KR102491128B1 - 인공지능 기반의 고장 판단 모델의 생성을 통해 수도미터기에 대한 고장 여부를 판단할 수 있도록 지원하는 전자 장치 및 그 동작 방법 - Google Patents

인공지능 기반의 고장 판단 모델의 생성을 통해 수도미터기에 대한 고장 여부를 판단할 수 있도록 지원하는 전자 장치 및 그 동작 방법 Download PDF

Info

Publication number
KR102491128B1
KR102491128B1 KR1020220056392A KR20220056392A KR102491128B1 KR 102491128 B1 KR102491128 B1 KR 102491128B1 KR 1020220056392 A KR1020220056392 A KR 1020220056392A KR 20220056392 A KR20220056392 A KR 20220056392A KR 102491128 B1 KR102491128 B1 KR 102491128B1
Authority
KR
South Korea
Prior art keywords
value
flow rate
rate measurement
correct answer
measurement value
Prior art date
Application number
KR1020220056392A
Other languages
English (en)
Inventor
김지범
이재승
Original Assignee
인천대학교 산학협력단
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 인천대학교 산학협력단 filed Critical 인천대학교 산학협력단
Priority to KR1020220056392A priority Critical patent/KR102491128B1/ko
Application granted granted Critical
Publication of KR102491128B1 publication Critical patent/KR102491128B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F25/00—Testing or calibration of apparatus for measuring volume, volume flow or liquid level or for metering by volume
    • G01F25/10—Testing or calibration of apparatus for measuring volume, volume flow or liquid level or for metering by volume of flowmeters
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F15/00—Details of, or accessories for, apparatus of groups G01F1/00 - G01F13/00 insofar as such details or appliances are not adapted to particular types of such apparatus
    • G01F15/06—Indicating or recording devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Fluid Mechanics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명은 인공지능 기반의 고장 판단 모델의 생성을 통해 수도미터기에 대한 고장 여부를 판단할 수 있도록 지원하는 전자 장치 및 그 동작 방법을 제시함으로써, 관리자가 수도미터기로부터 획득된 데이터를 기초로 해당 수도미터기가 고장인지 여부를 보다 빠르게 판별해 낼 수 있도록 지원할 수 있다.

