KR102444941B1 - 화재모니터링장치 및 그 동작 방법 - Google Patents

화재모니터링장치 및 그 동작 방법 Download PDF

Info

Publication number
KR102444941B1
KR102444941B1 KR1020200094765A KR20200094765A KR102444941B1 KR 102444941 B1 KR102444941 B1 KR 102444941B1 KR 1020200094765 A KR1020200094765 A KR 1020200094765A KR 20200094765 A KR20200094765 A KR 20200094765A KR 102444941 B1 KR102444941 B1 KR 102444941B1
Authority
KR
South Korea
Prior art keywords
fire
time series
time
reference data
sensor data
Prior art date
Application number
KR1020200094765A
Other languages
English (en)
Other versions
KR20220014748A (ko
Inventor
서성호
강종석
위 심
정명기
백재승
Original Assignee
한국과학기술정보연구원
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 한국과학기술정보연구원 filed Critical 한국과학기술정보연구원
Priority to KR1020200094765A priority Critical patent/KR102444941B1/ko
Publication of KR20220014748A publication Critical patent/KR20220014748A/ko
Application granted granted Critical
Publication of KR102444941B1 publication Critical patent/KR102444941B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
    • G08B29/18—Prevention or correction of operating errors
    • G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Computer Security & Cryptography (AREA)
  • Computing Systems (AREA)
  • Fire Alarms (AREA)
  • Circuit Arrangement For Electric Light Sources In General (AREA)
  • Invalid Beds And Related Equipment (AREA)

Abstract

본 발명은 멀티 센서에서 측정되는 센서 신호로부터 생성되는 시계열 데이터 분석을 기반으로 화재 상황에 대한 위험도 분석 및 판별을 가능하게 하는 화재모니터링장치 및 그 동작 방법에 관한 것이다.

