEMENTATION USING DIGITAL TWIN AND METHOD FOR REALTIME DATA COLLECTION THEREOF}

본 발명은 물리적인 복잡계를 모델링하고 시뮬레이션하는 기술에 관한 것으로, 보다 구체적으로는 디지털 트윈을 이용하여 센서 기반 데이터를 수집하고, 데이터를 확장하여 모델을 고도화하는 기술에 관한 것이다.

본 발명은 과학기술정보통신부 및 연구개발특구진흥재단의 기술이전사업화사업의 일환으로 수행한 연구로부터 도출된 것이다[과제관리번호: 2019-DD-RD-0056-01-101, 과제명: 머신러닝 내장형 디지털트윈 모델링 시뮬레이션 플랫폼 개발].

산업 현장에서 생산성, 경제성, 안전성 등을 향상시키고자 하는 요구가 확산되고 있다. 최근에는 사물인터넷(IoT), 빅데이터, 인공지능, 사이버 물리 시스템(CPS, Cyber Physical Systems) 등의 기술이 널리 이용되고 있으며, 이들 기술들이 집약된 기술 트렌드로서 디지털 트윈(Digital Twin) 기술이 주목받고 있다.

디지털 트윈은 물리적 객체(자산, 프로세스 및 시스템 등)들에 대한 디지털 복제(쌍둥이)로서, 수명주기 전체에 걸쳐 대상 객체 요소들의 속성/상태를 유지하며 이들이 어떻게 작동하는 지에 대한 동적 성질을 묘사하는 가상의 모델이라 할 수 있다.

컴퓨팅 시스템에서 구현된 디지털 트윈은 대상 객체(물리적 자산)와 연동하여 현실 상황을 반영하면서 현실에서 발생할 수 있는 상황을 예측하거나 운영을 최적화하는 조건을 알려주는 등 산업 현장에서 다양한 용도로 활용되면서 산업의 경쟁력을 강화하는 수단으로 인식되고 있다.

사물인터넷(IoT) 기술과 디지털 트윈 기술은 밀접한 관련이 있다. 사물인터넷 플랫폼 기술의 고도화는 운용 중인 시스템의 센서 데이터를 실시간으로 수집한 후 기계학습/인공지능 기반의 예측, 고장 진단, 최적화, 예지 진단 등 스마트 서비스를 가능하게 한다. 디지털 트윈 기술은 산업 현장에서 이용되는 것을 전제로 시작되었으나, 최근에는 사이버 시티 등 그 적용되는 영역을 더욱 다양한 스마트 서비스로 확대하고자 하는 노력이 시도되고 있다. 다양한 스마트 서비스에 필요한 모든 데이터를 수집하기 위한 센서 모두를 운용 중인 시스템에 장착시키는 것은 물리적 제약(센서의 위치와 개수), 및/또는 경제적 제약(센서의 개수)으로 인하여 사실상 불가능하다.

이러한 문제점을 부분적으로 해결하기 위한 수단으로서, 미국공개특허 제2017/0286572호 "Digital twin of twinned physical system"에서, 실제 센서의 디지털 트윈을 이용하여 실제 센서의 동작을 시뮬레이션하고, 실세 센서가 작동하지 않게 되었을 때, 디지털 트윈 모델 내의 실제 센서에 대응하는 가상 센서로부터 데이터를 수집하여 실제 센서의 동작을 대체하는 기술이 제안되었다.

한국공개특허 제10-2019-0013610호 "기술 시스템의 동작을 제어하기 위한 시스템, 방법 및 제어 유닛"에서도 실제 센서의 디지털 트윈을 이용하여 가상 센서 데이터를 생성하고, 실제 센서의 이상이 검출되었을 때 가상 센서 데이터로 이상 센서를 대체하는 기술이 제안되었다.

미국공개특허 제2019/0068618 "Using virtual sensors to accommodate industrial asset control systems during cyber attacks" 에서는 디지털 트윈 모델을 정상 경우와 사이버 공격을 당했을 경우를 가정하여 시뮬레이션하고, 시스템이 실제로 공격을 받았을 때, 실제 센서 중 공격을 받은 센서를 가상 센서로 동적으로 대체하는 기술이 제안되었다.

그러나 이러한 선행문헌들에 의하더라도, 가상 센서 데이터를 확보하기 위해서는 실제 센서가 반드시 그 위치에 존재하여야만 가상 센서에 대한 정상/비정상 데이터를 확보할 수 있으며, 실제 센서가 정상 동작하는 동안 확보된 데이터만이 가상 센서 데이터의 구현에 기여할 수 있다.

즉, 실제로 센서가 설치될 수 없는 물리적 위치에 대해서는 가상 센서를 확보하기가 어렵다.

한편 디지털 트윈 기술은 산업 현장에서만 이용되는 데 그치지 않고 사이버 시티 등 그 응용 분야를 넓히려는 시도가 있는데, 상기 선행문헌들에 제시된 가상 센서 기술은 실제 센서의 데이터를 반드시 필요로 하므로, 디지털 트윈 기술 확장의 장애 요인이 되고 있다.

미국공개특허 제2017/0286572호 "Digital twin of twinned physical system" (2017년 10월 5일) 한국공개특허 제10-2019-0013610호 "기술 시스템의 동작을 제어하기 위한 시스템, 방법 및 제어 유닛" (2019년 2월 11일) 미국공개특허 제2019/0033850호 "Controlling operation of a technical system" (2019년 1월 31일) 미국공개특허 제2019/0068618 "Using virtual sensors to accommodate industrial asset control systems during cyber attacks" (2019년 2월 28일)

종래기술 및 상기의 선행기술에서는 실제의 물리 센서로부터 얻어진 데이터를 포함하는 전체 데이터셋을 이용하여 디지털 트윈을 시뮬레이션한다. 종래기술 및 상기의 선행기술에서는 실제의 물리 센서가 작동하지 않거나 사이버 공격을 받은(attacked) 상황에서는 가상 센서의 데이터가 실제의 물리 센서를 대체하여 동작한다. 이때 사용되는 가상 센서 데이터를 얻기 위해서는 적어도 정상적으로 동작하는 실제의 물리 센서의 데이터가 반드시 필요하다.

본 발명은 종래기술 및 상기선행기술의 문제점을 해결하고자 하는 발명으로서, 기능(정확도) 및 성능(실시간성)이 실제 센서와 동등한 가상 센서를 시스템 내의 임의의 위치에 임의의 개수만큼 구현하고, 디지털 트윈 모델이 제공할 수 있는 데이터의 범위를 확장하는 것을 목적으로 한다.

본 발명은 실제 센서가 설치되지 못하는 위치에 대해서도 가상 센서를 구현하고, 가상 센서를 기반으로 하여 전체 복잡계의 동작을 예측/추론할 수 있는 디지털 트윈 모델을 제공하는 것을 목적으로 한다.

본 발명은 복수개의 실제 센서들 및 전체 복잡계에서 실제로 발생한 거시적인 동작 또는 미시적인 동작을 기술할(describe) 수 있는 원본 데이터를 이용하는 디지털 트윈 모델 및 가상 센서 모델을 제공하는 것을 목적으로 한다.

본 발명은 복수개의 실제 센서들 및 전체 복잡계에서 실제로 발생한 거시적인 동작 또는 미시적인 동작을 기술할 수 있는 원본 데이터에 기반하여 실제 센서가 설치되지 않은 노드에 대한 가상 센서 데이터셋을 얻을 수 있는 디지털 트윈 모델 및 가상 센서 모델을 제공하는 것을 목적으로 한다.

본 발명은 실제의 물리 센서가 측정하는 물리량과는 다른 형태의 물리량에 대해서도 가상 센서를 구현할 수 있는 디지털 트윈 모델 및 가상 센서 모델을 제공하는 것을 목적으로 한다. 구체적으로는, 실제의 물리 센서가 측정할 수 있는 한계 범위를 넘어서는 범위의 물리량에 대해서도 가상의 측정값을 제공할 수 있는 가상 센서를 구현할 수도 있고, 실제의 물리 센서가 측정한 물리량이 아닌 다른 물리량에 대해서도 가상의 측정값을 제공할 수 있는 가상 센서를 구현할 수 있다.

본 발명은 가상 센서를 포함하는 디지털 트윈 모델을 제공하고, 디지털 트윈 모델 및 가상 센서 모델을 이용한 실시간 데이터 수집 방법을 제안하는 것을 목적으로 한다.

본 발명은 상기의 목적을 달성하기 위하여 도출된 구성으로서, 본 발명의 일 실시예에 따른 컴퓨팅 시스템은, 물리 기반 모델을 구현하는 컴퓨팅 시스템으로서, 물리적인 복잡계(complex system)를 기술하며(describes), 연역적인 추론이 가능한 물리 기반 모델; 및 적어도 하나 이상의 프로세서를 포함한다. 상기 적어도 하나 이상의 프로세서는, 상기 물리 기반 모델 내에 포함되는 복수의 노드들 중 적어도 일부인 제1 노드의 상태 정보가 시간의 경과 또는 공간 분포 중 적어도 하나 이상과 관련되면서 포함되도록 얻어진 제1 데이터를 수신하고, 상기 제1 데이터에 기반하여 상기 물리 기반 모델 내의 상기 제1 노드 각각에 대하여, 상기 상태 정보를 시간의 경과 또는 공간 분포 중 적어도 하나 이상과 관련하여 식별하고, 상기 제1 노드 각각에 대하여, 상기 상태 정보를 시간의 경과 또는 공간 분포 중 적어도 하나 이상과 관련하여 재현할 수 있도록 상기 물리 기반 모델 내의 변수들 간의 파라미터를 결정한다. 이때 제1 데이터는 복잡계의 거시적인 동작에 관련되는 데이터를 포함하도록 선택될 수 있다.

적어도 하나 이상의 프로세서는 상기 제1 노드 각각에 대하여, 상기 시간의 경과 또는 공간 분포 중 적어도 하나 이상과 관련되는 상기 상태 정보에 대하여 기계 학습을 수행함으로써 상기 물리 기반 모델 내의 상기 변수들 간의 상기 파라미터를 결정할 수 있다.

적어도 하나 이상의 프로세서는 상기 물리 기반 모델 내에 포함되는 복수의 노드들 중 적어도 일부인 제2 노드의 상태 정보를 포함하도록 얻어진 제2 데이터를 수신하고, 상기 제2 데이터를 상기 물리 기반 모델에 입력하여 상기 물리 기반 모델 내에 포함되는 복수의 노드들 모두에 대한 상태 정보를 포함하는 제3 데이터를 생성할 수 있다.

적어도 하나 이상의 프로세서는 상기 제3 데이터 내에 포함되는 상기 제2 노드가 상기 제2 데이터에 의하여 주어지는 값을 가지도록 결정하고, 상기 제3 데이터 내에 포함되는 상기 제2 노드를 제외한 나머지 노드는 상기 물리 기반 모델이 상기 제2 데이터에 기반하여 추론한 값을 가지도록 결정할 수 있다.

제1 노드가 공간 상에 분포되어 있다고 가정할 때, 상기 제1 노드의 상태 정보의 시간의 경과에 따른 변화가 상기 제1 데이터에 표현되고, 상기 물리 기반 모델은 상기 변수로서 적어도 상기 제1 노드의 시간의 경과에 따른 상태 정보를 포함할 수 있다. 물리 기반 모델은 상기 파라미터로서 적어도 상기 제1 노드의 시간의 경과에 따른 상태 정보 및 상기 제1 노드에 공간적으로 인접한 다른 노드의 상태 정보 간의 관련성을 포함할 수 있다.

적어도 하나 이상의 프로세서는 상기 제1 데이터에 기반하여 상기 제1 노드의 시간의 경과에 따른 상태 정보의 변화를 식별하고, 상기 제1 노드의 시간의 경과에 따른 상태 정보의 변화를 재현할 수 있도록 상기 물리 기반 모델 내에서 적어도 상기 제1 노드의 시간의 경과에 따른 상태 정보 및 상기 제1 노드에 공간적으로 인접한 다른 노드의 상태 정보 간의 관련성을 나타내는 파라미터를 결정할 수 있다.

복수의 노드들 중 적어도 일부는 상기 복수의 노드들 중 나머지와 다른 물리적 디멘전의 상태 정보를 가지도록 설정될 수 있다.

본 발명의 일 실시예에 따른 컴퓨팅 시스템은 디지털 트윈을 구현하는 컴퓨팅 시스템이고, 적어도 하나 이상의 프로세서; 및 복잡계를 기술하며, 상기 복잡계 내에 설치되는 복수개의 물리 센서들이 대응하는 복수개의 제2 노드들을 포함하는 디지털 트윈 모델을 포함한다. 적어도 하나 이상의 프로세서는 상기 디지털 트윈 모델 내의 모든 노드들의 데이터를 포함하는 레퍼런스 데이터셋을 획득하고, 상기 디지털 트윈 모델 내의 상기 모든 노드들 중 상기 복수개의 제2 노드들을 제외한 나머지인 복수개의 제3 노드들 각각에 적어도 하나 이상의 가상 센서를 대응시키고, 상기 레퍼런스 데이터셋에 기반하여, 상기 복수개의 물리 센서들이 제공하는 데이터와 상기 적어도 하나 이상의 가상 센서가 가지는 데이터 간의 상관관계를 학습하여 상기 적어도 하나 이상의 가상 센서를 기술하는 가상 센서 모델을 생성한다.