Description

인공지능 기반의 고장 판단 모델의 생성을 통해 수도미터기에 대한 고장 여부를 판단할 수 있도록 지원하는 전자 장치 및 그 동작 방법{ELECTRONIC DEVICE THAT SUPPORTS TO DETERMINE WHETHER A WATER METER IS FAULTY THROUGH THE CREATION OF AN AI-BASED FAILURE DETERMINATION MODEL AND THE OPERATING METHOD THEREOF}
본 발명은 인공지능 기반의 고장 판단 모델의 생성을 통해 수도미터기에 대한 고장 여부를 판단할 수 있도록 지원하는 전자 장치 및 그 동작 방법에 대한 것이다.
일반적으로, 수도를 사용하는 가정이나 산업현장 등에서는 그 사용량을 계측하기 위한 수도미터기가 설치되어 있다.
관련해서, 수도미터기는 주택이나 각종 건물에서 소비하고 있는 물 사용량을 검침하여 그에 따른 적정 요금을 부과하는데 사용되는 장비이다.
기존에는 수도미터기에서 고장이 발생하여도 수도미터기의 고장 여부를 판별할 수 있는 적합한 기술이 존재하지 않았기 때문에, 검침원들이 수도미터기를 점검하여 교체하는데 많은 시간이 필요하였다.
관련해서, 최근에는 일부의 샘플 데이터를 기초로 소정의 결과를 판단하기 위한 학습 모델을 만들 수 있는 기계학습 기반의 인공지능 기술이 등장하고 있다는 점에서, 수도미터기의 고장 여부를 판별해내는 데에 있어서도 이러한 인공지능 기술의 활용을 고려할 수 있다.
이렇게, 인공지능 기술을 활용하여 수도미터기의 고장 여부를 판단할 수 있는 모델을 만들어두게 되면, 수도미터기로부터 획득된 데이터를 기초로 해당 수도미터기가 고장인지 여부를 보다 빠르게 판별해 낼 수 있다는 점에서, 고장난 수도미터기를 통해서 물 사용량이 잘못 계측되는 사고를 방지할 수 있을 것이다.
본 발명은 인공지능 기반의 고장 판단 모델의 생성을 통해 수도미터기에 대한 고장 여부를 판단할 수 있도록 지원하는 전자 장치 및 그 동작 방법을 제시함으로써, 관리자가 수도미터기로부터 획득된 데이터를 기초로 해당 수도미터기가 고장인지 여부를 보다 빠르게 판별해 낼 수 있도록 지원하고자 한다.
본 발명의 일실시예에 따른 인공지능 기반의 고장 판단 모델의 생성을 통해 수도미터기에 대한 고장 여부를 판단할 수 있도록 지원하는 전자 장치는 정상인 수도미터기들과 고장인 수도미터기들로부터 사전 수집한, 복수의 유량 측정 값 세트들 - 상기 복수의 유량 측정 값 세트들 각각은, 사전 설정된 단위 시간 간격으로 수도미터기가 순차적으로 측정한 n(n은 3이상의 자연수임)개의 유량 측정 값들로 구성된 세트임 - 과 상기 복수의 유량 측정 값 세트들 각각에 대응되는 정답 값 - 상기 정상인 수도미터기들로부터 수집한 유량 측정 값 세트들에 대한 정답 값은 사전 설정된 제1 정답 값으로 지정되어 있고, 상기 고장인 수도미터기들로부터 수집한 유량 측정 값 세트들에 대한 정답 값은 사전 설정된 제2 정답 값으로 지정되어 있음 - 으로 구성된 트레이닝 세트가 저장되어 있는 트레이닝 세트 저장부, 상기 트레이닝 세트 저장부에 저장되어 있는 상기 복수의 유량 측정 값 세트들 중 어느 하나의 유량 측정 값 세트를 선정하여, 상기 선정된 유량 측정 값 세트와 그에 대응되는 정답 값을 기초로 수도미터기의 고장 여부를 판별하는 학습 모델을 생성하기 위한 기계학습 과정을, 상기 복수의 유량 측정 값 세트들 각각에 대해 반복 수행함으로써, 고장 판단 모델을 생성하는 모델 생성부 및 상기 고장 판단 모델의 생성이 완료된 이후에, 고장 여부 판단의 대상이 되는 제1 수도미터기로부터 수집한 제1 실제 유량 측정 값 세트 - 상기 제1 실제 유량 측정 값 세트는, 상기 제1 수도미터기가 상기 단위 시간 간격으로 순차적으로 측정한 n개의 제1 실제 유량 측정 값들로 구성된 세트임 - 가 입력으로 인가되면서, 상기 제1 수도미터기가 고장인지 여부를 판단할 것을 지시하는 판단 명령이 인가되면, 상기 고장 판단 모델을 기초로 상기 제1 수도미터기가 고장인지 여부를 판단하는 고장 판단부를 포함한다.
또한, 본 발명의 일실시예에 따른 인공지능 기반의 고장 판단 모델의 생성을 통해 수도미터기에 대한 고장 여부를 판단할 수 있도록 지원하는 전자 장치의 동작 방법은 정상인 수도미터기들과 고장인 수도미터기들로부터 사전 수집한, 복수의 유량 측정 값 세트들 - 상기 복수의 유량 측정 값 세트들 각각은, 사전 설정된 단위 시간 간격으로 수도미터기가 순차적으로 측정한 n(n은 3이상의 자연수임)개의 유량 측정 값들로 구성된 세트임 - 과 상기 복수의 유량 측정 값 세트들 각각에 대응되는 정답 값 - 상기 정상인 수도미터기들로부터 수집한 유량 측정 값 세트들에 대한 정답 값은 사전 설정된 제1 정답 값으로 지정되어 있고, 상기 고장인 수도미터기들로부터 수집한 유량 측정 값 세트들에 대한 정답 값은 사전 설정된 제2 정답 값으로 지정되어 있음 - 으로 구성된 트레이닝 세트가 저장되어 있는 트레이닝 세트 저장부를 유지하는 단계, 상기 트레이닝 세트 저장부에 저장되어 있는 상기 복수의 유량 측정 값 세트들 중 어느 하나의 유량 측정 값 세트를 선정하여, 상기 선정된 유량 측정 값 세트와 그에 대응되는 정답 값을 기초로 수도미터기의 고장 여부를 판별하는 학습 모델을 생성하기 위한 기계학습 과정을, 상기 복수의 유량 측정 값 세트들 각각에 대해 반복 수행함으로써, 고장 판단 모델을 생성하는 단계 및 상기 고장 판단 모델의 생성이 완료된 이후에, 고장 여부 판단의 대상이 되는 제1 수도미터기로부터 수집한 제1 실제 유량 측정 값 세트 - 상기 제1 실제 유량 측정 값 세트는, 상기 제1 수도미터기가 상기 단위 시간 간격으로 순차적으로 측정한 n개의 제1 실제 유량 측정 값들로 구성된 세트임 - 가 입력으로 인가되면서, 상기 제1 수도미터기가 고장인지 여부를 판단할 것을 지시하는 판단 명령이 인가되면, 상기 고장 판단 모델을 기초로 상기 제1 수도미터기가 고장인지 여부를 판단하는 단계를 포함한다.
본 발명은 인공지능 기반의 고장 판단 모델의 생성을 통해 수도미터기에 대한 고장 여부를 판단할 수 있도록 지원하는 전자 장치 및 그 동작 방법을 제시함으로써, 관리자가 수도미터기로부터 획득된 데이터를 기초로 해당 수도미터기가 고장인지 여부를 보다 빠르게 판별해 낼 수 있도록 지원할 수 있다.
도 1은 본 발명의 일실시예에 따른 인공지능 기반의 고장 판단 모델의 생성을 통해 수도미터기에 대한 고장 여부를 판단할 수 있도록 지원하는 전자 장치의 구조를 도시한 도면이다.
도 2는 본 발명의 일실시예에 따른 인공지능 기반의 고장 판단 모델의 생성을 통해 수도미터기에 대한 고장 여부를 판단할 수 있도록 지원하는 전자 장치의 동작을 설명하기 위한 도면이다.
도 3은 본 발명의 일실시예에 따른 인공지능 기반의 고장 판단 모델의 생성을 통해 수도미터기에 대한 고장 여부를 판단할 수 있도록 지원하는 전자 장치의 동작 방법을 도시한 순서도이다.
이하에서는 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명하기로 한다. 이러한 설명은 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였으며, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 본 명세서 상에서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 사람에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다.
본 문서에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다. 또한, 본 발명의 다양한 실시예들에 있어서, 각 구성요소들, 기능 블록들 또는 수단들은 하나 또는 그 이상의 하부 구성요소로 구성될 수 있고, 각 구성요소들이 수행하는 전기, 전자, 기계적 기능들은 전자회로, 집적회로, ASIC(Application Specific Integrated Circuit) 등 공지된 다양한 소자들 또는 기계적 요소들로 구현될 수 있으며, 각각 별개로 구현되거나 2 이상이 하나로 통합되어 구현될 수도 있다.
한편, 첨부된 블록도의 블록들이나 흐름도의 단계들은 범용 컴퓨터, 특수용 컴퓨터, 휴대용 노트북 컴퓨터, 네트워크 컴퓨터 등 데이터 프로세싱이 가능한 장비의 프로세서나 메모리에 탑재되어 지정된 기능들을 수행하는 컴퓨터 프로그램 명령들(instructions)을 의미하는 것으로 해석될 수 있다. 이들 컴퓨터 프로그램 명령들은 컴퓨터 장치에 구비된 메모리 또는 컴퓨터에서 판독 가능한 메모리에 저장될 수 있기 때문에, 블록도의 블록들 또는 흐름도의 단계들에서 설명된 기능들은 이를 수행하는 명령 수단을 내포하는 제조물로 생산될 수도 있다. 아울러, 각 블록 또는 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 명령들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 가능한 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 정해진 순서와 달리 실행되는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 실질적으로 동시에 수행되거나, 역순으로 수행될 수 있으며, 경우에 따라 일부 블록들 또는 단계들이 생략된 채로 수행될 수도 있다.
도 1은 본 발명의 일실시예에 따른 인공지능 기반의 고장 판단 모델의 생성을 통해 수도미터기에 대한 고장 여부를 판단할 수 있도록 지원하는 전자 장치의 구조를 도시한 도면이다.
도 1을 참조하면, 본 발명에 따른 전자 장치(110)는 트레이닝 세트 저장부(111), 모델 생성부(112) 및 고장 판단부(113)를 포함한다.
트레이닝 세트 저장부(111)에는 정상인 수도미터기들과 고장인 수도미터기들로부터 사전 수집한, 복수의 유량 측정 값 세트들과 상기 복수의 유량 측정 값 세트들 각각에 대응되는 정답 값으로 구성된 트레이닝 세트가 저장되어 있다.
여기서, 상기 복수의 유량 측정 값 세트들 각각은, 사전 설정된 단위 시간 간격으로 수도미터기가 순차적으로 측정한 n(n은 3이상의 자연수임)개의 유량 측정 값들로 구성된 세트를 의미한다. 예컨대, n을 '5'라고 하고, 상기 단위 시간이 '1시간'이라고 하는 경우, 상기 복수의 유량 측정 값 세트들 각각은, '1시간' 간격으로 수도미터기가 순차적으로 측정한 5개의 유량 측정 값들로 구성되어 있을 수 있다. 이때, 5개의 유량 측정 값들 각각은, '1시간'이라고 하는 단위 시간 동안 수도미터기가 측정한 유량 측정 값을 의미한다.
그리고, 상기 정상인 수도미터기들로부터 수집한 유량 측정 값 세트들에 대한 정답 값은 사전 설정된 제1 정답 값으로 지정되어 있고, 상기 고장인 수도미터기들로부터 수집한 유량 측정 값 세트들에 대한 정답 값은 사전 설정된 제2 정답 값으로 지정되어 있다.
이때, 본 발명의 일실시예에 따르면, 상기 제1 정답 값과 상기 제2 정답 값 중 어느 하나의 정답 값은 '1'로 지정되어 있고, 다른 하나의 정답 값은 '0'으로 지정되어 있을 수 있다. 예컨대, 상기 제1 정답 값이 '1'로 지정되는 경우, 상기 제2 정답 값은 '0'으로 지정되고, 상기 제1 정답 값이 '0'으로 지정되는 경우, 상기 제1 정답 값은 '1'로 지정될 수 있다.
관련해서, 상기 제1 정답 값이 '1', 상기 제2 정답 값이 '0'으로 지정되어 있다고 하였을 때, 트레이닝 세트 저장부(111)에는 하기의 표 1과 같이 정보가 저장되어 있을 수 있다.
트레이닝 세트 복수의 유량 측정 값 세트들 수도미터기 고장 여부 정답 값
트레이닝 세트 1 유량 측정 값 세트 1 정상 1
트레이닝 세트 2 유량 측정 값 세트 2 정상 1
트레이닝 세트 3 유량 측정 값 세트 3 고장 0
트레이닝 세트 4 유량 측정 값 세트 4 고장 0
... ... ... ...
모델 생성부(112)는 트레이닝 세트 저장부(111)에 저장되어 있는 상기 복수의 유량 측정 값 세트들 중 어느 하나의 유량 측정 값 세트를 선정하여, 상기 선정된 유량 측정 값 세트와 그에 대응되는 정답 값을 기초로 수도미터기의 고장 여부를 판별하는 학습 모델을 생성하기 위한 기계학습 과정을, 상기 복수의 유량 측정 값 세트들 각각에 대해 반복 수행함으로써, 고장 판단 모델을 생성한다.
이때, 본 발명의 일실시예에 따르면, 모델 생성부(112)는 추출부(114), 이동 연산부(115), 벡터 생성부(116), 출력 생성부(117), 출력 획득부(118) 및 학습 수행부(119)를 포함할 수 있다.
추출부(114)는 상기 복수의 유량 측정 값 세트들 중 어느 하나인 제1 유량 측정 값 세트가 선정됨에 따라, 상기 제1 유량 측정 값 세트에 대한 기계학습 과정이 수행되어야 하는 순서가 되는 경우, 상기 제1 유량 측정 값 세트를 구성하는 n개의 제1 유량 측정 값들 중, k(k는 2이상, n미만의 자연수임)번째 유량 측정 값부터 n번째 유량 측정 값까지 총 (n-k+1)개의 유량 측정 값들을 추출한다.