Description

화재모니터링장치 및 그 동작 방법{GATEWAY APPARATUS, AND CONTROL METHOD THEREOF}
본 발명은 멀티 센서에서 측정되는 센서 신호로부터 생성되는 시계열 데이터 분석을 기반으로 화재 상황에 대한 위험도 분석 및 판별을 가능하게 하는 기술에 관한 것이다.
도시화의 급속한 진행에 따라 건물의 고층화, 유수시설의 노후화 등이 진행되고 있으며 이로 인해, 고층건물의 화재와 같은 안전사고 및 인재가 증가하고 있다.
따라서, 이처럼 고층건물, 지하도 등 다양한 도시시설에서 발생될 수 있는 안전사고 및 인재에 대해 실시간 사고 주변환경 정보"의 확보와 “상황에 따른 지능형 정보”의 제공 등에 대한 필요성이 급증하고 있다.
이와 관련하여, 기존에는 멀티 센서를 이용한 화재 감지 방식 등이 적용되고 있으나, 각 센서에서 측정된 센서 신호 크기의 임계 값(threshold)를 경계로 화재 상황을 판단하는 정도가 대부분이어서, 사고 당시 상황의 정보와 판단이 반영되지 않는 단순 경보 수순의 대피정보를 시설에 거주 및 위치한 요구자에게 제공하고 있는 실정이다.
따라서, 기존의 고정 임계 값(threshold)을 사용한 화재 감지 방법은 현재 또는 이전 시간의 센서 데이터를 적용하여 종종 잘못된 경보를 유발하는 단점이 있고, 사고 진행에 대한 상황 데이터 기반의 모니터링에 따른 예측 정보가 부재하여, 대응 전략 수립, 판단이 실질적으로 어려운 것이 현실이다.
이에 본 발명에서는 화재 상황의 위험도 분석 및 판단을 위한 빅 데이터 기반의 인공지능 기술을 제안하고자 한다.
본 발명은 상기한 사정을 감안하여 창출된 것으로서, 본 발명에서 도달하고자 하는 목적은, 멀티 센서에서 측정되는 센서 신호로부터 생성되는 시계열 데이터에 대한 분석을 기반으로 화재 상황에 대한 위험도 분석 및 판별을 가능하게 하는데 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 화재모니터링장치는, 다수의 센서에서 측정되는 센서 신호를 수신하여 각 센서에 대해 수신된 센서 신호를 측정 시점을 기준으로 나열한 시계열센서데이터를 생성하는 생성부; 및 화재 상황에 관해 학습된 시계열기준데이터와 상기 시계열센서데이터 간에 측정되는 유사도를 기초로 화재 발생 유무를 판별하는 판별부를 포함하는 것을 특징으로 한다.
구체적으로, 상기 화재모니터링장치는, 화재가 발생한 것으로 판별되는 경우, 기 정의된 화재 검증 조건의 충족 여부를 기초로 판별 결과를 검증하여 화재 발생에 따른 경보가 발생되도록 하는 검증부를 더 포함할 수 있다.
구체적으로, 상기 판별부는, 특정 측정 시점에 대해 인접한 측정 시점을 매칭하는 비선형 정렬 매칭이 허용되는 엘라스틱(elastic) 비교 방식에 따라 상기 시계열기준데이터와 상기 시계열센서데이터를 비교하며, 상기 시계열기준데이터와 상기 시계열센서데이터 간 비교 결과로부터 도출되는 거리 값을 상기 유사도로 측정할 수 있다.
구체적으로, 상기 판별부는, 상기 시계열기준데이터와 상기 다수의 센서 중 적어도 어느 하나의 시계열센서데이터 간 측정된 유사도가 설정 크기 이상인 경우, 화재가 발생한 것으로 판별할 수 있다.
구체적으로, 상기 시계열기준데이터는, 화재 상황을 정의한 제1시계열기준데이터, 및 비화재 상황을 정의한 제2시계열기준데이터를 포함하며, 상기 판별부는, 상기 제1시계열기준데이터와 상기 다수의 센서 중 적어도 어느 하나의 시계열센서데이터 간 유사도가, 상기 제2시계열기준데이터와 상기 적어도 어느 하나의 시계열센서데이터 간 유사도보다 큰 경우, 화재가 발생한 것으로 판별할 수 있다.
구체적으로, 상기 검증부는, 상기 다수의 센서 중, 설정 개수 이상의 센서 각각에 대해 생성되는 시계열센서데이터로부터 화재가 발생한 것으로 판별되는 상기 화재 검증 조건이 충족되는 경우, 화재 발생에 따른 경보가 발생되도록 할 수 있다.
구체적으로, 상기 검증부는, 상기 화재 검증 조건이 충족되는 상태가 설정 시간 동안 유지되는 경우, 화재 발생에 따른 경보가 발생되도록 할 수 있다.
구체적으로, 상기 화재모니터링장치는, 상기 화재 검증 조건이 충족되는 상태가 설정 시간 동안 유지되는 경우, 상기 화재 검증 조건이 충족된 초기 시점을 화재 발생 시점으로 추정하는 추정부를 더 포함할 수 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 화재모니터링장치의 동작 방법은, 다수의 센서에서 측정되는 센서 신호를 수신하여 각 센서에 대해 수신된 센서 신호를 측정 시점을 기준으로 나열한 시계열센서데이터를 생성하는 생성단계; 및 화재 상황에 관해 학습된 시계열기준데이터와 상기 시계열센서데이터 간에 측정되는 유사도를 기초로 화재 발생 유무를 판별하는 판별단계를 포함하는 것을 특징으로 한다.
구체적으로, 상기 방법은, 화재가 발생한 것으로 판별되는 경우, 기 정의된 화재 검증 조건의 충족 여부를 기초로 판별 결과를 검증하여 화재 발생에 따른 경보가 발생되도록 하는 검증부를 더 포함하는 것을 특징으로 하는 검증단계를 더 포함할 수 있다.
구체적으로, 상기 판별단계는, 특정 측정 시점에 대해 인접한 측정 시점을 매칭하는 비선형 정렬 매칭이 허용되는 엘라스틱(elastic) 비교 방식에 따라 상기 시계열기준데이터와 상기 시계열센서데이터를 비교하며, 상기 시계열기준데이터와 상기 시계열센서데이터 간 비교 결과로부터 도출되는 거리 값을 상기 유사도로 측정할 수 있다.
구체적으로, 상기 판별단계는, 상기 시계열기준데이터와 상기 다수의 센서 중 적어도 어느 하나의 시계열센서데이터 간 측정된 유사도가 설정 크기 이상인 경우, 화재가 발생한 것으로 판별할 수 있다.
구체적으로, 상기 시계열기준데이터는, 화재 상황을 정의한 제1시계열기준데이터, 및 비화재 상황을 정의한 제2시계열기준데이터를 포함하며, 상기 판별단계는, 상기 제1시계열기준데이터와 상기 다수의 센서 중 적어도 어느 하나의 시계열센서데이터 간 유사도가, 상기 제2시계열기준데이터와 상기 적어도 어느 하나의 시계열센서데이터 간 유사도보다 큰 경우, 화재가 발생한 것으로 판별할 수 있다.
