KR102495864B1 - 디지털 트윈 모델을 도출하는 장치, 방법 및 컴퓨터 프로그램 - Google Patents
디지털 트윈 모델을 도출하는 장치, 방법 및 컴퓨터 프로그램 Download PDFInfo
- Publication number
- KR102495864B1 KR102495864B1 KR1020210177733A KR20210177733A KR102495864B1 KR 102495864 B1 KR102495864 B1 KR 102495864B1 KR 1020210177733 A KR1020210177733 A KR 1020210177733A KR 20210177733 A KR20210177733 A KR 20210177733A KR 102495864 B1 KR102495864 B1 KR 102495864B1
- Authority
- KR
- South Korea
- Prior art keywords
- digital twin
- data set
- model
- learning
- twin model
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004590 computer program Methods 0.000 title claims description 20
- 238000013145 classification model Methods 0.000 claims abstract description 55
- 238000007781 pre-processing Methods 0.000 claims abstract description 41
- 238000009795 derivation Methods 0.000 claims abstract description 29
- 238000013480 data collection Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012800 visualization Methods 0.000 description 53
- 238000004088 simulation Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
Images
Classifications
-
- 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
- G06N7/00—Computing arrangements based on specific mathematical models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
디지털 트윈 모델을 도출하는 장치는 관리하고자 하는 대상 영역에 대한 복수의 디지털 트윈 모델과 매핑된 복수의 센서로부터 센싱 데이터를 수집하는 데이터 수집부, 상기 수집된 센싱 데이터에 대한 전처리 프로세스를 수행하여 가중치가 부여된 계층 데이터 셋을 생성하는 전처리부 및 기학습된 분류 모델을 이용하여 상기 복수의 디지털 트윈 모델 중 상기 계층 데이터 셋에 해당하는 적어도 어느 하나의 디지털 트윈 모델에 대한 정보를 도출하는 도출부를 포함한다.
Description
본 발명은 디지털 트윈 모델을 도출하는 장치, 방법 및 컴퓨터 프로그램에 관한 것이다.
디지털 트윈(Digital Twin) 기술이란 컴퓨터에 현실 속 사물의 쌍둥이를 생성하고, 현실에서 발생할 수 있는 상황을 컴퓨터로 시뮬레이션함으로써 결과를 미리 예측하는 기술을 의미한다. 디지털 트윈은 물리적 세계를 최적화하기 위해 사용될 수 있는 디지털 객체로서, 운용 성능과 사업 프로세스를 대폭 개선할 수 있어, 제조업뿐만 아니라, 다양한 산업/사회 문제를 해결할 수 있는 기술로 주목받고 있다.
이러한 디지털 트윈 기술과 관련하여, 선행기술인 한국등록특허 제10-2067095호는 디지털 트윈 장치를 개시하고 있다.
최근에는 디지털 트윈 기술이 건물 관리 시스템(BMS, Building Management System)에 적용됨으로써, 건물에서 발생 가능한 재해 이벤트를 시뮬레이션을 통해 미리 예측할 수 있게 되었다. 또한, 건물에서 발생 가능한 재해 이벤트를 미리 예측함으로써, 관리자가 이벤트의 발생을 사전에 예방하도록 할 수 있게 하였다.
관리하고자 하는 대상 영역에 대한 복수의 디지털 트윈 모델과 매핑된 복수의 센서로부터 센싱 데이터를 수집하고, 수집된 센싱 데이터에 대한 전처리 프로세스를 수행하여 계층 데이터 셋 또는 가중치가 부여된 계층 데이터 셋을 생성하는 장치, 방법 및 컴퓨터 프로그램을 제공하고자 한다.
기학습된 분류 모델을 이용하여 복수의 디지털 트윈 모델 중 계층 데이터 셋에 해당하는 적어도 어느 하나의 디지털 트윈 모델에 대한 정보를 도출하는 장치, 방법 및 컴퓨터 프로그램을 제공하고자 한다.
디지털 트윈 모델에 대한 정보에 기초하여 시각화 정보를 생성하는 장치, 방법 및 컴퓨터 프로그램을 제공하고자 한다.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 달성하기 위한 수단으로서, 본 발명의 일 실시예는, 관리하고자 하는 대상 영역에 대한 복수의 디지털 트윈 모델과 매핑된 복수의 센서로부터 센싱 데이터를 수집하는 데이터 수집부, 상기 수집된 센싱 데이터에 대한 전처리 프로세스를 수행하여 가중치가 부여된 계층 데이터 셋을 생성하는 전처리부 및 기학습된 분류 모델을 이용하여 상기 복수의 디지털 트윈 모델 중 상기 계층 데이터 셋에 해당하는 적어도 어느 하나의 디지털 트윈 모델에 대한 정보를 도출하는 도출부를 포함하는 디지털 트윈 모델 도출 장치를 제공할 수 있다.
본 발명의 다른 실시예는, 관리하고자 하는 대상 영역에 대한 복수의 디지털 트윈 모델과 매핑된 복수의 센서로부터 센싱 데이터를 수집하는 단계, 상기 수집된 센싱 데이터에 대한 전처리 프로세스를 수행하여 가중치가 부여된 계층 데이터 셋을 생성하는 단계 및 기학습된 분류 모델을 이용하여 상기 복수의 디지털 트윈 모델 중 상기 계층 데이터 셋에 해당하는 적어도 어느 하나의 디지털 트윈 모델에 대한 정보를 도출하는 단계를 포함하는 디지털 트윈 모델 도출 방법을 제공할 수 있다.
본 발명의 또 다른 실시예는, 컴퓨터 프로그램은 컴퓨팅 장치에 의해 실행될 경우, 관리하고자 하는 대상 영역에 대한 복수의 디지털 트윈 모델과 매핑된 복수의 센서로부터 센싱 데이터를 수집하고, 상기 수집된 센싱 데이터에 대한 전처리 프로세스를 수행하여 가중치가 부여된 계층 데이터 셋을 생성하고, 기학습된 분류 모델을 이용하여 상기 복수의 디지털 트윈 모델 중 상기 계층 데이터 셋에 해당하는 적어도 어느 하나의 디지털 트윈 모델에 대한 정보를 도출하도록 하는 명령어들의 시퀀스를 포함하는 컴퓨터 판독가능 기록매체에 저장된 컴퓨터 프로그램을 제공할 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본 발명을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 기재된 추가적인 실시예가 존재할 수 있다.
전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 지하공동구와 같이 관리하고자 하는 대상 영역에 대한 복수의 디지털 트윈 모델과 매핑된 복수의 센서로부터 센싱 데이터를 수집하고, 수집된 센싱 데이터에 대한 전처리 프로세스를 수행하여 계층 데이터 셋을 생성함으로써, 복수의 디지털 트윈 모델 중 어느 디지털 트윈 모델을 이용하여 관리 이벤트의 발생을 판단할지를 결정할 수 있도록 하는 장치, 방법 및 컴퓨터 프로그램을 제공할 수 있다.
특정 디지털 트윈 모델과 매핑된 복수의 센서 중 특정 이벤트를 판단하는데 지배적인 영향을 미치는 센서에 기초하여 센싱 데이터 간의 서로 다른 가중치를 부여함으로써, 센싱 데이터에 대한 전처리 프로세스를 수행하여 센서 간의 계층 구조에 기초하여 가중치가 부여된 계층 데이터 셋을 생성하도록 하는 장치, 방법 및 컴퓨터 프로그램을 제공할 수 있다.