적어도 하나 이상의 프로세서는 상기 디지털 트윈 모델에 복수개의 시나리오를 적용하여 상기 디지털 트윈 모델을 시뮬레이션하고, 상기 디지털 트윈 모델 내의 상기 모든 노드들의 데이터를 포함하는 시뮬레이션 결과 데이터셋을 상기 레퍼런스 데이터셋으로서 획득할 수 있다.

적어도 하나 이상의 프로세서는 상기 복수개의 물리 센서들이 제공하는 데이터를 상기 복수개의 제2 노드들에 할당하고, 상기 복수개의 제2 노드들의 데이터를 상기 가상 센서 모델에 입력하고, 상기 가상 센서 모델이 상기 복수개의 제2 노드들의 데이터 및 상기 복수개의 제3 노드들의 데이터 간의 관련성을 학습하도록 상기 가상 센서 모델을 제어할 수 있다.

적어도 하나 이상의 프로세서는 상기 복수개의 물리 센서들이 제공하는 새로운 데이터를 상기 복수개의 제2 노드들에 새롭게 할당하고, 상기 복수개의 제2 노드들에 새롭게 할당된 데이터를 상기 가상 센서 모델에 입력하고, 상기 가상 센서 모델이 상기 복수개의 제2 노드들의 데이터 및 상기 복수개의 제3 노드들의 데이터 간의 관련성에 대한 학습 결과를 업데이트하도록 상기 가상 센서 모델을 제어할 수 있다.

적어도 하나 이상의 프로세서는 상기 복수개의 물리 센서들이 제공하는 새로운 데이터를 상기 복수개의 제2 노드들에 새롭게 할당하고, 상기 복수개의 제2 노드들에 새롭게 할당된 데이터를 상기 가상 센서 모델에 입력하고, 상기 가상 센서 모델이 상기 복수개의 제3 노드들의 새로운 데이터를 출력하도록 상기 가상 센서 모델을 제어할 수 있다.

상기 적어도 하나 이상의 프로세서는 상기 복수개의 물리 센서들이 감지하는 데이터의 물리량과 다른 별개의 물리적 디멘전을 가지는 데이터를 상기 적어도 하나 이상의 가상 센서의 데이터의 물리량으로 지정할 수 있다.

적어도 하나 이상의 프로세서는 상기 레퍼런스 데이터셋에 기반하여, 상기 디지털 트윈 모델 내의 상기 복수개의 제2 노드들이 상기 복수개의 물리 센서들이 제공하는 데이터의 값을 가지도록 상기 복수개의 제2 노드들과 상기 복수개의 물리 센서들이 매칭되는 조건 하에서, 상기 디지털 트윈 모델 내의 상기 복수개의 제3 노드들 중 어느 하나의 제4 노드 및 상기 제4 노드에 대응하는 제1 가상 센서의 값을 예측하도록 상기 가상 센서 모델을 제어할 수 있다.

적어도 하나 이상의 프로세서는 상기 레퍼런스 데이터셋에 기반하여, 상기 디지털 트윈 모델 내의 상기 복수개의 제2 노드들이 상기 복수개의 물리 센서들이 제공하는 데이터의 값을 가지도록 상기 복수개의 제2 노드들과 상기 복수개의 물리 센서들이 매칭되는 조건 하에서, 상기 디지털 트윈 모델 내의 상기 복수개의 제3 노드들 각각에 대응하는 복수개의 제2 가상 센서들 각각의 값을 예측하도록 상기 가상 센서 모델을 제어할 수 있다.

가상 센서 모델은 인공 신경망(ANN, Artificial Neural Network)을 이용하는 모델일 수 있다.

본 발명의 일 실시예에 따른 컴퓨팅 시스템에서 실행되는 물리 기반 모델 제공 방법은, 물리적인 복잡계를 기술하며 연역적인 추론이 가능한 물리 기반 모델 및 적어도 하나 이상의 프로세서를 포함하는 컴퓨팅 시스템에서 실행된다. 물리 기반 모델 제공 방법은 상기 적어도 하나 이상의 프로세서가, 상기 물리 기반 모델 내에 포함되는 복수의 노드들 중 적어도 일부인 제1 노드의 상태 정보가 시간의 경과 또는 공간 분포 중 적어도 하나 이상과 관련되면서 포함되도록 얻어진 제1 데이터를 수신하는 단계; 상기 적어도 하나 이상의 프로세서가, 상기 제1 데이터에 기반하여 상기 물리 기반 모델 내의 상기 제1 노드 각각에 대하여, 상기 상태 정보를 시간의 경과 또는 공간 분포 중 적어도 하나 이상과 관련하여 식별하는 단계; 및 상기 적어도 하나 이상의 프로세서가, 상기 제1 노드 각각에 대하여, 상기 상태 정보를 시간의 경과 또는 공간 분포 중 적어도 하나 이상과 관련하여 재현할 수 있도록 상기 물리 기반 모델 내의 변수들 간의 파라미터를 결정하는 단계를 포함한다.

물리 기반 모델 제공 방법은 상기 적어도 하나 이상의 프로세서가, 상기 물리 기반 모델 내에 포함되는 복수의 노드들 중 적어도 일부인 제2 노드의 상태 정보를 포함하도록 얻어진 제2 데이터를 수신하는 단계; 및 상기 적어도 하나 이상의 프로세서가, 상기 제2 데이터를 상기 물리 기반 모델에 입력하여 상기 물리 기반 모델 내에 포함되는 복수의 노드들 모두에 대한 상태 정보를 포함하는 제3 데이터를 생성하는 단계를 더 포함할 수 있다.

본 발명의 일 실시예에 따른 컴퓨팅 시스템에서 실행되는 디지털 트윈 모델을 제공하는 방법은, 물리적인 복잡계를 기술하며, 상기 복잡계 내에 설치되는 복수개의 물리 센서들이 대응하는 복수개의 제2 노드들을 포함하는 디지털 트윈 모델, 및 적어도 하나 이상의 프로세서를 포함하는 컴퓨팅 시스템에서 실행된다. 디지털 트윈 모델을 제공하는 방법은 상기 적어도 하나 이상의 프로세서가, 상기 디지털 트윈 모델 내의 모든 노드들의 데이터를 포함하는 레퍼런스 데이터셋을 획득하는 단계; 상기 적어도 하나 이상의 프로세서가, 상기 디지털 트윈 모델 내의 상기 모든 노드들 중 상기 복수개의 제2 노드들을 제외한 나머지인 복수개의 제3 노드들 각각에 적어도 하나 이상의 가상 센서를 대응시키는 단계; 및 상기 적어도 하나 이상의 프로세서가, 상기 레퍼런스 데이터셋에 기반하여, 상기 복수개의 물리 센서들이 제공하는 데이터와 상기 적어도 하나 이상의 가상 센서가 가지는 데이터 간의 상관관계를 학습하여 상기 적어도 하나 이상의 가상 센서를 기술하는 가상 센서 모델을 생성하는 단계를 포함한다.

이때 상기 레퍼런스 데이터셋을 획득하는 단계는, 상기 적어도 하나 이상의 프로세서가, 상기 디지털 트윈 모델에 복수개의 시나리오를 적용하여 상기 디지털 트윈 모델을 시뮬레이션하는 단계; 및 상기 적어도 하나 이상의 프로세서가, 상기 디지털 트윈 모델 내의 상기 모든 노드들의 데이터를 포함하는 시뮬레이션 결과 데이터셋을 상기 레퍼런스 데이터셋으로서 획득하는 단계를 포함할 수 있다.

본 발명에 따르면, 실제 센서와 기능(정확도) 및 성능(실시간성)이 동등한 가상 센서를 시스템 내의 임의의 위치에 임의의 개수만큼 구현하고, 디지털 트윈 모델이 제공할 수 있는 데이터의 범위를 확장할 수 있다.

본 발명에 따르면, 실제 센서가 설치되지 못하는 위치에서도 가상 센서를 구현할 수 있다. 또한 실제 센서가 측정하는 물리량과 이와 관련한 다른 형태(or 차원)의 물리량에 대해서도 가상 센서를 구현할 수 있다. 본 발명에 따르면 해당 위치에서 실제의 물리 센서가 측정하는 물리량과 이와 관련되는 다른 형태의 물리량에 대해서도 해당 위치에 대해서 가상 센서를 구현할 수 있다. 가상 센서에 의한 데이터의 확장은, 물리 센서가 측정하는 물리량과 측정한 물리량의 범위를 벗어난 물리량에 대해서도 해당 위치에 대하여 가상 센서를 구현할 수 있다. 예를 들어, 물리 센서의 측정 범위의 최대, 최소 값은 센서의 물리적 특성에 의한 한계값이므로 그 크기가 제한적일 수 있다. 반면 가상 센서의 물리량은 시스템 모델의 변수 값으로 시스템의 동작 범위에서 나타날 수 있는 이론적으로 정해지는 범위 내에서 동작할 수 있다. 물리 센서의 최대, 최소값은 모델 변수 값의 최대, 최소 값보다는 제한적일 것이므로, 가상 센서는 물리 센서가 측정할 수 있는 측정 한계 범위를 벗어나는 가상의 측정값을 제공할 수 있다. 예를 들어, 모델 변수 값의 동작 범위가 -10 ~ +10인데 물리 센서의 측정 범위는 -5 ~ +5 인 경우가 있을 수 있다.

또한 물리 센서가 측정한 물리량과 전혀 다른 물리량에 대해서도 가상 센서를 구현할 수 있다. 가상 센서에서 측정하고자 하는 물리량은 다른 물리 센서 장치(예: 가속도)와 같은 물리량이 될 수도 있고, 시스템의 동작 법칙(모델)을 사용하여 물리 센서에서 측정된 값과 다른 물리량(예를 들어, 속도 - 가속도를 적분하여 얻어지는 값)을 가상 센서의 측정 값으로 활용할 수도 있다.

본 발명에 따르면, 가상 센서를 포함하는 디지털 트윈 모델을 제공할 수 있다. 또한 디지털 트윈 모델을 이용하는 가상 센서 모델을 제공하고 가상 센서를 구현할 수 있다.

본 발명에 따르면, 디지털 트윈 모델 및 가상 센서 모델을 이용하여 실시간 데이터를 수집할 수 있다.

도 1은 본 발명의 일 실시예에 따른 컴퓨팅 시스템이 물리 기반 모델 내에서 노드의 상태 변화를 기술하는 방식의 일 예를 도시하는 도면이다.
도 2는 본 발명의 일 실시예에 따른 컴퓨팅 시스템이 제1 데이터를 이용하여 물리 기반 모델을 학습하는 과정의 일 예를 도시하는 도면이다.
도 3은 본 발명의 일 실시예에 따른 컴퓨팅 시스템이 제1 데이터를 이용하여 물리 기반 모델을 학습하는 과정의 다른 일 예를 도시하는 도면이다.
도 4는 본 발명의 일 실시예에 따른 컴퓨팅 시스템이 제공하는 물리 기반 모델로서, 센서들을 노드로서 포함하는 물리 기반 모델의 일 예를 도시하는 도면이다.
도 5는 본 발명의 일 실시예에 따른 컴퓨팅 시스템이 실행하는 시뮬레이션으로서, 복수의 시나리오와 제어 변수들을 포함하는 시뮬레이션의 일 예를 도시하는 도면이다.
도 6은 본 발명의 일 실시예에 따른 컴퓨팅 시스템이 제공하는 센서 모델로서, 물리 기반 모델에 기반하여 변환된 센서 모델의 일 예를 도시하는 도면이다.
도 7은 본 발명의 일 실시예에 따른 컴퓨팅 시스템이 제공하는 물리 기반 모델로서, 가상 센서들과 실제의 물리 센서들을 노드로서 포함하는 물리 기반 모델의 일 예를 도시하는 도면이다.
도 8은 본 발명의 일 실시예에 따른 컴퓨팅 시스템이 제공하는 센서 모델로서, 물리 기반 모델에 기반하여 변환된 가상 센서들을 기술하기 위한 가상 센서 모델의 일 예를 도시하는 도면이다.
도 9는 본 발명의 일 실시예에 따른 컴퓨팅 시스템이 제공하는 서비스 모델의 일 예로서, 가상 센서를 실제 물리 센서보다 상위의 계층에 위치하여 제공하는 경우를 도시한다.
도 10은 본 발명의 일 실시예에 따른 컴퓨팅 시스템이 제공하는 서비스 모델의 일 예로서, 가상 센서를 실제 물리 센서와 동일한 계층에 위치하여 제공하는 경우를 도시한다.
도 11은 본 발명의 일 실시예에 따른 컴퓨팅 시스템에 의하여 실행되는 물리 기반 모델을 제공하는 방법의 일 예를 도시하는 동작 흐름도이다.
도 12는 본 발명의 일 실시예에 따른 컴퓨팅 시스템에 의하여 실행되는 물리 기반 모델을 제공하는 방법의 다른 일 예를 도시하는 동작 흐름도이다.
도 13은 본 발명의 일 실시예에 따른 컴퓨팅 시스템에 의하여 실행되는 가상 센서 모델을 포함하는 디지털 트윈 모델을 제공하는 방법의 일 예를 도시하는 동작 흐름도이다.
도 14는 본 발명의 일 실시예에 따른 컴퓨팅 시스템에 의하여 실행되는 레퍼런스 데이터셋을 디지털 트윈 모델에 제공하는 방법의 일 예를 도시하는 동작 흐름도이다.

