KR102364019B1 - 센서 드리프트 보상 방법 및 장치 - Google Patents

센서 드리프트 보상 방법 및 장치 Download PDF

Info

Publication number
KR102364019B1
KR102364019B1 KR1020200101037A KR20200101037A KR102364019B1 KR 102364019 B1 KR102364019 B1 KR 102364019B1 KR 1020200101037 A KR1020200101037 A KR 1020200101037A KR 20200101037 A KR20200101037 A KR 20200101037A KR 102364019 B1 KR102364019 B1 KR 102364019B1
Authority
KR
South Korea
Prior art keywords
sensor
sensor data
loss function
processor
model
Prior art date
Application number
KR1020200101037A
Other languages
English (en)
Other versions
KR102364019B9 (ko
Inventor
김성일
이주희
임치현
이정혜
김예진
김예람
김남우
김세원
오용경
Original Assignee
울산과학기술원
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 울산과학기술원 filed Critical 울산과학기술원
Priority to KR1020200101037A priority Critical patent/KR102364019B1/ko
Priority to PCT/KR2021/010729 priority patent/WO2022035254A1/ko
Priority to US18/012,626 priority patent/US20230332926A1/en
Application granted granted Critical
Publication of KR102364019B1 publication Critical patent/KR102364019B1/ko
Publication of KR102364019B9 publication Critical patent/KR102364019B9/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D3/00—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups
    • G01D3/028—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups mitigating undesired influences, e.g. temperature, pressure
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D3/00—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups
    • G01D3/02—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups with provision for altering or correcting the law of variation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D3/00—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups
    • G01D3/02—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups with provision for altering or correcting the law of variation
    • G01D3/022—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups with provision for altering or correcting the law of variation having an ideal characteristic, map or correction data stored in a digital memory
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Genetics & Genomics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Technology Law (AREA)
  • Physiology (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)

Abstract

센서 드리프트 보상 방법 및 장치가 개시된다. 일 실시예에 따른 센서 드리프트 보상 방법은, 센서 데이터의 적합성을 확인하는 단계와, 상기 센서 데이터를 변환하기 위한 변환 모델을 정의하는 단계와, 상기 변환 모델에 기초하여 손실 함수를 설정하는 단계와, 상기 손실 함수에 기초하여 상기 변환 모델을 최적화하는 단계를 포함한다.