기학습된 분류 모델을 이용하여 복수의 디지털 트윈 모델 중 계층 데이터 셋에 해당하는 적어도 하나의 디지털 트윈 모델에 정보를 도출하여, 복수의 디지털 트윈 모델 중 특정 디지털 트윈 모델을 특정시킨 후, 특정 디지털 트윈 모델에 대한 확률값을 도출하는 장치, 방법 및 컴퓨터 프로그램을 제공할 수 있다.
디지털 트윈 모델에 대한 확률값에 기초하여 시각화 정보를 동적으로 생성하고, 시각화 정보의 크기 및 투명도를 조절함으로써, 디지털 트윈 모델에서 관리하는 관리 이벤트의 발생 여부가 가시화되도록 시각화 정보를 생성하는 장치, 방법 및 컴퓨터 프로그램을 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 장치의 구성도이다.
도 2는 본 발명의 일 실시예에 따른 복수의 디지털 트윈 모델과 매핑된 복수의 센서를 도시한 예시적인 도면이다.
도 3은 본 발명의 일 실시예에 따른 디지털 트윈 모델에 정보에 기초하여 생성된 시각화 정보를 도시한 예시적인 도면이다.
도 4는 본 발명의 일 실시예에 따른 장치에서 수행되는 디지털 트윈 모델에 대한 시각화 정보를 생성하는 방법의 순서도이다.
도 5는 본 발명의 일 실시예에 따른 장치에서 수행되는 디지털 트윈 모델을 도출하는 방법의 순서도이다.
도 2는 본 발명의 일 실시예에 따른 복수의 디지털 트윈 모델과 매핑된 복수의 센서를 도시한 예시적인 도면이다.
도 3은 본 발명의 일 실시예에 따른 디지털 트윈 모델에 정보에 기초하여 생성된 시각화 정보를 도시한 예시적인 도면이다.
도 4는 본 발명의 일 실시예에 따른 장치에서 수행되는 디지털 트윈 모델에 대한 시각화 정보를 생성하는 방법의 순서도이다.
도 5는 본 발명의 일 실시예에 따른 장치에서 수행되는 디지털 트윈 모델을 도출하는 방법의 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다.
본 명세서에 있어서 단말 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말 또는 디바이스에서 수행될 수도 있다.
이하 첨부된 도면을 참고하여 본 발명의 일 실시예를 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 장치의 구성도이다. 도 1을 참조하면, 장치(100)는 학습부(110), 데이터 수집부(120), 전처리부(130), 도출부(140) 및 시각화 정보 생성부(150)를 포함할 수 있다. 데이터 수집부(120)는 관리하고자 하는 대상 영역에 대한 복수의 디지털 트윈 모델과 매핑된 복수의 센서로부터 센싱 데이터를 수집할 수 있다. 여기서, 관리하고자 하는 대상 영역은 지하철역사와 같은 지하공동구일 수 있으며, 다양한 건물의 영역에 해당할 수 있으며, 이에 한정하지 않는다.
디지털 트윈 모델이란 컴퓨터에 현실 속 사물의 쌍둥이를 생성하여, 현실에서 발생 가능한 상황을 컴퓨터로 시뮬레이션함으로써 결과를 미리 예측하는 기술로, 예를 들어, 지하공동구에 대해 발생 가능한 재해 상황을 시뮬레이션을 할 수 있도록 하는 모델일 수 있다. 여기서, 잠시 디지털 트윈 모델에 대해 설명하도록 한다. 디지털 트윈 모델이란 지하공동구와 같이 관리하고자 하는 대상 영역에 대해 재해(예를 들어, 화재, 침수, 지진 등)와 관련된 특정 이벤트의 발생을 예측 또는 시뮬레이션할 수 있도록 하는 모델일 수 있다. 디지털 트윈 모델은 예측 또는 시뮬레이션하고자 하는 이벤트와 관련된 관리 데이터, 동적 모형 데이터, 시뮬레이션 데이터, 센싱 데이터, 공간 형상 데이터에 기초하여 생성될 수 있다.
각 디지털 트윈 모델은 각 디지털 트윈 모델과 관련된 각각의 센서와 매핑될 수 있다.
각 디지털 트윈 모델은 각 디지털 트윈 모델과 매핑된 센서로부터 수집된 센싱 데이터를 입력받아 특정 이벤트에 대한 발생을 예측 또는 시뮬레이션할 수 있다. 여기서, 예측 또는 시뮬레이션하고자 하는 복수의 특정 이벤트와 대응되는 복수의 디지털 트윈 모델이 미리 생성될 수 있다.
각 디지털 트윈 모델은 대상 영역에 대해 제 1 기본 데이터에 해당하는 공간 형상 데이터(Space object Data), 제 2 기본 데이터에 해당하는 센싱 데이터(Sensing Data), 제 3 기본 데이터에 해당하는 시뮬레이션 데이터(Simulation Data), 제 4 기본 데이터에 해당하는 동적 모형 데이터(Dynamic model Data), 제 5 계층에 해당하는 관리 데이터(Management Data)으로 구성된 기본 데이터를 포함할 수 있다.
공간 형상 데이터는 하나의 객체에 대한 데이터가 정의된 것으로, 예를 들어, 대상 영역인 지하공동구를 표출하기 위한 공간 정보 또는 오브젝트 데이터를 의미할 수 있다. 센싱 데이터는 복수의 센서로부터 측정된 데이터로, 예를 들어, 대상 영역인 지하공동구에 설치된 복수의 센서로부터 측정된 데이터를 의미할 수 있다. 시뮬레이션 데이터는 시뮬레이션을 통해 생성되는 예측 또는 소요 데이터로, 예를 들어, 대상 영역인 지하공동구의 위험도를 예측하는 가상 시뮬레이션에 적용되는 데이터를 의미할 수 있다. 동적 모형 데이터는 행위나 사용자별 서비스 대한 디지털 트윈 모델의 생성을 위한 데이터로, 예를 들어, 상황에 따른 사용자별 행위 및 대응하기 위한 데이터로, 즉, 대상 영역인 지하공동구에서 공간과 사용자에게 제공되는 동적 서비스를 의미할 수 있다. 관리 데이터는 위험도 상황에 대응을 위한 유관, 연계 기관 및 관리 데이터로, 예를 들어, 대상 영역인 지하공동구를 관리하는 기관의 데이터를 의미할 수 있다.
각 디지털 트윈 모델은 제 1 내지 제 5 기본 데이터의 조합을 통해 생성될 수 있다. 예를 들어, 제 1 기본 데이터에 해당하는 공간 정보 데이터 및 제 2 기본 데이터에 해당하는 센싱 데이터의 조합을 통해 공간 정보 데이터(Service Information Data)가 생성되고, 공간 정보 데이터 및 제 3 기본 데이터에 해당하는 시뮬레이션 데이터의 조합을 통해 예측 확산 데이터(Prediction spread Data)가 생성되고, 예측 확산 데이터 및 제 4 기본 데이터에 해당하는 동적 모형 데이터의 조합을 통해 예방 대응 데이터(Prevention response Data)가 생성되고, 예방 대응 데이터 및 제 5 기본 데이터에 해당하는 관리 데이터의 조합을 통해 재난 관리 데이터(Disaster management Data)가 생성됨으로써, 각 디지털 트윈 모델이 생성될 수 있다.