예컨대, n을 '5'라고 하고, k를 '2'라고 하는 경우, 추출부(114)는 상기 복수의 유량 측정 값 세트들 중 어느 하나인 제1 유량 측정 값 세트가 선정됨에 따라, 상기 제1 유량 측정 값 세트에 대한 기계학습 과정이 수행되어야 하는 순서가 되는 경우, 상기 제1 유량 측정 값 세트를 구성하는 5개의 제1 유량 측정 값들 중, 2번째 유량 측정 값부터 5번째 유량 측정 값까지 총 4개의 유량 측정 값들을 추출할 수 있다. 관련해서, 상기 5개의 제1 유량 측정 값들이 순차적으로, 'a1, a2, a3, a4, a5'라고 하는 경우, 추출부(114)는 'a2, a3, a4, a5'를 추출할 수 있다.
이동 연산부(115)는 상기 제1 유량 측정 값 세트를 구성하는 상기 n개의 제1 유량 측정 값들에 대해, 윈도우 크기가 k인 이동 평균과 이동 표준 편차를 연산함으로써, (n-k+1)개의 이동 평균 값들과 (n-k+1)개의 이동 표준 편차들을 생성한다.
관련해서, 전술한 예와 같이, n을 '5', k를 '2', 상기 5개의 제1 유량 측정 값들이 'a1, a2, a3, a4, a5'라고 하는 경우, 이동 연산부(115)는 'a1, a2, a3, a4, a5'에 대해, 윈도우 크기가 2인 이동 평균을 연산함으로써, 'm1, m2, m3, m4'라고 하는 4개의 이동 평균 값들을 생성할 수 있고, 'a1, a2, a3, a4, a5'에 대해, 윈도우 크기가 2인 이동 표준 편차를 연산함으로써, 's1, s2, s3, s4'라고 하는 4개의 이동 표준 편차들을 생성할 수 있다.
벡터 생성부(116)는 상기 (n-k+1)개의 유량 측정 값들, 상기 (n-k+1)개의 이동 평균 값들, 상기 (n-k+1)개의 이동 표준 편차들로부터, 유량 측정 값, 이동 평균 값, 이동 표준 편차를 순차적으로 하나씩 선별하여 3차원의 벡터로 구성함으로써, 유량 측정 값, 이동 평균 값, 이동 표준 편차를 성분으로 갖는 (n-k+1)개의 입력 벡터들을 생성한다.
관련해서, 전술한 예와 같이, 추출부(114)를 통해 'a2, a3, a4, a5'라고 하는 4개의 유량 측정 값들이 추출되었고, 이동 연산부(115)를 통해, 'm1, m2, m3, m4'라고 하는 4개의 이동 평균 값들과 's1, s2, s3, s4'라고 하는 4개의 이동 표준 편차들이 생성되었다고 하는 경우, 벡터 생성부(116)는 상기 4개의 유량 측정 값들, 상기 4개의 이동 평균 값들, 상기 4개의 이동 표준 편차들로부터, 유량 측정 값, 이동 평균 값, 이동 표준 편차를 순차적으로 하나씩 선별하여 3차원의 벡터로 구성함으로써, 하기의 표 2와 같이, 유량 측정 값, 이동 평균 값, 이동 표준 편차를 성분으로 갖는 4개의 입력 벡터들을 생성할 수 있다.
입력 벡터 1 [a2 m1 s1]
입력 벡터 2 [a3 m2 s2]
입력 벡터 3 [a4 m3 s3]
입력 벡터 4 [a5 m4 s4]
출력 생성부(117)는 상기 (n-k+1)개의 입력 벡터들을 순차적으로 하나씩 CNN(Convolutional Neural Network)에 입력으로 인가하여 상기 (n-k+1)개의 입력 벡터들 각각에 대응되는 출력 벡터를 순차적으로 산출함으로써, (n-k+1)개의 출력 벡터들을 생성한다.
여기서, CNN이란 합성곱 필터로 구성된 다수의 합성곱층과 풀링(pooling)층들로 구성되는 신경망으로서, CNN에 이미지 등과 같은 입력 데이터가 피처맵(feature map)으로 구성되어 합성곱층에 입력으로 인가되면, 합성곱층을 구성하는 하나 이상의 채널을 갖는 합성곱 필터들에 의해 합성곱이 발생하여 출력 피처맵이 생성되고, 풀링층을 통해서 상기 출력 피처맵의 크기를 줄이기 위한 다운샘플링이 수행된 후, 그 출력이 다음 합성곱층과 풀링층에 다시 입력으로 인가되는 과정이 반복되며, 이러한 과정의 반복을 통해 소정의 출력이 산출되게 된다. 이때, 본 발명의 출력 생성부(117)는, 벡터 생성부(116)에서 입력 벡터들이 생성되면, 상기 입력 벡터들 각각을 행벡터 또는 열벡터 형태의 피처맵으로 보고 상기 CNN에 입력으로 인가함으로써, 각 입력 벡터에 대응되는 출력 벡터를 산출하게 된다.
관련해서, 전술한 예와 같이, 벡터 생성부(116)를 통해 상기 표 2와 같은 4개의 입력 벡터들이 생성되었다고 하는 경우, 출력 생성부(117)는 도 2의 도면부호 211에 도시된 그림과 같이, 상기 4개의 입력 벡터들을 순차적으로 하나씩 CNN에 입력으로 인가하여 상기 4개의 입력 벡터들 각각에 대응되는 출력 벡터를 순차적으로 산출함으로써, 4개의 출력 벡터들을 생성할 수 있다.
출력 획득부(118)는 상기 (n-k+1)개의 출력 벡터들을 LSTM(Long Short-Term Memory)의 각 타임 스텝에 순차적으로 하나씩 입력으로 인가한 후 상기 LSTM의 마지막 타임 스텝으로부터 산출되는 마지막 출력 벡터를 획득한다.
여기서, 상기 LSTM이란 유닛간의 연결이 순환적 구조를 갖는 특징을 갖는 인공 신경망으로서, 다수의 타임 스텝들로 구성되어 있어서, 각 타임 스텝별로 소정의 시계열 데이터가 입력으로 인가되면, 각 타임 스텝에서의 출력이 산출되도록 구성되어 있다. 이때, 본 발명에서의 상기 LSTM의 각 타임 스텝은 소정의 크기를 갖는 벡터가 산출되도록 사전 구성되어 있다.
관련해서, 전술한 예와 같이, 출력 생성부(117)를 통해 도 2의 도면부호 211에 도시된 그림과 같은 4개의 출력 벡터들이 생성되었다고 하는 경우, 출력 획득부(118)는 도 2의 도면부호 212에 도시된 그림과 같이, 상기 4개의 출력 벡터들을 LSTM의 각 타임 스텝에 순차적으로 하나씩 입력으로 인가한 후, 상기 LSTM의 마지막 타임 스텝인 '타임 스텝 4'로부터 산출되는 마지막 출력 벡터를 획득할 수 있다.
학습 수행부(119)는 상기 마지막 출력 벡터를, 출력 값을 생성하기 위한 덴스 레이어(dense layer)에 입력으로 인가함으로써, 정답 값과의 비교를 위한 예측 값을 산출한 후, 상기 예측 값이, 상기 제1 유량 측정 값 세트에 대응되어 지정되어 있는 정답 값에 최대로 근접하도록 상기 CNN, 상기 LSTM 및 상기 덴스 레이어에 대한 기계학습을 수행한다.
이때, 본 발명의 일실시예에 따르면, 학습 수행부(119)는 상기 마지막 출력 벡터를 상기 덴스 레이어에 입력으로 인가하여 상기 덴스 레이어의 출력 값을 획득하고, 상기 덴스 레이어의 출력 값을 시그모이드(Sigmoid) 함수에 입력으로 인가함으로써, 0~1사이의 크기를 갖는 상기 예측 값을 산출한 후, 상기 예측 값이, 상기 제1 유량 측정 값 세트에 대응되어 지정되어 있는 정답 값에 최대로 근접하도록 상기 CNN, 상기 LSTM 및 상기 덴스 레이어에 대한 기계학습을 수행할 수 있다.
이때, 본 발명의 일실시예에 따르면, 학습 수행부(119)는 상기 예측 값과 상기 제1 유량 측정 값 세트에 대응되어 지정되어 있는 정답 값을 기초로, 하기의 수학식 1의 손실함수에 따른 손실 값이 최소가 되도록 상기 CNN, 상기 LSTM 및 상기 덴스 레이어에 대한 기계학습을 수행할 수 있다.
Figure 112022048755276-pat00001
여기서, L은 손실 값, tp는 상기 제1 유량 측정 값 세트에 대응되어 지정되어 있는 정답 값, yp는 상기 예측 값을 의미한다.
여기서, 덴스 레이어란 원하는 길이의 출력을 산출하기 위해서 소정의 가중치를 기반으로 입출력을 연결해둔 레이어를 의미하는 것으로서, 본 발명에서의 상기 덴스 레이어는 입력으로 인가되는 벡터의 길이를 1차원의 출력 값으로 변환하도록 구성되어 있다.
관련해서, 전술한 예와 같이, 출력 획득부(118)를 통해 도 2의 도면부호 212에 도시된 그림과 같은 마지막 출력 벡터가 획득되었다고 하는 경우, 학습 수행부(119)는 도 2의 도면부호 213에 도시된 그림과 같이, 상기 마지막 출력 벡터를 덴스 레이어에 입력으로 인가하여 상기 덴스 레이어의 출력 값을 획득하고, 상기 덴스 레이어의 출력 값을 시그모이드 함수에 입력으로 인가함으로써, 0~1사이의 크기를 갖는 예측 값을 산출할 수 있다.
그러고 나서, 학습 수행부(119)는 상기 예측 값과 상기 제1 유량 측정 값 세트에 대응되어 지정되어 있는 정답 값을 기초로, 상기 수학식 1의 손실함수에 따른 손실 값이 최소가 되도록 상기 CNN, 상기 LSTM 및 상기 덴스 레이어에 대한 기계학습을 수행할 수 있다. 관련해서, 상기 제1 유량 측정 값 세트가 상기 표 1에서 나타낸 트레이닝 세트들 중 '트레이닝 세트 1'을 구성하는 '유량 측정 값 세트 1'이라고 하는 경우, 학습 수행부(119)는 상기 예측 값과, '유량 측정 값 세트 1'에 대응되는 정답 값인 '1'을 상기 수학식 1에 따른 손실함수에 대입하였을 때 산출되는 손실 값이 최소가 되도록, 상기 CNN, 상기 LSTM 및 상기 덴스 레이어에 대한 기계학습을 수행할 수 있다.
이때, 본 발명의 일실시예에 따르면, 학습 수행부(119)는 상기 손실 값이 최소가 되도록 역전파(BackPropagation) 처리를 수행함으로써, 상기 CNN, 상기 LSTM 및 상기 덴스 레이어에 대한 기계학습을 수행할 수 있다.
이러한 방식으로, 모델 생성부(112)는 트레이닝 세트 저장부(111)에 저장되어 있는 상기 복수의 유량 측정 값 세트들을 기초로 한 기계학습을 반복 수행함으로써, 수도미터기의 고장 여부를 판별하기 위한 고장 판단 모델을 생성할 수 있다.
이렇게, 모델 생성부(112)를 통해 상기 고장 판단 모델의 생성이 완료된 이후에, 고장 여부 판단의 대상이 되는 제1 수도미터기로부터 수집한 제1 실제 유량 측정 값 세트(상기 제1 실제 유량 측정 값 세트는, 상기 제1 수도미터기가 상기 단위 시간 간격으로 순차적으로 측정한 n개의 제1 실제 유량 측정 값들로 구성된 세트임)가 입력으로 인가되면서, 상기 제1 수도미터기가 고장인지 여부를 판단할 것을 지시하는 판단 명령이 전자 장치(110)에 인가되면, 고장 판단부(113)는 상기 고장 판단 모델을 기초로 상기 제1 수도미터기가 고장인지 여부를 판단한다.
이때, 본 발명의 일실시예에 따르면, 고장 판단부(113)는 판단용 추출부(120), 판단용 이동 연산부(121), 판단용 벡터 생성부(122), 판단용 출력 생성부(123), 판단용 출력 획득부(124) 및 판단 처리부(125)를 포함할 수 있다.
판단용 추출부(120)는 상기 고장 판단 모델의 생성이 완료된 이후에, 고장 여부 판단의 대상이 되는 상기 제1 수도미터기로부터 수집한 상기 제1 실제 유량 측정 값 세트가 입력으로 인가되면서, 상기 제1 수도미터기가 고장인지 여부를 판단할 것을 지시하는 판단 명령이 인가되면, 상기 제1 실제 유량 측정 값 세트를 구성하는 상기 n개의 제1 실제 유량 측정 값들 중, k번째 실제 유량 측정 값부터 n번째 실제 유량 측정 값까지 총 (n-k+1)개의 실제 유량 측정 값들을 추출한다.
관련해서, 전술한 예와 같이, n을 '5', k를 '2'라고 하고, 상기 제1 실제 유량 측정 값 세트를 구성하는 5개의 제1 실제 유량 측정 값들이 'A1, A2, A3, A4, A5'라고 하는 경우, 판단용 추출부(120)는 상기 5개의 제1 실제 유량 측정 값들인 'A2, A3, A4, A5' 중, 2번째 실제 유량 측정 값부터 5번째 실제 유량 측정 값까지 총 4개의 실제 유량 측정 값들인 'A2, A3, A4, A5'를 추출할 수 있다.
판단용 이동 연산부(121)는 상기 제1 실제 유량 측정 값 세트를 구성하는 상기 n개의 제1 실제 유량 측정 값들에 대해, 윈도우 크기가 k인 이동 평균과 이동 표준 편차를 연산함으로써, (n-k+1)개의 제1 이동 평균 값들과 (n-k+1)개의 제1 이동 표준 편차들을 생성한다.
관련해서, 전술한 예와 같이, n을 '5', k를 '2', 상기 5개의 제1 실제 유량 측정 값들이 'A1, A2, A3, A4, A5'라고 하는 경우, 판단용 이동 연산부(121)는 'A1, A2, A3, A4, A5'에 대해, 윈도우 크기가 2인 이동 평균을 연산함으로써, 'M1, M2, M3, M4'라고 하는 4개의 제1 이동 평균 값들을 생성할 수 있고, 'A1, A2, A3, A4, A5'에 대해, 윈도우 크기가 2인 이동 표준 편차를 연산함으로써, 'S1, S2, S3, S4'라고 하는 4개의 제1 이동 표준 편차들을 생성할 수 있다.
판단용 벡터 생성부(122)는 상기 (n-k+1)개의 실제 유량 측정 값들, 상기 (n-k+1)개의 제1 이동 평균 값들, 상기 (n-k+1)개의 제1 이동 표준 편차들로부터, 실제 유량 측정 값, 이동 평균 값, 이동 표준 편차를 순차적으로 하나씩 선별하여 3차원의 벡터로 구성함으로써, 실제 유량 측정 값, 이동 평균 값, 이동 표준 편차를 성분으로 갖는 (n-k+1)개의 제1 입력 벡터들을 생성한다.
관련해서, 전술한 예와 같이, 판단용 추출부(120)를 통해 'A2, A3, A4, A5'라고 하는 4개의 실제 유량 측정 값들이 추출되었고, 판단용 이동 연산부(121)를 통해, 'M1, M2, M3, M4'라고 하는 4개의 제1 이동 평균 값들과 'S1, S2, S3, S4'라고 하는 4개의 제1 이동 표준 편차들이 생성되었다고 하는 경우, 판단용 벡터 생성부(122)는 상기 4개의 실제 유량 측정 값들, 상기 4개의 제1 이동 평균 값들, 상기 4개의 제1 이동 표준 편차들로부터, 실제 유량 측정 값, 이동 평균 값, 이동 표준 편차를 순차적으로 하나씩 선별하여 3차원의 벡터로 구성함으로써, 하기의 표 3과 같이, 실제 유량 측정 값, 이동 평균 값, 이동 표준 편차를 성분으로 갖는 4개의 제1 입력 벡터들을 생성할 수 있다.