상기 목적 외에 본 발명의 다른 목적 및 특징들은 첨부 도면을 참조한 실시예에 대한 설명을 통하여 명백히 드러나게 될 것이다.

본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.

도 1은 본 발명의 일 실시예에 따른 컴퓨팅 시스템이 물리 기반 모델 내에서 노드의 상태 변화를 기술하는 방식의 일 예를 도시하는 도면이다.

물리 기반 모델은 적어도 부분적으로 물리적 법칙에 따른 연역적 추론에 의하여 물리 현상을 기술하는 모델이다. 물리적 법칙으로 기술할 수 있는 부분은 연역적 추론에 의하여 실행하고, 필요에 따라서 부분적으로 기계학습을 적용하여 특정 노드의 상태를 업데이트할 수 있다.

도 1에서는 물리적인 복잡계를 공간 분포에 따라 셀로 구분하여 각 셀의 상태 정보를 시간의 경과에 따라 갱신하는 모델이 예시적으로 도시된다. 셀(i, j)의 상태 변수 s(i, j)는 시간의 경과에 따라 갱신될 수 있다. 이때 시간 t를 포함하여 기술하면 상태 변수는 s(t, i, j)로 표현될 수 있다. 각 셀은 하나의 노드에 대응하도록 설정될 수 있다.

예를 들어 상태 변수 s(t, i, j)가 일정 시간 경과 후 업데이트되는 상태 변수 s(t', i, j)는 셀/노드(i, j)와 인접한 셀/노드들 (i, j-1), (i-1, j), (i+1, j), (i, j+1)의 상태 변수들인 s(t, i, j-1), s(t, i-1, j), s(t, i+1, j), s(t, i, j+1)과 상태 변수 s(t, i, j)로부터 영향받을 수 있다.

이때 일정 시간 경과 후 업데이트되는 상태 변수 s(t', i, j)와 상태 변수 s(t, i, j) 및 인접한 셀/노드들의 상태 변수들 s(t, i, j-1), s(t, i-1, j), s(t, i+1, j), s(t, i, j+1) 간의 관련성 파라미터를 도 1의 복잡계를 기술하는 물리 기반 모델의 파라미터로 설정할 수 있다. 한편 상태 변수 s(t', i, j)의 다음 상태인 s(t'', i, j)는 상태 변수 s(t', i, j) 및 인접한 셀/노드들의 상태 변수들 s(t', i, j-1), s(t', i-1, j), s(t', i+1, j), s(t', i, j+1)과 물리 기반 모델의 파라미터를 통하여 얻을 수 있을 것이다.

도 1에서 공간 상 직접적으로 인접한 셀/노드들만 다음 상태에 영향을 주는 것으로 예시하였으나, 이는 하나의 실시예일 뿐, 물리 법칙에 따라서는 공간 분포 및 시간의 경과에 따라 각 노드의 상태 변화에 영향을 주는 다양한 패턴이 존재할 수 있다. 이러한 패턴은 물리 법칙에 의하여 정의될 수도 있고, 기계 학습 등의 과정에 의하여 탐색될 수도 있다.

또한 도 1에서 공간 분포에 따라서 각 노드가 정의되고 시간의 경과에 따라 노드의 상태 정보가 업데이트되는 실시예가 도시되었으나, 본 발명의 사상은 이에 국한되지 않고 물리 기반 모델 내에서 각 노드는 공간 분포 및/또는 시간의 경과 중 적어도 하나 이상에 의하여 구분되고 정의될 수 있으며, 각 노드의 상태 변화는 공간 분포 및/또는 시간의 경과 중 적어도 하나 이상에 의하여 업데이트되고 추적될 수 있다.

도 1에서 공간 분포에 따라 각 노드가 나타내는 상태 정보의 예시로는, 산불의 확산, 건물 내 화재의 확산, 특정 지역의 침수 현황, 지상/지하 시설물(예를 들어, 지하철 역사, 터널 등)의 구역 별 침수 현황 등을 들 수 있다. 또한 사이버 시티와 같은 어플리케이션에서 도시의 전체 영역 또는 일부 영역에서 교통 흐름 현황, 또는 교통 체증 발생 여부 등에 대한 정보를 나타낼 수 있다. 이러한 상태 정보에 기반하여, 본 발명의 물리 기반 모델, 디지털 트윈 모델, 가상 센서 모델을 적용하여 지능화된 대피 경로 안내, 현 상황에서 최적화된 이동 경로의 안내 등 다양한 서비스 모델이 도출될 수 있다.

또한 산업 현장에서 이용될 경우 노드는 생산 라인 내의 각 생산 설비, 또는 생산 설비 내의 각 부품일 수 있으며, 상태 정보는 진동, 발열, 소음 등의 데이터일 수 있고, 이를 통하여 판정될 수 있는 정보는 생산 설비 내의 이상 발생 여부, 이상이 발생한 생산 설비 또는 그 부품의 위치와 이상의 정도 등의 정보를 포함할 수 있다.

도 2는 본 발명의 일 실시예에 따른 컴퓨팅 시스템이 제1 데이터(230)를 이용하여 물리 기반 모델(210)을 학습하는 과정의 일 예를 도시하는 도면이다.

본 발명의 일 실시예에 따른 컴퓨팅 시스템은, 물리 기반 모델(210, 220)을 구현하는 컴퓨팅 시스템으로서, 물리적인 복잡계(complex system)를 기술하며(describes), 연역적인 추론이 가능한 물리 기반 모델(210); 및 적어도 하나 이상의 프로세서(도시되지 않음)를 포함한다. 적어도 하나 이상의 프로세서는, 물리 기반 모델(210) 내에 포함되는 복수의 노드들 중 적어도 일부인 제1 노드의 상태 정보가 시간의 경과 또는 공간 분포 중 적어도 하나 이상과 관련되면서 포함되도록 얻어진 제1 데이터(230)를 수신하고, 제1 데이터(230)에 기반하여 물리 기반 모델(210) 내의 제1 노드 각각에 대하여, 상기 상태 정보를 시간의 경과 또는 공간 분포 중 적어도 하나 이상과 관련하여 식별하고, 상기 제1 노드 각각에 대하여, 상기 상태 정보를 시간의 경과 또는 공간 분포 중 적어도 하나 이상과 관련하여 재현할 수 있도록 상기 물리 기반 모델(210) 내의 변수들 간의 파라미터를 결정한다. 이때 제1 데이터(220)는 복잡계의 거시적인 동작 또는 미시적인 동작을 나타내는 데이터를 포함하도록 선택될 수 있다. 거시적인 동작의 일 예로는, 물리 기반 모델(210)이 산 또는 숲을 포함하는 물리적 복잡계를 기술하기(describe) 위한 것으로서 공간 분포에 따른 노드를 설정하고, 제1 데이터(230)가 산불이 확산되는 장면을 드론에서 촬영한 동영상 데이터인 경우를 가정할 수 있다. 또한 물리 기반 모델(210)은 산불 확산 현상을 물리적 법칙에 의하여 추론하고 숲의 지점들 또는 각 지점들 위의 개체들을 노드로 설정할 수 있다.

산불이 확산되는 장면을 촬영한 동영상은 시간의 경과에 따른 상태 정보를 나타내며, 동영상 내의 각 지점에 대한 상태 정보의 변화는 공간 분포에 따른 상태 정보의 변화에 대응한다. 실시예에 따라서는 시간의 경과와 공간 분포에 따른 상태 변화 외에도 다른 형태의 물리량에 기반한 상태 변화를 나타낼 수 있는 데이터의 집합이 제1 데이터(230)로 선택될 수 있다.

물리 기반 모델(210)은 공간 분포 또는 시간의 경과에 따라 구별되는 복수개의 노드들을 포함하고, 각 노드들의 상태 정보를 나타내는 변수들 간의 관련도 파라미터를 포함한다. 물리 기반 모델(210)에 제1 데이터(210)를 적용하여 변수들 간의 관련도 파라미터가 결정된 버전이 학습 후의 물리 기반 모델(220)로서 도시된다. 관련도 파라미터는 각 변수들 간의 관련도일 수도 있고, 물리 기반 모델(210, 220)이 수학식에 의하여 표현되는 경우에는 각 변수들의 계수(coefficient)일 수도 있다. 한편 관련도 파라미터는 각 노드들의 상태 변화가 따라야 하는 물리 법칙에 의하여 규정되는 제약조건(constraints)을 포함하여 결정될 수도 있다.

제약조건은 제1 열역학 법칙, 제2 열역학 법칙, 에너지 보존 법칙과 같은 물리적인 기본 원칙을 포함할 수 있고, 특정 어플리케이션에서 필요한 최적화 조건을 더 포함할 수 있다.

제1 데이터(230)의 다른 예로는 사이버 시티 내의 교통 흐름의 변화를 일람할 수 있는 데이터를 들 수 있다. 이 경우 제1 데이터(230)는 도시 전체 또는 특정 영역에 대한 교통 흐름을 일람할 수 있는 동영상 데이터이거나, 도시 내의 특정한 지점에서 측정된 차량의 평균 속력의 데이터의 집합일 수도 있다. 즉, 제1 데이터(230)는 거시적이거나 미시적인 정보를 제공할 수 있는 시각 정보의 집합일 수도 있고 수량 정보의 집합일 수도 있다.

제1 데이터(230)의 다른 예로는 산불의 확산, 건물 내 화재의 확산, 특정 지역의 침수 현황, 지상/지하 시설물(예를 들어, 지하철 역사, 터널 등)의 구역 별 침수 현황 등을 거시적으로 표현하는 데이터일 수 있다. 예를 들면 동영상 데이터이거나, 각 센서가 인지한 화재, 및 침수 상태에 대한 데이터의 집합 및 그 통계적인 분석을 포함할 수 있다.

제1 데이터(230)의 다른 예로는 생산 라인 내의 각 생산 설비, 또는 생산 설비 내의 각 부품의 이상 발생 여부, 진동, 발열, 및 소음 등의 데이터를 포함하는 동영상 데이터 또는 센서에서 측정된 데이터의 집합과 그 통계적 분석을 포함할 수 있다.

제1 데이터(230)에 기반하여 물리 기반 모델(210) 내의 적어도 일부인 제1 노드에 대한 상태 정보를 시간의 경과 또는 공간 분포 중 적어도 하나 이상과 관련하여 식별하고, 물리 기반 모델(210) 내의 변수들 간의 내부 파라미터(제약조건, 관련도 또는 계수)를 결정하기 위하여, 원본 데이터인 제1 데이터(230)로부터 물리 기반 모델(210) 내에 정의된 각 노드(객체, 개체, 지점 등)를 식별하고 매칭하는 전처리 과정이 필요할 수 있다.

이러한 전처리 과정을 포함하여 컴퓨팅 시스템이 물리 기반 모델(210)을 학습하여 학습 후의 물리 기반 모델(220)을 생성하는 과정이 보다 상세하게 다음의 도 3을 통하여 도시된다.

도 3은 본 발명의 일 실시예에 따른 컴퓨팅 시스템이 제1 데이터(330)를 이용하여 물리 기반 모델(310)을 학습하는 과정의 다른 일 예를 도시하는 도면이다.

학습 전의 물리 기반 모델(310)과 학습 후의 물리 기반 모델(320)은 도 2에서 도시된 내용과 유사하므로 중복되는 설명은 생략한다.

물리 기반 모델(310)이 기술하는 복잡계의 거시적 또는 미시적 동작을 나타내는 원본 데이터로서, 제1 데이터(330)가 수신된다.