복수의 디지털 트윈 모델과 매핑된 복수의 센서로부터 센싱 데이터를 수집하는 과정에 대해서는 도 2를 통해 상세히 설명하도록 한다.
도 2는 본 발명의 일 실시예에 따른 복수의 디지털 트윈 모델과 매핑된 복수의 센서를 도시한 예시적인 도면이다. 도 2를 참조하면, 복수의 디지털 트윈 모델(200)은 예를 들어, 화재 디지털 트윈 모델(201), 침수 디지털 트윈 모델(220), 지진 디지털 트윈 모델(230), 침입 디지털 트윈 모델(240), 파손 디지털 트윈 모델(250) 등을 포함할 수 있다.
데이터 수집부(120)는 관리하고자 하는 대상 영역에 대한 복수의 디지털 트윈 모델과 매핑된 복수의 센서로부터 센싱 데이터를 수집할 수 있다. 여기서, 센싱 데이터는 복수의 센서 각각에 대한 센싱값 및 해당 센서가 설치된 위치 정보(예를 들어, BF2/제 2 영역(region)/제 3 섹터(sector) 등)를 포함할 수 있다.
예를 들어, 데이터 수집부(120)는 대상 영역에 대한 화재 디지털 트윈 모델(210)과 매핑된 환경 센서, 영상 센서, 전력선 센서 각각으로부터 센싱 데이터를 수집할 수 있다. 여기서, 환경 센서는 예를 들어, CO2 센서, CO 센서, O2 센서, 불꽃 센서, 연기 센서, 온도 센서, 습도 센서, NO2 센서, H25 센서 등을 포함하고, 영상 센서는 열화상 센서, 저조도 영상 센서 등을 포함하고, 전력선 센서는 PD 센서, 피복 온도 센서 등을 포함할 수 있다.
다른 예를 들어, 데이터 수집부(120)는 대상 영역에 대한 침수 디지털 트윈 모델(220)과 매핑된 습도 센서, 수위 레벨 센서 등으로부터 센싱 데이터를 수집할 수 있다.
또 다른 예를 들어, 데이터 수집부(120)는 대상 영역에 대한 지진 디지털 트윈 모델(230)과 매핑된 진동 센서, 상수도관 진동 센서, LiDAR 등으로부터 센싱 데이터를 수집할 수 있다.
또 다른 예를 들어, 데이터 수집부(120)는 대상 영역에 대한 침입 디지털 트윈 모델(240)과 매핑된 열화상 센서, 저조도 영상 센서, 음향 감지 센서, 출입 감지 센서 등으로부터 센싱 데이터를 수집할 수 있다.
또 다른 예를 들어, 데이터 수집부(120)는 대상 영역에 대한 파손 디지털 트윈 모델(250)과 매핑된 상수도관 진동 센서, LiDAR 등으로부터 센싱 데이터를 수집할 수 있다.
다시 도 1로 돌아와서, 제 1 실시예에 따르면, 장치(100)는 기생성된 복수의 디지털 트윈 모델 중 센싱 데이터에 기초하여 생성된 계층 데이터 셋에 해당하는 디지털 트윈 모델에 대한 정보를 도출할 수 있다.
전처리부(130)는 수집된 센싱 데이터에 대해 전처리 프로세스를 수행하여 계층 데이터 셋을 생성할 수 있다. 여기서, 계층 데이터 셋은 실시간으로 무작위로 생성된 센싱 데이터 기반의 데이터 셋으로, 센싱 데이터를 생성한 센서의 위치 정보를 포함할 수 있다. 전처리부(130)는 후술할 분류 모델을 학습시키기 위해 계층 데이터 셋을 생성할 수 있고, 실시간 현장 상황에 해당하는 특정 디지털 트윈 모델을 도출하기 위해 계층 데이터 셋을 생성할 수도 있다.
예를 들어, 대상 영역에 대해 3개의 디지털 트윈 모델 및 센서 A, 센서 B, 센서 C, 센서 D, 센서 E와 같이 5개의 센서가 존재하고, 디지털 트윈 모델 1과 센서 A, 센서 B, 센서 D가 매핑되고, 디지털 트윈 모델 2와 센서 A, 센서 D, 센서 E가 매핑되고, 디지털 트윈 모델 3과 센서 B, 센서 D, 센서 E, 센서 F가 매핑되었다고 가정하자. 이 경우. 전처리부(130)는 '센서 A 값/센서 B 값/센서 C 값/센서 D 값/센서 E 값'에 해당하는 데이터 형태와 같이 구성된 계층 데이터 셋을 생성할 수 있다.
학습부(110)는 분류 모델을 최초 학습시키기 위해, 복수의 센서로부터 수집된 센싱 데이터에 기초하여 학습 데이터 셋을 생성할 수 있다. 구체적으로, 학습부(110)는 수집된 센싱 데이터를 이용하여 생성된 계측 데이터 셋에 복수의 디지털 트윈 모델 중 해당 계측 데이터 셋에 해당하는 디지털 트윈 모델의 식별 번호(클래스 값)를 결합하여 학습 데이터 셋을 생성할 수 있다. 여기서, 학습 데이터 셋은 대상 영역의 현장에서 특정 재해 상황을 인위적으로 재현하면서 수집된 센싱 데이터를 기반으로 생성된 정답 데이터 셋일 수 있다.
예를 들어, 데이터 수집부(120)는 대상 영역의 현장에서 디지털 트윈 모델 F에 의해 관리 되는 특정 재해 상황의 재현을 통해 복수의 센서로부터 측정된 센싱 데이터를 수집할 수 있다, 이 후, 전처리부(130)는 수집된 센싱 데이터에 기초하여 '센서 A 값/센서 B 값/센서 C 값/센서 D 값/센서 E 값'에 해당하는 데이터 형태와 같이 구성된 계층 데이터 셋을 생성할 수 있다. 그리고, 학습부(110)는 생성된 해당 계측 데이터 셋에 대응하는 디지털 트윈 모델 F의 식별번호(클래스 값)를 해당 계측 데이터 셋에 결합하여 학습 데이터 셋을 생성할 수 있다.
학습부(110)는 학습 데이터 셋을 분류 모델에 입력하고, 복수의 디지털 트윈 모델 중 입력된 학습 데이터 셋에 기초하여 해당 학습 데이터 셋에 대응하는 특정 디지털 트윈 모델을 분류하기 위해 필요한 최적 계수값을 도출하도록 분류 모델을 학습시킬 수 있다. 예를 들어, 학습부(110)는 '센서 A 값/센서 B 값/센서 C 값/센서 D 값/센서 E 값/디지털 트윈 모델 F의 식별번호'로 구성된 학습 데이터 셋을 분류 모델에 입력하고, 입력된 학습 데이터 셋에 포함된 계측 데이터 셋을 복수의 디지털 트윈 모델 중 디지털 트윈 모델 F로 분류하기 위해 필요한 최적 계수값을 도출하도록 분류 모델을 학습시킬 수 있다.