Description

센서 드리프트 보상 방법 및 장치{SENSOR DRIFT COMPENSATION METHOD AND DEVICE}
아래 실시예들은 센서 드리프트 보상 방법 및 장치에 관한 것이다.
센서 드리프트(sensor drift)는 센서 감지 물질의 오염, 노화, 온도 또는 습도 등의 외부 환경 요인과 같은 이상 원인에 의해 발생하는 센서의 일관성 결여를 말한다. 이로 인해 여러 가스들을 센서 측정값으로 분류(classification)를 할 때, 그 측정값이 서로 분류 불가능하게 되며 분류 정확도를 크게 저하시키게 된다. 따라서, 센서 드리프트는 센서 시스템의 안정성 및 신뢰성을 확보하고 유의미한 센서 데이터 분석을 하기 위하여 반드시 해결되어야 하는 중요한 문제이다.
그동안 센서 드리프트 문제를 완화하기 위한 많은 방법이 제안되어 왔지만, 대부분의 방법은 드리프트 패턴을 분석함에 그치고 데이터 품질 향상에 대한 직접적인 도움을 주지 않는다. 또한 가스 측정 시간에 따라 발생하는 드리프트에 대한 연구는 활발하지만 온도나 습도와 같은 외부 환경으로부터 발생하는 드리프트에 대한 연구는 현저히 적다.
관련 선행기술로, 한국 공개특허공보 제10-2002-0000768호(발명의 명칭: 센서 드리프트 교정 장치 및 방법)가 있다.
아래 실시예들은 센서 데이터를 변환시킴으로써 센서 드리프트를 보상하는 기술을 제공할 수 있다.
다만, 기술적 과제는 상술한 기술적 과제들로 한정되는 것은 아니며, 또 다른 기술적 과제들이 존재할 수 있다.
일 실시예에 따른 센서 드리프트 보상 방법은, 센서 데이터의 적합성을 확인하는 단계와, 상기 센서 데이터를 변환하기 위한 변환 모델을 정의하는 단계와, 상기 변환 모델에 기초하여 손실 함수를 설정하는 단계와, 상기 손실 함수에 기초하여 상기 변환 모델을 최적화하는 단계를 포함한다.
상기 적합성을 확인하는 단계는, 센서 데이터가 포함하는 변이의 원인을 분석하는 단계를 포함할 수 있다.
상기 적합성을 확인하는 단계는, 상기 센서 데이터 및 외부 환경 변수 사이의 상관 관계를 분석하는 단계를 포함할 수 있다.
상기 변환 모델은 외부 환경 변수 및 모델 파라미터에 기초하여 상기 센서 데이터를 변환시키는 변환 모델일 수 있다.
상기 손실 함수는, 센서 데이터에 대한 사전 지식을 반영하여 설정되는 손실 함수 및 복수의 측정 결과에 대한 차이를 반영하여 설정되는 손실 함수 중 적어도 하나를 포함할 수 있다.
상기 변환 모델을 최적화하는 단계는, 상기 손실 함수를 최대화 또는 최소화하는 상기 변환 모델의 모델 파라미터를 계산하는 단계를 포함할 수 있다.
상기 모델 파라미터를 계산하는 단계는, 유전 알고리즘을 이용하여 상기 모델 파라미터를 계산하는 단계를 포함할 수 있다.
일 실시예에 따른 센서 드리프트 보상 장치는, 인스트럭션들을 포함하는 메모리와, 상기 인스트럭션들을 실행하기 위한 프로세서를 포함하고, 상기 프로세서에 의해 상기 인스트럭션들이 실행될 때, 상기 프로세서는, 센서 데이터의 적합성을 확인하고, 상기 센서 데이터를 변환하기 위한 변환 모델을 정의하고, 상기 변환 모델에 기초하여 손실 함수를 설정하고, 상기 손실 함수에 기초하여 상기 변환 모델을 최적화한다.
상기 프로세서는, 센서 데이터가 포함하는 변이의 원인을 분석할 수 있다.
상기 프로세서는, 상기 센서 데이터 및 외부 환경 변수 사이의 상관 관계를 분석할 수 있다.
상기 변환 모델은, 외부 환경 변수 및 모델 파라미터에 기초하여 상기 센서 데이터를 변환시키는 변환 모델일 수 있다.
상기 손실 함수는, 센서 데이터에 대한 사전 지식을 반영하여 설정되는 손실 함수 및 복수의 측정 결과에 대한 차이를 반영하여 설정되는 손실 함수 중 적어도 하나를 포함할 수 있다.
상기 프로세서는, 상기 손실 함수를 최대화 또는 최소화하는 상기 변환 모델의 모델 파라미터를 계산할 수 있다.
상기 프로세서는, 유전 알고리즘을 이용하여 상기 모델 파라미터를 계산할 수 있다.
도 1은 일 실시예에 따른 센서 드리프트 보상 장치를 개략적으로 도시한 블록도이다.
도 2는 센서 드리프트를 설명하기 위한 도면이다.
도 3a 내지 도 3c는 센서 드리프트로 인한 문제점을 설명하기 위한 그래프이다.
도 4는 도 1에 도시된 센서 드리프트 보상 장치의 동작을 설명하기 위한 순서도이다.
도 5는 도 1에 도시된 센서 드리프트 보상 장치를 통한 센서 드리프트 보상 결과의 일 예를 나타내는 그래프이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 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.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