입력 벡터 1 [A2 M1 S1]
입력 벡터 2 [A3 M2 S2]
입력 벡터 3 [A4 M3 S3]
입력 벡터 4 [A5 M4 S4]
판단용 출력 생성부(123)는 상기 (n-k+1)개의 제1 입력 벡터들을 순차적으로 하나씩, 기계학습이 완료된 상기 CNN에 입력으로 인가하여 상기 (n-k+1)개의 제1 입력 벡터들 각각에 대응되는 출력 벡터를 순차적으로 산출함으로써, (n-k+1)개의 제1 출력 벡터들을 생성한다.
관련해서, 전술한 예와 같이, 판단용 벡터 생성부(122)를 통해 상기 표 3과 같은 4개의 제1 입력 벡터들이 생성되었다고 하는 경우, 판단용 출력 생성부(123)는 도 2의 도면부호 211에 도시된 그림과 같이, 상기 4개의 제1 입력 벡터들을 순차적으로 하나씩, 기계학습이 완료된 상기 CNN에 입력으로 인가하여 상기 4개의 제1 입력 벡터들 각각에 대응되는 출력 벡터를 순차적으로 산출함으로써, 4개의 제1 출력 벡터들을 생성할 수 있다.
판단용 출력 획득부(124)는 상기 (n-k+1)개의 제1 출력 벡터들을, 기계학습이 완료된 상기 LSTM의 각 타임 스텝에 순차적으로 하나씩 입력으로 인가한 후 상기 LSTM의 마지막 타임 스텝으로부터 산출되는 마지막 제1 출력 벡터를 획득한다.
관련해서, 전술한 예와 같이, 판단용 출력 생성부(123)를 통해 도 2의 도면부호 211에 도시된 그림과 같은 4개의 제1 출력 벡터들이 생성되었다고 하는 경우, 판단용 출력 획득부(124)는 도 2의 도면부호 212에 도시된 그림과 같이, 상기 4개의 제1 출력 벡터들을, 기계학습이 완료된 LSTM의 각 타임 스텝에 순차적으로 하나씩 입력으로 인가한 후, 상기 LSTM의 마지막 타임 스텝인 '타임 스텝 4'로부터 산출되는 마지막 제1 출력 벡터를 획득할 수 있다.
판단 처리부(125)는 상기 마지막 제1 출력 벡터를, 기계학습이 완료된 상기 덴스 레이어에 입력으로 인가함으로써, 정답 값과의 비교를 위한 판단용 예측 값을 산출한 후, 상기 판단용 예측 값이, 상기 제1 정답 값과 상기 제2 정답 값 중 어느 정답 값에 더 근접한 값인지 확인하여, 상기 판단용 예측 값이 상기 제1 정답 값에 더 근접한 값으로 확인된 경우, 상기 제1 수도미터기가 정상인 것으로 판단하고, 상기 판단용 예측 값이 상기 제2 정답 값에 더 근접한 값으로 확인된 경우, 상기 제1 수도미터기가 고장인 것으로 판단한다.
관련해서, 전술한 예와 같이, 판단용 출력 획득부(124)를 통해 도 2의 도면부호 212에 도시된 그림과 같은 마지막 제1 출력 벡터가 획득되었다고 하는 경우, 판단 처리부(125)는 도 2의 도면부호 213에 도시된 그림과 같이, 상기 마지막 제1 출력 벡터를, 기계학습이 완료된 덴스 레이어에 입력으로 인가하여 상기 덴스 레이어의 출력 값을 획득한 후, 상기 덴스 레이어의 출력 값을 시그모이드 함수에 입력으로 인가함으로써, 0~1사이의 크기를 갖는 판단용 예측 값을 산출할 수 있다.
그러고 나서, 판단 처리부(124)는 상기 판단용 예측 값이, 상기 제1 정답 값과 상기 제2 정답 값 중 어느 정답 값에 더 근접한 값인지 확인하여, 상기 판단용 예측 값이 상기 제1 정답 값에 더 근접한 값으로 확인된 경우, 상기 제1 수도미터기가 정상인 것으로 판단하고, 상기 판단용 예측 값이 상기 제2 정답 값에 더 근접한 값으로 확인된 경우, 상기 제1 수도미터기가 고장인 것으로 판단할 수 있다. 관련해서, 전술한 예와 같이, 상기 제1 정답 값이 '1', 상기 제2 정답 값이 '0'으로 지정되어 있다고 하는 경우, 판단 처리부(124)는 상기 판단용 예측 값이 '1'에 가까운 값으로 산출되었다면, 상기 제1 수도미터기가 정상인 것으로 판단하고, 상기 판단용 예측 값이 '0'에 가까운 값으로 산출되었다면, 상기 제1 수도미터기가 고장인 것으로 판단할 수 있다.
도 3은 본 발명의 일실시예에 따른 인공지능 기반의 고장 판단 모델의 생성을 통해 수도미터기에 대한 고장 여부를 판단할 수 있도록 지원하는 전자 장치의 동작 방법을 도시한 순서도이다.
단계(S310)에서는 정상인 수도미터기들과 고장인 수도미터기들로부터 사전 수집한, 복수의 유량 측정 값 세트들(상기 복수의 유량 측정 값 세트들 각각은, 사전 설정된 단위 시간 간격으로 수도미터기가 순차적으로 측정한 n(n은 3이상의 자연수임)개의 유량 측정 값들로 구성된 세트임)과 상기 복수의 유량 측정 값 세트들 각각에 대응되는 정답 값(상기 정상인 수도미터기들로부터 수집한 유량 측정 값 세트들에 대한 정답 값은 사전 설정된 제1 정답 값으로 지정되어 있고, 상기 고장인 수도미터기들로부터 수집한 유량 측정 값 세트들에 대한 정답 값은 사전 설정된 제2 정답 값으로 지정되어 있음)으로 구성된 트레이닝 세트가 저장되어 있는 트레이닝 세트 저장부를 유지한다.
단계(S320)에서는 상기 트레이닝 세트 저장부에 저장되어 있는 상기 복수의 유량 측정 값 세트들 중 어느 하나의 유량 측정 값 세트를 선정하여, 상기 선정된 유량 측정 값 세트와 그에 대응되는 정답 값을 기초로 수도미터기의 고장 여부를 판별하는 학습 모델을 생성하기 위한 기계학습 과정을, 상기 복수의 유량 측정 값 세트들 각각에 대해 반복 수행함으로써, 고장 판단 모델을 생성한다.
단계(S330)에서는 상기 고장 판단 모델의 생성이 완료된 이후에, 고장 여부 판단의 대상이 되는 제1 수도미터기로부터 수집한 제1 실제 유량 측정 값 세트(상기 제1 실제 유량 측정 값 세트는, 상기 제1 수도미터기가 상기 단위 시간 간격으로 순차적으로 측정한 n개의 제1 실제 유량 측정 값들로 구성된 세트임)가 입력으로 인가되면서, 상기 제1 수도미터기가 고장인지 여부를 판단할 것을 지시하는 판단 명령이 인가되면, 상기 고장 판단 모델을 기초로 상기 제1 수도미터기가 고장인지 여부를 판단한다.
이때, 본 발명의 일실시예에 따르면, 단계(S320)에서는 상기 복수의 유량 측정 값 세트들 중 어느 하나인 제1 유량 측정 값 세트가 선정됨에 따라, 상기 제1 유량 측정 값 세트에 대한 기계학습 과정이 수행되어야 하는 순서가 되는 경우, 상기 제1 유량 측정 값 세트를 구성하는 n개의 제1 유량 측정 값들 중, k(k는 2이상, n미만의 자연수임)번째 유량 측정 값부터 n번째 유량 측정 값까지 총 (n-k+1)개의 유량 측정 값들을 추출하는 단계, 상기 제1 유량 측정 값 세트를 구성하는 상기 n개의 제1 유량 측정 값들에 대해, 윈도우 크기가 k인 이동 평균과 이동 표준 편차를 연산함으로써, (n-k+1)개의 이동 평균 값들과 (n-k+1)개의 이동 표준 편차들을 생성하는 단계, 상기 (n-k+1)개의 유량 측정 값들, 상기 (n-k+1)개의 이동 평균 값들, 상기 (n-k+1)개의 이동 표준 편차들로부터, 유량 측정 값, 이동 평균 값, 이동 표준 편차를 순차적으로 하나씩 선별하여 3차원의 벡터로 구성함으로써, 유량 측정 값, 이동 평균 값, 이동 표준 편차를 성분으로 갖는 (n-k+1)개의 입력 벡터들을 생성하는 단계, 상기 (n-k+1)개의 입력 벡터들을 순차적으로 하나씩 CNN에 입력으로 인가하여 상기 (n-k+1)개의 입력 벡터들 각각에 대응되는 출력 벡터를 순차적으로 산출함으로써, (n-k+1)개의 출력 벡터들을 생성하는 단계, 상기 (n-k+1)개의 출력 벡터들을 LSTM(Long Short-Term Memory)의 각 타임 스텝에 순차적으로 하나씩 입력으로 인가한 후 상기 LSTM의 마지막 타임 스텝으로부터 산출되는 마지막 출력 벡터를 획득하는 단계 및 상기 마지막 출력 벡터를, 출력 값을 생성하기 위한 덴스 레이어에 입력으로 인가함으로써, 정답 값과의 비교를 위한 예측 값을 산출한 후, 상기 예측 값이, 상기 제1 유량 측정 값 세트에 대응되어 지정되어 있는 정답 값에 최대로 근접하도록 상기 CNN, 상기 LSTM 및 상기 덴스 레이어에 대한 기계학습을 수행하는 단계를 포함할 수 있다.
또한, 본 발명의 일실시예에 따르면, 상기 제1 정답 값과 상기 제2 정답 값 중 어느 하나의 정답 값은 '1'로 지정되어 있고, 다른 하나의 정답 값은 '0'으로 지정되어 있을 수 있고, 이때, 상기 기계학습을 수행하는 단계는 상기 마지막 출력 벡터를 상기 덴스 레이어에 입력으로 인가하여 상기 덴스 레이어의 출력 값을 획득하고, 상기 덴스 레이어의 출력 값을 시그모이드 함수에 입력으로 인가함으로써, 0~1사이의 크기를 갖는 상기 예측 값을 산출한 후, 상기 예측 값이, 상기 제1 유량 측정 값 세트에 대응되어 지정되어 있는 정답 값에 최대로 근접하도록 상기 CNN, 상기 LSTM 및 상기 덴스 레이어에 대한 기계학습을 수행할 수 있다.
이때, 본 발명의 일실시예에 따르면, 상기 기계학습을 수행하는 단계는 상기 예측 값과 상기 제1 유량 측정 값 세트에 대응되어 지정되어 있는 정답 값을 기초로, 상기 수학식 1의 손실함수에 따른 손실 값이 최소가 되도록 상기 CNN, 상기 LSTM 및 상기 덴스 레이어에 대한 기계학습을 수행할 수 있다.
또한, 본 발명의 일실시예에 따르면, 단계(S330)에서는 상기 고장 판단 모델의 생성이 완료된 이후에, 고장 여부 판단의 대상이 되는 상기 제1 수도미터기로부터 수집한 상기 제1 실제 유량 측정 값 세트가 입력으로 인가되면서, 상기 제1 수도미터기가 고장인지 여부를 판단할 것을 지시하는 판단 명령이 인가되면, 상기 제1 실제 유량 측정 값 세트를 구성하는 상기 n개의 제1 실제 유량 측정 값들 중, k번째 실제 유량 측정 값부터 n번째 실제 유량 측정 값까지 총 (n-k+1)개의 실제 유량 측정 값들을 추출하는 단계, 상기 제1 실제 유량 측정 값 세트를 구성하는 상기 n개의 제1 실제 유량 측정 값들에 대해, 윈도우 크기가 k인 이동 평균과 이동 표준 편차를 연산함으로써, (n-k+1)개의 제1 이동 평균 값들과 (n-k+1)개의 제1 이동 표준 편차들을 생성하는 단계, 상기 (n-k+1)개의 실제 유량 측정 값들, 상기 (n-k+1)개의 제1 이동 평균 값들, 상기 (n-k+1)개의 제1 이동 표준 편차들로부터, 실제 유량 측정 값, 이동 평균 값, 이동 표준 편차를 순차적으로 하나씩 선별하여 3차원의 벡터로 구성함으로써, 실제 유량 측정 값, 이동 평균 값, 이동 표준 편차를 성분으로 갖는 (n-k+1)개의 제1 입력 벡터들을 생성하는 단계, 상기 (n-k+1)개의 제1 입력 벡터들을 순차적으로 하나씩, 기계학습이 완료된 상기 CNN에 입력으로 인가하여 상기 (n-k+1)개의 제1 입력 벡터들 각각에 대응되는 출력 벡터를 순차적으로 산출함으로써, (n-k+1)개의 제1 출력 벡터들을 생성하는 단계, 상기 (n-k+1)개의 제1 출력 벡터들을, 기계학습이 완료된 상기 LSTM의 각 타임 스텝에 순차적으로 하나씩 입력으로 인가한 후 상기 LSTM의 마지막 타임 스텝으로부터 산출되는 마지막 제1 출력 벡터를 획득하는 단계 및 상기 마지막 제1 출력 벡터를, 기계학습이 완료된 상기 덴스 레이어에 입력으로 인가함으로써, 정답 값과의 비교를 위한 판단용 예측 값을 산출한 후, 상기 판단용 예측 값이, 상기 제1 정답 값과 상기 제2 정답 값 중 어느 정답 값에 더 근접한 값인지 확인하여, 상기 판단용 예측 값이 상기 제1 정답 값에 더 근접한 값으로 확인된 경우, 상기 제1 수도미터기가 정상인 것으로 판단하고, 상기 판단용 예측 값이 상기 제2 정답 값에 더 근접한 값으로 확인된 경우, 상기 제1 수도미터기가 고장인 것으로 판단하는 단계를 포함할 수 있다.
이상, 도 3을 참조하여 본 발명의 일실시예에 따른 전자 장치의 동작 방법에 대해 설명하였다. 여기서, 본 발명의 일실시예에 따른 전자 장치의 동작 방법은 도 1을 이용하여 설명한 전자 장치(110)의 동작에 대한 구성과 대응될 수 있으므로, 이에 대한 보다 상세한 설명은 생략하기로 한다.
본 발명의 일실시예에 따른 전자 장치의 동작 방법은 컴퓨터와의 결합을 통해 실행시키기 위한 저장매체에 저장된 컴퓨터 프로그램으로 구현될 수 있다.
또한, 본 발명의 일실시예에 따른 전자 장치의 동작 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.
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 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.
110: 인공지능 기반의 고장 판단 모델의 생성을 통해 수도미터기에 대한 고장 여부를 판단할 수 있도록 지원하는 전자 장치
111: 트레이닝 세트 저장부 112: 모델 생성부
113: 고장 판단부 114: 추출부
115: 이동 연산부 116: 벡터 생성부
117: 출력 생성부 118: 출력 획득부
119: 학습 수행부 120: 판단용 추출부
121: 판단용 이동 연산부 122: 판단용 벡터 생성부
123: 판단용 출력 생성부 124: 판단용 출력 획득부
125: 판단 처리부