이러한 과정을 통해 학습부는 복수의 디지털 트윈 모델 각각에 대응하는 학습 데이터 셋을 입력받아 각각의 디지털 트윈 모델을 분류할 수 있도록 최적 계수값을 도출함으로써 분류 모델을 학습시킬 수 있다.
이 후, 학습부(110)는 분류 모델에 대한 최초 학습이 완료된 후에, 실제 모니터링되고 있는 상황으로부터 수집된 센싱 데이터에 기초하여 기학습된 분류 모델을 실시간으로 업데이트시킬 수 있다.
도출부(140)는 기학습된 분류 모델을 이용하여 복수의 디지털 트윈 모델 중 계층 데이터 셋에 해당하는 적어도 어느 하나의 디지털 트윈 모델에 대한 정보를 도출할 수 있다.
예를 들어, 전처리부(130)는 현재 실제 상황에 대응되는 특정 디지털 트윈 모델을 도출하기 위해 실시간을 수집되는 센싱 데이터를 이용하여 계층 데이터 셋을 생성하고, 도출부(140)는 생성된 계층 데이터 셋을 기합습된 분류 모델에 입력하여 복수의 디지털 트윈 모델 중 계층 데이터 셋에 해당하는 디지털 트윈 모델에 대한 클래스 정보(예를 들어, 디지털 트윈 모델명에 해당하는 클래스 값) 및 디지털 트윈 모델에서 관리하는 관리 이벤트(예를 들어, 화재, 침수, 지진, 파손 등)가 발생할 확률값(예를 들어, 해당 클래스에 대한 확률값)을 도출할 수 있다.
다른 예를 들어, 도출부(140)는 계층 데이터 셋이 입력된 분류 모델을 이용하여 복수의 디지털 트윈 모델 각각에서 관리하는 관리 이벤트가 발생할 복수의 확률값을 각각 도출할 수 있다.
제 2 실시예에 따르면, 장치(100)는 기생성된 복수의 디지털 트윈 모델 중 센싱 데이터에 기초하여 생성된 가중치가 부여된 계층 데이터 셋에 해당하는 디지털 트윈 모델에 대한 정보를 도출할 수 있다. 전처리부(130)는 상술된 방법과 같이 생성된 학습 데이터 셋에 복수의 테스트 가중치 셋을 부여할 수 있다. 예를 들어, 전처리부(130)는 '센서 A 값/센서 B 값/센서 C 값/센서 D 값/센서 E 값/디지털 트윈 모델 F의 식별번호'로 구성된 학습 데이터 셋에 각 센싱 데이터에 대한 랜덤한 가중치 값을 포함하는 테스트 가중치 셋(예를 들어, '센서 A 값: 0.4/센서 B 값: 0.9/센서 C 값: 0.1/센서 D 값: 0.0/센서 E 값: 0.1')을 부여할 수 있다. 그리고, 학습부(110)는 분류 모델을 최초 학습시키기 위해, 복수의 테스트 가중치 셋이 부여된 복수의 학습 데이터 셋을 분류 모델에 입력하여 분류 모델의 최적 계수값이 도출되도록 학습시킬 수 있다.
전처리부(130)는 복수의 테스트 가중치 셋이 부여된 복수의 학습 데이터 셋 중 분류 모델로부터 가장 높은 스코어가 도출된 최적 계수값에 해당하는 학습 데이터 셋을 도출하고, 도출된 학습 데이터 셋에 부여된 테스트 가중치 셋을 도출된 학습 데이터 셋에 포함된 클래스 정보에 해당하는 디지털 트윈 모델의 최적 가중치 셋으로 설정할 수 있다. 즉, 최적 가중치 셋은 분류 모델을 학습시키는 과정에서 최적 계수값과 함께 도출될 수 있다.
전처리부(130)는 복수의 디지털 트윈 모델 별로 위의 작업을 반복하여 복수의 디지털 트윈 모델 마다 최적 가중치 셋을 설정할 수 있다. 예를 들어, 대상 영역에 대해 10개의 디지털 트윈 모델이 존재하는 경우, 전처리부(130)는 각 디지털 트윈 모델 에 해당하는 10개의 최적 가중치 셋을 도출할 수 있다.
이는, 대상 영역에 설치된 복수의 센서 중 어느 센서의 센싱 데이터가 특정 재해 상황에서 지배적인지를 이론적으로 도출한 후, 복수의 센서 간의 가중치를 차등적으로 부여하기 위함이다. 이러한 과정을 통해, 디지털 트윈 모델별로 매핑된 센서들 중 가장 지배적인 영향을 미치는 센서에 대해 가중치를 부여함으로써, 분류 모델이 높은 정확도로 디지털 트윈 모델에 대한 정보를 도출하도록 할 수 있다.
이 후, 전처리부(130)는 현재 실제 상황에 대응되는 특정 디지털 트윈 모델을 도출하기 위해 실시간을 수집되는 수집된 센싱 데이터에 대한 전처리 프로세스를 수행하여 가중치가 부여된 계층 데이터 셋을 생성할 수 있다. 이 때, 전처리부(130)는 생성된 계층 데이터 셋에 복수의 디지털 트윈 모델에 대응하여 설정된 복수의 최적 가중치 셋을 부여할 수 있다. 예를 들어, 대상 영역에 대해 5개의 디지털 트윈 모델이 존재하는 경우, 전처리부(130)는 실시간으로 수집된 센싱 데이터에 기초하여 계측 데이터 셋을 생성하고, 각 디지털 트윈 모델에 대응하는 총 5개의 최적 가중치 셋 각각을 계층 데이터 셋에 부여할 수 있다. 도출부(140)는 각 모델에 대응하는 최적 가중치가 부여된 5개의 계층 데이터 셋을 기학습된 분류 모델에 입력하고, 기학습된 분류 모델은 분류 가능성이 가장 높은 디지털 트윈 모델명(클래스값) 및 해당 디지털 트윈 모델에서 특정 상황을 예측한 확률값(예를 들어, 해당 클래스에 대한 확률값)을 도출할 수 있다. 이 때, 디지털 트윈 모델별로 예측된 확률값이 출력될 수 있다.
이를 통해, 전처리부(130)는 복수의 센서에 의해 무작위로 생성된 센싱 데이터에 대해 센서별 가중치를 고려하여 센싱 데이터를 재배열한 계층 데이터 셋을 생성할 수 있다.
이러한 전처리 프로세스를 통해, 관리하고자 하는 대상 영역에 대해 복수의 센서로부터 A 센싱 데이터 내지 Z 센싱 데이터가 실시간으로 수집된 경우, 빅 데이터를 정렬할 수 있도록 센싱 데이터에 대해 전처리를 수행함으로써, 가중치가 부여된 계층 데이터 셋을 생성할 수 있다.
만약, 전처리 프로세스를 수행하지 않은 경우, 무작위로 발생된 A 센싱 데이터 내지 Z 센싱 데이터에 기초하여 복수의 디지털 트윈 모델 중 어느 디지털 트윈 모델을 통해 관리 이벤트의 발생을 판단할지를 결정하기 어려워진다는 단점이 존재한다.