구체적으로, 상기 검증단계는, 상기 다수의 센서 중, 설정 개수 이상의 센서 각각에 대해 생성되는 시계열센서데이터로부터 화재가 발생한 것으로 판별되는 상기 화재 검증 조건이 충족되는 경우, 화재 발생에 따른 경보가 발생되도록 할 수 있다.
구체적으로, 상기 검증단계는, 상기 화재 검증 조건이 충족되는 상태가 설정 시간 동안 유지되는 경우, 화재 발생에 따른 경보가 발생되도록 할 수 있다.
구체적으로, 상기 방법은, 상기 화재 검증 조건이 충족되는 상태가 설정 시간 동안 유지되는 경우, 상기 화재 검증 조건이 충족된 초기 시점을 화재 발생 시점으로 추정하는 추정단계를 더 포함할 수 있다.
이에, 본 발명의 화재모니터링장치 및 그 동작 방법에서는, 멀티 센서에서 측정되는 센서 신호로부터 생성된 시계열 데이터를 머신러닝 기법으로 분석하게 되며, 이러한 분석 결과에 대해서 검증 과정이 수반됨에 따라 이를 통해 도출될 수 있는 화재 상황에 대한 위험도 분석 및 판별 결과에 대해 정확도, 정밀도, 및 재현율을 제고할 수 있다.
도 1은 본 발명의 일 실시예에 따른 화재 모니터링 환경을 설명하기 위한 예시도.
도 2는 본 발명의 일 실시예에 따른 화재모니터링장치의 개략적인 구성도.
도 3은 본 발명의 일 실시예에 따른 DTW 알고리즘을 설명하기 위한 예시도.
도 4는 본 발명의 일 실시예에 따른 화재모니터링장치의 동작 방법을 설명하기 위한 순서도.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예에 대하여 설명한다.
본 발명의 일 실시예에서는, 화재 상황에 대한 위험도 분석 및 판별을 가능하게 하는 화재 모니터링 기술을 다룬다.
이와 관련하여, 기존에도 멀티 센서를 통해 실시간 정보를 수집하여 화재 상황에 대한 결과를 예측 및 모니터링하기 위한 기술이 존재하다.
그러나, 기존 기술의 경우, 각 센서에서 측정된 센서 신호 크기의 임계 값(threshold)를 경계로 화재 상황을 판단하는 정도가 대부분이어서, 사고 당시 상황의 정보와 판단이 반영되지 않는 단순 경보 수순의 대피정보를 시설에 거주 및 위치한 요구자에게 제공하고 있는 실정이다.
따라서, 고정 임계 값(threshold)을 사용한 기존 기술은, 현재 또는 이전 시간의 센서 데이터를 적용하여 종종 잘못된 경보를 유발하는 단점이 있고, 사고 진행에 대한 상황 데이터 기반의 모니터링에 따른 예측 정보가 부재하여, 대응 전략 수립, 판단이 실질적으로 어려운 것이 현실이다.
이에, 본 발명의 일 실시예에서는, 화재 상황의 위험도 분석 및 판단을 위한 빅 데이터 기반의 인공지능 기술을 제안하고자 하는 것이다.
이와 관련하여, 도 1에서는 본 발명의 일 실시예에 따른 화재 모니터링 환경을 예시적으로 보여주고 있다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 화재 모니터링 환경에서는, 다수의 센서(멀티 센서)에서 측정되는 센서 신호로부터 생성되는 시계열 데이터의 분석을 기반으로 화재 발생 여부를 판별하기 위한 화재모니터링장치(100)의 구성을 제안한다.
화재모니터링장치(100)는 머신 러닝 기법을 통해서 화재 발생 여부를 판별하는 장치를 일컫는 것으로서, 예컨대, 소프트웨어(예: 애플리케이션)를 탑재한 컴퓨팅장치(예: PC), 또는 유무선 통신망을 통해 접속 가능한 서버의 형태로 구현될 수 있다.
참고로, 이러한 화재모니터링장치(100)가 서버의 형태로 구현되는 경우에는, 예컨대, 웹 서버, 데이터베이스 서버, 프록시 서버 등의 형태로 구현될 수 있으며, 네트워크 부하 분산 메커니즘, 내지 서비스 장치가 인터넷 또는 다른 네트워크 상에서 동작할 수 있도록 하는 다양한 소프트웨어 중 하나 이상이 설치될 수 있으며, 이를 통해 컴퓨터화된 시스템으로도 구현될 수 있다.
이상 본 발명의 일 실시예에 따른 통합 과학기술 지식인프라 환경에서는, 위 구성을 통해서 화재 상황에 대한 위험도 분석 및 판별을 가능하게 할 수 있는데, 이하에서는 이를 실현하기 위한 화재모니터링장치(100)의 구성에 대해 보다 구체적으로 살펴보기로 한다.
도 2는 본 발명의 일 실시예에 따른 화재모니터링장치(100)의 개략적인 구성을 보여주고 있다.
도 2에 도시된 바와 같이, 본 발명의 일 실시예에 따른 화재모니터링장치(100)는 시계열 데이터를 생성하는 생성부(10), 및 시계열 데이터를 분석하여 화재 발생 유무를 판별하는 판별부(20)를 포함하는 구성을 가질 수 있다.
또한, 본 발명의 일 실시예에 따른 화재모니터링장치(100)는 전술한 구성 이외에 화재 발생 판별 결과를 검증하는 검증부(30) 및 화재 발생 시점을 추정부(40)를 더 포함할 수 있다.
한편, 본 발명의 일 실시예에 따른 화재모니터링장치(100)는 전술한 구성 이외에, 데이터 송수신을 위한 통신부(50)의 구성을 더 포함할 수 있다.
여기서, 통신부(50)는 예컨대, 안테나 시스템, RF 송수신기, 하나 이상의 증폭기, 튜너, 하나 이상의 발진기, 디지털 신호 처리기, 코덱(CODEC) 칩셋, 및 메모리 등을 포함하지만 이에 제한되지는 않으며, 이 기능을 수행하는 공지의 회로는 모두 포함할 수 있다.
이상 생성부(10), 판별부(20), 검증부(30), 및 추정부(40)를 포함하는 화재모니터링장치(100)의 전체 구성 내지는 적어도 일부의 구성은 소프트웨어 모듈 또는 하드웨어 모듈 형태로 구현되거나, 내지는 소프트웨어 모듈과 하드웨어 모듈이 조합된 형태로도 구현될 수 있다.
여기서, 소프트웨어 모듈이란, 예컨대, 화재모니터링장치(100)에 내에서 연산을 수행하는 프로세서에 의해 실행되는 명령어로 이해될 수 있으며, 이러한 명령어는 화재모니터링장치(100) 내 메모리에 탑재된 형태를 가질 수 있을 것이다.
이상, 본 발명의 일 실시예에 따른 화재모니터링장치(100)는 전술한 구성을 통해 화재 상황에 대한 위험도 분석 및 판별을 가능하게 할 수 있는데, 이하에서는 이를 실현하기 위한 화재모니터링장치(100) 내 각 구성에 대해 보다 구체적으로 설명하기로 한다.
생성부(10)는 시계열 데이터를 생성하는 기능을 수행한다.
보다 구체적으로, 생성부(10)는 다수의 센서에서 측정되는 각 센서 신호를 시간 순으로 나열한 시계열 데이터인 시계열센서데이터를 생성하게 된다.
이때, 생성부(10)는 다수의 센서에서 측정되는 센서 신호를 수신하여 각 센서에 대해 수신된 센서 신호를 측정 시점을 기준으로 나열하여 시계열센서데이터를 생성할 수 있다.
판별부(20)는 시계열센서데이터를 분석하여 화재 발생 유무를 판별하는 기능을 수해한다.
보다 구체적으로, 판별부(20)는 각 센서에 대한 시계열센서데이터가 생성되면, 생성된 시계열센서데이터를 머신러닝 분석 기법으로 분석하여 화재 발생 여부를 판별하게 된다.
이때, 판별부(20)는 화재 상황에 관해 정의된 시계열기준데이터와 각 센서에 대해 생성된 시계열데이터 간에 측정되는 유사도(유사성)에 근거하여 화재 발생 여부를 판별할 수 있다.
이를 위해, 판별부(20)는 화재 상황에 관한 기 정의된 시계열 데이터를 시계열기준데이터로 학습하게 되며, 이처럼 학습된 시계열기준데이터와 각 센서에 대해 생성된 시계열데이터 간의 유사도를 측정하여 측정된 유사도를 근거로 화재 발생 유무를 판별하게 된다.
특히, 판별부(20)는 이러한 유사도 측정에 있어서, 특정 측정 시점에 대해 인접한 측정 시점을 매칭하는 비선형 정렬 매칭이 허용되는 엘라스틱(elastic) 비교 방식에 따라 시계열기준데이터와 시계열센서데이터를 비교하게 되며, 시계열기준데이터와 시계열센서데이터 간 비교 결과로부터 도출되는 거리 값을 유사도로 측정하게 된다.
본 발명의 일 실시예에서는 전술한 엘라스틱(elastic) 비교 방식으로 DTW(Dynamic time warping) 알고리즘을 적용할 수 있으며, 이는 시계열기준데이터와 시계열센서데이터 간 두 센서 신호의 센서 값이 각 측점 시점에서 일치하지 않기 때문에 두 시퀀스는 정확히 동일하지 않으나 동일한 프로세스를 수행하기 때문에 인접한 시점에서 유사한 모양이 관찰될 수 있다는 점을 고려하기 위함이다.
이와 관련하여, 도 3에서는 두 시계열 데이터 간의 유사도(유사성)을 측정에 있어서 시간 왜곡이 허용되지 않는 선형 정렬 매핑 기술인 ED(Euclidian Distance) 알고리즘과, 본 발명의 일 실시예에서 채택한 비선형 정렬 매칭 기술인 DTW 알고리즘의 차이점을 예시적으로 확인할 수 있다.
한편, 판별부(20)는 시계열기준데이터와 시계열센서데이터 간에 측정된 유사도에 근거한 화재 발생 유무 판별에 있어서, 시계열기준데이터와 다수의 센서 중 적어도 어느 하나의 시계열센서데이터 간 측정된 유사도가 설정 크기 이상인 경우, 화재가 발생한 것으로 판별할 수 있다.
또한, 본 발명의 일 실시예에서의 시계열기준데이터는, 화재 상황을 정의한 제1시계열기준데이터, 및 비화재 상황을 정의한 제2시계열기준데이터로 구분되어 학습될 수 있다.
이 경우, 판별부(20)는 제1시계열기준데이터와 시계열센서데이터 간 유사도와, 제2시계열기준데이터와 시계열센서데이터 간 유사도를 각각 측정할 수 있으며, 제1시계열기준데이터와 다수의 센서 중 적어도 어느 하나의 시계열센서데이터 간에 측정된 유사도가, 제2시계열기준데이터와 동일한 시계열센서데이터 간에 측정된 유사도보다 큰 경우, 화재가 발생한 것으로 판별할 수 있다.
검증부(30)는 화재 발생에 대한 판별 결과를 검증하는 기능을 수행한다.
보다 구체적으로, 검증부(30)는 시계열기준데이터와 시계열센서데이터 간에 측정되는 유사도를 근거로 화재가 발생한 것으로 판별되는 경우, 기 정의된 화재 검증 조건의 충족 여부를 기초로 해당 판별 결과를 검증하여 화재 발생에 따른 경보가 발생되도록 한다.
이때, 검증부(30)는 다수의 센서 중, 설정 개수 이상의 센서 각각에 대해 생성되는 시계열센서데이터로부터 화재가 발생한 것으로 동일하게 판별되는 경우, 화재 검증 조건이 충족하는 것으로 인지하여 화재 발생에 대한 판별 결과를 검증할 수 있다.
이처럼, 다수의 센서 중, 설정 개수 이상의 센서 각각에 대해 생성되는 시계열센서데이터로부터 화재가 발생한 것으로 동일하게 판별되는 것이 요구되는 화재 검증 조건은, 화재 투표 규칙(K-out-of-P)이라 칭할 수 있으며, 이는 각 센서를 유권자로 간주하여 K개 이상의 센서에서 측정되는 센서 신호를 화재로 분류하는 경우, 신규 센서 신호를 동일하게 화재로 분류하는 방식으로 이해될 수 있다.
추가로, 검증부(30)는 이처럼 화재 발생에 대한 판별 결과를 검증함에 있어서, 전술한 화재 투표 규칙(K-out-of-P)에 따른 화재 검증 조건이 충족되는 상태가 설정 시간 동안 유지되는 경우에 한해서, 화재 발생에 따른 경보가 발생되도록 할 수 있음은 물론이다.
추정부(40)는 화재 발생 시간을 추정하는 기능을 수행한다.
보다 구체적으로, 추정부(40)는 화재 발생에 대한 판별 결과가 검증되는 경우, 시계열센서데이터로부터 화재 발생 시점을 추정하게 된다.
이때, 추정부(40)는 화재 투표 규칙(K-out-of-P)에 따른 화재 검증 조건이 충족되는 상태가 설정 시간 동안 유지되어 화재 발생에 대한 판별 결과가 검증되는 경우, 화재 투표 규칙(K-out-of-P)에 따른 화재 검증 조건이 충족된 초기 시점을 화재 발생 시점으로 추정할 수 있다.
이처럼, 본 발명의 일 실시예에서는, 시간에 따른 센서 측정의 동적 변화를 고려하여 각 순간에 화재 발생을 판단함과 동시에 화재 발생 시간을 추정할 수 있는데, 이는 화재 모니터링 프로세스에 입력되는 센서 신호의 배열을 기준으로 하기 때문이다.
다시 말해, 입력 신호 배열이 현재 시간 t에서 과거 w지점까지의 센서 신호의 측정 값을 포함하고 있을 때, 파라미터 w는 과거 센서 측정치 개수를 의미한다.
즉, w = 0으로 설정하면 의사 결정은 과거 정보를 사용하지 않고 현재 센서 측정값만을 관찰한 결과에만 기반하므로 시간이 지남에 따라 센서 측정값이 동적으로 변경되어 잘못된 알람이 발생할 수 있는 반면 w를 높이면 각 관측치에서 과거 센서 측정 정보를 보다 폭넓게 고려하고 보다 강력한 분석을 제공할 수 있는 것이다.
이상에서 살펴본 바와 같이, 본 발명의 일 실시예에 따른 화재모니터링장치(100)의 구성에 따르면, 멀티 센서에서 측정되는 센서 신호로부터 생성된 시계열 데이터를 머신러닝 기법으로 분석하게 되며, 이러한 분석 결과에 대해서 검증 과정이 수반되므로, 따라서 이를 통해 도출될 수 있는 화재 상황에 대한 위험도 분석 및 판별 결과에 대해 정확도, 정밀도, 및 재현율을 제고할 수 있음을 알 수 있다.
이상 본 발명의 일 실시예에 따른 화재모니터링장치(100)의 구성에 대한 설명을 마치고, 도 4를 참조하여 화재모니터링장치(100)의 동작 방법에 대한 설명을 이어 가기로 한다.
먼저, 생성부(10)는 다수의 센서에서 측정되는 각 센서 신호를 시간 순으로 나열한 시계열 데이터인 시계열센서데이터를 생성한다(S10-S20).
이때, 생성부(10)는 다수의 센서에서 측정되는 센서 신호를 수신하여 각 센서에 대해 수신된 센서 신호를 측정 시점을 기준으로 나열하여 시계열센서데이터를 생성할 수 있다.
그리고 나서, 판별부(20)는 각 센서에 대한 시계열센서데이터가 생성되면, 생성된 시계열센서데이터를 머신러닝 분석 기법으로 분석하여 화재 발생 여부를 판별한다(S30-S40).
이때, 판별부(20)는 화재 상황에 관해 정의된 시계열기준데이터와 각 센서에 대해 생성된 시계열데이터 간에 측정되는 유사도(유사성)에 근거하여 화재 발생 여부를 판별할 수 있다.
이를 위해, 판별부(20)는 화재 상황에 관한 기 정의된 시계열 데이터를 시계열기준데이터로 학습하게 되며, 이처럼 학습된 시계열기준데이터와 각 센서에 대해 생성된 시계열데이터 간의 유사도를 측정하여 측정된 유사도를 근거로 화재 발생 유무를 판별하게 된다.
특히, 판별부(20)는 이러한 유사도 측정에 있어서, 특정 측정 시점에 대해 인접한 측정 시점을 매칭하는 비선형 정렬 매칭이 허용되는 엘라스틱(elastic) 비교 방식에 따라 시계열기준데이터와 시계열센서데이터를 비교하게 되며, 시계열기준데이터와 시계열센서데이터 간 비교 결과로부터 도출되는 거리 값을 유사도로 측정하게 된다.
본 발명의 일 실시예에서는 전술한 엘라스틱(elastic) 비교 방식으로 DTW(Dynamic time warping) 알고리즘을 적용할 수 있으며, 이는 시계열기준데이터와 시계열센서데이터 간 두 센서 신호의 센서 값이 각 측점 시점에서 일치하지 않기 때문에 두 시퀀스는 정확히 동일하지 않으나 동일한 프로세스를 수행하기 때문에 인접한 시점에서 유사한 모양이 관찰될 수 있다는 점을 고려하기 위함이다.
한편, 판별부(20)는 시계열기준데이터와 시계열센서데이터 간에 측정된 유사도에 근거한 화재 발생 유무 판별에 있어서, 시계열기준데이터와 다수의 센서 중 적어도 어느 하나의 시계열센서데이터 간 측정된 유사도가 설정 크기 이상인 경우, 화재가 발생한 것으로 판별할 수 있다.
또한, 본 발명의 일 실시예에서의 시계열기준데이터는, 화재 상황을 정의한 제1시계열기준데이터, 및 비화재 상황을 정의한 제2시계열기준데이터로 구분되어 학습될 수 있다.
이 경우, 판별부(20)는 제1시계열기준데이터와 시계열센서데이터 간 유사도와, 제2시계열기준데이터와 시계열센서데이터 간 유사도를 각각 측정할 수 있으며, 제1시계열기준데이터와 다수의 센서 중 적어도 어느 하나의 시계열센서데이터 간에 측정된 유사도가, 제2시계열기준데이터와 동일한 시계열센서데이터 간에 측정된 유사도보다 큰 경우, 화재가 발생한 것으로 판별할 수 있다.
나아가, 검증부(30)는 시계열기준데이터와 시계열센서데이터 간에 측정되는 유사도를 근거로 화재가 발생한 것으로 판별되는 경우, 기 정의된 화재 검증 조건의 충족 여부를 기초로 해당 판별 결과를 검증하여 화재 발생에 따른 경보가 발생되도록 한다(S50-S100).
이때, 검증부(30)는 다수의 센서 중, 설정 개수 이상의 센서 각각에 대해 생성되는 시계열센서데이터로부터 화재가 발생한 것으로 동일하게 판별되는 경우, 화재 검증 조건이 충족하는 것으로 인지하여 화재 발생에 대한 판별 결과를 검증할 수 있다.
이처럼, 다수의 센서 중, 설정 개수 이상의 센서 각각에 대해 생성되는 시계열센서데이터로부터 화재가 발생한 것으로 동일하게 판별되는 것이 요구되는 화재 검증 조건은, 화재 투표 규칙(K-out-of-P)이라 칭할 수 있으며, 이는 각 센서를 유권자로 간주하여 K개 이상의 센서에서 측정되는 센서 신호를 화재로 분류하는 경우, 신규 센서 신호를 동일하게 화재로 분류하는 방식으로 이해될 수 있다.
추가로, 검증부(30)는 이처럼 화재 발생에 대한 판별 결과를 검증함에 있어서, 전술한 화재 투표 규칙(K-out-of-P)에 따른 화재 검증 조건이 충족되는 상태가 설정 시간 동안 유지되는 경우에 한해서, 화재 발생에 따른 경보가 발생되도록 할 수 있음은 물론이다.
이후, 추정부(40)는 화재 발생에 대한 판별 결과가 검증되는 경우, 시계열센서데이터로부터 화재 발생 시점을 추정한다(S110).
이때, 추정부(40)는 화재 투표 규칙(K-out-of-P)에 따른 화재 검증 조건이 충족되는 상태가 설정 시간 동안 유지되어 화재 발생에 대한 판별 결과가 검증되는 경우, 화재 투표 규칙(K-out-of-P)에 따른 화재 검증 조건이 충족된 초기 시점을 화재 발생 시점으로 추정할 수 있다.
이처럼, 본 발명의 일 실시예에서는, 시간에 따른 센서 측정의 동적 변화를 고려하여 각 순간에 화재 발생을 판단함과 동시에 화재 발생 시간을 추정할 수 있는데, 이는 화재 모니터링 프로세스에 입력되는 센서 신호의 배열을 기준으로 하기 때문이다.
다시 말해, 입력 신호 배열이 현재 시간 t에서 과거 w지점까지의 센서 신호의 측정 값을 포함하고 있을 때, 파라미터 w는 과거 센서 측정치 개수를 의미한다.
즉, w = 0으로 설정하면 의사 결정은 과거 정보를 사용하지 않고 현재 센서 측정값만을 관찰한 결과에만 기반하므로 시간이 지남에 따라 센서 측정값이 동적으로 변경되어 잘못된 알람이 발생할 수 있는 반면 w를 높이면 각 관측치에서 과거 센서 측정 정보를 보다 폭넓게 고려하고 보다 강력한 분석을 제공할 수 있는 것이다.
이상에서 살펴본 바와 같이, 본 발명의 일 실시예에 따른 화재모니터링장치(100)의 동작 방법에 따르면, 멀티 센서에서 측정되는 센서 신호로부터 생성된 시계열 데이터를 머신러닝 기법으로 분석하게 되며, 이러한 분석 결과에 대해서 검증 과정이 수반되므로, 따라서 이를 통해 도출될 수 있는 화재 상황에 대한 위험도 분석 및 판별 결과에 대해 정확도, 정밀도, 및 재현율을 제고할 수 있음을 알 수 있다.