또한, 실시 예의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.
어느 하나의 실시 예에 포함된 구성요소와, 공통적인 기능을 포함하는 구성요소는, 다른 실시 예에서 동일한 명칭을 사용하여 설명하기로 한다. 반대되는 기재가 없는 이상, 어느 하나의 실시 예에 기재한 설명은 다른 실시 예에도 적용될 수 있으며, 중복되는 범위에서 구체적인 설명은 생략하기로 한다.
도 1은 일 실시예에 따른 센서 드리프트 보상 장치를 개략적으로 도시한 블록도이다.
센서 드리프트 보상 장치(100)는 센서에서 발생하는 센서 드리프트(sensor drift)를 보상할 수 있다. 예를 들어, 센서 드리프트 보상 장치(100)는 전자코 시스템에서 혼합 가스 분류를 위한 센서의 센서 드리프트를 보상할 수 있다.
센서 드리프트 보상 장치(100)는 메모리(130) 및 프로세서(150)를 포함할 수 있다. 프로세서(150)는 메모리(130)에 저장된 컴퓨터로 읽을 수 있는 코드(예를 들어, 소프트웨어) 및 프로세서에 의해 유발된 인스트럭션(instruction)들을 실행할 수 있다.
프로세서(150)는 목적하는 동작들(desired operations)을 실행시키기 위한 물리적인 구조를 갖는 회로를 가지는 하드웨어로 구현된 데이터 처리 장치일 수 있다. 예를 들어, 목적하는 동작들은 프로그램에 포함된 코드(code) 또는 인스트럭션들(instructions)을 포함할 수 있다.
예를 들어, 하드웨어로 구현된 데이터 처리 장치는 마이크로프로세서(microprocessor), 중앙 처리 장치(central processing unit), 프로세서 코어(processor core), 멀티-코어 프로세서(multi-core processor), 멀티프로세서(multiprocessor), ASIC(Application-Specific Integrated Circuit), FPGA(Field Programmable Gate Array)를 포함할 수 있다.
메모리(130)는 프로세서에 의해 실행가능한 인스트럭션들(또는 프로그램)을 저장할 수 있다. 예를 들어, 인스트럭션들은 프로세서의 동작 및/또는 프로세서의 각 구성의 동작을 실행하기 위한 인스트럭션들을 포함할 수 있다.
메모리(130)는 휘발성 메모리 장치 또는 불휘발성 메모리 장치로 구현될 수 있다.
휘발성 메모리 장치는 DRAM(dynamic random access memory), SRAM(static random access memory), T-RAM(thyristor RAM), Z-RAM(zero capacitor RAM), 또는 TTRAM(Twin Transistor RAM)으로 구현될 수 있다.
불휘발성 메모리 장치는 EEPROM(Electrically Erasable Programmable Read-Only Memory), 플래시(flash) 메모리, MRAM(Magnetic RAM), 스핀전달토크 MRAM(Spin-Transfer Torque(STT)-MRAM), Conductive Bridging RAM(CBRAM), FeRAM(Ferroelectric RAM), PRAM(Phase change RAM), 저항 메모리(Resistive RAM(RRAM)), 나노 튜브 RRAM(Nanotube RRAM), 폴리머 RAM(Polymer RAM(PoRAM)), 나노 부유 게이트 메모리(Nano Floating Gate Memory(NFGM)), 홀로그래픽 메모리(holographic memory), 분자 전자 메모리 소자(Molecular Eelectronic Memory Device), 또는 절연 저항 변화 메모리(Insulator Resistance Change Memory)로 구현될 수 있다.
도 2는 센서 드리프트를 설명하기 위한 도면이고, 도 3a 내지 도 3c는 센서 드리프트로 인한 문제점을 설명하기 위한 그래프이다.
전자코(electronic nose)는 인간의 후각을 모방하여 악취 및/또는 냄새의 감지를 위한 목적으로 쓰이는 장치이다. 전자코는 서로 다른 유형의 복수의 센서들을 포함하는 센서 어레이로 이용하여 특정 냄새의 고유한 신호 패턴을 분석하는 시스템으로 반도체의 산화환원반응을 이용하여 악취 및/또는 냄새의 감지할 수 있다.
전자코가 센서를 통해 특정 가스를 측정하는 경우 센서 드리프트가 발생할 수 있다. 예를 들어, 전자코의 측정 값은 실제로 측정되어야 할 이상적인 값과의 변이(variation)가 발생할 수 있다. 이러한 변이는 이상 원인에 의해 발생하는 일관적인(systematic)한 변이와 우연한 원인에 의해 발생하는 랜덤 노이즈와 같은 변이로 구성될 수 있다. 일반적으로 랜덤 노이즈의 경우는 감소시키는 것이 불가능하거나 상당한 비용이 드는 반면, 이상 원인에 의해 발생하는 변이의 경우는 공학적인 기법으로 비교적 적은 비용으로 감소시킬 수 있다.