또한, 특정 디지털 트윈 모델과 매핑된 복수의 센서 중 관리 이벤트 발생 여부를 판단함에 있어서 지배적인 영향을 미치는 센서가 있다는 점에 기초하여 센싱 데이터 간의 서로 다른 가중치를 부여함으로써, 복수의 센서 간의 계층 구조를 가지도록 하는 계층 데이터 셋을 생성할 수 있다.
도출부(140)는 기학습된 분류 모델을 이용하여 복수의 디지털 트윈 모델 중 계층 데이터 셋에 해당하는 적어도 어느 하나의 디지털 트윈 모델에 대한 정보를 도출할 수 있다.
예를 들어, 도출부(140)는 최적 가중치 셋이 부여된 계층 데이터 셋을 분류 모델에 입력할 수 있다. 도출부(140)는 분류 모델을 이용하여 복수의 디지털 트윈 모델 중 최적 가중치 셋이 부여된 계층 데이터 셋에 해당하는 디지털 트윈 모델에 대한 클래스 정보(디지털 트윈 모델명에 해당하는 클래스 값) 및 디지털 트윈 모델에 대한 확률값(해당 클래스에 대한 확률값)을 도출할 수 있다.
예를 들어, 대상 영역에 대해 5개의 디지털 트윈 모델이 존재하는 경우, 전처리부(130)는 5개의 디지털 트윈 모델별로 최적 가중치 셋을 설정할 수 있다. 이 때, 센싱 데이터가 실시간으로 수집된 경우, 전처리부(130)는 5개의 디지털 트윈 모델별로 최적 가중치 셋을 센싱 데이터에 각각 부여하고, 각 디지털 트윈 모델에 대응하는 총 5개의 계층 데이터 셋을 생성할 수 있다.
이후, 도출부(140)가 각 모델에 대응하는 최적 가중치 셋이 부여된 5개의 계층 데이터 셋을 분류 모델에 입력하면, 분류 모델은 복수의 디지털 트윈 모델 중 분류 가능성이 가장 높은 특정 디지털 트윈 모델 및 해당 클래스에 대한 확률값을 출력하거나 5개의 디지털 트윈 모델별로 예측한 확률값을 출력할 수 있다.
시각화 정보 생성부(150)는 디지털 트윈 모델에 대한 정보에 기초하여 시각화 정보를 생성할 수 있다. 여기서, 시각화 정보 생성부(150)는 복수의 디지털 트윈 모델에 대한 정보에 기초하여 디지털 트윈 모델 별로 시각화 정보를 생성할 수 있다. 예를 들어, 디지털 트윈 모델이 5개 생성된 경우, 5개의 디지털 트윈 모델 별로 시각화 정보를 생성할 수 있다.
시각화 정보 생성부(150)는 도출부(140)에서 도출된 클래스 정보 및 도출된 확률값에 기초하여 계층 데이터 셋에 해당하는 디지털 트윈 모델에서 관리하는 관리 이벤트의 발생 여부가 가시화되도록 시각화 정보를 생성할 수 있다. 여기서, 시각화 정보 생성부(150)는 확률값을 반영하도록 시각화 정보의 크기 정보 및 투명도 정보 등을 조절할 수 있다.
예를 들어, 시각화 정보 생성부(150)는 복수의 디지털 트윈 모델 중 도출부(140)에서 도출된 클래스 정보 및 도출된 확률값에 기초하여 특정 디지털 트윈 모델을 특정하고, 특정 디지털 트윈 모델에 대응하는 계층 데이터 셋에 포함된 위치 정보에 기초하여 센서의 위치를 특정하고, 특정 디지털 트윈 모델에서 관리 이벤트가 발생할 확률값에 기초하여 관리 이벤트의 발생 여부가 가시화되도록 시각화 정보를 생성할 수 있다. 다른 예를 들어, 전처리부(130)에 의해 생성된 계층 데이터 셋이 복수개인 경우, 시각화 정보 생성부(150)는 각각의 계층 데이터 셋에 대응하는 디지털 트윈 모델 별로 관리 이벤트가 발생할 확률값이 동시에 가시화되도록 시각화 정보를 생성할 수 있다.
즉, 본 발명은 단지 임계값을 초과하는 센싱 데이터에 대해 가시화하여 출력하는 것이 아닌, 각 디지털 트윈 모델 별로 도출된 확률값을 이용하여 확률적인 값이 반영된 시각화 정보를 출력하도록 함으로써, 경미한 사고 이벤트의 발생이라도 시각화시킬 수 있고 사고 이벤트의 발생에 있어서 예방이 용이하도록 시각화를 수행할 수 있고, 이로써 관리자에게 현재 상황에서 발생할 가능성이 있는 모든 사고 이벤트에 대해 인지시킬 수 있다.
시각화 정보 생성부(150)는 대상 영역에 대한 모니터링 영상을 생성하고, 모니터링 영상을 통해 대상 영역 중 위치 정보에 해당하는 영역에 시각화 정보를 표시할 수 있다.
예를 들어, 시각화 정보 생성부(150)는 도출부(140)에서 도출된 복수의 확률값에 기초하여 복수의 디지털 트윈 모델 각각에서 관리하는 관리 이벤트의 발생 여부가 가시화되도록 시각화 정보를 생성할 수 있다. 여기서, 시각화 정보 생성부(150)는 복수의 디지털 트윈 모델 각각에서 관리하는 관리 이벤트에 대한 시각화 정보를 대상 영역에 대한 모니터링 영상에 복수의 디지털 트윈 모델 별로 오버레이할 수 있다. 시각화 정보를 생성하는 과정에 대해서는 도 3을 통해 상세히 설명하도록 한다.
도 3은 본 발명의 일 실시예에 따른 디지털 트윈 모델에 정보에 기초하여 생성된 시각화 정보를 도시한 예시적인 도면이다. 도 3을 참조하면, 도출부(140)에서 관리하고자 하는 대상 영역인 지하공동구에 대한 복수의 디지털 트윈 모델 중 계층 데이터 셋에 해당하는 디지털 트윈 모델에 대한 클래스 정보 및 디지털 트윈 모델에서 관리하는 관리 이벤트가 발생할 확률값을 도출하면, 시각화 정보 생성부(150)는 디지털 트윈 모델에서 관리하는 관리 이벤트가 발생할 확률값에 기초하여 계층 데이터 셋에 해당하는 디지털 트윈 모델에서 관리하는 관리 이벤트의 발생 여부가 가시화되도록 시각화 정보를 생성할 수 있다.
예를 들어, 시각화 정보 생성부(150)는 화재 이벤트가 발생할 확률이 0%인 경우, 화재에 해당하는 시각화 정보를 대상 영역 중 위치 정보에 해당하는 영역에 미표시하거나, 또는 시각화 정보의 크기를 '소', 투명도를 '100%'로 조절하여 시각화 정보의 외곽선만 표시되도록 생성하고, 생성된 시각화 정보를 대상 영역 중 위치 정보에 해당하는 영역에 표시할 수 있다(도면 부호 300 참조).