컴퓨팅 시스템은 제1 데이터(330)를 분석하여 제1 데이터(330) 내에서 복잡계의 각 노드를 식별하고, 제1 데이터(330)가 포함하는 각 노드의 상태 정보를 시간의 경과 또는 공간 분포 중 적어도 하나 이상에 대하여 식별한다. 이때 예를 들어 제1 데이터(330)가 동영상인 경우, 컴퓨팅 시스템은 전처리 과정을 통하여 제1 데이터(330)를 분석하고, 물리 기반 모델(310)이 정의한 공간 분포에 따르는 각 노드를 제1 데이터(330) 내에서 탐색하여 식별할 수 있다. 물리 기반 모델(310)이 정의한 공간 분포에 따르는 각 노드의 상태 정보는 제1 데이터(330) 내의 시간의 경과에 따라서 추적되고 식별된다. 즉, 각각의 노드는 공간 분포에 관련되어 식별되고, 각각의 노드의 상태 정보는 시간의 경과에 따라서 식별되고 추적될 수 있다.

컴퓨팅 시스템 내의 적어도 하나 이상의 프로세서는 물리 기반 모델(310) 내에 정의된 제1 노드 각각에 대하여, 시간의 경과 또는 공간 분포 중 적어도 하나 이상과 관련되는 상태 정보에 대하여 기계 학습을 수행함으로써 물리 기반 모델(310) 내의 변수들 간의 파라미터를 결정할 수 있다. 즉, 컴퓨팅 시스템이 물리 기반 모델(310) 내부의 파라미터를 결정하는 과정으로 기계 학습이 실행될 수 있다. 이때 기계 학습을 수행하기 위해서는 제1 데이터(330)가 다수 필요할 수 있으므로, 컴퓨팅 시스템은 복수의 원본 데이터인 제1 데이터(330)를 수신하고, 제1 데이터(330)에 대한 전처리 과정을 수행하여 기계 학습을 위한 다수의 입력 데이터 셋(332)을 생성할 수 있다.

기계 학습에 의하여 내부의 파라미터가 결정된, 학습 후의 물리 기반 모델(320)은 필요에 따라서 주기적으로 기계 학습을 다시 수행함으로써 내부 파라미터를 업데이트할 수 있다.

제1 데이터(330) 및 학습 입력 데이터(332)에 기반하여 내부 파라미터가 결정된 학습 후 물리 기반 모델(320)에, 다른 모달리티(물리 센서) 기반의 제2 데이터가 입력되면, 제2 데이터에 기반하여 실제 센서와 가상 센서가 포함되는 mixed 데이터셋을 컴퓨팅 시스템이 제3 데이터로서 생성할 수 있다. 컴퓨팅 시스템 내부의 적어도 하나 이상의 프로세서는 학습 후 물리 기반 모델(320) 내에 포함되는 복수의 노드들 중 적어도 일부인 제2 노드의 상태 정보를 포함하도록 얻어진 제2 데이터를 수신하고, 상기 제2 데이터를 학습 후 물리 기반 모델(320)에 입력하여 학습 후 물리 기반 모델(320) 내에 포함되는 복수의 노드들 모두에 대한 상태 정보를 포함하는 제3 데이터를 생성할 수 있다. 학습 전과 후의 물리 기반 모델(310, 320) 내에 정의되는 모든 노드들을 제1 데이터(330) 및 학습 입력 데이터(332)에 기반하여 식별하고 그 상태 변수를 파악하는 것이 바람직하지만, 제1 데이터(330) 및 학습 입력 데이터(332)로부터 모든 노드들 중 일부인 제1 노드만을 식별하고 그 상태 변수를 파악하여 물리 기반 모델(310)에 적용하고, 파라미터를 결정할 수 있다.

이때 기계 학습에 의하여 결정되는 물리 기반 모델(320) 내부의 파라미터에는 제1 노드 이외의 나머지 노드들의 상태 변수가 포함될 수 있다. 학습에 의하여 물리 기반 모델(320)이 생성된 이후에, 다른 모달리티에 기반하여 복수의 노드들 중 일부인 제2 노드들에 대한 센싱 데이터인 제2 데이터가 수신될 수 있다. 제2 노드들은 제1 노드들과 일부 중복될 수도 있고, 중복되지 않을 수도 있다. 물리 기반 모델(320)에 제2 데이터가 입력되면, 물리 기반 모델(320) 내부에서 제2 노드들로 식별되는 노드들은 제2 데이터에서 제공되는 값을 가지도록 적용/조정/assign되고, 제2 노드들 이외의 나머지 노드들은 학습에 의하여 결정된 물리 기반 모델(320) 내부의 파라미터 집합에 의하여 값이 결정/추론/예측될 수 있다. 이때 제2 노드들 이외의 나머지 노드들은 실제로 측정되지는 않았으나, 제2 노드들 및 물리 기반 모델(320)에 의하여 간접적으로 결정되며, 가상 센서처럼 취급될 수 있다. 물리 기반 모델(320) 내부의 각 노드들의 상태 변수는 제1 데이터(330) 및 학습 입력 데이터(332)에서 나타내어지는 거시적 또는 미시적 상태에 부합하도록 연관성을 가지도록 학습되며, 시간의 경과 또는 공간 분포에 따라 각 노드들의 상태 변수의 분포 또는 연관성도 기계 학습 과정에서 학습되어 물리 기반 모델(320) 내부의 파라미터 셋에 포함된다. 하나의 시간 또는 하나의 공간 분포에 따른 적어도 일부 노드들의 상태 변수(예를 들어 제2 노드들)가 실제 센서에 기반하여 주어지면, 그 시간 또는 공간 분포에 대응하는 나머지 노드들의 데이터가 물리 기반 모델(320)에 의하여 결정/추론/예측될 수 있다.

물리 기반 모델(320)의 제1 노드가 공간 상에 분포되어 있다고 가정할 때, 상기 제1 노드의 상태 정보의 시간의 경과에 따른 변화가 상기 제1 데이터(330)에 표현되고, 상기 물리 기반 모델(320)은 상기 변수로서 적어도 상기 제1 노드의 시간의 경과에 따른 상태 정보를 포함할 수 있다. 물리 기반 모델(320)은 상기 파라미터로서 적어도 상기 제1 노드의 시간의 경과에 따른 상태 정보 및 상기 제1 노드에 공간적으로 인접한 다른 노드의 상태 정보 간의 관련성을 포함할 수 있다.

적어도 하나 이상의 프로세서는 상기 제1 데이터(330)에 기반하여 상기 제1 노드의 시간의 경과에 따른 상태 정보의 변화를 식별하고, 상기 제1 노드의 시간의 경과에 따른 상태 정보의 변화를 재현할 수 있도록 상기 물리 기반 모델(320) 내에서 적어도 상기 제1 노드의 시간의 경과에 따른 상태 정보 및 상기 제1 노드에 공간적으로 인접한 다른 노드의 상태 정보 간의 관련성을 나타내는 파라미터를 결정할 수 있다.

학습 전과 후의 물리 기반 모델(310, 320) 내부의 복수의 노드들 중 적어도 일부는 상기 복수의 노드들 중 나머지와 다른 물리적 디멘전의 상태 정보를 가지도록 설정될 수 있다. 물리 법칙에 기반한 시뮬레이션 대상으로 설정되는 노드들이므로, 한 가지 종류의 물리량을 다룰 필요는 없고, 서로 다른 물리량을 취급하는 노드들이 mixed되어 있어도 무방하다.

본 발명의 일 실시예에 따른 컴퓨팅 시스템은, 실제 센서가 설치되지 못하는 위치에서도 가상 센서를 구현할 수 있다. 또한 실제 센서가 측정하는 물리량과 이와 관련한 다른 형태(or 디멘전)의 물리량에 대해서도 가상 센서를 구현할 수 있다. 본 발명에 따르면 해당 위치에서 실제의 물리 센서가 측정하는 물리량과 이와 관련되는 다른 형태의 물리량에 대해서도 해당 위치에 대해서 가상 센서를 구현할 수 있다. 가상 센서에 의한 데이터의 확장은, 물리 센서가 측정하는 물리량과 측정한 물리량의 범위를 벗어난 물리량에 대해서도 해당 위치에 대하여 가상 센서를 구현할 수 있다. 예를 들어, 물리 센서의 측정 범위의 최대, 최소 값은 센서의 물리적 특성에 의한 한계값이므로 그 크기가 제한적일 수 있다. 반면 가상 센서의 물리량은 물리 기반 모델(320)의 변수 값으로 시스템의 동작 범위에서 나타날 수 있는 이론적으로 정해지는 범위 내에서 동작할 수 있다. 물리 센서의 최대, 최소값은 모델 변수 값의 최대, 최소 값보다는 제한적일 것이므로, 가상 센서는 물리 센서가 측정할 수 있는 측정 한계 범위를 벗어나는 가상의 측정값을 제공할 수 있다. 예를 들어, 모델 변수 값의 동작 범위가 -10 ~ +10인데 물리 센서의 측정 범위는 -5 ~ +5 인 경우가 있을 수 있다.

또한 물리 센서가 측정한 물리량과 전혀 다른 물리량에 대해서도 가상 센서를 구현할 수 있다. 가상 센서에서 측정하고자 하는 물리량은 다른 물리 센서 장치(예: 가속도)와 같은 물리량이 될 수도 있고, 복잡계/시스템의 동작 법칙(모델)을 사용하여 물리 센서에서 측정된 값과 다른 물리량(예를 들어, 속도 - 가속도를 적분하여 얻어지는 값)을 가상 센서의 측정 값으로 활용할 수도 있다.

도 4는 본 발명의 일 실시예에 따른 컴퓨팅 시스템이 제공하는 물리 기반 모델로서, 센서들을 노드로서 포함하는 물리 기반 모델의 일 예를 도시하는 도면이다.

도 4를 참조하면, 센서 노드(S1, S2)가 도시되고, 각 센서 노드(S1, S2) 간에는 연관성 파라미터(410)가 도시된다. 제1 센서 노드 S1에 의하여 얻어지는 제1 센서 데이터 d1, 제2 센서 노드 S2에 의하여 얻어지는 제2 센서 데이터 d2는 연관성 파라미터(410)의 네트워크에 의하여 규정되는 제약조건에 위배되지 않도록 도출될 것이다. 한편 제1 센서 데이터 d1과 제2 센서 데이터 d2가 제약조건을 위배하는 경우에는 컴퓨팅 시스템은 측정된 센서 데이터가 적절한 지에 대한 재검증을 요구할 수도 있다.

센서 노드(S1, S2)는 실제의 물리 센서일 수도 있고, 가상 센서일 수도 있다.

도 5는 본 발명의 일 실시예에 따른 컴퓨팅 시스템이 실행하는 시뮬레이션으로서, 복수의 시나리오와 제어 변수들을 포함하는 시뮬레이션의 일 예를 도시하는 도면이다.

제1 센서 데이터 d1과 제2 센서 데이터 d2가 시간의 경과에 따라 가지는 값이 도 5에 도시된다. 시간의 함수로 나타내어지는 제1 센서 데이터 d1과 제2 센서 데이터 d2는 각각 d1(t)와 d2(t)로 표시될 수 있다.

본 발명의 복잡계를 기술하는 물리 기반 모델은 복수개의 제어 변수들 x(t), y(t)와 센서 데이터들 d1(t), d2(t) 간의 관련성을 포함하며, 물리 기반 모델을 이용한 시뮬레이션 결과 도 5와 같은 그래프를 얻을 수 있다. 물리 기반 모델 내부의 파라미터들은 도 1 내지 도 3과 같은 학습 과정에 의하여 결정될 수 있다.

하나의 시나리오에 따라 제어 변수들 x(t), y(t)과 센서 데이터들 d1(t), d2(t)의 초기값이 정해지고 내부 파라미터들에 의하여 시간의 경과에 따른 제어 변수들 x(t), y(t)과 센서 데이터들 d1(t), d2(t)의 변화가 시뮬레이션에 의하여 추적될 수 있다.

도 5의 시뮬레이션에 기반하여 시간 t에서의 제어 변수들 x(t), y(t)과 센서 데이터들 d1(t), d2(t)이 결정되고, 다른 시간 t'에서의 제어 변수들 x(t'), y(t')과 센서 데이터들 d1(t'), d2(t')이 얻어질 수 있다.

시뮬레이션 시나리오 각각은 제어 변수들 x(t), y(t)과 센서 데이터들 d1(t), d2(t)의 초기값 또는 특정한 시간 t 또는 t' 에서의 값을 정의할 수 있으며, 시뮬레이션의 기준 조건으로 적용될 수 있다.

물리 기반 모델 내부의 파라미터들은 센서 데이터들 d1(t), d2(t) 간의 관련성 뿐만 아니라 제어 변수들 x(t), y(t)과 센서 데이터들 d1(t), d2(t) 간의 관련성을 정의할 수도 있다. 물리 센서를 통하여 얻어지지 않는 노드들의 정보 또는 제어 변수들 x(t), y(t)과 측정된 센서 노드들 간의 관련성은 물리 기반 모델이 의존하는 물리 법칙에 의하여 일부 정의될 수 있고, 도 3에서 도시된 것처럼 다수의 학습 입력 데이터(332)를 이용한 반복적인 기계 학습을 통하여 탐색되고 결정될 수 있다.