센서 드리프트는 외부 환경 요인의 이상 원인에 의해 발생하는 센서의 일관성 결여를 의미할 수 있다. 예를 들어 센서 드리프트는 센서가 감지하는 물질의 오염, 노화, 온도 및/또는 습도 등의 요인에 의해 발생하는 센서 측정 값의 변이를 의미할 수 있다.
센서 드리프트는 전자코를 이용하여 측정한 가스들의 센서 데이터에 기초하여 가스들을 분류(classification)를 할 때, 센서 데이터를 변이 시켜 가스들의 분류 정확도를 크게 저하시키거나 서로 분류 불가능하도록 만들 수 있다.
센서 드리프트는 센서 시스템의 안정성 및/또는 신뢰성을 확보하고 유의미한 센서 데이터 분석 결과를 획득하기 위해 보상할 필요가 있다. 센서 드리프트 보상 장치(100)는 외부 환경 데이터를 활용하여 센서 드리프트를 보상할 수 있다.
센서 드리프트 보상 장치(100)는 센서 드리프트를 발생시키는 이상 원인 중 외부 환경 변수가 차지하는 비중이 상당히 크다고 가정한다. 즉, 센서 드리프트 보상 장치(100)는 센서의 오염 및/또는 노화와 같은 기타 이상 원인들은 없거나 무시할 수준이라고 가정한다.
실제 데이터(X)는 특정 가스에 대하여 변이가 발생하지 않은 이상적인 센서 데이터를 나타낼 수 있다. 센서 데이터(X')는 온도 및/또는 습도와 같은 외부 환경 요인으로 인해 센서 드리프트가 발생한 센서 데이터를 나타낼 수 있다. 즉, 센서 데이터(X')는 복수의 센서가 대상을 시간에 따라 측정한 센서 데이터를 포함한 데이터 행렬일 수 있으며, 실제 데이터(X)는 센서 데이터(X')가 가져야할 이상적인 데이터를 포함한 데이터 행렬일 수 있다.
센서는 특정 가스 또는 혼합 가스를 측정할 때, 일정 기간 동안 센서 값의 시간에 따른 변화를 측정할 수 있으며, 센서는 측정을 반복하여 수행할 수 있다. 이때, 온도 및/또는 습도와 같은 외부 환경 요인은 시간에 따라 함께 변할 수 있으므로, 센서가 측정할 때마다 측정 값은 서로 다른 값을 가질 수 있다.
도 3a 내지 도 3c는 혼합된 두 종류의 가스를 측정한 센서 데이터를 나타낸다. 도 3a 내지 도 3c는 각각 저농도, 중농도 및 고농도의 혼합 가스를 측정한 센서 데이터를 나타낸다. 세 센서 데이터는 이상적인 경우 서로 명확하게 구분될 수 있어야 한다.
도 3a 내지 도 3c은 각각 서로 농도가 다른 혼합가스를 측정한 데이터임에도 불구하고, 센서 드리프트가 발생하여 각각의 농도에서 측정한 센서 데이터가 서로 구분되지 않는다. 즉, 세 가지 농도에서의 혼합 가스가 모두 일정 시간이 흐른 후 370 내지 400의 값을 나타내면서 세 혼합 가스를 센서 데이터에 기초하여 분류하기 어려울 수 있다.
각 그래프에서 복수의 선들은 다섯 번의 반복 실험의 결과를 나타낸다. 모든 외부 환경이 동일한 상황에서, 이상적으로는 각 그래프의 다섯 개의 선이 동일해야 한다.
종래의 센서 드리프트 보정 방법은 센서 데이터(X')으로부터 실제 데이터(X)를 복원하려고 시도하는 반면 센서 드리프트 보상 장치(100)는 센서 데이터(X')를 변환 데이터(X'')로 변환(transformation)하는 방법을 이용할 수 있다. 예를 들어, 센서 드리프트 보상 장치(100)는 실제 데이터(X)와 유사할 것이 요구되지 않는 변환 데이터(X'')를 획득하여, 센서 데이터(X')에 기초하여 원하는 결과를 획득할 수 있다.
센서 드리프트 보상 장치(100)는 센서 데이터(X')에 기초하여 실제 데이터(X)의 복원은 시도하는 대신 변환 데이터(X'')를 획득함으로써, 적은 수의 데이터로도 원하는 목표를 달성할 수 있으며, 센서 데이터(X')에 기초한 판단 성능을 향상시킬 수 있다.
도 4는 도 1에 도시된 센서 드리프트 보상 장치의 동작을 설명하기 위한 순서도이다.
프로세서(150)는 센서 드리프트를 보상하기에 앞서 센서 데이터의 적합성을 확인할 수 있다(410). 예를 들어, 프로세서(150)는 센서 드리프트 보상 동작을 수행하기에 센서 데이터가 적합한지 여부를 확인할 수 있다.
프로세서(150)는 센서 데이터가 내포하고 있는 전체 변이 중에 어느 정도가 이상 원인에 의해 발생한 일관적인 변이인지 분산 분석(analysis of variance(ANOVA)을 통해 확인할 수 있다. 예를 들어, 프로세서(150)는 ANOVA 변이를 분해하여, 일관적인 변이(assignable cause)에 의한 변이가 전체 변이에 얼마나 통계적으로 유의미한 영향을 주었는지 가설 검정(hypothesis testing)을 통해 확인할 수 있다.
프로세서(150)는 센서 데이터의 변이의 대부분이 우연 원인에 의해 발생한 랜덤 노이즈로 분석하는 경우 센서 드리프트 보상 동작을 수행하기 적합하지 않다고 판단할 수 있다.