다른 예를 들어, 시각화 정보 생성부(150)는 화재 이벤트가 발생할 확률이 30% 미만인 경우, 화재에 해당하는 시각화 정보의 크기를 '소', 투명도를 '80%'로 조절하여 생성하고, 생성된 시각화 정보를 대상 영역 중 위치 정보(예를 들어, 지하2층/제 2 영역/제 3 섹터)에 해당하는 영역에 표시할 수 있다(도면 부호 310 참조).
또 다른 예를 들어, 시각화 정보 생성부(150)는 화재 이벤트가 발생할 확률이 60% 미만인 경우, 화재에 해당하는 시각화 정보의 크기를 '중', 투명도를 '50%'로 조절하여 생성하고, 생성된 시각화 정보를 대상 영역 중 위치 정보에 해당하는 영역에 표시할 수 있다(도면 부호 320 참조).
또 다른 예를 들어, 시각화 정보 생성부(150)는 화재 이벤트가 발생할 확률이 90% 미만인 경우, 화재에 해당하는 시각화 정보의 크기를 '대', 투명도를 '10%'로 조절하여 생성하고, 생성된 시각화 정보를 대상 영역 중 위치 정보에 해당하는 영역에 표시할 수 있다(도면 부호 330 참조).
이러한 장치(100)는 디지털 트윈 모델에 대한 시각화 정보를 생성하는 명령어들의 시퀀스를 포함하는 매체에 저장된 컴퓨터 프로그램에 의해 실행될 수 있다. 컴퓨터 프로그램은 컴퓨팅 장치에 의해 실행될 경우, 관리하고자 하는 대상 영역에 대한 복수의 디지털 트윈 모델과 매핑된 복수의 센서로부터 센싱 데이터를 수집하고, 수집된 센싱 데이터에 대한 전처리 프로세스를 수행하여 계층 데이터 셋을 생성하고, 기학습된 분류 모델을 이용하여 복수의 디지털 트윈 모델 중 계층 데이터 셋에 해당하는 적어도 어느 하나의 디지털 트윈 모델에 대한 정보를 도출하고, 디지털 트윈 모델에 대한 정보에 기초하여 시각화 정보를 생성하도록 하는 명령어들의 시퀀스를 포함할 수 있다.
또한, 장치(100)는 디지털 트윈 모델을 도출하는 명령어들의 시퀀스를 포함하는 매체에 저장된 컴퓨터 프로그램에 의해 실행될 수 있다. 컴퓨터 프로그램은 컴퓨팅 장치에 의해 실행될 경우, 관리하고자 하는 대상 영역에 대한 복수의 디지털 트윈 모델과 매핑된 복수의 센서로부터 센싱 데이터를 수집하고, 수집된 센싱 데이터에 대한 전처리 프로세스를 수행하여 가중치가 부여된 계층 데이터 셋을 생성하고, 기학습된 분류 모델을 이용하여 복수의 디지털 트윈 모델 중 계층 데이터 셋에 해당하는 적어도 어느 하나의 디지털 트윈 모델에 대한 정보를 도출하도록 하는 명령어들의 시퀀스를 포함할 수 있다.
도 4는 본 발명의 일 실시예에 따른 장치에서 수행되는 디지털 트윈 모델에 대한 시각화 정보를 생성하는 방법의 순서도이다. 도 4를 참조하면, 장치(100)에서 수행되는 디지털 트윈 모델에 대한 시각화 정보를 생성하는 방법은 도 1 내지 도 3에 도시된 실시예에 따라 시계열적으로 처리되는 단계들을 포함할 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 도 1 내지 도 3에 도시된 실시예에 따라 장치(100)에서 수행되는 디지털 트윈 모델에 대한 시각화 정보를 생성하는 방법에도 적용된다.
단계 S410에서 장치(100)는 관리하고자 하는 대상 영역에 대한 복수의 디지털 트윈 모델과 매핑된 복수의 센서로부터 센싱 데이터를 수집할 수 있다.
단계 S420에서 장치(100)는 수집된 센싱 데이터에 대한 전처리 프로세스를 수행하여 계층 데이터 셋을 생성할 수 있다.
단계 S430에서 장치(100)는 기학습된 분류 모델을 이용하여 복수의 디지털 트윈 모델 중 계층 데이터 셋에 해당하는 적어도 어느 하나의 디지털 트윈 모델에 대한 정보를 도출할 수 있다.
단계 S440에서 장치(100)는 디지털 트윈 모델에 대한 정보에 기초하여 시각화 정보를 생성할 수 있다.
상술한 설명에서, 단계 S410 내지 S440는 본 발명의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 전환될 수도 있다.
도 5는 본 발명의 일 실시예에 따른 장치에서 수행되는 디지털 트윈 모델을 도출하는 방법의 순서도이다. 도 5를 참조하면, 장치(100)에서 수행되는 디지털 트윈 모델을 도출하는 방법은 도 1 내지 도 4에 도시된 실시예에 따라 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하 생략된 내용이라고 하더라도 도 1 내지 도 4에 도시된 실시예에 따라 장치(100)에서 수행되는 디지털 트윈 모델을 도출하는 방법에도 적용된다.
단계 S510에서 장치(100)는 관리하고자 하는 대상 영역에 대한 복수의 디지털 트윈 모델과 매핑된 복수의 센서로부터 센싱 데이터를 수집할 수 있다.
단계 S520에서 장치(100)는 수집된 센싱 데이터에 대한 전처리 프로세스를 수행하여 가중치가 부여된 계층 데이터 셋을 생성할 수 있다.
단계 S530에서 장치(100)는 기학습된 분류 모델을 이용하여 복수의 디지털 트윈 모델 중 계층 데이터 셋에 해당하는 적어도 어느 하나의 디지털 트윈 모델에 대한 정보를 도출할 수 있다.
상술한 설명에서, 단계 S510 내지 S540는 본 발명의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 전환될 수도 있다.
도 1 내지 도 5를 통해 설명된 장치에서 디지털 트윈 모델을 도출하는 방법 및 디지털 트윈 모델에 대한 시각화 정보를 생성하는 방법은 컴퓨터에 의해 실행되는 매체에 저장된 컴퓨터 프로그램 또는 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 또한, 도 1 내지 도 5를 통해 설명된 장치에서 디지털 트윈 모델을 도출하는 방법 및 디지털 트윈 모델에 대한 시각화 정보를 생성하는 방법은 컴퓨터에 의해 실행되는 매체에 저장된 컴퓨터 프로그램의 형태로도 구현될 수 있다.
컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 장치
110: 학습부
120: 데이터 수집부
130: 전처리부
140: 도출부
150: 시각화 정보 생성부
110: 학습부
120: 데이터 수집부
130: 전처리부
140: 도출부
150: 시각화 정보 생성부
Claims (15)
- 디지털 트윈 모델을 도출하는 장치에 있어서,
관리하고자 하는 대상 영역에 대한 복수의 디지털 트윈 모델과 매핑된 복수의 센서로부터 센싱 데이터를 수집하는 데이터 수집부;
상기 수집된 센싱 데이터에 대한 전처리 프로세스를 수행하여 가중치가 부여된 계층 데이터 셋을 생성하는 전처리부; 및
기학습된 분류 모델을 이용하여 상기 복수의 디지털 트윈 모델 중 상기 계층 데이터 셋에 해당하는 적어도 어느 하나의 디지털 트윈 모델에 대한 정보를 도출하는 도출부
를 포함하고,
상기 센싱 데이터에 기초하여 디지털 트윈 모델 별로 학습 데이터 셋을 생성하고, 상기 생성된 학습 데이터 셋에 기초하여 상기 분류 모델을 학습시키는 학습부를 더 포함하고,
상기 전처리부는 상기 학습 데이터 셋에 복수의 테스트 가중치 셋을 부여하고,
상기 학습부는 상기 복수의 테스트 가중치 셋이 부여된 복수의 학습 데이터 셋을 상기 분류 모델에 입력하여 각 학습 데이터 셋에 대응하는 디지털 트윈 모델로 분류하기 위해 필요한 상기 분류 모델의 최적 계수값이 도출되도록 학습하는 것인, 디지털 트윈 모델 도출 장치.