한편, 본 명세서에서 설명하는 기능적인 동작과 주제의 구현물들은 디지털 전자 회로로 구현되거나, 본 명세서에서 개시하는 구조 및 그 구조적인 등가물들을 포함하는 컴퓨터 소프트웨어, 펌웨어 혹은 하드웨어로 구현되거나, 이들 중 하나 이상의 결합으로 구현 가능하다. 본 명세서에서 설명하는 주제의 구현물들은 하나 이상의 컴퓨터 프로그램 제품, 다시 말해 처리 시스템의 동작을 처리하기 위하여 혹은 이것에 의한 실행을 위하여 유형의 프로그램 저장매체 상에 인코딩된 컴퓨터 프로그램 명령에 관한 하나 이상의 모듈로서 구현될 수 있다.
컴퓨터로 판독 가능한 매체는 기계로 판독 가능한 저장 장치, 기계로 판독 가능한 저장 기판, 메모리 장치, 기계로 판독 가능한 전파형 신호에 영향을 미치는 물질의 조성물 혹은 이들 중 하나 이상의 조합일 수 있다.
본 명세서에서 "시스템"이나 "장치"라 함은 예컨대 프로그래머블 프로세서, 컴퓨터 혹은 다중 프로세서나 컴퓨터를 포함하여 데이터를 처리하기 위한 모든 기구, 장치 및 기계를 포괄한다. 처리 시스템은, 하드웨어에 부가하여, 예컨대 프로세서 펌웨어를 구성하는 코드, 프로토콜 스택, 데이터베이스 관리 시스템, 운영 체제 혹은 이들 중 하나 이상의 조합 등 요청 시 컴퓨터 프로그램에 대한 실행 환경을 형성하는 코드를 포함할 수 있다.
컴퓨터 프로그램(프로그램, 소프트웨어, 소프트웨어 애플리케이션, 스크립트 혹은 코드로도 알려져 있음)은 컴파일되거나 해석된 언어나 선언적 혹은 절차적 언어를 포함하는 프로그래밍 언어의 어떠한 형태로도 작성될 수 있으며, 독립형 프로그램이나 모듈, 컴포넌트, 서브루틴 혹은 컴퓨터 환경에서 사용하기에 적합한 다른 유닛을 포함하여 어떠한 형태로도 전개될 수 있다. 컴퓨터 프로그램은 파일 시스템의 파일에 반드시 대응하는 것은 아니다. 프로그램은 요청된 프로그램에 제공되는 단일 파일 내에, 혹은 다중의 상호 작용하는 파일(예컨대, 하나 이상의 모듈, 하위 프로그램 혹은 코드의 일부를 저장하는 파일) 내에, 혹은 다른 프로그램이나 데이터를 보유하는 파일의 일부(예컨대, 마크업 언어 문서 내에 저장되는 하나 이상의 스크립트) 내에 저장될 수 있다. 컴퓨터 프로그램은 하나의 사이트에 위치하거나 복수의 사이트에 걸쳐서 분산되어 통신 네트워크에 의해 상호 접속된 다중 컴퓨터나 하나의 컴퓨터 상에서 실행되도록 전개될 수 있다.
한편, 컴퓨터 프로그램 명령어와 데이터를 저장하기에 적합한 컴퓨터로 판독 가능한 매체는, 예컨대 EPROM, EEPROM 및 플래시메모리 장치와 같은 반도체 메모리 장치, 예컨대 내부 하드디스크나 외장형 디스크와 같은 자기 디스크, 자기광학 디스크 및 CD-ROM과 DVD-ROM 디스크를 포함하여 모든 형태의 비휘발성 메모리, 매체 및 메모리 장치를 포함할 수 있다. 프로세서와 메모리는 특수 목적의 논리 회로에 의해 보충되거나, 그것에 통합될 수 있다.
본 명세서에서 설명한 주제의 구현물은 예컨대 데이터 서버와 같은 백엔드 컴포넌트를 포함하거나, 예컨대 애플리케이션 서버와 같은 미들웨어 컴포넌트를 포함하거나, 예컨대 사용자가 본 명세서에서 설명한 주제의 구현물과 상호 작용할 수 있는 웹 브라우저나 그래픽 유저 인터페이스를 갖는 클라이언트 컴퓨터와 같은 프론트엔드 컴포넌트 혹은 그러한 백엔드, 미들웨어 혹은 프론트엔드 컴포넌트의 하나 이상의 모든 조합을 포함하는 연산 시스템에서 구현될 수도 있다. 시스템의 컴포넌트는 예컨대 통신 네트워크와 같은 디지털 데이터 통신의 어떠한 형태나 매체에 의해서도 상호 접속 가능하다.
본 명세서는 다수의 특정한 구현물의 세부사항들을 포함하지만, 이들은 어떠한 발명이나 청구 가능한 것의 범위에 대해서도 제한적인 것으로서 이해되어서는 안되며, 오히려 특정한 발명의 특정한 실시형태에 특유할 수 있는 특징들에 대한 설명으로서 이해되어야 한다. 마찬가지로, 개별적인 실시형태의 문맥에서 본 명세서에 기술된 특정한 특징들은 단일 실시형태에서 조합하여 구현될 수도 있다. 반대로, 단일 실시형태의 문맥에서 기술한 다양한 특징들 역시 개별적으로 혹은 어떠한 적절한 하위 조합으로도 복수의 실시형태에서 구현 가능하다. 나아가, 특징들이 특정한 조합으로 동작하고 초기에 그와 같이 청구된 바와 같이 묘사될 수 있지만, 청구된 조합으로부터의 하나 이상의 특징들은 일부 경우에 그 조합으로부터 배제될 수 있으며, 그 청구된 조합은 하위 조합이나 하위 조합의 변형물로 변경될 수 있다.
또한, 본 명세서에서는 특정한 순서로 도면에서 동작들을 묘사하고 있지만, 이는 바람직한 결과를 얻기 위하여 도시된 그 특정한 순서나 순차적인 순서대로 그러한 동작들을 수행하여야 한다거나 모든 도시된 동작들이 수행되어야 하는 것으로 이해되어서는 안 된다. 특정한 경우, 멀티태스킹과 병렬 프로세싱이 유리할 수 있다. 또한, 상술한 실시형태의 다양한 시스템 컴포넌트의 분리는 그러한 분리를 모든 실시형태에서 요구하는 것으로 이해되어서는 안되며, 설명한 프로그램 컴포넌트와 시스템들은 일반적으로 단일의 소프트웨어 제품으로 함께 통합되거나 다중 소프트웨어 제품에 패키징될 수 있다는 점을 이해하여야 한다
이와 같이, 본 명세서는 그 제시된 구체적인 용어에 본 발명을 제한하려는 의도가 아니다. 따라서, 상술한 예를 참조하여 본 발명을 상세하게 설명하였지만, 당업자라면 본 발명의 범위를 벗어나지 않으면서도 본 예들에 대한 개조, 변경 및 변형을 가할 수 있다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
본 발명에 따른 화재모니터링장치 및 그 동작 방법에 따르면, 멀티 센서에서 측정되는 센서 신호로부터 생성되는 시계열 데이터 분석을 기반으로 화재 상황에 대한 위험도 분석 및 판별을 가능하게 한다는 점에서 기존 기술의 한계를 뛰어 넘음에 따라 관련 기술에 대한 이용만이 아닌 적용되는 장치의 시판 또는 영업의 가능성이 충분할 뿐만 아니라 현실적으로 명백하게 실시할 수 있는 정도이므로 산업상 이용가능성이 있는 발명이다.
100: 화재모니터링장치
110: 생성부 120: 판별부
130: 검증부 140: 추정부

Claims (16)

  1. 다수의 센서에서 측정되는 센서 신호를 수신하여 각 센서에 대해 수신된 센서 신호를 측정 시점을 기준으로 나열한 시계열센서데이터를 생성하는 생성부;
    화재 상황에 관해 학습된 시계열기준데이터와 상기 시계열센서데이터 간에 측정되는 유사도를 기초로 화재 발생 유무를 판별하는 판별부; 및
    상기 다수의 센서 중, 설정 개수 이상의 센서 각각에 대해 생성되는 시계열센서데이터로부터 화재 발생이 판별되는 상태로서 정의된 화재 검증 조건이 충족되며, 상기 화재 검증 조건이 충족되는 상태가 설정 시간 동안 유지되는 경우, 화재 발생에 따른 경보가 발생되도록 하는 검증부; 및
    상기 화재 검증 조건이 충족되는 상태가 설정 시간 동안 유지되는 경우, 상기 화재 검증 조건이 충족된 초기 시점을 화재 발생 시점으로 추정하는 추정부를 포함하는 것을 특징으로 하는 화재모니터링장치.
  2. 삭제
  3. 제 1 항에 있어서,
    상기 판별부는,
    특정 측정 시점에 대해 인접한 측정 시점을 매칭하는 비선형 정렬 매칭이 허용되는 엘라스틱(elastic) 비교 방식에 따라 상기 시계열기준데이터와 상기 시계열센서데이터를 비교하며,
    상기 시계열기준데이터와 상기 시계열센서데이터 간 비교 결과로부터 도출되는 거리 값을 상기 유사도로 측정하는 것을 특징으로 하는 화재모니터링장치.
  4. 제 1 항에 있어서,
    상기 판별부는,
    상기 시계열기준데이터와 상기 다수의 센서 중 적어도 어느 하나의 시계열센서데이터 간 측정된 유사도가 설정 크기 이상인 경우, 화재가 발생한 것으로 판별하는 것을 특징으로 하는 화재모니터링장치.
  5. 제 1 항에 있어서,
    상기 시계열기준데이터는,
    화재 상황을 정의한 제1시계열기준데이터, 및 비화재 상황을 정의한 제2시계열기준데이터를 포함하며,
    상기 판별부는,
    상기 제1시계열기준데이터와 상기 다수의 센서 중 적어도 어느 하나의 시계열센서데이터 간 유사도가, 상기 제2시계열기준데이터와 상기 적어도 어느 하나의 시계열센서데이터 간 유사도보다 큰 경우, 화재가 발생한 것으로 판별하는 것을 특징으로 하는 화재모니터링장치.
  6. 삭제
  7. 삭제
  8. 삭제
  9. 다수의 센서에서 측정되는 센서 신호를 수신하여 각 센서에 대해 수신된 센서 신호를 측정 시점을 기준으로 나열한 시계열센서데이터를 생성하는 생성단계;
    화재 상황에 관해 학습된 시계열기준데이터와 상기 시계열센서데이터 간에 측정되는 유사도를 기초로 화재 발생 유무를 판별하는 판별단계;
    상기 다수의 센서 중, 설정 개수 이상의 센서 각각에 대해 생성되는 시계열센서데이터로부터 화재 발생이 판별되는 상태로서 정의된 화재 검증 조건이 충족되며, 상기 화재 검증 조건이 충족되는 상태가 설정 시간 동안 유지되는 경우, 화재 발생에 따른 경보가 발생되도록 하는 검증단계; 및
    상기 화재 검증 조건이 충족되는 상태가 설정 시간 동안 유지되는 경우, 상기 화재 검증 조건이 충족된 초기 시점을 화재 발생 시점으로 추정하는 추정단계를 포함하는 것을 특징으로 하는 화재모니터링장치의 동작 방법.
  10. 삭제
  11. 제 9 항에 있어서,
    상기 판별단계는,
    특정 측정 시점에 대해 인접한 측정 시점을 매칭하는 비선형 정렬 매칭이 허용되는 엘라스틱(elastic) 비교 방식에 따라 상기 시계열기준데이터와 상기 시계열센서데이터를 비교하며,
    상기 시계열기준데이터와 상기 시계열센서데이터 간 비교 결과로부터 도출되는 거리 값을 상기 유사도로 측정하는 것을 특징으로 화재모니터링장치의 동작 방법.
  12. 제 9 항에 있어서,
    상기 판별단계는,
    상기 시계열기준데이터와 상기 다수의 센서 중 적어도 어느 하나의 시계열센서데이터 간 측정된 유사도가 설정 크기 이상인 경우, 화재가 발생한 것으로 판별하는 것을 특징으로 하는 화재모니터링장치의 동작 방법.
  13. 제 9 항에 있어서,
    상기 시계열기준데이터는,
    화재 상황을 정의한 제1시계열기준데이터, 및 비화재 상황을 정의한 제2시계열기준데이터를 포함하며,
    상기 판별단계는,
    상기 제1시계열기준데이터와 상기 다수의 센서 중 적어도 어느 하나의 시계열센서데이터 간 유사도가, 상기 제2시계열기준데이터와 상기 적어도 어느 하나의 시계열센서데이터 간 유사도보다 큰 경우, 화재가 발생한 것으로 판별하는 것을 특징으로 하는 화재모니터링장치의 동작 방법.
  14. 삭제
  15. 삭제
  16. 삭제
KR1020200094765A 2020-07-29 2020-07-29 화재모니터링장치 및 그 동작 방법 KR102444941B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200094765A KR102444941B1 (ko) 2020-07-29 2020-07-29 화재모니터링장치 및 그 동작 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200094765A KR102444941B1 (ko) 2020-07-29 2020-07-29 화재모니터링장치 및 그 동작 방법

Publications (2)

Publication Number Publication Date
KR20220014748A KR20220014748A (ko) 2022-02-07
KR102444941B1 true KR102444941B1 (ko) 2022-09-19

Family

ID=80253377

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200094765A KR102444941B1 (ko) 2020-07-29 2020-07-29 화재모니터링장치 및 그 동작 방법

Country Status (1)

Country Link
KR (1) KR102444941B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101787967B1 (ko) * 2017-03-08 2017-11-15 주식회사 아이알티코리아 화재 감지 장치의 오경보 방지를 위한 화재 감시 시스템
KR101893563B1 (ko) * 2017-09-07 2018-10-04 (주)심플랫폼 사물인터넷 기반 화재 블랙박스 시스템 및 그 운용 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101787967B1 (ko) * 2017-03-08 2017-11-15 주식회사 아이알티코리아 화재 감지 장치의 오경보 방지를 위한 화재 감시 시스템
KR101893563B1 (ko) * 2017-09-07 2018-10-04 (주)심플랫폼 사물인터넷 기반 화재 블랙박스 시스템 및 그 운용 방법

Also Published As

Publication number Publication date
KR20220014748A (ko) 2022-02-07

Similar Documents

Publication Publication Date Title
US10235231B2 (en) Anomaly fusion on temporal casualty graphs
Niu et al. Intelligent condition monitoring and prognostics system based on data-fusion strategy
US10346758B2 (en) System analysis device and system analysis method
US20210097438A1 (en) Anomaly detection device, anomaly detection method, and anomaly detection program
US20180006900A1 (en) Predictive anomaly detection in communication systems
CN105579922A (zh) 信息处理装置以及分析方法
CN112631240A (zh) 航天器故障主动检测方法及装置
US20190164067A1 (en) Method and device for monitoring a process of generating metric data for predicting anomalies
CN101657770B (zh) 使用间断检测的机器状况监测
US20200104233A1 (en) System operational analytics using normalized likelihood scores
CN116994418B (zh) 管道安全预警方法及系统
US10690548B2 (en) Environmental factor assessment by a non-intrusive sensor in a fluid transfer pumping system
CN112380073B (zh) 一种故障位置的检测方法、装置及可读存储介质
JP6909413B2 (ja) 因果関係学習方法、プログラム、装置および異常分析システム
KR102444941B1 (ko) 화재모니터링장치 및 그 동작 방법
KR20220132824A (ko) 배전설비 상태 이상 개소 감시 시스템 및 방법
JP6587950B2 (ja) スカラ特徴量によって時系列変化点を検出可能なプログラム、装置及び方法
Xin et al. Dynamic probabilistic model checking for sensor validation in Industry 4.0 applications
Velasco-Gallego et al. Analysis of variational autoencoders for imputing missing values from sensor data of marine systems
KR102250200B1 (ko) 화재모니터링장치 및 그 동작 방법
EP3686812A1 (en) System and method for context-based training of a machine learning model
KR102593563B1 (ko) 화재발생모니터링장치 및 그 동작 방법
KR20220118621A (ko) 머신영역에서의 머신러닝 기반 협동로봇 보안 관리 시스템 및 그 방법
Azhar et al. Transient Stability Detection Using CNN-LSTM Considering Time Frame of Observation
KR101971553B1 (ko) 사물인터넷 기반 기기 관리 시스템 및 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