데이터 과학 또는 빅데이터에 의한 기계 학습에 의하여 내부의 파라미터를 결정하는 과정과, 물리 법칙에 의존하는 가설적 모델에 의하여 내부의 파라미터를 결정하는 과정은 상호 보완적으로 이용될 수 있다. 이러한 상호 보완적인 적용에 대한 사항의 일부는 선출원인 한국특허출원 KR 10-2018-0043827호 "빅 데이터 기계학습이 내장된 시스템 모델링 방법 (System Modeling Method Built-in Machine Learning using Big data)"에 의하여 개시되며, 본 발명의 적어도 일부로서 포함될 수 있다.

도 6은 본 발명의 일 실시예에 따른 컴퓨팅 시스템이 제공하는 센서 모델로서, 물리 기반 모델에 기반하여 변환된 센서 모델의 일 예를 도시하는 도면이다.

도 6을 참조하면, 물리 기반 모델은 하나의 센서 데이터인 d2(t)를 위한 센서 모델(610)로서 변환되어 도시될 수 있다. 제1 센서 데이터 d1(t), 및 제2 센서 데이터 d2(t)는 도 4에 도시된 센서들 S1, S2로부터 얻어질 수 있다. 이때 물리 기반 모델 내부의 파라미터들이 도 1 내지 도 3의 학습 과정을 통하여 결정된 후에, 도 5와 같은 미리 정해진 시나리오에 따른 제어 변수들 x(t), y(t)과 센서 데이터 d1(t), d2(t) 간의 관련성에 기반하여, 컴퓨팅 시스템은 물리 기반 모델을 센서 모델(610)로 변환할 수 있다. 센서 모델(610)은 제어 변수들 x(t), y(t)과 제1 센서 데이터 d1(t)을 입력으로 가지고, 제2 센서 데이터 d2(t)를 출력으로 가진다. 센서 모델(610)의 입력과 출력 간의 관련도는 가설적 모델에 의하여 연역적으로 정의될 수도 있고, 도 5에 도시된 것처럼 빅데이터를 이용하는 기계 학습 및 물리 기반 모델을 이용한 시뮬레이션에 기반하여 추론될 수도 있다.

도 7은 본 발명의 일 실시예에 따른 컴퓨팅 시스템이 제공하는 물리 기반 모델로서, 가상 센서들과 실제의 물리 센서들을 노드로서 포함하는 물리 기반 모델의 일 예를 도시하는 도면이다.

도 8은 본 발명의 일 실시예에 따른 컴퓨팅 시스템이 제공하는 센서 모델로서, 물리 기반 모델에 기반하여 변환된 가상 센서들을 기술하기 위한 가상 센서 모델의 일 예를 도시하는 도면이다.

본 발명의 실시예에서는 스마트 서비스에 필요한 모든 센서를 식별한 후 복잡계/시스템(Complex System)에 물리적으로 장착 가능한 실제 센서와 나머지 센서인 가상 센서로 구분한다. 실제 센서와 가상 센서들에서 수집된 데이터 값들은 대상 복잡계/시스템의 운용 시 현재 시스템 상태를 반영하는 변수 값들이다. 따라서, 이러한 센서 데이터들이 모델 변수들 간의 파라미터(710)에 반영된 디지털 트윈(시뮬레이션 모델)을 구축한 후 다양한 복잡계/시스템 운용 시나리오를 모의 실험(시뮬레이션)하면 실제 센서 데이터 값 및 가상 센서 데이터 값들이 모두 포함된 빅 데이터를 확보할 수 있다. 확보된 빅 데이터를 사용하여 실제 센서 데이터 값과 가상 센서 데이터 값 사이의 상관 관계를 기계 학습시킨 데이터 모델(예: 인공 신경망)을 구한 후 이를 가상 센서로 사용한다. 따라서, 가상 센서는 복잡계/시스템 운용 시 현재 상태를 반영한 실제 센서의 데이터 값들이 실시간으로 수집되면 동일한 상태에서 가상 센서의 데이터 값을 실시간으로 얻어낼 수 있다.

복잡계/시스템은 복수의 센서들을 이용하여 데이터를 수집하여 시스템 분석, 예측 등의 서비스를 제공하도록 설계 또는 구현될 수 있다. 이때 어떤 이유로 실제 센서 SR(1)과 SR(2)는 설치될 수 있지만 SV(1) 내지 SV(3)은 설치될 수 없다고 가정한다. 이 경우 실제 센서 데이터 dr(1)과 dr(2)는 실제 센서 SR(1)과 SR(2)에 의하여 수집되고, 가상 센서 데이터 dv(1) 내지 dv(3)은 가상 센서 SV(1) 내지 SV(3)을 이용하여 얻을 수 있다. 가상 센서 SV(1) 내지 SV(3)의 상태 변수를 구하기 위해 먼저 실제 센서 SR(1)과 SR(2), 및 가상 센서 SV(1) 내지 SV(3)을 복잡계/시스템의 변수에 포함시킨 후, 이들 각 변수 값 dr(1)과 dr(2), 및 dv(1) 내지 dv(3)을 얻을 수 있는 시스템 모델 M을 구한다. 시스템 모델 M은 모델 변수들 간의 파라미터(710)가 형성하는 집합이며, 각 변수들 간의 관련성을 포함한다. 다음으로, 모델 M에 다양한 운용 시나리오를 적용한 시뮬레이션을 수행하여 가상 센서 SV(1) 내지 SV(3)에 필요한 학습 데이터 TD = {(dr(1), dr(2), dv(1), dv(2), dv(3))_i | i: 시뮬레이션 회수)를 얻을 수 있다.

학습 데이터 TD를 사용한 기계 학습 데이터 모델(예: 인공 신경망)인 (dv(1), dv(2), dv(3)) = f(dr(1), dr(2))를 가상 센서 SV(1) 내지 SV(3)의 데이터 값으로 사용한다. 복잡계/시스템은 먼저 실제 센서 SR(1)과 SR(2), 및 가상 센서 SV(1) 내지 SV(3)을 포함하며 운용 시 현재 상태에서 실제 센서가 측정한 데이터 값이 (dr(1), dr(2))이라면 이때 가상 센서 모델(810)이 제공하는 가상 센서 SV(1) 내지 SV(3)의 데이터 값 (dv(1), dv(2), dv(3)) 은 (dv(1), dv(2), dv(3)) = f(dr(1), dr(2)) 의 관계를 가질 것이다. 물리 기반 모델 M의 모델 변수들과 모델 변수들 간의 파라미터들(710)이 결정되고, 그에 따른 가상 센서 모델(810)이 결정된 후, 실제 센서가 측정한 데이터 값 (dr(1), dr(2))을 가상 센서 모델(810)에 적용하면, 가상 센서 SV(1) 내지 SV(3)의 데이터 값 (dv(1), dv(2), dv(3))은 실시간으로 얻을 수 있다.

본 발명의 다른 일 실시예에 따른 가상 센서 모델은 다음과 같이 구현될 수 있다. 복잡계/시스템에 설치된 실제 센서의 총 수를 Nr이라 하고, 가상 센서의 총 수를 Nv라 하며, 복잡계/시스템에서 인식할 수 있는 센서(실제 센서 + 가상 센서)의 총 수를 Ns라 가정한다.

운용될 대상 시스템의 실제 센서 SR(i)와 가상 센서 SV(i)는 데이터 dr(i, j) 및 dv(i, j)을 발생시킨다. SR(i)는 i번째 실제 센서를 의미하고, SV(i)는 i번째 가상 센서를 의미하며, dr(i, j)는 i번째 실제 센서의 j번째 샘플 데이터 값을 의미하고, dr(i)는 dr(i, j)들로 이루어진 i번째 실제 센서의 데이터 값 벡터를 의미한다. 마찬가지로, dv(i, j)는 i번째 가상 센서의 j번째 샘플 데이터 값을 의미하고, dv(i)는 dv(i, j)들로 이루어진 i번째 실제 센서의 데이터 값 벡터를 의미한다.

첫 번째 실제 센서 SR(1)의 데이터 벡터:

dr(1) = [dr(1, 1), dr(1,2), ...... , dr(1, n), ....]

두 번째 실제 센서 SR(2)의 데이터 벡터:

dr(2) = [dr(2, 1), dr(2,2), ...... , dr(2, n), ....]

Nr번째 실제 센서 SR(Nr)의 데이터 벡터:

dr(Nr) = [dr(Nr, 1), dr(Nr,2), ...... , dr(Nr, n), ....]

첫 번째 가상센서 SV(1)의 데이터 벡터:

dv(1) = [dv(1, 1), dv(1,2), ........ , dv(1, n), ....]

두 번째 가상센서 SV(2)의 데이터 벡터:

dv(2) = [dv(2, 1), dv(2,2), ........ , dv(2, n), ....]

Nv번째 가상센서 SV(Nv)의 데이터 벡터:

dv(Nv) = [dv(Nv, 1), dv(Nv,2), ........ , dv(Nv, n), ....]

등으로 나타내어질 수 있다.

복잡계/시스템 시뮬레이션 모델 M은 물리 기반 모델이자 디지털 트윈 모델로 가정할 수 있다. 모델 M은 모든 실제 센서 SR = {SR(i) | i는 1부터 Nr}와 가상 센서 SV = {SV(i) | i는 1부터 Nv}를 모델 변수로 매핑시킨 후, 이들의 데이터 값들인 dr(i) 및 dv(i)를 시뮬레이션 변수 값으로 정의한다. 따라서, 다양한 시스템 운용 시나리오를 모델 M에 적용한 j번의 시뮬레이션을 통하여 아래와 같이 실제 센서 데이터 집합 DR 및 가상센서 데이터 집합 DV를 얻을 수 있다.

DR = { dr(i,j) | i는 1부터 Nr, j는 1부터 시뮬레이션 총 회수}

DV = { dv(i,j) | i는 1부터 Nv, j는 1부터 시뮬레이션 총 회수}

본 발명의 일 실시예에 따른 가상 센서 모델에서는 하나의 가상 센서를 위한 독립적인 학습 데이터 세트 TD(k)가 제시될 수 있다.

시뮬레이션을 통해 얻어진 DR 및 DV로부터 가상 센서 SV(k)에 대한 기계 학습을 수행하기 위한 데이터 세트 TD(k)는 아래와 같이 나타내어질 수 있다.

TD(k) ⊆ DR × DV =

{ (dr(i,j), dv(k,j) | i는 1부터 Nr, k는 ID, j는 1부터 시뮬레이션 총 회수)}.

이때 학습 데이터 세트 TD(k)의 총 개수는 가상 센서의 수 Nv와 같다. 상기 실시예에서는 1개의 가상 센서를 구하기 위하여 독립적인 학습 데이터 세트를 사용하고자 한다.

본 발명의 다른 실시예에 따른 가상 센서 모델에서는 복수의 가상 센서를 동시에 구하는 기계 학습이 수행될 수 있다. 이때 설명의 편의상 모든 가상 센서를 동시에 기계 학습에 의하여 구하는 실시예가 제시된다. 모든 가상 센서를 구하기 위한 학습 데이터 세트 TD는 아래와 같이 나타내어질 수 있다.

TD ⊆ DR × DV =

{ (dr(i,j), dv(k,j) | i는 1부터 Nr, k는 1부터 Nv, j는 1부터 시뮬레이션 총 회수)}.

기계학습은 DR과 DV 사이의 상관 관계 DV = f(DR)을 구하는 것으로 인공 신경망(ANN, Artificial Neural Network) 등 다양한 학습 모델을 사용할 수 있다. 예를 들면 k-번째 가상 센서 SV(k)를 인공 신경망 NN(k)로 표현하기 위해서는 실제센서 데이터 dr(1), dr(2), .... , dr(Nr)을 입력으로 k-번째 가상센서 데이터 dv(k)를 출력으로 하는 인공 신경망 SV_ANN(k)를 정의한 후 시뮬레이션 회수 만큼의 학습 데이터를 SV_ANN(k)에 입력시켜 기계 학습을 수행하면 된다.

시뮬레이션으로 수집된 데이터의 기계 학습을 통해 얻어진 가상 센서를 인공 신경망 ANN을 이용하여 구현한 경우 i-번째 가상센서 SV(i)를 i-번째 인공 신경망 SV_ANN(i)에 의하여 구현되었다고 가정한다. 이때 시스템은 Nr 개의 실제 센서와 Nv개의 가상 센서(SV_ANN(i) | i=1부터 Nv)를 부착하여 운용하게 된다. 복잡계/시스템 운용 중 어떤 상태가 Nr개의 실제 센서들로부터 수집되었다면 이를 Nv개의 가상 센서에 동시에 입력하면 인공 신경망 SV_ANN(i)의 출력값을 i-번째 가상 센서 SV(i)의 데이터 값으로 이용할 수 있다. 복잡계/시스템은 Ns = Nr + Nv 개의 센서를 가정하여 운용 상태를 모니터링할 수 있다.