프로세서(150)는 온도 및/또는 습도와 같은 외부 환경 변수와 센서 데이터 사이 유의미한 상관관계가 존재하는지도 확인할 수 있다. 예를 들어, 프로세서(150)는 특정 선형 모델을 가정하고, 모델을 학습함으로써 모델에 포함된 파라미터를 추정할 수 있는데, 추정된 파라미터가 양수인지 음수인지에 여부를 확인하여 해당 변수가 독립변수와 양의 상관관계를 갖는지, 음의 상관관계를 가지는지 또는 관계가 없는지 여부를 판단할 수 있다. 프로세서(150)는 추정된 파라미터가 유의미한 지 여부를 가설검정을 통해 판단할 수 있다.
프로세서(150)는 외부 환경 변수와 센서 데이터 사이에 유의미한 관계가 존재하지 않는다면 센서 데이터에 센서 드리프트 보상 동작을 수행하는 것이 적합하지 않다고 판단할 수 있다.
프로세서(150)는 적합하다고 판단된 센서 데이터에 대해 센서 드리프트 보상 동작을 수행할 수 있다.
프로세서(150)는 센서 데이터를 변환하기 위한 변환 모델(fa(X', Z)) 및 설정된 목표에 따른 손실 함수를 정의할 수 있다(430).
변환 모델(fa(X', Z))은 수학식 1과 같이 센서 데이터(X')를 변환 데이터(X'')로 변환하기 위한 변환 모델일 수 있다. 변환 모델(fa(X', Z))은 선형 변환(linear transformation) 또는 비선형 변환(nonlinear transformation) 등 모든 모델을 포함할 수 있다.
Figure 112020084747488-pat00001
변환 모델(fa(X', Z))의 입력 데이터는 센서 데이터(X') 및 온도 및/또는 습도 등에 대한 외부 환경 변수(Z)이고, 변환 모델(fa(X', Z))은 모델 파라미터(α)에 기초하여 센서 데이터(X')를 변환 데이터(X'')로 변환하여 출력할 수 있다. 센서 데이터(X') 및 외부 환경 변수(Z)는 측정된 값이고, 프로세서(150)는 적절한 파라미터(α)의 값을 통해 원하는 변환 데이터(X'')를 획득할 수 있다.
프로세서(150)는 설정된 목표에 기초하여 변환 모델 변환 모델(fa(X', Z))을 최적화할 수 있다(450). 예를 들어, 프로세서(150)는 설정된 목표에 기초하여 손실 함수(loss function)을 정의할 수 있고, 손실 함수에 기초하여. 최적의 파라미터(α)를 획득할 수 있다.
프로세서(150)는 도메인 지식을 반영하여 손실 함수를 정의할 수 있다. 이때, 도메인 지식은 특정 혼합 가스의 센서 측정값에 대한 사전 지식을 의미할 수 있다. 예를 들어, 프로세서(150)는 농도에 따른 센서 측정값에 대해 고농도 가스의 센서 측정값이 중농도 가스보다, 중농도 가스의 센서 측정값이 저농도의 가스 측정값보다 커야 한다는 사전 지식에 기초하여 손실 함수를 정의할 수 있다.
프로세서(150)는 데이터 품질(quality) 향상을 위한 손실 함수를 정의할 수 있다. 예를 들어, 반복 측정된 센서 측정값은 같은 외부 환경 조건이라는 가정 하에, 이상적으로는 동일해야 하므로, 프로세서(150)는 반복 측정된 센서 데이터가 동일한 값을 가지도록 손실 함수를 정의할 수 있다.
프로세서(150)는 각각의 목표에 따라 각각의 손실 함수를 정의할 수 있지만, 복수의 목표를 결합하여 하나의 손실 함수를 정의할 수도 있다.
프로세서(150)는 정의한 손실 함수에 기초하여 변환 모델(fa(X', Z))을 최적화할 수 있다. 예를 들어, 프로세서(150)는 손실 함수를 최소화하는 최적화 파라미터(α*)를 획득하여 변환 모델(fa(X', Z))을 최적화할 수 있다. 프로세서(150)는 수학식 2와 같이 최적화 파리미터(α*)를 획득할 수 있다.
Figure 112020084747488-pat00002
프로세서(150)는 유전 알고리즘(genetic algorithm)을 이용하여 최적화 파라미터(α*)를 추정할 수 있다. 유전 알고리즘은 병렬적이고 전역적인 탐색 알고리즘으로서, 풀고자 하는 문제에 대한 가능한 해들을 정해진 형태의 자료구조로 표현한 다음, 이들을 점차적으로 변형함으로써 점점 더 좋은 해들을 만들어 내는 알고리즘일 수 있다.
프로세서(150)는 센서 데이터(X')를 측정 대상을 정확하게 분류할 수 있는 변환 데이터(X'')로 변환시키는 최적화된 변환 모델(fa(X', Z))을 획득할 수 있고, 프로세서(150)는 변환 모델(fa(X', Z))에 기초하여 다른 측정 대상에 대한 분류 정확도 역시 향상시킬 수 있다.
도 5는 도 1에 도시된 센서 드리프트 보상 장치를 통한 센서 드리프트 보상 결과의 일 예를 나타내는 그래프이다.
이하, 센서 드리프트 보상 장치(100)가 상술한 방법을 이용하여 도 3a 내지 도3c에 도시된 센서 데이터를 변환하는 동작을 구체적으로 설명하도록 한다.