Claims (12)

  1. 인공지능 기반의 고장 판단 모델의 생성을 통해 수도미터기에 대한 고장 여부를 판단할 수 있도록 지원하는 전자 장치에 있어서,
    정상인 수도미터기들과 고장인 수도미터기들로부터 사전 수집한, 복수의 유량 측정 값 세트들 - 상기 복수의 유량 측정 값 세트들 각각은, 사전 설정된 단위 시간 간격으로 수도미터기가 순차적으로 측정한 n(n은 3이상의 자연수임)개의 유량 측정 값들로 구성된 세트임 - 과 상기 복수의 유량 측정 값 세트들 각각에 대응되는 정답 값 - 상기 정상인 수도미터기들로부터 수집한 유량 측정 값 세트들에 대한 정답 값은 사전 설정된 제1 정답 값으로 지정되어 있고, 상기 고장인 수도미터기들로부터 수집한 유량 측정 값 세트들에 대한 정답 값은 사전 설정된 제2 정답 값으로 지정되어 있음 - 으로 구성된 트레이닝 세트가 저장되어 있는 트레이닝 세트 저장부;
    상기 트레이닝 세트 저장부에 저장되어 있는 상기 복수의 유량 측정 값 세트들 중 어느 하나의 유량 측정 값 세트를 선정하여, 상기 선정된 유량 측정 값 세트와 그에 대응되는 정답 값을 기초로 수도미터기의 고장 여부를 판별하는 학습 모델을 생성하기 위한 기계학습 과정을, 상기 복수의 유량 측정 값 세트들 각각에 대해 반복 수행함으로써, 고장 판단 모델을 생성하는 모델 생성부; 및
    상기 고장 판단 모델의 생성이 완료된 이후에, 고장 여부 판단의 대상이 되는 제1 수도미터기로부터 수집한 제1 실제 유량 측정 값 세트 - 상기 제1 실제 유량 측정 값 세트는, 상기 제1 수도미터기가 상기 단위 시간 간격으로 순차적으로 측정한 n개의 제1 실제 유량 측정 값들로 구성된 세트임 - 가 입력으로 인가되면서, 상기 제1 수도미터기가 고장인지 여부를 판단할 것을 지시하는 판단 명령이 인가되면, 상기 고장 판단 모델을 기초로 상기 제1 수도미터기가 고장인지 여부를 판단하는 고장 판단부
    를 포함하고,
    상기 모델 생성부는
    상기 복수의 유량 측정 값 세트들 중 어느 하나인 제1 유량 측정 값 세트가 선정됨에 따라, 상기 제1 유량 측정 값 세트에 대한 기계학습 과정이 수행되어야 하는 순서가 되는 경우, 상기 제1 유량 측정 값 세트를 구성하는 n개의 제1 유량 측정 값들 중, k(k는 2이상, n미만의 자연수임)번째 유량 측정 값부터 n번째 유량 측정 값까지 총 (n-k+1)개의 유량 측정 값들을 추출하는 추출부;
    상기 제1 유량 측정 값 세트를 구성하는 상기 n개의 제1 유량 측정 값들에 대해, 윈도우 크기가 k인 이동 평균과 이동 표준 편차를 연산함으로써, (n-k+1)개의 이동 평균 값들과 (n-k+1)개의 이동 표준 편차들을 생성하는 이동 연산부;
    상기 (n-k+1)개의 유량 측정 값들, 상기 (n-k+1)개의 이동 평균 값들, 상기 (n-k+1)개의 이동 표준 편차들로부터, 유량 측정 값, 이동 평균 값, 이동 표준 편차를 순차적으로 하나씩 선별하여 3차원의 벡터로 구성함으로써, 유량 측정 값, 이동 평균 값, 이동 표준 편차를 성분으로 갖는 (n-k+1)개의 입력 벡터들을 생성하는 벡터 생성부;
    상기 (n-k+1)개의 입력 벡터들을 순차적으로 하나씩 CNN(Convolutional Neural Network)에 입력으로 인가하여 상기 (n-k+1)개의 입력 벡터들 각각에 대응되는 출력 벡터를 순차적으로 산출함으로써, (n-k+1)개의 출력 벡터들을 생성하는 출력 생성부;
    상기 (n-k+1)개의 출력 벡터들을 LSTM(Long Short-Term Memory)의 각 타임 스텝에 순차적으로 하나씩 입력으로 인가한 후 상기 LSTM의 마지막 타임 스텝으로부터 산출되는 마지막 출력 벡터를 획득하는 출력 획득부; 및
    상기 마지막 출력 벡터를, 출력 값을 생성하기 위한 덴스 레이어(dense layer)에 입력으로 인가함으로써, 정답 값과의 비교를 위한 예측 값을 산출한 후, 상기 예측 값이, 상기 제1 유량 측정 값 세트에 대응되어 지정되어 있는 정답 값에 최대로 근접하도록 상기 CNN, 상기 LSTM 및 상기 덴스 레이어에 대한 기계학습을 수행하는 학습 수행부
    를 포함하는 전자 장치.
  2. 삭제
  3. 제1항에 있어서,
    상기 제1 정답 값과 상기 제2 정답 값 중 어느 하나의 정답 값은 '1'로 지정되어 있고, 다른 하나의 정답 값은 '0'으로 지정되어 있으며,
    상기 학습 수행부는
    상기 마지막 출력 벡터를 상기 덴스 레이어에 입력으로 인가하여 상기 덴스 레이어의 출력 값을 획득하고, 상기 덴스 레이어의 출력 값을 시그모이드(Sigmoid) 함수에 입력으로 인가함으로써, 0~1사이의 크기를 갖는 상기 예측 값을 산출한 후, 상기 예측 값이, 상기 제1 유량 측정 값 세트에 대응되어 지정되어 있는 정답 값에 최대로 근접하도록 상기 CNN, 상기 LSTM 및 상기 덴스 레이어에 대한 기계학습을 수행하는 것을 특징으로 하는 전자 장치.
  4. 제3항에 있어서,
    상기 학습 수행부는
    상기 예측 값과 상기 제1 유량 측정 값 세트에 대응되어 지정되어 있는 정답 값을 기초로, 하기의 수학식 1의 손실함수에 따른 손실 값이 최소가 되도록 상기 CNN, 상기 LSTM 및 상기 덴스 레이어에 대한 기계학습을 수행하는 것을 특징으로 하는 전자 장치.
    [수학식 1]
    Figure 112022048755276-pat00002