- 제 1 항에 있어서,
상기 전처리부는 상기 생성된 계층 데이터 셋에 상기 복수의 디지털 트윈 모델에 대응하여 설정된 복수의 최적 가중치 셋을 부여하고,
상기 도출부는 상기 최적 가중치 셋이 부여된 계층 데이터 셋을 상기 분류 모델에 입력하는 것인, 디지털 트윈 모델 도출 장치.
- 제 2 항에 있어서,
상기 도출부는 상기 분류 모델을 이용하여 상기 복수의 디지털 트윈 모델 중 상기 최적 가중치 셋이 부여된 계층 데이터 셋에 해당하는 디지털 트윈 모델에 대한 클래스 정보 및 상기 디지털 트윈 모델에 대한 확률값을 도출하는 것인, 디지털 트윈 모델 도출 장치.
- 제 1 항에 있어서,
상기 학습부는 상기 복수의 디지털 트윈 모델 중 상기 계층 데이터 셋에 해당하는 디지털 트윈 모델에 대한 클래스 정보를 상기 계층 데이터 셋에 결합하여 상기 학습 데이터 셋을 생성하고,
상기 생성된 학습 데이터 셋에 기초하여 상기 분류 모델을 학습시키는 것인, 디지털 트윈 모델 도출 장치.
- 삭제
- 제 1 항에 있어서,
상기 전처리부는 상기 복수의 테스트 가중치 셋이 부여된 복수의 학습 데이터 셋 중 상기 최적 계수값에 해당하는 학습 데이터 셋을 도출하고,
상기 도출된 학습 데이터 셋에 부여된 테스트 가중치 셋을 상기 도출된 학습 데이터 셋에 포함된 클래스 정보에 해당하는 디지털 트윈 모델의 최적 가중치 셋으로 설정하는 것인, 디지털 트윈 모델 도출 장치.
- 제 6 항에 있어서,
상기 전처리부는 상기 복수의 디지털 트윈 모델 별로 최적 가중치 셋을 설정하는 것인, 디지털 트윈 모델 도출 장치.
- 디지털 트윈 모델 도출 장치에서 수행되는 디지털 트윈 모델을 도출하는 방법에 있어서,
관리하고자 하는 대상 영역에 대한 복수의 디지털 트윈 모델과 매핑된 복수의 센서로부터 센싱 데이터를 수집하는 단계;
상기 수집된 센싱 데이터에 대한 전처리 프로세스를 수행하여 가중치가 부여된 계층 데이터 셋을 생성하는 단계; 및
기학습된 분류 모델을 이용하여 상기 복수의 디지털 트윈 모델 중 상기 계층 데이터 셋에 해당하는 적어도 어느 하나의 디지털 트윈 모델에 대한 정보를 도출하는 단계
를 포함하고,
상기 센싱 데이터에 기초하여 디지털 트윈 모델 별로 학습 데이터 셋을 생성하고, 상기 생성된 학습 데이터 셋에 기초하여 상기 분류 모델을 학습시키는 단계를 더 포함하고,
상기 계층 데이터 셋을 생성하는 단계는,
상기 학습 데이터 셋에 복수의 테스트 가중치 셋을 부여하는 단계를 포함하고,
상기 분류 모델을 학습시키는 단계는,
상기 복수의 테스트 가중치 셋이 부여된 복수의 학습 데이터 셋을 상기 분류 모델에 입력하여 각 학습 데이터 셋에 대응하는 디지털 트윈 모델로 분류하기 위해 필요한 상기 분류 모델의 최적 계수값이 도출되도록 학습하는 단계를 포함하는 것인, 디지털 트윈 모델 도출 방법.
- 제 8 항에 있어서,
상기 계층 데이터 셋을 생성하는 단계는,
상기 생성된 계층 데이터 셋에 상기 복수의 디지털 트윈 모델에 대응하여 설정된 복수의 최적 가중치 셋을 부여하는 단계를 포함하고,
상기 디지털 트윈 모델에 대한 정보를 도출하는 단계는,
상기 최적 가중치 셋이 부여된 계층 데이터 셋을 상기 분류 모델에 입력하는 단계를 포함하는 것인, 디지털 트윈 모델 도출 방법.
- 제 9 항에 있어서,
상기 디지털 트윈 모델에 대한 정보를 도출하는 단계는,
상기 분류 모델을 이용하여 상기 복수의 디지털 트윈 모델 중 상기 최적 가중치 셋이 부여된 계층 데이터 셋에 해당하는 디지털 트윈 모델에 대한 클래스 정보 및 상기 디지털 트윈 모델에 대한 확률값을 도출하는 단계를 포함하는 것인, 디지털 트윈 모델 도출 방법.
- 제 8 항에 있어서,
상기 분류 모델을 학습시키는 단계는,
상기 복수의 디지털 트윈 모델 중 상기 계층 데이터 셋에 해당하는 디지털 트윈 모델에 대한 클래스 정보를 상기 계층 데이터 셋에 결합하여 학습 데이터 셋을 생성하는 단계; 및
상기 생성된 학습 데이터 셋에 기초하여 상기 분류 모델을 학습시키는 단계를 포함하는 것인, 디지털 트윈 모델 도출 방법.
- 삭제
- 제 8 항에 있어서,
상기 계층 데이터 셋을 생성하는 단계는,
상기 복수의 테스트 가중치 셋이 부여된 복수의 학습 데이터 셋 중 상기 최적 계수값에 해당하는 학습 데이터 셋을 도출하는 단계; 및
상기 도출된 학습 데이터 셋에 부여된 테스트 가중치 셋을 상기 도출된 학습 데이터 셋에 포함된 클래스 정보에 해당하는 디지털 트윈 모델의 최적 가중치 셋으로 설정하는 단계를 포함하는 것인, 디지털 트윈 모델 도출 방법.
- 제 13 항에 있어서,
상기 계층 데이터 셋을 생성하는 단계는,
상기 복수의 디지털 트윈 모델 별로 최적 가중치 셋을 설정하는 단계를 포함하는 것인, 디지털 트윈 모델 도출 방법.
- 디지털 트윈 모델을 도출하는 명령어들의 시퀀스를 포함하는 컴퓨터 판독가능 기록매체에 저장된 컴퓨터 프로그램에 있어서,
상기 컴퓨터 프로그램은 컴퓨팅 장치에 의해 실행될 경우,
관리하고자 하는 대상 영역에 대한 복수의 디지털 트윈 모델과 매핑된 복수의 센서로부터 센싱 데이터를 수집하고,
상기 수집된 센싱 데이터에 대한 전처리 프로세스를 수행하여 가중치가 부여된 계층 데이터 셋을 생성하고,
기학습된 분류 모델을 이용하여 상기 복수의 디지털 트윈 모델 중 상기 계층 데이터 셋에 해당하는 적어도 어느 하나의 디지털 트윈 모델에 대한 정보를 도출하고,
상기 센싱 데이터에 기초하여 디지털 트윈 모델 별로 학습 데이터 셋을 생성하고, 상기 생성된 학습 데이터 셋에 기초하여 상기 분류 모델을 학습시키고,
상기 학습 데이터 셋에 복수의 테스트 가중치 셋을 부여하고,
상기 복수의 테스트 가중치 셋이 부여된 복수의 학습 데이터 셋을 상기 분류 모델에 입력하여 각 학습 데이터 셋에 대응하는 디지털 트윈 모델로 분류하기 위해 필요한 상기 분류 모델의 최적 계수값이 도출되도록 학습하도록 하는 명령어들의 시퀀스를 포함하는, 컴퓨터 판독가능 기록매체에 저장된 컴퓨터 프로그램.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210177733A KR102495864B1 (ko) | 2021-12-13 | 2021-12-13 | 디지털 트윈 모델을 도출하는 장치, 방법 및 컴퓨터 프로그램 |
| PCT/KR2022/017824 WO2023113252A1 (ko) | 2021-12-13 | 2022-11-14 | 디지털 트윈 모델을 도출하는 장치, 방법 및 컴퓨터 프로그램 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210177733A KR102495864B1 (ko) | 2021-12-13 | 2021-12-13 | 디지털 트윈 모델을 도출하는 장치, 방법 및 컴퓨터 프로그램 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102495864B1 true KR102495864B1 (ko) | 2023-02-06 |
Family
ID=85224321
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210177733A KR102495864B1 (ko) | 2021-12-13 | 2021-12-13 | 디지털 트윈 모델을 도출하는 장치, 방법 및 컴퓨터 프로그램 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR102495864B1 (ko) |
| WO (1) | WO2023113252A1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117454488B (zh) * | 2023-11-08 | 2024-03-26 | 河北建工集团有限责任公司 | 基于数字孪生传感器的多设备综合方法和系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018514859A (ja) * | 2015-08-28 | 2018-06-07 | アクセンチュア グローバル サービスィズ リミテッド | 分散型モデル構築 |
| KR20200076323A (ko) * | 2018-12-19 | 2020-06-29 | 한국전자통신연구원 | 디지털 트윈용 다중 모델 병렬 실행 자동화 및 검증을 위한 방법 및 장치 |
| KR20200144998A (ko) * | 2019-06-20 | 2020-12-30 | 주식회사 한국디지털트윈연구소 | 디지털 트윈을 이용하여 가상센서를 구현하는 컴퓨팅 시스템 및 이를 이용한 실시간 데이터 수집 방법 |
| KR102289221B1 (ko) * | 2020-09-29 | 2021-08-13 | 주식회사 로제타텍 | 화재 방호 방법 및 화재 방호 시스템 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102067095B1 (ko) * | 2018-03-16 | 2020-01-16 | 주식회사 그리드위즈 | 디지털 트윈 장치 |
-
2021
- 2021-12-13 KR KR1020210177733A patent/KR102495864B1/ko active IP Right Grant
-
2022
- 2022-11-14 WO PCT/KR2022/017824 patent/WO2023113252A1/ko unknown
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018514859A (ja) * | 2015-08-28 | 2018-06-07 | アクセンチュア グローバル サービスィズ リミテッド | 分散型モデル構築 |
| KR20200076323A (ko) * | 2018-12-19 | 2020-06-29 | 한국전자통신연구원 | 디지털 트윈용 다중 모델 병렬 실행 자동화 및 검증을 위한 방법 및 장치 |
| KR20200144998A (ko) * | 2019-06-20 | 2020-12-30 | 주식회사 한국디지털트윈연구소 | 디지털 트윈을 이용하여 가상센서를 구현하는 컴퓨팅 시스템 및 이를 이용한 실시간 데이터 수집 방법 |
| KR102289221B1 (ko) * | 2020-09-29 | 2021-08-13 | 주식회사 로제타텍 | 화재 방호 방법 및 화재 방호 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023113252A1 (ko) | 2023-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220197231A1 (en) | Computing system for virtual sensor implementation using digital twin and method for realtime data collection thereof | |
| CN104750768B (zh) | 用于从社交媒体中识别、监控和排名事件的方法和系统 | |
| Wahlqvist et al. | The simulation of wildland-urban interface fire evacuation: The WUI-NITY platform | |
| Cremen et al. | A decision‐making methodology for risk‐informed earthquake early warning | |
| Zorn et al. | Evaluating the magnitude and spatial extent of disruptions across interdependent national infrastructure networks | |
| Forssberg et al. | The variation of pre-movement time in building evacuation | |
| CN111428694A (zh) | 基于区块链的智慧工地异常烟雾监测系统 | |
| Liu et al. | A perception‐based emotion contagion model in crowd emergent evacuation simulation | |
| KR102427026B1 (ko) | 재난 대응 관련 정보의 시각화 방법 및 서버 | |
| Chokwitthaya et al. | Applying the Gaussian mixture model to generate large synthetic data from a small data set | |
| KR102495864B1 (ko) | 디지털 트윈 모델을 도출하는 장치, 방법 및 컴퓨터 프로그램 | |
| Cencerrado et al. | Response time assessment in forest fire spread simulation: An integrated methodology for efficient exploitation of available prediction time | |
| US20160019463A1 (en) | System, method, and program for supporting intervention action decisions in hazard scenarios | |
| Lu et al. | Physics-based simulation and high-fidelity visualization of fire following earthquake considering building seismic damage | |
| Khansefid et al. | New model for simulating random synthetic stochastic earthquake scenarios | |
| Ding et al. | Intelligent emergency digital twin system for monitoring building fire evacuation | |
| KR20230089255A (ko) | 디지털 트윈 모델에 대한 시각화 정보를 생성하는 장치, 방법 및 컴퓨터 프로그램 | |
| US20190370421A1 (en) | Systems and methods for graphically simulating and visualizing a networked fire alarm system | |
| Ronchi et al. | Framework for an integrated simulation system for Wildland-Urban Interface fire evacuation | |
| KR102545314B1 (ko) | 인공지능 기반 건물의 지진 피해 예측 방법, 그리고 이를 구현하기 위한 장치 | |
| KR102495862B1 (ko) | 디지털 트윈 모델의 데이터에 대해 정상 여부를 판단하는 장치, 방법 및 컴퓨터 프로그램 | |
| JP2020060810A (ja) | インフラ設備点検支援システム、インフラ設備点検支援方法及びプログラム | |
| Wenzel et al. | EDIM: Earthquake disaster information system for the Marmara region, Turkey | |
| Paganin et al. | Knowledge management and resilience of urban and territorial systems | |
| Watts et al. | Tranquillity mapping in New Zealand national parks–a pilot study |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GRNT | Written decision to grant |