프로세서(150)는 하나의 센서에서 획득한 센서 데이터 대해 수학식 3과 같이 변형 모델을 정의할 수 있고, 이에 기초하여 복수의 센서에서 획득한 센서 데이터에 대해 수학식 4와 같이 변형 모델을 정의할 수 있다.
Figure 112020084747488-pat00003
Figure 112020084747488-pat00004
수학식 3에서, yi, zi , Ti 및 RHi는 각각 시간에 따른 i번째 측정에서 측정된 값, 변환된 값, 온도 및 상대 습도를 나타내고, α1, α2, α3, α4, 및 α5는 센서에 대한 모델 파라미터의 각 요소를 나타낸다. 즉, 프로세서(150)는 하나의 센서에 대해 모델 파라미터의 각 요소(α1, α2, α3, α4, 및 α5)를 손실 함수에 기초하여 추정할 수 있다.
수학식 4는 복수의 센서 중 j번째 센서를 통해 i번째 측정에서 측정된 센서 데이터에 대한 변환 모델을 나타낸다. 즉, 수학식 4에서 yij, zij , Tij 및 RHij는 각각 j번째 센서에서 시간에 따른 i번째 측정에서 측정된 값, 변환된 값, 온도 및 상대 습도를 나타내고, αj1, αj2, αj3, αj4, 및 αj5는 j번째 센서의 모델 파라미터의 각 요소를 나타낸다. 프로세서(150)는 각 센서에 대한 모델 파라미터의 각 요소(αj1, αj2, αj3, αj4, 및 αj5)를 손실 함수에 기초하여 추정할 수 있다.
프로세서(150)는 도메인 지식을 반영한 손실 함수(J1)를 수학식 5와 같이 정의할 수 있다.
Figure 112020084747488-pat00005
이때, lA, uA, lB, uB, lC 및 uC는 각각 저농도, 중농도 및 고농도의 혼합 가스에 대한 측정 값의 변환된 데이터의 최대값 및 최소값을 나타낸다.
프로세서(150)는 손실 함수(J1)가 최대화될 수 있는 변환 모델의 최적화 파라미터(α )를 획득할 수 있다. 즉, 프로세서(150)는 저농도 보다 중농도 및 중농도 보다 고농도의 혼합 가스에서 측정된 센서 데이터가 더 큰 값을 가지게 센서 데이터를 변환시키도록 변환 모델을 최적화시킬 수 있다.
프로세서(150)는 데이터 품질을 향상시키기 위한 손실 함수(J2)를 수학식 6과 같이 정의할 수 있다.
Figure 112020084747488-pat00006
이때, sb 및 sw는 흩어짐(scatteredness)을 나타내는 지표로, sb는 서로 다른 분류 간 흩어짐(between-class scatter)을 나타내고, sw는 동일한 분류 내 흩어짐(within-class scatter)을 나타낼 수 있다. sb가 크다는 것은 서로 다른 분류 간 데이터 값이 차이가 크다는 의미이고, sw가 크다는 것은 동일한 분류 내에서 데이터 값의 차이가 크다는 것을 의미할 수 있다.
sb 및 sw는 각각 수학식 7 및 수학식 8과 같이 표현될 수 있다.
Figure 112020084747488-pat00007
Figure 112020084747488-pat00008
이때, 각각의 xi는 분류(yi)에 포함되는 측정 값을 나타내고, μyi는 분류(yi)에 포함된 측정 값들의 평균을 나타낸다. μk는 k번째 분류에 포함되는 측정 값의 평균을 나타내고, μ는 μk의 평균을 나타내며, nk는 각각의 분류에 대한 가중치를 나타낸다.
다른 예로, sb 및 sw는 각각 수학식 9 및 수학식 10과 같이 표현될 수도 있다.
Figure 112020084747488-pat00009
Figure 112020084747488-pat00010
프로세서(150)는 손실 함수(J2)를 최대화될 수 있는 변환 모델의 최적화 파라미터(α )를 획득하여 데이터 품질을 향상시킬 수 있다. 즉, 프로세서(150)는 동일한 가스에 대한 반복 측정 시 측정 값이 서로 유사한 값을 가지게 센서 데이터를 변환하도록 변환 모델을 최적화할 수 있다.
도 5a 내지 도 5c는 프로세서(150)가 획득한 변환 모델을 통해 도 3a 내지 도 3c에 도시된 센서 데이터를 변환한 결과를 나타낸다. 도 5a 내지 도 5c에 도시된 변환된 센서 데이터는 반복 측정 시 서로 매우 유사한 값을 가지며, 고농도에서 가장 큰 값, 중농도에서 중간 값 및 저농도에서 가장 작은 값을 가지는 것을 확인할 수 있다.
센서 드리프트 보상 장치(100)는 센서 데이터 변환을 위한 변환 모델을 설정하고, 최적화하여 측정 대상의 분류 정확도를 향상시킬 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), 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 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.

Claims (15)

  1. 센서 데이터의 적합성을 확인하는 단계;
    상기 센서 데이터를 변환하기 위한 변환 모델을 정의하는 단계;
    상기 변환 모델에 기초하여 손실 함수를 설정하는 단계; 및
    상기 손실 함수에 기초하여 상기 변환 모델을 최적화하는 단계
    를 포함하는 센서 드리프트 보상 방법.
  2. 제1항에 있어서,
    상기 적합성을 확인하는 단계는,
    센서 데이터가 포함하는 변이의 원인을 분석하는 단계
    를 포함하는 센서 드리프트 보상 방법.
  3. 제1항에 있어서,
    상기 적합성을 확인하는 단계는,
    상기 센서 데이터 및 외부 환경 변수 사이의 상관 관계를 분석하는 단계
    를 포함하는 센서 드리프트 보상 방법.
  4. 제1항에 있어서,
    상기 변환 모델은,
    외부 환경 변수 및 모델 파라미터에 기초하여 상기 센서 데이터를 변환시키는 변환 모델인, 센서 드리프트 보상 방법.
  5. 제1항에 있어서,
    상기 손실 함수는,
    센서 데이터에 대한 사전 지식을 반영하여 설정되는 손실 함수 및 복수의 측정 결과에 대한 차이를 반영하여 설정되는 손실 함수 중 적어도 하나를 포함하는, 센서 드리프트 보상 방법.
  6. 제1항에 있어서,
    상기 변환 모델을 최적화하는 단계는,
    상기 손실 함수를 최대화 또는 최소화하는 상기 변환 모델의 모델 파라미터를 계산하는 단계
    를 포함하는, 센서 드리프트 보상 방법.
  7. 제6항에 있어서,
    상기 모델 파라미터를 계산하는 단계는,
    유전 알고리즘을 이용하여 상기 모델 파라미터를 계산하는 단계
    를 포함하는, 센서 드리프트 보상 방법.
  8. 하드웨어와 결합되어 제1항 내지 제7항 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
  9. 인스트럭션들을 포함하는 메모리; 및
    상기 인스트럭션들을 실행하기 위한 프로세서
    를 포함하고,
    상기 프로세서에 의해 상기 인스트럭션들이 실행될 때, 상기 프로세서는,
    센서 데이터의 적합성을 확인하고, 상기 센서 데이터를 변환하기 위한 변환 모델을 정의하고, 상기 변환 모델에 기초하여 손실 함수를 설정하고, 상기 손실 함수에 기초하여 상기 변환 모델을 최적화하는, 센서 드리프트 보상 장치.
  10. 제9항에 있어서
    상기 프로세서는,
    센서 데이터가 포함하는 변이의 원인을 분석하는, 센서 드리프트 보상 장치.
  11. 제9항에 있어서,
    상기 프로세서는,
    상기 센서 데이터 및 외부 환경 변수 사이의 상관 관계를 분석하는, 센서 드리프트 보상 장치.
  12. 제9항에 있어서,
    상기 변환 모델은,
    외부 환경 변수 및 모델 파라미터에 기초하여 상기 센서 데이터를 변환시키는 변환 모델인, 센서 드리프트 보상 장치.
  13. 제9항에 있어서,
    상기 손실 함수는,
    센서 데이터에 대한 사전 지식을 반영하여 설정되는 손실 함수 및 복수의 측정 결과에 대한 차이를 반영하여 설정되는 손실 함수 중 적어도 하나를 포함하는, 센서 드리프트 보상 장치.
  14. 제9항에 있어서,
    상기 프로세서는,
    상기 손실 함수를 최대화 또는 최소화하는 상기 변환 모델의 모델 파라미터를 계산하는, 센서 드리프트 보상 장치.
  15. 제14항에 있어서,
    상기 프로세서는,
    유전 알고리즘을 이용하여 상기 모델 파라미터를 계산하는, 센서 드리프트 보상 장치.
KR1020200101037A 2020-08-12 2020-08-12 센서 드리프트 보상 방법 및 장치 KR102364019B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020200101037A KR102364019B1 (ko) 2020-08-12 2020-08-12 센서 드리프트 보상 방법 및 장치
PCT/KR2021/010729 WO2022035254A1 (ko) 2020-08-12 2021-08-12 센서 드리프트 보상 방법 및 장치
US18/012,626 US20230332926A1 (en) 2020-08-12 2021-08-12 Method and Device for Compensating for Sensor Drift

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200101037A KR102364019B1 (ko) 2020-08-12 2020-08-12 센서 드리프트 보상 방법 및 장치

Publications (2)

Publication Number Publication Date
KR102364019B1 true KR102364019B1 (ko) 2022-02-18
KR102364019B9 KR102364019B9 (ko) 2023-02-23

Family

ID=80247196

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200101037A KR102364019B1 (ko) 2020-08-12 2020-08-12 센서 드리프트 보상 방법 및 장치

Country Status (3)

Country Link
US (1) US20230332926A1 (ko)
KR (1) KR102364019B1 (ko)
WO (1) WO2022035254A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114216938B (zh) * 2022-02-23 2022-06-24 浙江正泰仪器仪表有限责任公司 一种气体浓度检测补偿方法及装置
CN117686555B (zh) * 2024-02-04 2024-05-14 南京邮电大学 一种基于机器学习的lc湿度传感器漂移补偿方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003194648A (ja) * 2001-12-28 2003-07-09 Tadahiro Omi 圧力センサ、圧力制御装置及び圧力式流量制御装置の温度ドリフト補正装置
JP2007043083A (ja) * 2005-07-04 2007-02-15 Nuflare Technology Inc 電子ビームのビームドリフト補正方法及び電子ビームの描画方法
KR20120082607A (ko) * 2011-01-14 2012-07-24 주식회사 유비트로닉스 센서의 온도보상 방법 및 온도보상기능을 갖는 센서
JP2018515029A (ja) * 2015-04-28 2018-06-07 シグナル プロセシング デバイセズ スウェーデン アーベー ドリフト補償
WO2019084589A1 (de) * 2017-11-06 2019-05-09 Avl List Gmbh Ladungsverstärker und messsystem zur driftkompensation und ein verfahren hierzu
KR20190112088A (ko) * 2017-09-13 2019-10-02 메드트로닉 미니메드 인코포레이티드 포도당 센서 및 센서 출력의 교정 및 최적화를 위한 방법, 시스템 및 디바이스

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003194648A (ja) * 2001-12-28 2003-07-09 Tadahiro Omi 圧力センサ、圧力制御装置及び圧力式流量制御装置の温度ドリフト補正装置
JP2007043083A (ja) * 2005-07-04 2007-02-15 Nuflare Technology Inc 電子ビームのビームドリフト補正方法及び電子ビームの描画方法
KR20120082607A (ko) * 2011-01-14 2012-07-24 주식회사 유비트로닉스 센서의 온도보상 방법 및 온도보상기능을 갖는 센서
JP2018515029A (ja) * 2015-04-28 2018-06-07 シグナル プロセシング デバイセズ スウェーデン アーベー ドリフト補償
KR20190112088A (ko) * 2017-09-13 2019-10-02 메드트로닉 미니메드 인코포레이티드 포도당 센서 및 센서 출력의 교정 및 최적화를 위한 방법, 시스템 및 디바이스
WO2019084589A1 (de) * 2017-11-06 2019-05-09 Avl List Gmbh Ladungsverstärker und messsystem zur driftkompensation und ein verfahren hierzu

Also Published As

Publication number Publication date
KR102364019B9 (ko) 2023-02-23
US20230332926A1 (en) 2023-10-19
WO2022035254A1 (ko) 2022-02-17

Similar Documents

Publication Publication Date Title
KR102364019B1 (ko) 센서 드리프트 보상 방법 및 장치
Figueiredo et al. Influence of the autoregressive model order on damage detection
US8694283B2 (en) System and method for modeling conditional dependence for anomaly detection in machine condition monitoring
US20190041371A1 (en) Systems and methods for evaluating toxic gas sensors using electrochemical impedance spectroscopy
Kesavan et al. A wavelet‐based damage diagnosis algorithm using principal component analysis
Ozdagli et al. Machine learning based novelty detection using modal analysis
US8397104B2 (en) Creation of test plans
CN110161181B (zh) 混合气体的组分浓度识别方法及系统
US20110199094A1 (en) Gas Sensor Age Compensation and Failure Detection
US20220253740A1 (en) Systems and methods for simulating a quantum processor
KR20190119210A (ko) 센서 기반 실시간 악취 분류 장치 및 방법
Jonscher et al. Influence of environmental conditions and damage on closely spaced modes
JP7554690B2 (ja) 統計分析を使用して制御負荷を判定するための方法及びシステム
Giglioni et al. Deep autoencoders for unsupervised damage detection with application to the Z24 benchmark bridge
Cacciola et al. Structural identification through the measure of deterministic and stochastic time-domain dynamic response
Xue et al. Wind load and structural parameters estimation from incomplete measurements
KR101558085B1 (ko) 하중의 입출력관계를 이용한 교량 평가 방법 및 그 방법을 수행하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체
CN116338094A (zh) 一种用于碳排放气体检测的气体浓度校准方法及装置
CN110702344A (zh) 基于分布式应变测量技术的闭环桥梁结构损伤诊断方法
KR20190057854A (ko) 데이터 입출력 포화 검출 장치 및 방법
Gupta et al. Rain-flow fatigue damage due to nonlinear combination of vector Gaussian loads
Mao et al. Rapid structural condition assessment using transmissibility with quantified confidence for decision making
Wilson et al. Multiple-input, multiple-output modal testing of a Hawk T1A aircraft: A new full-scale dataset for structural health monitoring
Tao et al. Signal feature analysis for dynamic anomaly detection of components in embedded control systems
Chinta New Trivial Principal Component Method: System Modeling

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
G170 Re-publication after modification of scope of protection [patent]