    여기서, L은 손실 값, tp는 상기 제1 유량 측정 값 세트에 대응되어 지정되어 있는 정답 값, yp는 상기 예측 값을 의미함.
  5. 제1항에 있어서,
    상기 고장 판단부는
    상기 고장 판단 모델의 생성이 완료된 이후에, 고장 여부 판단의 대상이 되는 상기 제1 수도미터기로부터 수집한 상기 제1 실제 유량 측정 값 세트가 입력으로 인가되면서, 상기 제1 수도미터기가 고장인지 여부를 판단할 것을 지시하는 판단 명령이 인가되면, 상기 제1 실제 유량 측정 값 세트를 구성하는 상기 n개의 제1 실제 유량 측정 값들 중, k번째 실제 유량 측정 값부터 n번째 실제 유량 측정 값까지 총 (n-k+1)개의 실제 유량 측정 값들을 추출하는 판단용 추출부;
    상기 제1 실제 유량 측정 값 세트를 구성하는 상기 n개의 제1 실제 유량 측정 값들에 대해, 윈도우 크기가 k인 이동 평균과 이동 표준 편차를 연산함으로써, (n-k+1)개의 제1 이동 평균 값들과 (n-k+1)개의 제1 이동 표준 편차들을 생성하는 판단용 이동 연산부;
    상기 (n-k+1)개의 실제 유량 측정 값들, 상기 (n-k+1)개의 제1 이동 평균 값들, 상기 (n-k+1)개의 제1 이동 표준 편차들로부터, 실제 유량 측정 값, 이동 평균 값, 이동 표준 편차를 순차적으로 하나씩 선별하여 3차원의 벡터로 구성함으로써, 실제 유량 측정 값, 이동 평균 값, 이동 표준 편차를 성분으로 갖는 (n-k+1)개의 제1 입력 벡터들을 생성하는 판단용 벡터 생성부;
    상기 (n-k+1)개의 제1 입력 벡터들을 순차적으로 하나씩, 기계학습이 완료된 상기 CNN에 입력으로 인가하여 상기 (n-k+1)개의 제1 입력 벡터들 각각에 대응되는 출력 벡터를 순차적으로 산출함으로써, (n-k+1)개의 제1 출력 벡터들을 생성하는 판단용 출력 생성부;
    상기 (n-k+1)개의 제1 출력 벡터들을, 기계학습이 완료된 상기 LSTM의 각 타임 스텝에 순차적으로 하나씩 입력으로 인가한 후 상기 LSTM의 마지막 타임 스텝으로부터 산출되는 마지막 제1 출력 벡터를 획득하는 판단용 출력 획득부; 및
    상기 마지막 제1 출력 벡터를, 기계학습이 완료된 상기 덴스 레이어에 입력으로 인가함으로써, 정답 값과의 비교를 위한 판단용 예측 값을 산출한 후, 상기 판단용 예측 값이, 상기 제1 정답 값과 상기 제2 정답 값 중 어느 정답 값에 더 근접한 값인지 확인하여, 상기 판단용 예측 값이 상기 제1 정답 값에 더 근접한 값으로 확인된 경우, 상기 제1 수도미터기가 정상인 것으로 판단하고, 상기 판단용 예측 값이 상기 제2 정답 값에 더 근접한 값으로 확인된 경우, 상기 제1 수도미터기가 고장인 것으로 판단하는 판단 처리부
    를 포함하는 전자 장치.
  6. 인공지능 기반의 고장 판단 모델의 생성을 통해 수도미터기에 대한 고장 여부를 판단할 수 있도록 지원하는 전자 장치의 동작 방법에 있어서,
    정상인 수도미터기들과 고장인 수도미터기들로부터 사전 수집한, 복수의 유량 측정 값 세트들 - 상기 복수의 유량 측정 값 세트들 각각은, 사전 설정된 단위 시간 간격으로 수도미터기가 순차적으로 측정한 n(n은 3이상의 자연수임)개의 유량 측정 값들로 구성된 세트임 - 과 상기 복수의 유량 측정 값 세트들 각각에 대응되는 정답 값 - 상기 정상인 수도미터기들로부터 수집한 유량 측정 값 세트들에 대한 정답 값은 사전 설정된 제1 정답 값으로 지정되어 있고, 상기 고장인 수도미터기들로부터 수집한 유량 측정 값 세트들에 대한 정답 값은 사전 설정된 제2 정답 값으로 지정되어 있음 - 으로 구성된 트레이닝 세트가 저장되어 있는 트레이닝 세트 저장부를 유지하는 단계;
    상기 트레이닝 세트 저장부에 저장되어 있는 상기 복수의 유량 측정 값 세트들 중 어느 하나의 유량 측정 값 세트를 선정하여, 상기 선정된 유량 측정 값 세트와 그에 대응되는 정답 값을 기초로 수도미터기의 고장 여부를 판별하는 학습 모델을 생성하기 위한 기계학습 과정을, 상기 복수의 유량 측정 값 세트들 각각에 대해 반복 수행함으로써, 고장 판단 모델을 생성하는 단계; 및
    상기 고장 판단 모델의 생성이 완료된 이후에, 고장 여부 판단의 대상이 되는 제1 수도미터기로부터 수집한 제1 실제 유량 측정 값 세트 - 상기 제1 실제 유량 측정 값 세트는, 상기 제1 수도미터기가 상기 단위 시간 간격으로 순차적으로 측정한 n개의 제1 실제 유량 측정 값들로 구성된 세트임 - 가 입력으로 인가되면서, 상기 제1 수도미터기가 고장인지 여부를 판단할 것을 지시하는 판단 명령이 인가되면, 상기 고장 판단 모델을 기초로 상기 제1 수도미터기가 고장인지 여부를 판단하는 단계
    를 포함하고,
    상기 고장 판단 모델을 생성하는 단계는
    상기 복수의 유량 측정 값 세트들 중 어느 하나인 제1 유량 측정 값 세트가 선정됨에 따라, 상기 제1 유량 측정 값 세트에 대한 기계학습 과정이 수행되어야 하는 순서가 되는 경우, 상기 제1 유량 측정 값 세트를 구성하는 n개의 제1 유량 측정 값들 중, k(k는 2이상, n미만의 자연수임)번째 유량 측정 값부터 n번째 유량 측정 값까지 총 (n-k+1)개의 유량 측정 값들을 추출하는 단계;
    상기 제1 유량 측정 값 세트를 구성하는 상기 n개의 제1 유량 측정 값들에 대해, 윈도우 크기가 k인 이동 평균과 이동 표준 편차를 연산함으로써, (n-k+1)개의 이동 평균 값들과 (n-k+1)개의 이동 표준 편차들을 생성하는 단계;
    상기 (n-k+1)개의 유량 측정 값들, 상기 (n-k+1)개의 이동 평균 값들, 상기 (n-k+1)개의 이동 표준 편차들로부터, 유량 측정 값, 이동 평균 값, 이동 표준 편차를 순차적으로 하나씩 선별하여 3차원의 벡터로 구성함으로써, 유량 측정 값, 이동 평균 값, 이동 표준 편차를 성분으로 갖는 (n-k+1)개의 입력 벡터들을 생성하는 단계;
    상기 (n-k+1)개의 입력 벡터들을 순차적으로 하나씩 CNN(Convolutional Neural Network)에 입력으로 인가하여 상기 (n-k+1)개의 입력 벡터들 각각에 대응되는 출력 벡터를 순차적으로 산출함으로써, (n-k+1)개의 출력 벡터들을 생성하는 단계;
    상기 (n-k+1)개의 출력 벡터들을 LSTM(Long Short-Term Memory)의 각 타임 스텝에 순차적으로 하나씩 입력으로 인가한 후 상기 LSTM의 마지막 타임 스텝으로부터 산출되는 마지막 출력 벡터를 획득하는 단계; 및
    상기 마지막 출력 벡터를, 출력 값을 생성하기 위한 덴스 레이어(dense layer)에 입력으로 인가함으로써, 정답 값과의 비교를 위한 예측 값을 산출한 후, 상기 예측 값이, 상기 제1 유량 측정 값 세트에 대응되어 지정되어 있는 정답 값에 최대로 근접하도록 상기 CNN, 상기 LSTM 및 상기 덴스 레이어에 대한 기계학습을 수행하는 단계
    를 포함하는 전자 장치의 동작 방법.
  7. 삭제
  8. 제6항에 있어서,
    상기 제1 정답 값과 상기 제2 정답 값 중 어느 하나의 정답 값은 '1'로 지정되어 있고, 다른 하나의 정답 값은 '0'으로 지정되어 있으며,
    상기 기계학습을 수행하는 단계는
    상기 마지막 출력 벡터를 상기 덴스 레이어에 입력으로 인가하여 상기 덴스 레이어의 출력 값을 획득하고, 상기 덴스 레이어의 출력 값을 시그모이드(Sigmoid) 함수에 입력으로 인가함으로써, 0~1사이의 크기를 갖는 상기 예측 값을 산출한 후, 상기 예측 값이, 상기 제1 유량 측정 값 세트에 대응되어 지정되어 있는 정답 값에 최대로 근접하도록 상기 CNN, 상기 LSTM 및 상기 덴스 레이어에 대한 기계학습을 수행하는 것을 특징으로 하는 전자 장치의 동작 방법.
  9. 제8항에 있어서,
    상기 기계학습을 수행하는 단계는
    상기 예측 값과 상기 제1 유량 측정 값 세트에 대응되어 지정되어 있는 정답 값을 기초로, 하기의 수학식 1의 손실함수에 따른 손실 값이 최소가 되도록 상기 CNN, 상기 LSTM 및 상기 덴스 레이어에 대한 기계학습을 수행하는 것을 특징으로 하는 전자 장치의 동작 방법.
    [수학식 1]
    Figure 112022048755276-pat00003