다시 도 8을 참조하면, 도 8의 가상 센서 모델(810)은 2개의 상태 변수, 2개의 실제 센서를 입력으로 하여 3개의 가상 센서를 출력으로 한다. 가상 센서는 하나의 가상 센서마다 독립적인 인공 신경망을 이용하여 구현될 수도 있고, 복수개의 가상 센서가 복합적인 인공 신경망을 이용하여 구현될 수도 있다.

물리적으로 설치된 실제 센서만을 고려하는 IoT 플랫폼에 본 발명의 물리 기반 모델, 디지털 트윈 모델, 및 가상 센서 모델을 적용하여 가상 센서를 추가함으로써 응용 서비스를 확장할 수 있다. 시뮬레이션과 기계 학습을 이용하여 인공 신경망으로 구현된 가상 센서는 기존 사물인터넷 플랫폼에 내장될 수 있다.

본 발명의 일 실시예에 따른 컴퓨팅 시스템은 디지털 트윈을 구현하는 컴퓨팅 시스템이고, 적어도 하나 이상의 프로세서; 및 복잡계를 기술하며, 상기 복잡계 내에 설치되는 복수개의 물리 센서들 {SR(i) | i는 1부터 Nr}이 대응하는 복수개의 제2 노드들을 포함하는 디지털 트윈 모델을 포함한다. 적어도 하나 이상의 프로세서는 상기 디지털 트윈 모델 내의 모든 노드들의 데이터를 포함하는 레퍼런스 데이터셋을 획득하고, 상기 디지털 트윈 모델 내의 상기 모든 노드들 중 상기 복수개의 제2 노드들을 제외한 나머지인 복수개의 제3 노드들 각각에 적어도 하나 이상의 가상 센서를 대응시키고, 상기 레퍼런스 데이터셋에 기반하여, 상기 복수개의 물리 센서들이 제공하는 데이터와 상기 적어도 하나 이상의 가상 센서가 가지는 데이터 간의 상관관계를 학습하여 상기 적어도 하나 이상의 가상 센서를 기술하는 가상 센서 모델을 생성한다.

적어도 하나 이상의 프로세서는 상기 디지털 트윈 모델에 복수개의 시나리오를 적용하여 상기 디지털 트윈 모델을 시뮬레이션하고, 상기 디지털 트윈 모델 내의 상기 모든 노드들의 데이터를 포함하는 시뮬레이션 결과 데이터셋을 상기 레퍼런스 데이터셋으로서 획득할 수 있다. 이때 레퍼런스 데이터셋은 도 2 내지 도 3의 물리 기반 모델(210, 220, 310, 320)을 시뮬레이션한 시뮬레이션 결과 데이터셋일 수 있다. 특히 학습 후의 물리 기반 모델(220, 320)에 복수개의 시나리오 및 제어 변수를 적용하여 확장된 시뮬레이션 결과가 레퍼런스 데이터셋으로 이용될 수 있다.

적어도 하나 이상의 프로세서는 상기 복수개의 물리 센서들이 제공하는 데이터 DR을 상기 복수개의 제2 노드들에 할당하고, 상기 복수개의 제2 노드들의 데이터를 상기 가상 센서 모델 SV_ANN(k)에 입력하고, 상기 가상 센서 모델 SV_ANN(k)이 상기 복수개의 제2 노드들의 데이터 DR 및 상기 복수개의 제3 노드들의 데이터 DV 간의 관련성을 학습하도록 상기 가상 센서 모델 SV_ANN(k)을 제어할 수 있다.

적어도 하나 이상의 프로세서는 상기 복수개의 물리 센서들이 제공하는 새로운 데이터를 이용하여 기존 학습된 모델의 파라미터를 업데이트할 수 있다. 이때 적어도 하나 이상의 프로세서는 상기 복수개의 물리 센서들이 제공하는 새로운 데이터를 상기 복수개의 제2 노드들에 새롭게 할당하고, 상기 복수개의 제2 노드들에 새롭게 할당된 데이터 DR_NEW를 상기 가상 센서 모델 SV_ANN(k)에 입력하고, 상기 가상 센서 모델 SV_ANN(k)이 상기 복수개의 제2 노드들의 데이터 DR_NEW 및 상기 복수개의 제3 노드들의 데이터 DV_NEW 간의 관련성에 대한 학습 결과를 업데이트하도록 상기 가상 센서 모델 SV_ANN(k)을 제어할 수 있다.

적어도 하나 이상의 프로세서는 상기 복수개의 물리 센서들이 제공하는 새로운 데이터를 이용하여 가상 센서를 포함하는 디지털 트윈 모델에서 실시간으로 데이터를 수집하고 모니터링하는 서비스를 제공할 수 있다. 적어도 하나 이상의 프로세서는 상기 복수개의 물리 센서들이 제공하는 새로운 데이터를 상기 복수개의 제2 노드들에 새롭게 할당하고, 상기 복수개의 제2 노드들에 새롭게 할당된 데이터 DR_NEW2를 상기 가상 센서 모델 SV_ANN(k)에 입력하고, 상기 가상 센서 모델이 상기 복수개의 제3 노드들의 새로운 데이터 DV_NEW2를 예측/추론에 의하여 출력하도록 상기 가상 센서 모델을 제어할 수 있다.

상기 적어도 하나 이상의 프로세서는 상기 복수개의 물리 센서들이 감지하는 데이터의 물리량과 다른 물리적 디멘전을 가지는 데이터를 상기 적어도 하나 이상의 가상 센서의 데이터의 물리량으로 지정할 수 있다. 즉, 가상 센서는 물리 센서로부터 자유롭게 선택될 수 있으며, 물리 센서와 다른 물리량을 가지도록 설정될 수 있다.

종래 기술에서는 물리 센서가 존재하고, 물리 센서의 디지털 트윈을 설계한 후 시뮬레이션 결과에 기초하여 물리 센서를 모방한 가상 센서를 구현하므로 가상 센서가 감지하는 물리량은 물리 센서와 동일할 수 밖에 없다.

그러나 본 발명에서는 실제의 물리 센서와 전체 복잡계의 거시적 동작 또는 미시적 동작에 대한 시간 경과 및/또는 공간 분포와 관련된 정보를 원본 데이터에서 얻을 수 있으므로, 실제의 물리 센서에서 다루지 못하는 물리량을 가상 센서가 다룰 수 있고, 처음부터 실제 센서가 설치되지 못한 공간적 위치에 대해서도 가상 센서를 구현할 수 있다. 즉, 가상 센서의 데이터는 물리 센서로부터 직접적으로 얻어지는 것이 아니고, 물리 센서가 포함되는 복잡계의 시뮬레이션 모델(디지털 트윈 모델)의 전체 시뮬레이션 결과 데이터 셋으로부터 간접적으로 얻어지는 것이므로 가상 센서는 물리 센서의 타입이나 물리량과 무관하게 자유로운 물리량을 가상으로 할당하여 취급할 수 있다. 예를 들어, 실제의 물리 센서가 부품 간의 이격 거리, 위치, 동작 속도 등을 감지할 수 있을 때 가상 센서는 이로 인한 특정 위치에서의 온도 변화를 감지하는 형태로 디지털 트윈 모델이 규정될 수도 있다.

본 발명에서 실제의 물리 센서가 없는 경우에도 디지털 트윈을 시뮬레이션하여 가상의 노드에 가상 센서를 구현할 수 있는 것은 전체 복잡계의 거시적인 동작 또는 미시적인 동작에 대한 시간 경과 및/또는 공간 분포에 관련된 실제로 발생한 상태 변화를 포함하는 원본 데이터를 이용하기 때문인 것은 앞에서 설명한 바와 같다.

예를 들어, 산불이 발생한 경우를 가정하면, 산불이 숲에서 확산되는 거시적인 동작을 촬영한 동영상 등이 원본 데이터로 이용될 수 있다.

이 경우, 숲 속의 수목 하나하나가 불타는지를 확인하기 위해서 실제 센서를 설치하는 것은 불가능에 가까울 것이나. 거시적인 동작을 촬영한 원본 데이터가 존재하고, 산불이 확산되는 과정을 물리 법칙에 기반하여 연역적으로 추론할 수 있는 물리 기반 모델이 존재하면, 물리 기반 모델 내에 복수개의 노드를 설정하고, 각 노드들의 동작이 결과적으로 원본 데이터의 거시적인 동작과 부합하도록 각 노드들을 시뮬레이션할 수 있다.

거시적인 동작과 부합하는 범위 내에서 복수개의 노드들 각각은 물리 법칙에 따른 시뮬레이션을 통하여 얻어질 수 있고, 각각의 노드들에는 실제 센서가 설치되어 있지 않더라도 동작 데이터를 얻을 수 있으므로 각각의 노드들은 필요에 따라 가상 센서로서 구현될 수 있다.

가상 센서가 실제 센서의 물리량과는 별개의 다른 물리량을 가지도록 설정되는 또 다른 실시예로서 예를 들어, 산불을 감지하는 실제의 화재 감지 센서가 불꽃, 온도, 소음 등을 감지할 수 있도록 설치될 수 있다. 이때 화재가 확산되는 과정을 기록한 동영상 등의 원본 데이터를 이용하여, 숲 속의 모든 노드에 대응하는 물리량의 변화를 도출할 수도 있다. 이때 숲 속의 모든 노드에 대하여 가상 센서가 설정될 수 있는데, 가상 센서는 실제의 화재 감지 센서가 감지하는 불꽃, 온도, 소음 뿐 아니라 화재로 인한 국지적인 기류의 변화 등의 물리량을 추가로 가질 수 있다. 이후 산불 확산 과정을 시뮬레이션한 숲 속에 대한 디지털 트윈 모델에서는, 산불의 확산 경로를 예측하는 데 있어서 가상 센서에서 나타내는 물리량인 국지적인 기류의 변화 등이 미치는 영향이 크다고 판단되면, 향후 산불 확산 경로를 모니터링하기 위하여 국지적인 기류의 변화를 감지할 수 있는 실제 센서를 가상 센서의 위치에 배치하도록 제안할 수도 있다.

즉, 가상 센서는 실제로 측정되는 물리량 뿐만 아니라 물리 기반 모델, 디지털 트윈 모델에서 도출 가능한 물리량을 가질 수 있으며, 가상화된 물리량이 거시적인 상태 변화를 해석하는 데에 높은 관련도를 가지는 지표로서 이용될 수 있음이 확인된다면 디지털 트윈 모델을 이용하여, 가상화된 물리량을 실제로 측정하는 센서를 특정 노드에 설치하도록 제안하는 응용도 가능할 것이다.

가상 센서는 실제로 설치된 실제 센서가 감지하지 못하는 데이터에 기반하여 사이버 시티, 지능형 건축물, 또는 지능형 지상 구조물(터널, 항만, 교량 등)에서 재해 대비 대피 경로를 지능적으로 안내하는 서비스 모델 또는 사이버 시티 내에서 교통 흐름의 변화에 따른 최적의 경로를 지능적으로 안내하는 서비스 모델 등의 형태로 활용될 수 있을 것이다.

본 발명의 일 실시예에 따른 컴퓨팅 시스템이 물리 기반 모델, 디지털 트윈 모델, 및 가상 센서 모델을 구현함에 있어서, 원본 데이터가 1개의 데이터셋인 경우 도 2에서와 같이 제1 데이터(230)가 물리 기반 모델(210)에 적용되어 학습 후의 물리 기반 모델(220)을 얻을 수 있다.

한편 기계 학습을 위해서는 다수의 원본 데이터를 입력으로 이용해야 하므로, 본 발명의 일 실시예에 따른 컴퓨팅 시스템은 다수의 원본 데이터인 제1 데이터(330)에 전처리를 수행하여 학습용 입력 데이터(332)를 생성할 수 있다.

원본 데이터의 성격 상 다수의 원본 데이터를 확보하기 어려운 경우에는 본 발명의 일 실시예에 따른 컴퓨팅 시스템은 복수 개의 시나리오 및 제어 변수를 이용하여 학습용 입력 데이터(332)를 확장하고 추가적으로 생성할 수도 있다.

예를 들어 복수 개의 데이터셋을 이용하여 학습용 입력 데이터(332)를 이용하여 기계 학습 후의 물리 기반 모델(320)이 생성된 후, 복수개의 시나리오를 적용한 시뮬레이션을 수행하여 물리 기반 모델(320)을 가상 센서 모델(810)로 변환할 수 있는 레퍼런스 데이터셋을 더욱 확장하고 보충할 수 있다.

이때 복잡계가 타겟팅하는 서비스 모델이 산불의 발생 및 산불의 확산 현상을 분석하는 실시예인 경우 복수개의 시나리오는 바람의 세기, 바람의 방향, 온도, 습도 등 기상 환경 조건을 다양화함으로써 데이터셋을 확장할 수 있다.

복잡계가 타겟팅하는 서비스 모델이 교통 체증 시뮬레이션이라면 복수개의 시나리오는 특정한 위치에서 교통사고를 가정하거나, 특정한 영역에서 이벤트에 따라 교통을 통제하는 경우 등을 들 수 있다.

본 발명의 일 실시예에 따른 적어도 하나 이상의 프로세서는 상기 레퍼런스 데이터셋에 기반하여, 상기 디지털 트윈 모델 내의 상기 복수개의 제2 노드들이 상기 복수개의 물리 센서들이 제공하는 데이터의 값을 가지도록 상기 복수개의 제2 노드들과 상기 복수개의 물리 센서들이 매칭되는 조건 하에서, 상기 디지털 트윈 모델 내의 상기 복수개의 제3 노드들 중 어느 하나의 제4 노드 및 상기 제4 노드에 대응하는 제1 가상 센서의 값을 예측하도록 상기 가상 센서 모델을 제어할 수 있다. 이때 물리 센서와 가상 센서가 일대일 대응하는 것이 아니고, 물리 센서의 집합적 데이터로부터 가상 센서의 데이터가 얻어질 수 있다. 하나의 가상 센서(제4 센서)를 위한 독립적인 모델이 구현되는 경우(분리형)의 실시예가 제시된다.

본 발명의 다른 일 실시예에 따른 적어도 하나 이상의 프로세서는 상기 레퍼런스 데이터셋에 기반하여, 상기 디지털 트윈 모델 내의 상기 복수개의 제2 노드들이 상기 복수개의 물리 센서들이 제공하는 데이터의 값을 가지도록 상기 복수개의 제2 노드들과 상기 복수개의 물리 센서들이 매칭되는 조건 하에서, 상기 디지털 트윈 모델 내의 상기 복수개의 제3 노드들 각각에 대응하는 복수개의 제2 가상 센서들 각각의 값을 예측하도록 상기 가상 센서 모델을 제어할 수 있다. 이때에도 물리 센서와 가상 센서가 일대일 대응하는 것이 아니고, 물리 센서의 집합적 데이터로부터 가상 센서의 데이터가 얻어질 수 있다. 이때 하나의 가상 센서의 모델을 추출할 수 없는 경우에, 복수개의 가상 센서를 하나의 모델로 구현하는 경우(일체형)의 실시예가 제시된다.

도 9는 본 발명의 일 실시예에 따른 컴퓨팅 시스템이 제공하는 서비스 모델의 일 예로서, 가상 센서(920)를 실제 물리 센서(910)보다 상위의 계층에 위치하여 제공하는 경우를 도시한다.

실제 물리 센서(910)로만 이루어진 사물인터넷 플랫폼(930)에 가상 센서(920)가 결합되어 통합 센서 모델(940)이 제공된다. 이때 가상 센서(920)는 실제 물리 센서(910)보다 상위 계층에서 구현되며, 사물인터넷 플랫폼(930)과 결합하여 통합 센서 모델(940)을 구성한다. 사물인터넷 플랫폼(930)과 통합 센서 모델(940) 각각에서 얻어지는 데이터는 서로 공유되며 사물인터넷 플랫폼(930)과 통합 센서 모델(940)는 데이터의 상호 보완을 통하여 업데이트될 수 있다.

도 10은 본 발명의 일 실시예에 따른 컴퓨팅 시스템이 제공하는 서비스 모델의 일 예로서, 가상 센서를 실제 물리 센서와 동일한 계층에 위치하여 제공하는 경우를 도시한다.

도 10에서는 실제 물리 센서(1010)와 가상 센서(1020)가 동일한 계층에서 구현되며, 실제 물리 센서(1010)와 가상 센서(1020)가 결합되어 사물인터넷 플랫폼(1030)을 형성하고, 사물인터넷 플랫폼(1030)이 통합 센서 모델(1040)을 구현할 수 있다. 사물인터넷 플랫폼(1030)과 통합 센서 모델(1040) 각각에서 얻어지는 데이터는 서로 공유되며 사물인터넷 플랫폼(1030)과 통합 센서 모델(1040)는 데이터의 상호 보완을 통하여 업데이트될 수 있다.

도 11은 본 발명의 일 실시예에 따른 컴퓨팅 시스템에 의하여 실행되는 물리 기반 모델을 제공하는 방법의 일 예를 도시하는 동작 흐름도이다.

본 발명의 일 실시예에 따른 컴퓨팅 시스템에서 실행되는 물리 기반 모델 제공 방법은, 물리적인 복잡계를 기술하며 연역적인 추론이 가능한 물리 기반 모델 및 적어도 하나 이상의 프로세서를 포함하는 컴퓨팅 시스템에서 실행된다. 물리 기반 모델 제공 방법은 상기 적어도 하나 이상의 프로세서가, 상기 물리 기반 모델 내에 포함되는 복수의 노드들 중 적어도 일부인 제1 노드의 상태 정보가 시간의 경과 또는 공간 분포 중 적어도 하나 이상과 관련되면서 포함되도록 얻어진 제1 데이터를 수신하는 단계(S1110); 상기 적어도 하나 이상의 프로세서가, 상기 제1 데이터에 기반하여 상기 물리 기반 모델 내의 상기 제1 노드 각각에 대하여, 상기 상태 정보를 시간의 경과 또는 공간 분포 중 적어도 하나 이상과 관련하여 식별하는 단계(S1120); 및 상기 적어도 하나 이상의 프로세서가, 상기 제1 노드 각각에 대하여, 상기 상태 정보를 시간의 경과 또는 공간 분포 중 적어도 하나 이상과 관련하여 재현할 수 있도록 상기 물리 기반 모델 내의 변수들 간의 파라미터를 결정하는 단계(S1130)를 포함한다.

도 12는 본 발명의 일 실시예에 따른 컴퓨팅 시스템에 의하여 실행되는 물리 기반 모델을 제공하는 방법의 다른 일 예를 도시하는 동작 흐름도이다.

물리 기반 모델 제공 방법은 상기 적어도 하나 이상의 프로세서가, 상기 단계(S1130)를 거쳐 내부 파라미터가 결정된 물리 기반 모델 내에 포함되는 복수의 노드들 중 적어도 일부인 제2 노드의 상태 정보를 포함하도록 얻어진 제2 데이터를 수신하는 단계(S1210); 및 상기 적어도 하나 이상의 프로세서가, 상기 제2 데이터를 상기 물리 기반 모델에 입력하여/적용하여(S1220) 상기 물리 기반 모델 내에 포함되는 복수의 노드들 모두에 대한 상태 정보를 포함하는 제3 데이터를 생성하는 단계를 더 포함할 수 있다. 이때 제3 데이터를 생성하는 단계는 제2 노드 이외의 나머지 노드들에 대한 상태 정보를 결정하는 단계(S1230)를 포함할 수 있다.

제1 노드는 제1 데이터에 의하여 상태 정보를 식별할 수 있는 노드를 의미하고, 제2 노드는 실제 센서가 설치되어 센서 데이터를 얻을 수 있는 노드를 의미한다. 실시예에 따라서는 제1 노드와 제2 노드가 일치할 수도 있고, 다른 실시예에 따라서는 제1 노드와 제2 노드가 일치하지 않을 수도 있다.

도 13은 본 발명의 일 실시예에 따른 컴퓨팅 시스템에 의하여 실행되는 가상 센서 모델을 포함하는 디지털 트윈 모델을 제공하는 방법의 일 예를 도시하는 동작 흐름도이다.

본 발명의 일 실시예에 따른 컴퓨팅 시스템에서 실행되는 디지털 트윈 모델을 제공하는 방법은, 물리적인 복잡계를 기술하며, 상기 복잡계 내에 설치되는 복수개의 물리 센서들이 대응하는 복수개의 제2 노드들을 포함하는 디지털 트윈 모델, 및 적어도 하나 이상의 프로세서를 포함하는 컴퓨팅 시스템에서 실행된다. 디지털 트윈 모델을 제공하는 방법은 상기 적어도 하나 이상의 프로세서가, 상기 디지털 트윈 모델 내의 모든 노드들의 데이터를 포함하는 레퍼런스 데이터셋을 획득하는 단계(S1310); 상기 적어도 하나 이상의 프로세서가, 상기 복수개의 제2 노드들에 실제 물리 센서의 데이터를 적용하는 단계(S1320); 상기 적어도 하나 이상의 프로세서가, 상기 디지털 트윈 모델 내의 상기 모든 노드들 중 상기 복수개의 제2 노드들을 제외한 나머지인 복수개의 제3 노드들 각각에 적어도 하나 이상의 가상 센서를 대응시키는 단계(S1330); 및 상기 적어도 하나 이상의 프로세서가, 상기 레퍼런스 데이터셋에 기반하여, 상기 복수개의 물리 센서들이 제공하는 데이터와 상기 적어도 하나 이상의 가상 센서가 가지는 데이터 간의 상관관계를 학습하여 상기 적어도 하나 이상의 가상 센서를 기술하는 가상 센서 모델을 생성하는 단계(S1340)를 포함한다.

도 14는 본 발명의 일 실시예에 따른 컴퓨팅 시스템에 의하여 실행되는 레퍼런스 데이터셋을 디지털 트윈 모델에 제공하는 방법의 일 예를 도시하는 동작 흐름도이다.

이때 상기 레퍼런스 데이터셋을 획득하는 단계(S1310)는, 상기 적어도 하나 이상의 프로세서가, 상기 디지털 트윈 모델에 복수개의 시나리오를 적용하여 상기 디지털 트윈 모델을 시뮬레이션하는 단계(S1410); 및 상기 적어도 하나 이상의 프로세서가, 상기 디지털 트윈 모델 내의 상기 모든 노드들의 데이터를 포함하는 시뮬레이션 결과 데이터셋을 획득하는 단계(S1420); 및 상기 적어도 하나 이상의 프로세서가, 상기 디지털 트윈 모델 내의 상기 모든 노드들의 데이터를 포함하는 시뮬레이션 결과 데이터셋을 상기 레퍼런스 데이터셋으로서 획득하고 제공하는 단계(S1430)를 포함할 수 있다.

본 발명의 일 실시예에 따른 물리 기반 모델을 제공하는 방법, 디지털 트윈을 제공하는 방법, 가상 센서 모델을 제공하는 방법, 및/또는 가상 센서 모델을 이용하여 데이터를 수집하는 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 본 발명을 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. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

그러나, 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다. 본 발명의 실시예와 도면에 소개된 길이, 높이, 크기, 폭 등은 이해를 돕기 위해 과장된 것일 수 있다.

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 아니 되며, 후술하는 특허청구범위 뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.

210, 310: 학습 전의 물리 기반 모델
220, 320: 학습 후의 물리 기반 모델
230, 330: 제1 데이터
332: 학습용 입력 데이터
810: 가상 센서 모델

