KR102399124B1 - 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템과 그 플랫폼 - Google Patents

복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템과 그 플랫폼 Download PDF

Info

Publication number
KR102399124B1
KR102399124B1 KR1020200024676A KR20200024676A KR102399124B1 KR 102399124 B1 KR102399124 B1 KR 102399124B1 KR 1020200024676 A KR1020200024676 A KR 1020200024676A KR 20200024676 A KR20200024676 A KR 20200024676A KR 102399124 B1 KR102399124 B1 KR 102399124B1
Authority
KR
South Korea
Prior art keywords
sensor
gas
linearity
input
gas concentration
Prior art date
Application number
KR1020200024676A
Other languages
English (en)
Other versions
KR20210109400A (ko
Inventor
이윤식
전승준
Original Assignee
주식회사 센서위드유
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 주식회사 센서위드유, 울산과학기술원 filed Critical 주식회사 센서위드유
Priority to KR1020200024676A priority Critical patent/KR102399124B1/ko
Publication of KR20210109400A publication Critical patent/KR20210109400A/ko
Application granted granted Critical
Publication of KR102399124B1 publication Critical patent/KR102399124B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
    • G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
    • G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
    • G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/12—Alarms for ensuring the safety of persons responsive to undesired emission of substances, e.g. pollution alarms
    • G08B21/14—Toxic gas alarms
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
    • Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters

Abstract

본 발명은 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템과 그 플랫폼에 관한 것으로, 실내나 실외의 대기에 포함된 다종의 유해가스들에서 목표 가스를 감지하고, 다종의 가스에 의한 상호 간섭을 제거하며, 온, 습도에 의한 목표 가스의 농도 변화 보상하기 위하여서 개별 목표가스에 최적화된 각기 다른 감지 물질을 개별 센서를 센서어레이 형태로 장착하고, 목표가스의 수만큼 개별 센서를 병렬 형태로 구성하여 여러 개의 목표 가스를 동시에 감지할 수 있도록 유해가스, 온도에 따른 저항변화율을 센서를 통해 측정하고, 센서를 통해 인가되는 신호를 선형성 또는 이산형으로 신호처리칩에서 구분하며, 구분된 선형성 모델의 분석 및 이산형 모델의 가스 농도 출력값을 예측하여 가스 농도를 측정하는 것을 특징으로 하고, 인공지능 기술을 접목하여 높은 가스 감지 정확도 및 예측을 보여주고 있으며, 인공지능의 문제점인 vanishing gradient 문제, 선학습 훈련의 부담 제거, dying ReLU 문제 해결과 복합가스의 문제점인 상호간섭 현상을 제거하였다. 특히, 많은 수행시간을 요하는 Back-propagation 모델의 최대 문제점인 고성능 서버나 CPU의 요구사항을 줄일 수 있는 방법을 제시하고 해결함으로써, 경량 CPU나 MCU를 활용할 수 있어서, IoT환경에 쉽게 활용할 수 있다.

Description

복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템과 그 플랫폼{Hazardous gas sensor platform with deep-learning technology to improve target gas detection and prediction in the in the mixed gas environment}
본 발명은 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템과 그 플랫폼에 관한 것으로, 더욱 상세하게는 실내나 실외의 대기에 포함된 다종의 유해가스들(NOx, SOx, CO, CO2, H2, NH3, 벤젠, 자일렌, 톨루엔 등)에서 목표 가스를 감지하고, 다종의 가스에 의한 상호 간섭을 제거하고, 온, 습도에 의한 목표 가스의 농도 변화 보상하기 위하여서 개별 목표가스에 최적화된 각기 다른 감지 물질을 개별 센서에 장착하고, 목표가스의 수만큼 개별 센서를 병렬 형태로 구성하여 여러 개의 목표 가스를 동시에 감지하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템과 그 플랫폼에 관한 것이다.
유해가스 감지를 위한 가스 센서는 기체와 물질 사이의 상호작용을 이용하는 것으로써, 독성가스 감지를 위해 현재 실용화 된 가스 센서의 종류에는 반도체식, 전기화학식, 접촉연소식 및 광학식 가스센서 등이 있으며, 도 1과 같이 각각의 장단점을 지니고 있어 이에 맞는 응용 분야에 활용이 가능하다. 이러한 가스 센서들은 측정 농도, 온도, 압력 범위 등 용도와 환경에 따라 가스에 대한 감도, 선택성, 안정성, 반응속도 등의 조건을 만족해야 한다.
최근, 공정상 제조가 간단하고 가격이 저렴한 금속 산화물을 이용한 반도체식 가스 센서에 대한 연구가 활발히 진행되고 있다. 반도체식 가스 센서는 반도체 표면에 가스가 접촉하였을 때, 발생하는 전기전도도의 변화를 이용하게 되는데 이 때 주로 대기 중에 가열하여 작동되기 때문에 고온에서 안정한 금속산화물이 주로 사용된다. 금속산화물은 반도체의 성질을 나타내는 것이 많고, 금속원자가 과잉(산소결핍)인 경우에는 n형 반도체, 금속원자가 결핍 인 경우 에는 p형 반도체가 된다. 이러한 반도체 중 전기전도도가 크고 융점이 높아, 사용 온도 영역에서 열적으로 안정한 성질을 가진 소자가 센서에 이용 되고 있다. 반도체 가스 센서는 대부분 유독 가스, 가연성 가스에 어떤 응답을 나타내어 감지할 수 있는 가스의 종류가 많고, 센서 제작이 용이하고 검출 회로의 구성이 간단하다는 특징이 있다.
그러나, 복합가스 환경에서 특정 가스만을 검출 할 수 있는 선택성능이 떨어져, 반도체식 가스 센서의 감지 물질과 함께 다양한 촉매 등을 활용하거나 조합하고, 센서 동작 온도를 변경함으로써 센서의 선택성능 향상을 위한 연구가 아직도 많이 진행되고 있다.
그리고 주성분분석(PCA) 기술은 다종 가스 환경에서 가스 종류의 구분과 구분된 가스 농도에 대한 감도인 센서 선택도 향상을 위한 방법으로, 센서데이터의 차원(Dimension)줄이되, 정보 손실을 최소화하면서 센서의 성능 및 특성을 분석할 수 있는 기술이다. 도 2, 3은 8채널 센서의 데이터 등을 PCA방법을 이용해 3차원으로 축소한 그래프를 보여주고 있다. 센서 디바이스 어레이에서 오는 센싱 데이터에서 특성을 추출하고, 이를 기반으로 PCA방법을 수행하여, 센서 디바이스 어레이의 성능 및 특성을 분석하고, 추출된 특성의 성능 파악한다. 반복적 수행을 통하여 최적의 특성값을 도출하여, 주성분으로 활용하는 방법이다.
상기 주성분 분석을 적용한 센서와 센서 플랫폼이 활용되어 왔으나, 해당 알고리즘은 도 4와 같이, 가스 센서의 측정치를 그대로 이용하는 기법과 가스센서의 측정치 변화율을 이용하는 두 가지로 나뉘어 진행되고, 각각의 방법에서는 연관성기법과 선택 기법을 함께 수행하게 되며, 이를 통해 물질을 결정하게 되므로 센서의 선택성이 결정하는 방법이다.
그러나, 주성분 분석은 매트릭스 연산으로의 성능저하, 정보 손실를 해결하기 위한 방법이 필요한 문제점을 가지고 있어서, 최근에는 도 5와 같이 딥러닝 등의 학습에 의한 인공지능 기술이 접목되어 높은 가스 감지와 선택도를 보여 주고 있다. 최근, 다종 센서 감지를 위한 인공지능 기술이 많이 개발되고 있는 실정이다.
대한민국 공개특허 제2017-0124124호(2017.11.10. 공개)
Journal of Sensor Science and Technology, Vol. 24, No. 5 (2015) pp. 311-318 http://dx.doi.org/10.5369/JSST.2015.24.5.311/pISSN 1225-5475/eISSN 2093-7563/ 독성가스 감지용 센서 기술 동향 리뷰. S&T Market Report Vol. 42/2016. 11/ 가스센서 시장동향/연구성과실용화진흥원. Issue Report 2015-02 센서산업과 주요 유망센서 시장 및 기술동향/- 바이오(의료), 모바일, 자동차 분야를 중심으로 - /ETRI.
본 발명은 실내나 실외의 대기에 포함된 다종의 유해가스들(NOx, SOx, CO, CO2, H2, NH3, 벤젠, 자일렌, 톨루엔 등)에서 목표 가스를 감지하고, 다종의 가스에 의한 상호 간섭을 제거하고, 온, 습도에 의한 목표 가스의 농도 변화 보상하기 위하여서 개별 목표가스에 최적화된 각기 다른 감지 물질을 개별 센서에 장착하고, 목표가스의 수만큼 개별 센서를 병렬 형태로 구성하여 여러 개의 목표 가스를 동시에 감지하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템과 그 플랫폼을 제공하는 것을 목적으로 한다.
본 발명은 상기한 목적을 달성하기 위한 수단으로,
실내나 실외의 대기에 포함된 다종의 유해가스들(NOx, SOx, CO, CO2, H2, NH3, 벤젠, 자일렌, 톨루엔)에서 목표 가스를 감지하고, 다종의 가스에 의한 상호 간섭을 제거하며, 온, 습도에 의한 목표 가스의 농도 변화 보상하기 위하여서 개별 목표가스에 각기 다른 감지 물질을 개별 센서를 센서어레이(sensor array) 형태로 장착하고, 목표가스의 수만큼 개별 센서를 병렬 형태로 구성하여 여러 개의 목표 가스를 동시에 감지할 수 있도록 유해가스, 온도에 따른 저항변화율(또는 전류 변화율)을 센서를 통해 측정하고, 센서를 통해 인가되는 신호를 선형성(알고리즘 1) 또는 이산형(알고리즘 2)으로 신호처리칩(200)에서 구분하며, 구분된 선형성 모델의 분석 및 이산형 모델의 가스 농도 출력값을 예측하여 가스 농도를 측정하고, 센서어레이와 온도, 습도의 외부 환경의 입력과 데이터를 공동으로 취합하는 신호처리칩은, 온도와 습도에 따른 감도 변화의 목표가스를 감지하는 센서어레이에서 출력 데이터는 ReLU 함수로 활성화 함수를 사용하도록 센서데이터에 tag 1을 추가하여 부가하고, 이산성을 갖는 센서 출력은 tag 0를 부가하여 구분하며, 센서데이터는 베이지안 인공네트워크를 활용하여 학습 및 연산으로 출력함으로써 가스 농도 감지와 예측이 가능한 것을 특징으로 하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템을 제공한다.
삭제
삭제
본 발명의 ReLU(rectified linear units)는, 뉴런이 선형적으로 활성화되어 소정 값을 가질 수 있도록 경사도가 상수가 되도록 함으로써 오류 역전파를 해도 경사도가 사라지지 않도록 하는 것을 특징으로 한다.
본 발명의 활성화 함수는, MUX를 사용하여 선형성이 강한 특성의 입력(온도와 습도에 의한 감도변화에 따른 back-propagation의 연산 결과를 선형성을 갖는 센서에 입력)은 ReLU 함수를 활용하여 출력값을 연산, 동시에 이산화 특성이 강한 가스 센서(10)들의 입력은 시그모이드 유닛을 활용하여 출력값을 연산하는 것을 특징으로 한다.
본 발명의 활성화 함수는, MUX를 사용하여 선형성 특성을 갖는 ReLU 함수를 입력(온도와 습도에 의한 감도 변화에 따른 back-propagation의 연산 결과를 선형성을 갖는 센서에 입력)하고, 동시에 이산성이 강한 가스 센서어레이의 입력은 시그모이드 유닛을 활용하여 출력값을 연산하는 것을 특징으로 한다.
본 발명은 상기한 목적을 달성하기 위한 다른 수단으로,
센서 어레이로부터 수집한 공기중에 포함된 다종의 유해가스들(NOx, SOx, CO, CO2, H2, NH3, 벤젠, 자일렌, 톨루엔)에서 목표 가스를 감지하고, 안정화되지 않은 센서(10)의 값과 센서어레이 값의 편차가 있는 경우를 위한 센서데이터 전처리과정(S10)과; 이산성 특성(0)과 온도와 습도에서 선형성 특성(1)을 구분하여 인공지능의 시그모이드의 활성화 함수 모델을 선택할 수 있도록 센서데이터에서 특징 추출하면서 패턴 분류를 진행하는 과정(S20)과; 응용프로그램에서 요구하는 센서의 성능을 구분하여 출력 데이터의 형식을 선별하는 과정(S30)과; S30과정에서 구분된 센서의 성능에 따라 선별되어 출력 데이터는 센서를 통해 입력되는 다중의 입력신호 중에서 조건에 맞는 특정의 입력신호만을 선택적으로 출력하는 8ch MUX를 통해 초저전력 모니터링 모드부(Low Power Monitoring mode)(230)로 출력하는 신호를 처리하는 과정(S40)과; S30과정에서 구분된 센서의 성능에 따라 선별되어 출력 데이터는 입력저항에 상관없이 전체 저항범위에서 동일하게 센서의 신호를 분석하여 확대기반 고해상도 모드부에서 신호를 처리하는 과정(S50)과; S40과정 또는 S50과정에서 인가되는 데이터를 선형성(알고리즘 1)을 구분하하는 과정(S60)과; 선형성(알고리즘 1)에서 전하가 충전, 방전되는 시간을 슈키트트리거인버터 회로(Schmitt trigger inverter)와 카운터(counter)를 통해 측정하여 인공지능 분석 모델을 선택하는 과정(S70)과; S70과정에서 현재의 가스 농도를 제공할 것 인지 또는 향후의 가스농도를 예측 할 것인지 선택하는 과정(S80)과; 이산형 모델에서 뉴런이 선형적으로 활성화되어 경사도가 상수가 되도록 함으로써 오류 역전파를 해도 경사도가 사라지지 않게 하는 과정(S90)과; 구분된 선형성 모델의 분석 및 이산형 모델의 가스 농도 출력값을 예측하는 과정(S100);을 특징으로 하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 플랫폼을 제공한다.
삭제
본 발명의 ReLU(rectified linear units)은, 뉴런이 선형적으로 활성화되어 소정 값을 가질 수 있도록 경사도가 상수가 되게 하여 오류 역전파에 의해 경사도가 사라지지 않도록 하는 것을 특징으로 한다.
본 발명의 뉴런은 네트워크 모델 구조로 이루어지며, 센서(10)의 인풋 데이터(Input data)를 기반으로 대칭성을 가지기 위해서 인풋 데이터(Input data) 개수의 배수로 레이어(Layer)의 뉴런 수를 구성하고, 레이어(Layer) 안의 뉴런 수를 증가시켜 시뮬레이션을 통해 정확도와 디베이션(Deviation)의 예측이 가능한 모델을 확인할 수 있도록 한 것을 특징으로 한다.
본 발명의 활성화 함수는, MUX를 사용하여 선형성 특성을 갖는 ReLU 함수를 입력(온도와 습도에 의한 감도변화에 따른 back-propagation의 연산 결과를 선형성을 갖는 센서에 입력)하고, 동시에 이산성 특성을 갖는 가스 센서어레이(100)의 입력은 시그모이드 유닛을 활용하여 출력값을 연산하는 것을 특징으로 한다.
본 발명은 신경회로망 구조의 적용과 딥러닝을 위한 역전파 알고리즘 연구의 구현으로 가스센서 패턴인식을 통하여 향상시키는 효과가 있다.
또한, 본 발명은 신경회로망 패턴 인식은 먼저 역전파 알고리즘을 통해 신경회로망 네트워크를 딥러닝하고, 학습시킨 네트워크를 이용하여 새로운 데이터에 대한 패턴을 분석하고 출력값 예측이 가능한 효과가 있다.
또한, 본 발명은 가스센서어레이를 통하여 감지되어진 측정 데이터들은 특성이 있는 출력값(패턴)들을 형성하고, 신경회로망 패턴인식을 이용하면 목표 가스 인식과 목표 가스의 농도 예상이 가능하다. 신경회로망은 계층별로 그룹화된 뉴런들의 집합으로 구성되어 있으며, 입력층(Input layer), 은닉층 또는 중간층(Hidden layer), 출력층(Output layer) 등의 계층은 인공지능의 구조로 구성되어 있으며, 역전파(Back Propagating) 알고리즘은 입력에 대한 예측 반응과 실제 결과와의 차이를 줄여나가며 학습을 수행하고, 신경회로망 네트워크를 개선하는 구조로 구성되었다. 따라서, 동 인공지능 구조와 알고리즘의 구현으로 반도체식 센서의 단점인 선택 성능을 제거하고, 입력단에 온도와 습도의 변수를 센서의 입력과 병행하여 온, 습도 기반의 목표 가스 감지 및 변화를 대응할 수 있는 효과가 있다.
또한, 본 발명은 딥러닝 기반의 인공지능 기술로 말미암아, 반도체식 센서의 선택성능을 5% 이내의 오차로 향상할 수 있으며, 감지뿐 아니라 목표 가스 예측까지 가능한 효과가 있다.
또한, 본 발명은 20~30%대의 온도와 습도에 따른 목표가스의 감도를 5% 이내로 측정할 수 있어서, 복합가스 환경에서 목표가스 감지의 정확도를 대폭 향상할 수 있는 효과가 있다.
도 1은 일반적인 가스센서의 기술 분류와 장, 단점을 나타낸 도면이고,
도 2는 일반적인 다종 유해가스 센서 분석 시스템을 나타낸 도면이며,
도 3은 도 2의 다종 유해가스 센서 분석 시스템에서 센서 디바이스 어레이의 특성 성능에 따른 PCA 분석 결과를 나타낸 그래프이고,
도 4는 도 3의 PCA 분석 결과를 얻기 위해 적용되는 PCA분석을 위한 일반 알고리즘이며,
도 5는 일반적인 센서와 인공지능 구종의 실시예를 나타낸 도면이고,
도 6은 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템을 나타낸 도면이며,
도 7은 도 6의 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템에서 센서어레이 및 신호처리칩의 상게 구성을 도시한 도면이고,
도 8은 본 발명의 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 플랫폼을 통해 수행되는 과정을 설명한 순서도이며,
도 9는 본 발명의 플랫폼에서 하이브리드 뉴런 활성화 함수를 활용하는 상태를 나타낸 도면이고,
도 10는 본 발명의 플랫폼에서 다종의 입력을 이용한 축적된 정보를 이용하여 활성화함수를 사용하여 출력되는 상태를 나타낸 도면이며,
도 11은 본 발명의 플랫폼에서 가스의 농도 감지 및 예측을 위한 최적화된 인공지능 모델을 예시한 도면이고,
도 12는 본 발명의 플랫폼에서 목표가스 감지 성능 및 예측한 상태를 나타낸 도면이다.
이하, 본 발명에 의한 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템과 그 플랫폼을 설명한다.
본 발명의 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템과 그 플랫폼은 실내나 실외의 대기에 포함된 다종의 유해가스들(NOx, SOx, CO, CO2, H2, NH3, 벤젠, 자일렌, 톨루엔 등)에서 목표 가스를 감지하고, 다종의 가스에 의한 상호 간섭을 제거하고, 온, 습도에 의한 목표 가스의 농도 변화 보상하기 위하여서 개별 목표가스에 최적화된 각기 다른 감지 물질을 개별 센서(10)에 장착하고, 목표가스의 수만큼 개별 센서(10)를 병렬 형태로 구성하여 여러 개의 목표 가스를 동시에 감지할 수 있도록 유해가스, 온도에 따른 저항변화율(또는 전류 변화율)을 센서(10)를 통해 측정하며, 센서(10)를 통해 인가되는 신호를 선형성(알고리즘 1) 또는 이산형(알고리즘 2)으로 구분하고, 구분된 선형성 모델의 분석 및 이산형 모델의 가스 농도 출력값을 예측하여 가스 농도를 측정하는 것을 특징으로 한다.
본 발명의 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템과 그 플랫폼을 첨부된 도면을 통해 상세하게 설명한다.
도 6 내지 12을 참조하여 상세하게 설명하면, 본 발명의 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템과 그 플랫폼은 상호간섭 현상과 더불어, 복합가스의 환경에서 측정시의 온도와 습도에 따른 감도 변화의 목표가스 감지하며, 이때, 온도는 복수의 센서(10)로 이루어지는 센서어레이(100)와의 불가불 관계에 있으며, 가스 온도에 따른 센서(10)의 성능 안전성을 해결하기 위해 측정 가스의 온도를 히팅 바스(heating bath)를 이용하여 변화시키며 가스들을(CO, H2, SO2, NO2, CH4)에 대하여 센서(10)에서 특성을 측정한다.
상기 센서(10)는 히터 일체형으로써, 공중부유형 탄소 나노와이어 기반 히터(11) 및 절연층(12)과 금속 전극을 패터닝하여 감지물질을 나노와이어 형태와 나노플레이크 나노플레이크(nanoflake) 형태로 이루어지는 감지부(13)로 이루어진다.
상기의 가스 온도에 따른 센서어레이(100)의 저항변화율(또는 전류 변화율) 측정에는 나노구조 기반 히터 일체형 센서(감지물질은 ZnO, CuO 등)(10)가 사용되었으며, 히터부 인가전압을 소비전력이 약 1mW급으로 히터 온도는 200℃ 로 설정하여 측정한다.
또한, 센서(10)의 감지도는 -5℃, 25℃(상온), 60℃의 세 가지 온도 조건에서 일정 농도의 5종 유해 가스(CH4 1,000ppm, CO 1ppm, H2 1ppm, NO2 1ppm, SO2 1ppm)에 대해 측정하여 비교를 진행하였다.
상기 감지도는 상온 가스에 비해 -5℃ 가스 온도에서 약 24% 정도 감소하였으며, 60℃에서는 약 18% 감소하여, 매우 높은 영향을 주고 있다. 상기 히터 온도에 따른 나노물질의 감지도 변화특성으로 동작온도를 고려한 보정 및 해결은 온도와 더불어 센서(10)의 습도에 따른 신뢰성 평가를 위해 고습 환경(상대습도 85%)과 저습환경(상대습도 25%)에서의 센서(10)의 감지도 특성을 측정하였다.
상기 측정결과, 저습 환경에 비해 고습 환경에서 감지도가 약 21% 감소하고, 특히, H2, SO2 CH4 가스에 대한 센서(10)의 감도 감소 비율이 현저하게 변화한다. 개별 센서(10)의 습도에 따른 특성을 패턴 인식 기술에 반영하면 복합가스 환경에서 목표가스의 선택도 향상에 이득이 된다.
상기 히터 일체형 센서(10)의 신뢰성 평가를 위해 상대습도 85%의 고습환경과 상대습도 25%의 저습 환경에서의 1ppm NO2에 대한 센서(10)의 저항 변화 특성을 장시간 측정하여, 변화에 대한 측정을 진행한다.
상기 습도 변화에 따른 감도 변화는 발생하였으나, 측정 기간에 따른 감도 변화율은 약 7%로 매우 안정적이었고, 따라서 장기간 사용에 대한 센서(10) 신뢰성은 높다.
그리고 다종의 복합가스를 측정하는 센서(10)와 주변 환경인 온, 습도에 의한 영향 분석을 위하여, 딥러닝에 의해 학습하고, 목표가스의 감지 및 예측을 위하여 딥러닝의 뉴런 활성화 함수를 병합하여 활용한다.
상기 다종의 복합가스를 측정하는 센서(10)와 연결된 센서용 신호처리칩(ROIC: Readout IC)으로 도 6과 도 7에서 센서(10)의 출력이 선형성 또는 이산형을 구분하는 센서(10)의 출력 데이터의 형식을 선별하여 구성하는 것을 나타낸다.
상기 신호처리칩(200)은 8ch MUX(210)와, 기준회로 블럭(220), 초저전력 회로 변환 블록(230) 및 확대기반 고해상도 회로변환 블럭(240)를 포함하여 구성된다.
상기 8ch MUX(210)는 센서(10)를 통해 입력되는 다중의 입력신호 중에서 조건에 맞는 특정의 입력신호만을 선택적으로 출력하는 초저전력 모니터링 모드부(Low Power Monitoring mode)(230)로 출력한다.
상기 기준회로 블럭(220)은 클럭발진기(CLK GEN: Clock Gennrator)(221), 저잡음 LDO(Low Dropout) 레귤레이터(222) 및 밴드갭회로(BGR: Bandgap voltage reference)(223)로 이루어진다.
상기 클럭발진기(221)는 8ch MUX(210)에서 인가되는 센서(10)의 신호를 통해 동작 타이밍을 결정하기 위한 클럭신호를 생성하여 저잡음 LDO 레귤레이터(222)로 인가한다.
상기 저잡음 LDO 레귤레이터(222)는 상승한 전압이 출력단으로 전압을 분배하여 밴드갭회로(223)로 인가한다. 상기 밴드갭회로(BGR: Bandgap voltage reference)(223)는 저잡음 LDO 레귤레이터(222)에서 인가되는 입력신호 차이를 증폭하여 출력한다.
상기 초저전력 모니터링 모드부(Low Power Monitoring mode)(230)는 모드컨트롤러(Mode Control)(231)와 레지스터 디지털컨버터(RDC: Resistor ADC)(232)로 이루어진다.
상기 모드컨트롤러(231)는 8ch MUX(210)에서 인가되는 신호를 레지스터 디지털컨버터(232)와 R-to-V(241)로 분배하여 인가한다.
상기 레지스터 디지털컨버터(232)는 전력 소모를 최소화 하였고, 센서(10)의 저항을 통해 전하가 충전, 방전되는 시간을 슈키트트리거인버터 회로(Schmitt trigger inverter)와 카운터(counter)를 통해 측정하여 저항값을 분석한다.
상기 확대기반 고해상도 모드부(Zoom-in based High Resolution Mode)(240)는 R-to-V(241)와, 줌-인CDS(Zoom-in CDS)(242)와, 증분식ADC(Incremental ADC(Analog-to-Digital Converter))(243)로 이루어진다.
상기 R-to-V(241)는 센서저항신호를 전압 신호로 변환하고, 변환된 전압 신호를 줌-인CDS(242)로 인가하고, 상기 줌-인CDS(242)는 R-to-V(241)로 부터 인가되는 전압신호를 증폭시켜 증폭ADC(243)로 인가하며, 상기 증폭ADC(243)는 신호를 출력을 통해 입력 저항에 상관 없이 전체 저항범위에서 동일하게 고해상도로 센서(10)의 신호를 분석할 수 있도록 아나로그 신호를 디지털 신호로 변환하여 출력한다.
또한, 상기 증폭ADC(243)는 노이즈형태(Noise shaping)을 통해 높은 해상도를 구현하기 위해 16bit로 설계 및 제작 되었고, 6.3KHz의 인밴드(in band)를 가지고 92.1dB의 SNDR 및 15.01의 ENOB로 동작이 가능하며, 아날로그로 입력되는 전압을 디지털로 환산한다.
도 7과 같이, 상기 신호처리칩(200)은 센서모듈(100)로부터 인가되는 여러 종류의 가스 농도값을 센서(10)의 출력 등의 이산성 특성(0)과 온도와 습도에서 선형성 특성(1)을 구분하여 인공지능의 시그모이드 함수의 활성화 모델을 선택할 수 있도록 출력 형식 데이터를 생성하여 활용한다.
상기 다중 층의 인공지능 모델의 문제점인 그래디언트 소실(vanishing gradient) 문제 해결을 위한 선학습 훈련의 부가 구현에 대한 대안으로써, 센서(10)의 입력에 대한 이산성과 선형성 특성을 입력상태에서 감지하여 선학습 훈련을 함으로써, 부가적인 선행학습 시간과 부담을 제거할 수 있다.
도 8을 참조하면, 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 플랫폼은 센서 어레이로부터 수집한 공기중에 포함된 다종의 유해가스들(NOx, SOx, CO, CO2, H2, NH3, 벤젠, 자일렌, 톨루엔)에서 목표 가스를 감지하고, 안정화되지 않은 센서(10)의 값과 센서어레이(100) 값의 편차가 있는 경우를 위한 센서데이터 전처리과정(S10)과; 이산성 특성(0)과 온도와 습도에서 선형성 특성(1)을 구분하여 인공지능의 시그모이드의 활성화 함수 모델을 선택할 수 있도록 센서데이터에서 특징 추출하면서 패턴 분류를 진행하는 과정(S20)과; 응용프로그램에서 요구하는 센서의 성능을 구분하여 출력 데이터의 형식을 선별하는 과정(S30)과; S30과정에서 구분된 센서의 성능에 따라 선별되어 출력 데이터는 센서를 통해 입력되는 다중의 입력신호 중에서 조건에 맞는 특정의 입력신호만을 선택적으로 출력하는 8ch MUX(210)를 통해 초저전력 모니터링 모드부(Low Power Monitoring mode)(230)로 출력하는 신호를 처리하는 과정(S40)과; S30과정에서 구분된 센서의 성능에 따라 선별되어 출력 데이터는 입력저항에 상관없이 전체 저항범위에서 동일하게 센서의 신호를 분석하여 확대기반 고해상도 모드부에서 신호를 처리하는 과정(S50)과; S40과정 또는 S50과정에서 인가되는 데이터를 선형성(알고리즘 1)을 구분하하는 과정(S60)과; 선형성(알고리즘 1)에서 전하가 충전, 방전되는 시간을 슈키트트리거인버터 회로(Schmitt trigger inverter)와 카운터(counter)를 통해 측정하여 인공지능 분석 모델을 선택하는 과정(S70)과; S70과정에서 현재의 가스 농도를 제공할 것 인지 또는 향후의 가스농도를 예측 할 것인지 선택하는 과정(S80)과; 이산형 모델에서 뉴런이 선형적으로 활성화되어 경사도가 상수가 되도록 함으로써 오류 역전파를 해도 경사도가 사라지지 않게 하는 과정(S90)과; 구분된 선형성 모델의 분석 및 이산형 모델의 가스 농도 출력값을 예측하는 과정(S100);을 진행한다.
도 9는 딥러닝을 위한 인공지능구조의 학습 방법을 변경하는 대신 하이브리드 뉴런 활성화 함수를 활용한 것이다. ReLU(rectified linear units), 즉, 정류선형유닛은 뉴런이 선형적으로 활성화되어 소정 값을 가질 수 있도록 경사도가 상수가 되도록 함으로써 오류 역전파를 해도 경사도가 사라지지 않는다.
상기 정류선형유닛은 센서데이터와는 별개의 특성을 가질 수 있고, 온도와 습도는 성향이 리니어한 특성을 가지고 있어, 뉴런을 이용한 가스의 감도 및 변화를 감안한 특성에 ReLU를 이용하면 통상적으로 사용하는 시그모이드 함수보다 연산 및 특성을 감안한 성능을 보장할 수 있다.
또한 리니어한 ReLU의 성질로 말미암아 포화현상(Saturation)이 되지 않고 빠르게 수렴하는 특성으로 수행 속도를 빠르게 진행할 수 있는 큰 장점이 있다.
반면, 다양성과 복잡성을 포함하는 센서데이터는 시그모이드 유닛을 이용하여, 학습을 수행하여 복잡한 가스 감지 및 예측이 가능하도록 한다.
도 10는 하이브리드 퍼셉트론을 보여주고 있으며, 다종의 입력을 이용한 축적된 정보를 이용하여 활성화함수를 사용하여 출력을 보여준다.
상기 활성화 함수의 선택은 MUX를 사용하여 선형성이 강한 특성의 입력(온도와 습도에 의한 감도변화에 따른 back-propagation의 연산 결과를 선형성을 갖는 센서에 입력)은 ReLU 함수를 동시에 이산화 특성이 강한 가스 센서(10)들의 입력은 시그모이드 유닛을 활용하여 출력값을 연산하게 된다.
상기 하이브리드 퍼셉트론은 시그모이드만을 사용하는 활성화 함수의 경우에 발생하는 그래디언트 소실(vanishing gradient) 문제의 해결이 가능하고, RuLU만을 활용하는 활성화 함수에서 발생하는 다잉 ReLU(dying ReLU) 문제의 발생을 제거할 수 있는 매우 효율적인 장점이 있다.
도 11은 복합가스 환경에서 상호간섭 현상을 감안하고, 목표가스의 농도 감지 및 예측을 위한 최적화된 인공지능 모델을 보여주고 있다. 뉴런 네트워크 모델 구조는 총 18개의 레이어(Layer)와 124개의 뉴런, 772개의 커넥션(Connection)으로 구성된다. 각각의 레이어(Layer)는 8개의 뉴런을 포함하고, 레이어(Layer)와 레이어(Layer) 간의 커넥션(Connection)은 도면과 같이 구성된다.
상기 뉴런 네트워크 모델 구조는 센서(10)의 인풋 데이터(Input data)를 기반으로 대칭성을 가지기 위해서 인풋 데이터(Input data) 개수의 배수로 레이어(Layer)의 뉴런 수를 구성하였으며, 레이어(Layer) 안의 뉴런 수를 증가시키며, 시뮬레이션을 진행한 결과는 표 1과 같으며, 표에서 확인되는 결과로부터 정확도가 높고, 디베이션(Deviation)이 낮은 모델을 확인하여 적합한 모델을 개발할 수 있다.
레이어 구조 4-4-4-4 8-4-4-4 8-8-4-4 8-8-8-4 8-8-8-8 12-12-12-12
Deviation
(Mean squared error) 		15 14 14 7 4 3.4
정확도 93% 93% 95% 93% 94% 93%
도 12는 Beysian-Back propagation 모델을 보여 주고 있으며, 단순 풀리 커넥티드 뉴럴 네트워크(Fully Connected Neural Network)를 통해서 구성된 것 보다 목표가스 감지 성능 및 예측을 보여주고 있다.
상기 센서(10)에서 발생하는 상호간섭 현상을 고려하여 뉴런 네트워크 간의 연결은 바이-패스(By-pass) 연결로 구성하며, 이러한 구성은 센서(10)의 상호간섭 현상이 특정한 가스들 사이에서 발생하는 것을 활용한다.
또한, 은닉층 구성 시에 특정한 계층 간의 연결을 위한 가이드라인으로 제공하여 복잡성을 단축하여 단시간에 감지가 가능한 성능을 나타내며, 바이-패스 커넥션(By-pass connection)을 통해서 은닉층의 연결을 부분적으로 제한하여 구성한 결과, 풀리 커넥티드 뉴럴 네트워크(Fully Connected Neural Network)에 비해 높은 정확성을 갖는다.
본 발명의 딥러닝은 특징 추출하면서 동시에 패턴 분류를 하나의 단계로 통합하여 해결하는 자동화로 볼 수 있다.
또한, 본 발명의 딥러닝 구조는 특징 추출을 위한 전처리 단계를 전체 학습 프로세스에 포함시킴으로써, 가공되지 않은 원래 데이터를 직접 학습하도록 하는 통합된 문제해결 방식을 취한다.
이러한 딥러닝 구조는 특히 영상 데이터와 같이 차원수가 아주 크고 복잡한 데이터의 경우에 전처리 과정을 통해서 손실될 수도 있는 정보를 기계가 자동으로 추출해서 활용할 수 있다. 즉 기존의 전처리 방법이나 소위 피쳐 엔지니어링(feature engineering)을 통해 배재되었던 해의 영역조차도 딥러닝은 탐색함으로써 더욱 유용한 정보를 추출하여 활용할 수 있다.
이 문제를 해결하는데 핵심적으로 기여한 혁신은 크게 세 가지를 들 수 있다.
첫 번째는, 많은 수의 층으로 구성된 다층신경망을 학습할 수 있는 기술을 개발한 것이다. 다층망을 학습시키는 오류역전파 알고리즘은 층이 많이 쌓이면 학습이 잘 되지 않았다. 출력에 가까운 층에서는 오류의 값이 커서 교정이 되지만 아래층으로 오류가 역전파되면서 에러의 값이 줄어들어 변경 효과가 희석되는 그래디언트 소실(vanishing gradient) 문제가 발생된다. 따라서 아주 많은 수의 층을 쓰는 딥 네트워크는 오류역전파 알고리즘으로 학습이 어렵다.
이 문제를 극복하는 방안으로 층별 선훈련(layerwise pre-training) 방법이 제안되었다. 이는 상위층을 학습하기 전에 먼저 하위층의 시냅스를 학습시켜 둔다. 이렇게 순차적으로 하위층부터 학습시킴으로써, 그래디언트 소실(vanishing gradient) 문제로 인해서 하위층의 시냅스 학습이 잘 되지 않는 문제점을 해결한다. 이 방법은 DBN에서 사용한다.
영상과 같이 차원수가 아주 높은 데이터로부터 유용한 특징과 표현을 자동으로 추출하기 위해 컨볼루션 커널(convolution kernels)을 도입한 것이다. 이를 통해서 위치가 달라도 같은 파라메터값을 갖도록 함으로써, 파라메터의 수를 줄이고 학습해야 하는 차원의 수를 줄인다. 이 방법은 CNN에서 사용하는 방법이다. 이 방법은 과다학습을 방지하면서 유용한 특징을 추출할 수 있다.
학습 방법을 변경하는 대신 새로운 뉴런 활성화 함수를 가진 유닛을 도입한 것이다. ReLU유닛(rectified linear units), 즉, 정류선형유닛은 뉴런이 선형적으로 활성화되어 소정 값을 가질 수 있게 하여 경사도가 상수가 되도록 함으로써 오류 역전파를 해도 경사도가 사라지지 않는다. 시그모이드 유닛과 ReLU 유닛의 특성비교는 시그모이드 유닛은 0과 1 사이의 값으로 압축됨으로써, 그래디언트 소실(vanishing gradient) 문제를 유발한다. 이에 반해서 정류선형유닛은 포화가 되지 않고 빠르게 수렴하는 특성이 있다.
이상에서 설명한 바와 같이 본 발명은 신경회로망 구조의 적용과 딥러닝을 위한 역전파 알고리즘 연구의 구현으로 센서(10)의 패턴인식을 통하여 향상시킨다.
또한, 본 발명은 신경회로망 패턴 인식은 먼저 역전파 알고리즘을 통해 신경회로망 네트워크를 딥러닝하고, 학습시킨 네트워크를 이용하여 새로운 데이터에 대한 패턴을 분석하고 출력값 예측이 가능하다.
또한, 본 발명은 센서어레이(100)를 통하여 감지되어진 측정 데이터들은 특성이 있는 출력값(패턴)들을 형성하고, 신경회로망 패턴인식을 이용하면 목표 가스 인식과 목표 가스의 농도 예상이 가능하다. 신경회로망은 계층별로 그룹화된 뉴런들의 집합으로 구성되어 있으며, 입력층(Input layer), 은닉층 또는 중간층(Hidden layer), 출력층(Output layer) 등의 계층은 인공지능의 구조로 구성되어 있으며, 역전파(Back Propagating) 알고리즘은 입력에 대한 예측 반응과 실제 결과와의 차이를 줄여나가며 학습을 수행이 가능하다.
따라서, 동 인공지능 구조와 알고리즘의 구현으로 반도체식 센서(10)의 단점인 선택 성능을 제거하고, 입력단에 온도와 습도의 변수를 센서(10)의 입력과 병행하여 온, 습도 기반의 목표 가스 감지 및 변화를 대응할 수 있다.
또한, 본 발명은 딥러닝 기반의 인공지능 기술로 말미암아, 반도체식 센서(10)의 선택성능을 5% 이내의 오차로 향상할 수 있으며, 감지뿐 아니라 목표 가스 예측까지 가능하다.
본 발명은 20~30%대의 온도와 습도에 따른 목표가스의 감도를 5% 이내로 측정할 수 있어서, 복합가스 환경에서 목표가스 감지의 정확도를 대폭 향상할 수 있다.
본 명세서는 다수의 특정한 구현물의 세부사항들을 포함하지만, 이들은 어떠한 고안이나 청구 가능한 것의 범위에 대해서도 제한적인 것으로서 이해되어서는 안되며, 오히려 특정한 발명의 특정한 실시형태에 특유할 수 있는 특징들에 대한 설명으로서 이해되어야 한다.
한편, 본 명세서와 도면에 개시된 본 발명의 실시 예들은 이해를 돕기 위해 특정 예를 제시한 것에 지나지 않으며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 개시된 실시 예들 이외에도 본 발며의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 자명한 것이다.
10: 센서 11: 히터
12: 절연층 13: 감지부
100: 센서어레이 200: 신호처리 칩
210: 8ch MUX 220: 변환부
221: 클럭발진기 222: 저잡음 LDO 레귤레이터
223: 비지알 230: 초저전력 모니터링 모드부
231: 모드컨트롤러 232: 리졸버디지털컨버터
240: 확대기반 고해상도 모드부 241: R-to-V
242: 줌-인CDS 243: 증폭ADC

Claims (10)

  1. 실내나 실외의 대기에 포함된 다종의 유해가스들(NOx, SOx, CO, CO2, H2, NH3, 벤젠, 자일렌, 톨루엔)에서 목표 가스를 감지하고, 다종의 가스에 의한 상호 간섭을 제거하며,
    온, 습도에 의한 목표 가스의 농도 변화 보상하기 위하여서 개별 목표가스에 각기 다른 감지 물질을 개별 센서(10)를 센서어레이(sensor array, 100) 형태로 장착하고,
    목표가스의 수만큼 개별 센서(10)를 병렬 형태로 구성하여 여러 개의 목표 가스를 동시에 감지할 수 있도록 유해가스, 온도에 따른 저항변화율(또는 전류 변화율)을 센서(10)를 통해 측정하고,
    센서(10)를 통해 인가되는 신호를 선형성(알고리즘 1) 또는 이산형(알고리즘 2)으로 신호처리칩(200)에서 구분하며,
    구분된 선형성 모델의 분석 및 이산형 모델의 가스 농도 출력값을 예측하여 가스 농도를 측정하고,
    센서어레이(100)와 온도, 습도의 외부 환경의 입력과 데이터를 공동으로 취합하는 신호처리칩(200)은,
    온도와 습도에 따른 감도 변화의 목표가스를 감지하는 센서어레이에서 출력 데이터는 ReLU 함수로 활성화 함수를 사용하도록 센서데이터에 tag 1을 추가하여 부가하고,
    이산성을 갖는 센서 출력은 tag 0를 부가하여 구분하며,
    센서데이터는 베이지안 인공네트워크를 활용하여 학습 및 연산으로 출력함으로써 가스 농도 감지와 예측이 가능한 것을 특징으로 하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템.
  2. 삭제
  3. 제1항에 있어서,
    상기 ReLU(rectified linear units)는,
    뉴런이 선형적으로 활성화되어 소정 값을 가질 수 있도록 경사도가 상수가 되도록 함으로써 오류 역전파를 해도 경사도가 사라지지 않도록 하는 것을 특징으로 하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템.
  4. 제3항에 있어서,
    상기 뉴런은
    18개의 레이어(Layer)와 124개의 뉴런, 772개의 커넥션(Connection)으로 구성되고, 각각의 레이어(Layer)는 8개의 뉴런을 포함하는 것을 특징으로 하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템.
  5. 제1항에 있어서,
    상기 활성화 함수는,
    MUX를 사용하여 선형성 특성을 갖는 ReLU 함수를 입력(온도와 습도에 의한 감도변화에 따른 back-propagation의 연산 결과를 선형성을 갖는 센서에 입력)하고, 동시에 이산성 특성을 갖는 가스 센서어레이(100)의 입력은 시그모이드 유닛을 활용하여 출력값을 연산하는 것을 특징으로 하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템.
  6. 센서 어레이로부터 수집한 공기중에 포함된 다종의 유해가스들(NOx, SOx, CO, CO2, H2, NH3, 벤젠, 자일렌, 톨루엔)에서 목표 가스를 감지하고, 안정화되지 않은 센서(10)의 값과 센서어레이(100) 값의 편차가 있는 경우를 위한 센서데이터 전처리과정(S10)과;
    이산성 특성(0)과 온도와 습도에서 선형성 특성(1)을 구분하여 인공지능의 시그모이드의 활성화 함수 모델을 선택할 수 있도록 센서데이터에서 특징 추출하면서 패턴 분류를 진행하는 과정(S20)과;
    응용프로그램에서 요구하는 센서의 성능을 구분하여 출력 데이터의 형식을 선별하는 과정(S30)과;
    S30과정에서 구분된 센서의 성능에 따라 선별되어 출력 데이터는 센서를 통해 입력되는 다중의 입력신호 중에서 조건에 맞는 특정의 입력신호만을 선택적으로 출력하는 8ch MUX(210)를 통해 초저전력 모니터링 모드부(Low Power Monitoring mode)(230)로 출력하는 신호를 처리하는 과정(S40)과;
    S30과정에서 구분된 센서의 성능에 따라 선별되어 출력 데이터는 입력저항에 상관없이 전체 저항범위에서 동일하게 센서의 신호를 분석하여 확대기반 고해상도 모드부에서 신호를 처리하는 과정(S50)과;
    S40과정 또는 S50과정에서 인가되는 데이터를 선형성(알고리즘 1)을 구분하하는 과정(S60)과;
    선형성(알고리즘 1)에서 전하가 충전, 방전되는 시간을 슈키트트리거인버터 회로(Schmitt trigger inverter)와 카운터(counter)를 통해 측정하여 인공지능 분석 모델을 선택하는 과정(S70)과;
    S70과정에서 현재의 가스 농도를 제공할 것 인지 또는 향후의 가스농도를 예측 할 것인지 선택하는 과정(S80)과;
    이산형 모델에서 뉴런이 선형적으로 활성화되어 경사도가 상수가 되도록 함으로써 오류 역전파를 해도 경사도가 사라지지 않게 하는 과정(S90)과;
    구분된 선형성 모델의 분석 및 이산형 모델의 가스 농도 출력값을 예측하는 과정(S100);
    을 특징으로 하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 플랫폼.
  7. 제6항에 있어서,
    상기 활성화 함수는,
    MUX를 사용하여 선형성 특성을 갖는 ReLU 함수를 입력(온도와 습도에 의한 감도변화에 따른 back-propagation의 연산 결과를 선형성을 갖는 센서에 입력)하고, 동시에 이산성 특성을 갖는 가스 센서어레이(100)들의 입력은 시그모이드 유닛을 활용하여 출력값을 연산하는 것을 특징으로 하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 플랫폼.
  8. 제7항에 있어서,
    상기 ReLU(rectified linear units)은,
    뉴런이 선형적으로 활성화되어 소정 값을 가질 수 있도록 경사도가 상수가 되게 하여 오류 역전파에 의해 경사도가 사라지지 않도록 하는 것과,
    포화현상(Saturation)이 되지 않고 수렴이 시그모이드에서 발생하는 그래디언트 소실(vanishing gradient)을 회피하는 특징으로 하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 플랫폼.
  9. 제6항에 있어서,
    상기 뉴런은,
    네트워크 모델 구조로 이루어지며, 센서(10)의 인풋 데이터(Input data)를 기반으로 대칭성을 가지기 위해서 인풋 데이터(Input data) 개수의 배수로 레이어(Layer)의 뉴런 수를 구성하고,
    레이어(Layer) 안의 뉴런 수를 증가시키면서 시뮬레이션을 통해 정확도와 디베이션(Deviation)의 예측이 가능한 모델을 확인할 수 있도록 한 것을 특징으로 하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 플랫폼.
  10. 제6항에 있어서,
    상기 활성화 함수는,
    MUX를 사용하여 선형성 특성을 갖는 ReLU 함수를 입력(온도와 습도에 의한 감도변화에 따른 back-propagation의 연산 결과를 선형성을 갖는 센서에 입력)하고, 동시에 이산성 특성을 갖는 가스 센서어레이(100)의 입력은 시그모이드 유닛을 활용하여 출력값을 연산하는 것을 특징으로 하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 플랫폼.
KR1020200024676A 2020-02-27 2020-02-27 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템과 그 플랫폼 KR102399124B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200024676A KR102399124B1 (ko) 2020-02-27 2020-02-27 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템과 그 플랫폼

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200024676A KR102399124B1 (ko) 2020-02-27 2020-02-27 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템과 그 플랫폼

Publications (2)

Publication Number Publication Date
KR20210109400A KR20210109400A (ko) 2021-09-06
KR102399124B1 true KR102399124B1 (ko) 2022-05-17

Family

ID=77782578

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200024676A KR102399124B1 (ko) 2020-02-27 2020-02-27 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템과 그 플랫폼

Country Status (1)

Country Link
KR (1) KR102399124B1 (ko)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114018326B (zh) * 2021-11-03 2024-04-16 国网湖南省电力有限公司 基于微系统传感器阵列的低压台区环境多参量检测方法
CN114019110B (zh) * 2021-11-16 2022-06-03 河南驰诚电气股份有限公司 一种基于大数据的作业场所气体探测器端云一体化平台
KR20230080220A (ko) 2021-11-29 2023-06-07 한국생산기술연구원 유해가스 검출을 위한 섬유 비색 검출 방법의 이미지 인코딩을 이용한 시계열 데이터의 cnn 학습을 통한 가스농도 추정 분류 알고리즘 정확도 향상 방법 및 가스농도 추정 장치
CN114544868B (zh) * 2022-01-20 2024-03-26 上海工程技术大学 一种消除干扰气体影响的气体检测方法与系统
TR2022012613A2 (tr) * 2022-08-10 2022-10-21 Firat Ueniversitesi Rektoerluegue Canli uterus i̇çi̇ndeki̇ gaz çeşi̇tleri̇ni̇n sensör teknoloji̇si̇yle beli̇rlenmesi̇ni̇ sağlayan karar destek si̇stemi̇

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3035249B1 (en) * 2014-12-19 2019-11-27 Intel Corporation Method and apparatus for distributed and cooperative computation in artificial neural networks
KR20170124124A (ko) 2016-04-29 2017-11-10 중앙대학교 산학협력단 밀폐공간에서 발생되는 가스 누출 농도 예측 방법
KR102196820B1 (ko) * 2018-03-05 2020-12-30 서울대학교산학협력단 독성 가스 릴리스 모델링 장치 및 모델링 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Kyeonghwan Park, et al. IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS Vol. 67, No.3, 2020. pp2402-2410.*

Also Published As

Publication number Publication date
KR20210109400A (ko) 2021-09-06

Similar Documents

Publication Publication Date Title
KR102399124B1 (ko) 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템과 그 플랫폼
JP4677679B2 (ja) 製品の製造プロセスにおける特性調整方法
Park et al. An energy-efficient multimode multichannel gas-sensor system with learning-based optimization and self-calibration schemes
CN110580021A (zh) 一种基于现场总线的粮仓环境安全智能监测系统
CN110880369A (zh) 基于径向基函数神经网络的气体标志物检测方法及应用
Liu et al. A multi-task learning framework for gas detection and concentration estimation
Mondal et al. Quantitative recognition of flammable and toxic gases with artificial neural network using metal oxide gas sensors in embedded platform
Mishra et al. Classification of gases/odors using dynamic responses of thick film gas sensor array
EP2873971A1 (en) An artificial olfactory system and an application thereof
KR102419687B1 (ko) IoT를 기반으로 하는 이상 탐지 방법 및 그 장치
Kwon et al. Efficient fusion of spiking neural networks and FET-type gas sensors for a fast and reliable artificial olfactory system
Cheng et al. A concentration-based drift calibration transfer learning method for gas sensor array data
KR20210118640A (ko) 체지방 분석 시스템 및 웨어러블 체지방 분석 장치
Grodniyomchai et al. A deep learning model for odor classification using deep neural network
Praveenchandar et al. IoT-based harmful toxic gases monitoring and fault detection on the sensor dataset using deep learning techniques
CN111814976B (zh) 一种空调系统传感器故障误差再学习方法及系统
Chang et al. A study of drift effect in a popular metal oxide sensor and gas recognition using public gas datasets
Liu et al. Using Bayesian inference framework towards identifying gas species and concentration from high temperature resistive sensor array data
CN115618927B (zh) 一种基于时序-图融合神经网络的气体种类识别方法
CN116933084A (zh) 一种污染物排放的预测方法和装置
CN115062764B (zh) 光照度智能调节与环境参数物联网大数据系统
CN116305985A (zh) 一种基于多传感器数据融合的局部智能通风方法
Hamami et al. Classification of air pollution levels using artificial neural network
Tayebi et al. Sensitive and selective gas/VOC detection using MOS sensor array for wearable and mobile applications
KR102538360B1 (ko) 가스센서 어레이를 갖춘 전자코 시스템에서 순환신경망을 이용한 과도상태에서의 빠른 가스 분류 방법

Legal Events

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