    여기서, L은 손실 값, tp는 상기 제1 유량 측정 값 세트에 대응되어 지정되어 있는 정답 값, yp는 상기 예측 값을 의미함.
  10. 제6항에 있어서,
    상기 고장인지 여부를 판단하는 단계는
    상기 고장 판단 모델의 생성이 완료된 이후에, 고장 여부 판단의 대상이 되는 상기 제1 수도미터기로부터 수집한 상기 제1 실제 유량 측정 값 세트가 입력으로 인가되면서, 상기 제1 수도미터기가 고장인지 여부를 판단할 것을 지시하는 판단 명령이 인가되면, 상기 제1 실제 유량 측정 값 세트를 구성하는 상기 n개의 제1 실제 유량 측정 값들 중, k번째 실제 유량 측정 값부터 n번째 실제 유량 측정 값까지 총 (n-k+1)개의 실제 유량 측정 값들을 추출하는 단계;
    상기 제1 실제 유량 측정 값 세트를 구성하는 상기 n개의 제1 실제 유량 측정 값들에 대해, 윈도우 크기가 k인 이동 평균과 이동 표준 편차를 연산함으로써, (n-k+1)개의 제1 이동 평균 값들과 (n-k+1)개의 제1 이동 표준 편차들을 생성하는 단계;
    상기 (n-k+1)개의 실제 유량 측정 값들, 상기 (n-k+1)개의 제1 이동 평균 값들, 상기 (n-k+1)개의 제1 이동 표준 편차들로부터, 실제 유량 측정 값, 이동 평균 값, 이동 표준 편차를 순차적으로 하나씩 선별하여 3차원의 벡터로 구성함으로써, 실제 유량 측정 값, 이동 평균 값, 이동 표준 편차를 성분으로 갖는 (n-k+1)개의 제1 입력 벡터들을 생성하는 단계;
    상기 (n-k+1)개의 제1 입력 벡터들을 순차적으로 하나씩, 기계학습이 완료된 상기 CNN에 입력으로 인가하여 상기 (n-k+1)개의 제1 입력 벡터들 각각에 대응되는 출력 벡터를 순차적으로 산출함으로써, (n-k+1)개의 제1 출력 벡터들을 생성하는 단계;
    상기 (n-k+1)개의 제1 출력 벡터들을, 기계학습이 완료된 상기 LSTM의 각 타임 스텝에 순차적으로 하나씩 입력으로 인가한 후 상기 LSTM의 마지막 타임 스텝으로부터 산출되는 마지막 제1 출력 벡터를 획득하는 단계; 및
    상기 마지막 제1 출력 벡터를, 기계학습이 완료된 상기 덴스 레이어에 입력으로 인가함으로써, 정답 값과의 비교를 위한 판단용 예측 값을 산출한 후, 상기 판단용 예측 값이, 상기 제1 정답 값과 상기 제2 정답 값 중 어느 정답 값에 더 근접한 값인지 확인하여, 상기 판단용 예측 값이 상기 제1 정답 값에 더 근접한 값으로 확인된 경우, 상기 제1 수도미터기가 정상인 것으로 판단하고, 상기 판단용 예측 값이 상기 제2 정답 값에 더 근접한 값으로 확인된 경우, 상기 제1 수도미터기가 고장인 것으로 판단하는 단계
    를 포함하는 전자 장치의 동작 방법.
  11. 제6항, 제8항, 제9항 또는 제10항 중 어느 한 항의 방법을 컴퓨터와의 결합을 통해 실행시키기 위한 컴퓨터 프로그램을 기록한 컴퓨터 판독 가능 기록 매체.
  12. 제6항, 제8항, 제9항 또는 제10항 중 어느 한 항의 방법을 컴퓨터와의 결합을 통해 실행시키기 위한 저장매체에 저장된 컴퓨터 프로그램.
KR1020220056392A 2022-05-09 2022-05-09 인공지능 기반의 고장 판단 모델의 생성을 통해 수도미터기에 대한 고장 여부를 판단할 수 있도록 지원하는 전자 장치 및 그 동작 방법 KR102491128B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220056392A KR102491128B1 (ko) 2022-05-09 2022-05-09 인공지능 기반의 고장 판단 모델의 생성을 통해 수도미터기에 대한 고장 여부를 판단할 수 있도록 지원하는 전자 장치 및 그 동작 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220056392A KR102491128B1 (ko) 2022-05-09 2022-05-09 인공지능 기반의 고장 판단 모델의 생성을 통해 수도미터기에 대한 고장 여부를 판단할 수 있도록 지원하는 전자 장치 및 그 동작 방법