Claims

물리 기반 모델을 구현하는 컴퓨팅 시스템에 있어서,
상기 컴퓨팅 시스템은
물리적인 복잡계를 기술하며(describes), 연역적인 추론이 가능한 물리 기반 모델; 및
적어도 하나 이상의 프로세서;를 포함하고,
상기 적어도 하나 이상의 프로세서는,
상기 물리 기반 모델이 기술하는 상기 물리적인 복잡계의 거시적인 동작에 대한 정보가 상기 물리 기반 모델 내에 포함되는 복수의 노드들 중 적어도 일부인 제1 노드의 상태 정보의 시간의 경과 또는 공간 분포 중 적어도 하나 이상과 관련되면서 포함되도록 실제 관측에 의하여 얻어진 제1 데이터를 수신하고, 상기 물리 기반 모델 내에 포함되는 복수의 노드들 중 적어도 일부인 제2 노드의 상태 정보를 포함하도록 실제 관측에 의하여 얻어진 제2 데이터를 수신하고,
상기 제1 노드의 적어도 일부는 상기 제2 노드와 다른 물리적 디멘전의 상태 정보를 가지도록 설정되고,
상기 제1 데이터에 기반하여 상기 물리 기반 모델 내의 상기 제1 노드 각각에 대하여, 상기 상태 정보를 시간의 경과 또는 공간 분포 중 적어도 하나 이상과 관련하여 식별하고,상기 제1 노드 각각에 대하여, 상기 상태 정보를 시간의 경과 또는 공간 분포 중 적어도 하나 이상과 관련하여 재현할 수 있도록 상기 물리 기반 모델 내의 변수들 간의 파라미터를 결정하고,
상기 변수들 간의 파라미터는
상기 제1 노드 각각의 상태 정보 및 상기 제2 노드 각각의 상태 정보 간의 파라미터; 및
상기 제1 데이터 및 상기 제1 노드 각각의 상태 정보 간의 파라미터
를 포함하는
물리 기반 모델을 구현하는 컴퓨팅 시스템.
제1항에 있어서,
상기 적어도 하나 이상의 프로세서는
상기 제1 노드 각각에 대하여, 상기 시간의 경과 또는 공간 분포 중 적어도 하나 이상과 관련되는 상기 상태 정보에 대하여 기계 학습을 수행함으로써 상기 물리 기반 모델 내의 상기 변수들 간의 상기 파라미터를 결정하는, 물리 기반 모델을 구현하는 컴퓨팅 시스템.
제1항에 있어서,
상기 적어도 하나 이상의 프로세서는
상기 제1 데이터 및 상기 제2 데이터를 상기 물리 기반 모델에 입력하여 상기 물리 기반 모델 내에 포함되는 복수의 노드들 모두에 대한 상태 정보를 포함하는 제3 데이터를 생성하는, 물리 기반 모델을 구현하는 컴퓨팅 시스템.
제3항에 있어서,
상기 적어도 하나 이상의 프로세서는
상기 제3 데이터 내에 포함되는 상기 제2 노드는 상기 제2 데이터에 의하여 주어지는 값을 가지도록 결정하고,
상기 제3 데이터 내에 포함되는 상기 제2 노드를 제외한 나머지 노드는 상기 물리 기반 모델이 상기 제2 데이터에 기반하여 추론한 값을 가지도록 결정하는, 물리 기반 모델을 구현하는 컴퓨팅 시스템.
제1항에 있어서,
상기 제1 노드가 공간 상에 분포되어 있다고 가정할 때, 상기 제1 노드의 상태 정보의 시간의 경과에 따른 변화가 상기 제1 데이터에 표현되고,
상기 물리 기반 모델은 상기 변수로서 적어도 상기 제1 노드의 시간의 경과에 따른 상태 정보를 포함하고,
상기 물리 기반 모델은 상기 파라미터로서 적어도 상기 제1 노드의 시간의 경과에 따른 상태 정보 및 상기 제1 노드에 공간적으로 인접한 다른 노드의 상태 정보 간의 관련성을 포함하고,
상기 적어도 하나 이상의 프로세서는
상기 제1 데이터에 기반하여 상기 제1 노드의 시간의 경과에 따른 상태 정보의 변화를 식별하고,
상기 제1 노드의 시간의 경과에 따른 상태 정보의 변화를 재현할 수 있도록 상기 물리 기반 모델 내에서 적어도 상기 제1 노드의 시간의 경과에 따른 상태 정보 및 상기 제1 노드에 공간적으로 인접한 다른 노드의 상태 정보 간의 관련성을 나타내는 파라미터를 결정하는, 물리 기반 모델을 구현하는 컴퓨팅 시스템.
삭제
디지털 트윈을 구현하는 컴퓨팅 시스템에 있어서,
적어도 하나 이상의 프로세서; 및
복잡계를 기술하며, 상기 복잡계 내에 설치되는 복수개의 물리 센서들이 대응하는 복수개의 제2 노드들을 포함하는 디지털 트윈 모델;
을 포함하고,
상기 적어도 하나 이상의 프로세서는
상기 디지털 트윈 모델 내의 모든 노드들의 데이터를 포함하는 레퍼런스 데이터셋을 획득하고,
상기 디지털 트윈 모델 내의 상기 모든 노드들 중 상기 복수개의 제2 노드들을 제외한 나머지인 복수개의 제3 노드들 각각에 적어도 하나 이상의 가상 센서를 대응시키고,
상기 적어도 하나 이상의 가상 센서 중 일부인 제1 가상 센서는 상기 복수 개의 물리 센서들이 감지하는 데이터의 물리량과 동일한 물리량을 상기 제1 가상 센서의 데이터의 물리량으로 가지도록 설정되고,
상기 적어도 하나 이상의 가상 센서 중 또 다른 일부인 제2 가상 센서는 상기 복수개의 물리 센서들이 감지하는 데이터의 물리량과 다른 물리적 디멘전을 가지는 데이터를 상기 제2 가상 센서의 데이터로 가지도록 설정되고,
상기 레퍼런스 데이터셋에 기반하여, 상기 복수개의 물리 센서들이 제공하는 데이터와 상기 적어도 하나 이상의 가상 센서가 가지는 데이터 간의 상관관계를 학습하여 상기 적어도 하나 이상의 가상 센서를 기술하는 가상 센서 모델을 생성하는, 디지털 트윈을 구현하는 컴퓨팅 시스템.
제7항에 있어서,
상기 적어도 하나 이상의 프로세서는
상기 디지털 트윈 모델에 복수개의 시나리오를 적용하여 상기 디지털 트윈 모델을 시뮬레이션하고,
상기 디지털 트윈 모델 내의 상기 모든 노드들의 데이터를 포함하는 시뮬레이션 결과 데이터셋을 상기 레퍼런스 데이터셋으로서 획득하는, 디지털 트윈을 구현하는 컴퓨팅 시스템.
제7항에 있어서,
상기 적어도 하나 이상의 프로세서는
상기 복수개의 물리 센서들이 제공하는 데이터를 상기 복수개의 제2 노드들에 할당하고, 상기 복수개의 제2 노드들의 데이터를 상기 가상 센서 모델에 입력하고, 상기 가상 센서 모델이 상기 복수개의 제2 노드들의 데이터 및 상기 복수개의 제3 노드들의 데이터 간의 관련성을 학습하도록 상기 가상 센서 모델을 제어하는, 디지털 트윈을 구현하는 컴퓨팅 시스템.
제9항에 있어서,
상기 적어도 하나 이상의 프로세서는
상기 복수개의 물리 센서들이 제공하는 새로운 데이터를 상기 복수개의 제2 노드들에 새롭게 할당하고, 상기 복수개의 제2 노드들에 새롭게 할당된 데이터를 상기 가상 센서 모델에 입력하고, 상기 가상 센서 모델이 상기 복수개의 제2 노드들의 데이터 및 상기 복수개의 제3 노드들의 데이터 간의 관련성에 대한 학습 결과를 업데이트하도록 상기 가상 센서 모델을 제어하는, 디지털 트윈을 구현하는 컴퓨팅 시스템.
제9항에 있어서,
상기 적어도 하나 이상의 프로세서는
상기 복수개의 물리 센서들이 제공하는 새로운 데이터를 상기 복수개의 제2 노드들에 새롭게 할당하고, 상기 복수개의 제2 노드들에 새롭게 할당된 데이터를 상기 가상 센서 모델에 입력하고, 상기 가상 센서 모델이 상기 복수개의 제3 노드들의 새로운 데이터를 출력하도록 상기 가상 센서 모델을 제어하는, 디지털 트윈을 구현하는 컴퓨팅 시스템.
삭제
제7항에 있어서,
상기 적어도 하나 이상의 프로세서는
상기 레퍼런스 데이터셋에 기반하여, 상기 디지털 트윈 모델 내의 상기 복수개의 제2 노드들이 상기 복수개의 물리 센서들이 제공하는 데이터의 값을 가지도록 상기 복수개의 제2 노드들과 상기 복수개의 물리 센서들이 매칭되는 조건 하에서, 상기 디지털 트윈 모델 내의 상기 복수개의 제3 노드들 중 어느 하나의 제4 노드 및 상기 제4 노드에 대응하는 제1 가상 센서의 값을 예측하도록 상기 가상 센서 모델을 제어하는, 디지털 트윈을 구현하는 컴퓨팅 시스템.
제7항에 있어서,
상기 적어도 하나 이상의 프로세서는
상기 레퍼런스 데이터셋에 기반하여, 상기 디지털 트윈 모델 내의 상기 복수개의 제2 노드들이 상기 복수개의 물리 센서들이 제공하는 데이터의 값을 가지도록 상기 복수개의 제2 노드들과 상기 복수개의 물리 센서들이 매칭되는 조건 하에서, 상기 디지털 트윈 모델 내의 상기 복수개의 제3 노드들 각각에 대응하는 복수개의 제2 가상 센서들 각각의 값을 예측하도록 상기 가상 센서 모델을 제어하는, 디지털 트윈을 구현하는 컴퓨팅 시스템.
제7항에 있어서,
상기 가상 센서 모델은 인공 신경망을 이용하는 모델인, 디지털 트윈을 구현하는 컴퓨팅 시스템.
물리적인 복잡계를 기술하며, 연역적인 추론이 가능한 물리 기반 모델 및 적어도 하나 이상의 프로세서를 포함하는 컴퓨팅 시스템에서 실행되는 물리 기반 모델 제공 방법에 있어서,
상기 적어도 하나 이상의 프로세서가, 상기 물리 기반 모델이 기술하는 상기 물리적인 복잡계의 거시적인 동작에 대한 정보가 상기 물리 기반 모델 내에 포함되는 복수의 노드들 중 적어도 일부인 제1 노드의 상태 정보의 시간의 경과 또는 공간 분포 중 적어도 하나 이상과 관련되면서 포함되도록 실제 관측에 의하여 얻어진 제1 데이터를 수신하는 단계;
상기 적어도 하나 이상의 프로세서가, 상기 물리 기반 모델 내에 포함되는 복수의 노드들 중 적어도 일부인 제2 노드의 상태 정보를 포함하도록 실제 관측에 의하여 얻어진 제2 데이터를 수신하는 단계 - 상기 제1 노드의 적어도 일부는 상기 제2 노드와 다른 물리적 디멘전의 상태 정보를 가지도록 설정됨 - ;
상기 적어도 하나 이상의 프로세서가, 상기 제1 데이터에 기반하여 상기 물리 기반 모델 내의 상기 제1 노드 각각에 대하여, 상기 상태 정보를 시간의 경과 또는 공간 분포 중 적어도 하나 이상과 관련하여 식별하는 단계; 및
상기 적어도 하나 이상의 프로세서가, 상기 제1 노드 각각에 대하여, 상기 상태 정보를 시간의 경과 또는 공간 분포 중 적어도 하나 이상과 관련하여 재현할 수 있도록 상기 물리 기반 모델 내의 변수들 간의 파라미터를 결정하는 단계;
를 포함하고,
상기 변수들 간의 파라미터는
상기 제1 노드 각각의 상태 정보 및 상기 제2 노드 각각의 상태 정보 간의 파라미터; 및
상기 제1 데이터 및 상기 제1 노드 각각의 상태 정보 간의 파라미터
를 포함하는 물리 기반 모델 제공 방법.
제16항에 있어서,
상기 적어도 하나 이상의 프로세서가, 상기 제1 데이터 및 상기 제2 데이터를 상기 물리 기반 모델에 입력하여 상기 물리 기반 모델 내에 포함되는 복수의 노드들 모두에 대한 상태 정보를 포함하는 제3 데이터를 생성하는 단계;
를 더 포함하는 물리 기반 모델 제공 방법.
물리적인 복잡계를 기술하며, 상기 복잡계 내에 설치되는 복수개의 물리 센서들이 대응하는 복수개의 제2 노드들을 포함하는 디지털 트윈 모델, 및 적어도 하나 이상의 프로세서를 포함하는 컴퓨팅 시스템에서 실행되는 디지털 트윈 모델을 제공하는 방법에 있어서,
상기 적어도 하나 이상의 프로세서가, 상기 디지털 트윈 모델 내의 모든 노드들의 데이터를 포함하는 레퍼런스 데이터셋을 획득하는 단계;
상기 적어도 하나 이상의 프로세서가, 상기 디지털 트윈 모델 내의 상기 모든 노드들 중 상기 복수개의 제2 노드들을 제외한 나머지인 복수개의 제3 노드들 각각에 적어도 하나 이상의 가상 센서를 대응시키는 단계; 및
상기 적어도 하나 이상의 프로세서가, 상기 레퍼런스 데이터셋에 기반하여, 상기 복수개의 물리 센서들이 제공하는 데이터와 상기 적어도 하나 이상의 가상 센서가 가지는 데이터 간의 상관관계를 학습하여 상기 적어도 하나 이상의 가상 센서를 기술하는 가상 센서 모델을 생성하는 단계;
를 포함하고,
상기 적어도 하나 이상의 가상 센서 중 일부인 제1 가상 센서는 상기 복수 개의 물리 센서들이 감지하는 데이터의 물리량과 동일한 물리량을 상기 제1 가상 센서의 데이터의 물리량으로 가지도록 설정되고,
상기 적어도 하나 이상의 가상 센서 중 또 다른 일부인 제2 가상 센서는 상기 복수개의 물리 센서들이 감지하는 데이터의 물리량과 다른 물리적 디멘전을 가지는 데이터를 상기 제2 가상 센서의 데이터로 가지도록 설정되는
디지털 트윈 모델을 제공하는 방법.
제18항에 있어서,
상기 레퍼런스 데이터셋을 획득하는 단계는,
상기 적어도 하나 이상의 프로세서가, 상기 디지털 트윈 모델에 복수개의 시나리오를 적용하여 상기 디지털 트윈 모델을 시뮬레이션하는 단계; 및
상기 적어도 하나 이상의 프로세서가, 상기 디지털 트윈 모델 내의 상기 모든 노드들의 데이터를 포함하는 시뮬레이션 결과 데이터셋을 상기 레퍼런스 데이터셋으로서 획득하는 단계;
를 포함하는, 디지털 트윈 모델을 제공하는 방법.