Publications (1)

Publication Number Publication Date
KR102491128B1 true KR102491128B1 (ko) 2023-01-19

Family

ID=85078200

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220056392A KR102491128B1 (ko) 2022-05-09 2022-05-09 인공지능 기반의 고장 판단 모델의 생성을 통해 수도미터기에 대한 고장 여부를 판단할 수 있도록 지원하는 전자 장치 및 그 동작 방법

Country Status (1)

Country Link
KR (1) KR102491128B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130020386A (ko) * 2011-08-19 2013-02-27 주식회사 케이티 전력량 데이터 검증 장치，전력량 데이터 검증 장치를 포함하는 전력량 데이터 검증 시스템，및 전력량 데이터 검증 방법
KR101896015B1 (ko) * 2018-01-25 2018-09-06 (주)베스트인포텍 Ai형 원격 검침시스템
KR20190018293A (ko) * 2017-08-14 2019-02-22 오토시맨틱스 주식회사 딥러닝을 통한 음향기반 상수도 누수 진단 방법
KR102226871B1 (ko) * 2020-10-26 2021-03-10 인천대학교 산학협력단 수도 관망 내에서의 누수 심각도 여부를 모니터링하는 인공지능 기반의 누수 모니터링 장치 및 그 동작 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130020386A (ko) * 2011-08-19 2013-02-27 주식회사 케이티 전력량 데이터 검증 장치，전력량 데이터 검증 장치를 포함하는 전력량 데이터 검증 시스템，및 전력량 데이터 검증 방법
KR20190018293A (ko) * 2017-08-14 2019-02-22 오토시맨틱스 주식회사 딥러닝을 통한 음향기반 상수도 누수 진단 방법
KR101896015B1 (ko) * 2018-01-25 2018-09-06 (주)베스트인포텍 Ai형 원격 검침시스템
KR102226871B1 (ko) * 2020-10-26 2021-03-10 인천대학교 산학협력단 수도 관망 내에서의 누수 심각도 여부를 모니터링하는 인공지능 기반의 누수 모니터링 장치 및 그 동작 방법

Similar Documents

Publication Publication Date Title
CN109271933A (zh) 基于视频流进行三维人体姿态估计的方法
CN110728682B (zh) 一种基于残差金字塔池化神经网络的语义分割方法
CN110782462A (zh) 一种基于双流特征融合的语义分割方法
JP6127219B2 (ja) 顔画像のデータから顔特徴を抽出する方法、およびシステム
CN112541572B (zh) 基于卷积编码器-解码器网络的剩余油分布预测方法
CN110147745B (zh) 一种视频关键帧检测方法及装置
CN112862689B (zh) 一种图像超分辨率重建方法及系统
JP2018132969A (ja) 文章作成装置
KR102226871B1 (ko) 수도 관망 내에서의 누수 심각도 여부를 모니터링하는 인공지능 기반의 누수 모니터링 장치 및 그 동작 방법
KR20190125029A (ko) 시계열 적대적인 신경망 기반의 텍스트-비디오 생성 방법 및 장치
CN112651360A (zh) 一种小样本下骨架动作识别方法
CN110610140B (zh) 人脸识别模型的训练方法、装置、设备及可读存储介质
CN114519844A (zh) 一种基于视觉转化器的人群密度估计方法及系统
CN111832693A (zh) 神经网络层运算、模型训练方法、装置及设备
KR102491128B1 (ko) 인공지능 기반의 고장 판단 모델의 생성을 통해 수도미터기에 대한 고장 여부를 판단할 수 있도록 지원하는 전자 장치 및 그 동작 방법
Xie et al. Adaptive densely connected single image super-resolution
CN113449824A (zh) 视频处理方法、装置及计算机可读存储介质
CN115984949A (zh) 一种带有注意力机制的低质量人脸图像识别方法及设备
CN107220710B (zh) 稀缺样本数据集条件下bn模型参数的计算方法
CN114485417B (zh) 一种结构振动位移识别方法及系统
KR20240030499A (ko) 학습 데이터의 전처리를 기반으로 하는, 인공지능 기반의 고장 판단 모델의 생성을 통해 계량기에 대한 고장 여부를 판단할 수 있는 전자 장치 및 그 동작 방법
CN115909088A (zh) 基于超分辨特征聚合的光学遥感图像目标检测方法
JP2021056928A (ja) 最適解獲得プログラム、最適解獲得方法および情報処理装置
CN110990761B (zh) 水文模型参数率定方法、装置、计算机设备和存储介质
CN117036361B (zh) 一种电网输电线烟雾检测方法、系统、电子设备及介质

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant