KR102536198B1 - 이상상태 탐지 모델을 생성하는 방법 - Google Patents

이상상태 탐지 모델을 생성하는 방법 Download PDF

Info

Publication number
KR102536198B1
KR102536198B1 KR1020200141605A KR20200141605A KR102536198B1 KR 102536198 B1 KR102536198 B1 KR 102536198B1 KR 1020200141605 A KR1020200141605 A KR 1020200141605A KR 20200141605 A KR20200141605 A KR 20200141605A KR 102536198 B1 KR102536198 B1 KR 102536198B1
Authority
KR
South Korea
Prior art keywords
abnormal state
detection model
state signal
generating
processor
Prior art date
Application number
KR1020200141605A
Other languages
English (en)
Other versions
KR20220056745A (ko
Inventor
이원근
Original Assignee
주식회사 모빅랩
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 모빅랩 filed Critical 주식회사 모빅랩
Priority to KR1020200141605A priority Critical patent/KR102536198B1/ko
Priority to PCT/KR2021/005656 priority patent/WO2022092460A1/ko
Priority to DE112021005730.8T priority patent/DE112021005730T5/de
Priority to US17/543,141 priority patent/US20220128534A1/en
Publication of KR20220056745A publication Critical patent/KR20220056745A/ko
Application granted granted Critical
Publication of KR102536198B1 publication Critical patent/KR102536198B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D9/00—Recording measured values
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
    • G01J5/0014—Radiation pyrometry, e.g. infrared or optical thermometry for sensing the radiation from gases, flames
    • G01J5/0018—Flames, plasma or welding
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
    • G01N33/004—CO or CO2
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medicinal Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biochemistry (AREA)
  • Pathology (AREA)
  • Food Science & Technology (AREA)
  • Immunology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Combustion & Propulsion (AREA)
  • Plasma & Fusion (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Alarm Systems (AREA)

Abstract

제1 센서 및 제2 센서로부터 신호를 수신할 수 있는 프로세서를 포함하는 컴퓨터 시스템이 이상상태 탐지 모델을 생성하는 방법에 있어서, 상기 프로세서가 상기 제1 센서가 일정시간 동안 감지한 제1 정상상태 신호 및 상기 제2 센서가 일정시간 동안 감지한 제2 정상상태 신호를 수신하는 정상상태 수신 단계, 상기 프로세서가 상기 제1 정상상태 신호 및 제2 정상상태 신호를 기반으로 정상상태 데이터세트를 생성하는 정상상태 데이터세트 생성 단계, 상기 프로세서가 제1 변수값 및 제2 변수값을 인식하는 이상상태 변수값 인식 단계, 상기 프로세서가 상기 제1 변수값을 임펄스 함수(Impulse function)에 적용하여 상기 제1 정상상태 신호에 대응되는 제1 이상상태 신호를 생성하고, 상기 제2 변수값을 가우시안 분포 함수(Gaussian distribution function)에 적용하여 상기 제2 정상상태 신호에 대응되는 제2 이상상태 신호를 생성하는 이상상태 신호 생성 단계, 상기 프로세서가 상기 제1 이상상태 신호 및 상기 제2 이상상태 신호를 기반으로 이상상태 데이터세트를 생성하는 이상상태 데이터세트 생성 단계, 상기 프로세서가 상기 정상상태 데이터세트와 상기 이상상태 데이터세트를 조합하여 이상상태 탐지 모델을 생성하기 위한 탐지 모델 학습세트를 생성하는 학습세트 생성 단계 및 상기 프로세서가 상기 탐지 모델 학습세트에 기반하여 이상상태 탐지 모델을 생성하는 이상상태 탐지 모델 생성 단계를 포함하는 이상상태 탐지 모델을 생성하는 방법.

Description

이상상태 탐지 모델을 생성하는 방법{Method of generating anomaly detection model}
본 발명은 이상상태 탐지 모델을 생성하는 방법에 관한 것으로, 보다 상세하게는 다양한 종류의 센서가 감지할 수 있는 이상상태 모델을 생성하기 위한 이상상태 탐지 모델을 생성하는 방법에 관한 것이다.
일반적으로 산업현장에서 발생할 수 있는 고장을 감지하거나 화재를 감시하는 등 다양한 환경 변화를 측정하기 위해 많은 센서가 사용되고 있다. 센서는 그 종류가 워낙 다양하고 상용 제품들이 많이 출시되어 있어 각각의 센서를 통합하여 종합적인 시각으로 고장이나 화재를 감지할 수 있다. 한편, 이렇게 다양한 센서가 사용자에게 정확한 감지 정보를 제공하기 위해서는 정상상태와 이상상태에 대한 학습과 구분이 필요하다.
정상상태 및 이상상태에 대한 학습을 위해서는 각각 정상상태 및 이상상태에 대한 모델이 필요하며, 이러한 정상상태 및 이상상태는 센서가 설치되는 환경에 따라 달라지게 된다.
따라서, 일반 산업현장에서 다양한 센서에 대한 정상상태와 이상상태를 학습하기 위한 모델을 생성할 수 있는 방법이 필요한 실정이다.
대한민국 등록특허 제0726206호
본 발명이 해결하려는 과제는, 다양한 종류의 센서가 감지할 수 있는 이상상태에 대한 모델을 제공할 수 있는 이상상태 탐지 모델을 생성하는 방법을 제공하는 것이다.
상기 과제를 해결하기 위한 본 발명의 이상상태 탐지 모델을 생성하는 방법은 제1 센서 및 제2 센서로부터 신호를 수신할 수 있는 프로세서를 포함하는 컴퓨터 시스템이 이상상태 탐지 모델을 생성하는 방법에 있어서, 상기 프로세서가 상기 제1 센서가 일정시간 동안 감지한 제1 정상상태 신호 및 상기 제2 센서가 일정시간 동안 감지한 제2 정상상태 신호를 수신하는 정상상태 수신 단계, 상기 프로세서가 상기 제1 정상상태 신호 및 제2 정상상태 신호를 기반으로 정상상태 데이터세트를 생성하는 정상상태 데이터세트 생성 단계, 상기 프로세서가 제1 변수값 및 제2 변수값을 인식하는 이상상태 변수값 인식 단계, 상기 프로세서가 상기 제1 변수값을 임펄스 함수(Impulse function)에 적용하여 상기 제1 정상상태 신호에 대응되는 제1 이상상태 신호를 생성하고, 상기 제2 변수값을 가우시안 분포 함수(Gaussian distribution function)에 적용하여 상기 제2 정상상태 신호에 대응되는 제2 이상상태 신호를 생성하는 이상상태 신호 생성 단계, 상기 프로세서가 상기 제1 이상상태 신호 및 상기 제2 이상상태 신호를 기반으로 이상상태 데이터세트를 생성하는 이상상태 데이터세트 생성 단계, 상기 프로세서가 상기 정상상태 데이터세트와 상기 이상상태 데이터세트를 조합하여 이상상태 탐지 모델을 생성하기 위한 탐지 모델 학습세트를 생성하는 학습세트 생성 단계, 및 상기 프로세서가 상기 탐지 모델 학습세트에 기반하여 이상상태 탐지 모델을 생성하는 이상상태 탐지 모델 생성 단계를 포함하는 이상상태 탐지 모델을 생성하는 방법이다.
본 발명의 일 실시예에 따른 이상상태 탐지 모델을 생성하는 방법은, 상기 제1 센서는 적외선 감지 센서이고, 상기 제2 센서는 이산화탄소 감지 센서인 이상상태 탐지 모델을 생성하는 방법일 수 있다.
본 발명의 일 실시예에 따른 이상상태 탐지 모델을 생성하는 방법은, 상기 제1 이상상태 신호는 상기 제1 센서가 불꽃, 스파크 및 아크 중 적어도 어느 하나의 발생을 감지한 신호를 모델링한 것인 이상상태 탐지 모델을 생성하는 방법일 수 있다.
본 발명의 일 실시예에 따른 이상상태 탐지 모델을 생성하는 방법은, 상기 제2 이상상태 신호는 상기 제2 센서가 연기 및 연소가스 중 적어도 어느 하나의 발생을 감지한 신호를 모델링한 것인 이상상태 탐지 모델을 생성하는 방법일 수 있다.
본 발명의 일 실시예에 따른 이상상태 탐지 모델을 생성하는 방법은, 상기 센서 시스템은 화재감지 시스템인 이상상태 탐지 모델을 생성하는 방법일 수 있다.
본 발명의 일 실시예에 따른 이상상태 탐지 모델을 생성하는 방법은, 상기 제1 변수값은 상기 임펄스 함수의 계수값이고, 상기 이상상태 신호 생성단계에서, 상기 프로세서는 상기 제1 변수값을 상기 임펄스 함수에 곱하여 상기 제1 이상상태 신호를 생성하는 이상상태 탐지 모델을 생성하는 방법일 수 있다.
본 발명의 일 실시예에 따른 이상상태 탐지 모델을 생성하는 방법은, 상기 제2 변수값은 가우시안 분포 함수의 평균 및 분산 중 적어도 하나이고, 상기 이상상태 신호 생성단계에서, 상기 프로세서는 상기 제2 변수값을 적용하여 가우시안 분포 함수의 형태를 특정하는 이상상태 탐지 모델을 생성하는 방법일 수 있다.
본 발명의 일 실시예에 따른 이상상태 탐지 모델을 생성하는 방법은, 상기 제1 변수값 및 상기 제2 변수값은 각각 상기 제1 이상상태 신호 및 상기 제2 이상상태 신호의 발생 시점 및 빈도에 대한 정보를 포함하는 이상상태 탐지 모델을 생성하는 방법일 수 있다.
본 발명의 일 실시예에 따른 이상상태 탐지 모델을 생성하는 방법은, 상기 프로세서가 상기 정상상태 데이터세트와 상기 이상상태 데이터세트를 조합하여 탐지 모델 테스트세트를 생성하는 테스트세트 생성 단계, 및 상기 프로세서가 상기 탐지 모델 테스트세트을 이용하여 상기 이상상태 탐지 모델을 테스트하는 이상상태 탐지 모델 테스트 단계를 더 포함하는 이상상태 탐지 모델을 생성하는 방법일 수 있다.
본 발명의 일 실시예에 따른 이상상태 탐지 모델을 생성하는 방법은, 상기 탐지 모델 학습세트와 상기 탐지 모델 테스트 세트는 상기 정상상태 데이터세트와 상기 이상상태 데이터세트의 조합 비율이 상이한 이상상태 탐지 모델을 생성하는 방법일 수 있다.
본 발명의 일 실시예에 따른 이상상태 탐지 모델을 생성하는 방법은, 상기 이상상태 변수값 인식 단계는, 상기 프로세서가 입력부가 입력받은 상기 제1 변수값 및 상기 제2 변수값을 수신하는 단계를 더 포함하는 이상상태 탐지 모델을 생성하는 방법일 수 있다.
본 발명의 일 실시예에 따른 이상상태 탐지 모델을 생성하는 방법은, 상기 이상상태 변수값 인식 단계는, 상기 프로세서가 상기 정상상태 데이터세트로부터 상기 제1 변수값 및 상기 제2 변수값을 생성하는 단계를 더 포함하는 이상상태 탐지 모델을 생성하는 방법일 수 있다.
본 발명의 일 실시예에 따른 이상상태 탐지 모델을 생성하는 방법은, 상기 변수값 인식 단계에서, 상기 프로세서는 제3 변수값을 더 인식하고, 상기 이상상태 신호 생성 단계에서, 상기 프로세서는 상기 제1 이상상태 신호 및 상기 제2 이상상태 신호 중 적어도 하나에서 상기 제1 변수값 및 상기 제2 변수값 중 적어도 하나 대신에 상기 제3 변수값을 적용하고, 상기 임펄스 함수 및 상기 가우시안 분포 함수 중 적어도 하나 대신에 스텝 함수(Step function)을 적용하는 이상상태 탐지 모델을 생성하는 방법일 수 있다.
본 발명의 일 실시예에 따른 이상상태 탐지 모델을 생성하는 방법은, 상기 프로세서가 상기 제3 변수값과 상기 스텝 함수를 적용할지 여부는 상기 제1 정상상태 신호 및 상기 제2 정상상태 신호 중 적어도 하나에 기초하여 결정되는 이상상태 탐지 모델을 생성하는 방법일 수 있다.
본 발명의 일 실시예에 따른 이상상태 탐지 모델을 생성하는 컴퓨터 시스템은 입력부, 통신부 및 제1 센서 및 제2 센서로부터 신호를 수신하는 프로세서를 포함하고, 상기 프로세서는, 상기 제1 센서가 일정시간 동안 감지한 제1 정상상태 신호 및 상기 제2 센서가 일정시간 동안 감지한 제2 정상상태 신호를 수신하고, 상기 제1 정상상태 신호 및 제2 정상상태 신호를 기반으로 정상상태 데이터세트를 생성하고, 상기 입력부가 입력받은 제1 변수값 및 제2 변수값을 수신하고, 상기 제1 변수값을 임펄스 함수(Impulse function)에 적용하여 상기 제1 정상상태 신호에 대응되는 제1 이상상태 신호를 생성하고, 상기 제2 변수값을 가우시안 분포 함수(Gaussian distribution function)에 적용하여 상기 제2 정상상태 신호에 대응되는 제2 이상상태 신호를 생성하고, 상기 제1 이상상태 신호 및 상기 제2 이상상태 신호를 기반으로 이상상태 데이터세트를 생성하고, 상기 정상상태 데이터세트와 상기 이상상태 데이터세트를 조합하여 이상상태 탐지 모델을 생성하기 위한 탐지 모델 학습세트를 생성하고, 상기 탐지 모델 학습세트에 기반하여 이상상태 탐지 모델을 생성하는 것을 특징으로 하는 이상상태 탐지 모델을 생성하는 컴퓨터 시스템일 수 있다.
본 발명의 일 실시예에 따른 이상상태 탐지 모델을 생성하는 방법은 다양한 센서가 감지할 수 있는 이상상태에 대한 모델을 생성하여 센서가 이상상태에 대한 학습이 가능하도록 하는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 컴퓨터 시스템(1)에 대한 구성도이다.
도 2는 본 발명의 일 실시예에 따른 이상상태 탐지 모델을 생성하는 방법의 순서도이다.
도 3은 본 발명의 일 실시예에 따른 제1 정상상태 신호 및 제2 정상상태 신호를 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따른 제1 이상상태 신호 및 제2 이상상태 신호를 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따른 제2 이상상태 신호를 도면이다.
도 6은 본 발명의 일 실시예에 따른 제2 정상상태 신호와 제2 이상상태 신호가 조합된 것을 나타낸 도면이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명한다. 본 발명을 설명하는데 있어서, 해당 분야에 이미 공지된 기술 또는 구성에 대한 구체적인 설명을 부가하는 것이 본 발명의 요지를 불분명하게 할 수 있다고 판단되는 경우에는 상세한 설명에서 이를 일부 생략하도록 한다. 또한, 본 명세서에서 사용되는 용어들은 본 발명의 실시예들을 적절히 표현하기 위해 사용된 용어들로서, 이는 해당 분야의 관련된 사람 또는 관례 등에 따라 달라질 수 있다. 따라서, 본 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
여기서 사용되는 전문용어는 단지 특정 실시예를 언급하기 위한 것이며, 본 발명을 한정하는 것을 의도하지 않는다. 여기서 사용되는 단수 형태들은 문구들이 이와 명백히 반대의 의미를 나타내지 않는 한 복수 형태들도 포함한다. 명세서에서 사용되는 '포함하는'의 의미는 특정 특성, 영역, 정수, 단계, 동작, 요소 및/또는 성분을 구체화하며, 다른 특정 특성, 영역, 정수, 단계, 동작, 요소, 성분 및/또는 군의 존재나 부가를 제외시키는 것은 아니다.
본 명세서에 있어서 네트워크(40)의 통신 방식은 제한되지 않으며, 각 구성요소간 연결이 동일한 네트워크 방식으로 연결되지 않을 수도 있다. 네트워크(40)는, 통신망(일례로, 이동통신망, 유선 인터넷, 무선 인터넷, 방송망, 위성망 등)을 활용하는 통신 방식뿐만 아니라 기기들간의 근거리 무선 통신 역시 포함될 수 있다. 예를 들어, 네트워크(40)는, 객체와 객체가 네트워킹 할 수 있는 모든 통신 방법을 포함할 수 있으며, 유선 통신, 무선 통신, 3G, 4G, 5G, 혹은 그 이외의 방법으로 제한되지 않는다. 예를 들어, 유선 및/또는 네트워크는 LAN(Local Area Network), MAN(Metropolitan Area Network), GSM(Global System for Mobile Network), EDGE(Enhanced Data GSM Environment), HSDPA(High Speed Downlink Packet Access), W-CDMA(Wideband Code Division Multiple Access), CDMA(Code Division Multiple Access), TDMA(Time Division Multiple Access), 블루투스(Bluetooth), 지그비(Zigbee), 와이-파이(Wi-Fi), VoIP(Voice over Internet Protocol), LTE Advanced, IEEE802.16m, WirelessMAN-Advanced, HSPA+, 3GPP Long Term Evolution (LTE), Mobile WiMAX (IEEE 802.16e), UMB (formerly EV-DO Rev. C), Flash-OFDM, iBurst and MBWA (IEEE 802.20) systems, HIPERMAN, Beam-Division Multiple Access (BDMA), Wi-MAX(World Interoperability for Microwave Access) 및 초음파 활용 통신으로 이루어진 군으로부터 선택되는 하나 이상의 통신 방법에 의한 통신 네트워크를 지칭할 수 있으나, 이에 한정되는 것은 아니다.
본 명세서에서 정상상태란, 센서의 감지대상이 되는 요소가 정상적인 범위내에 있는 상태를 의미한다. 또한, 이상상태란, 센서의 감지대상이 되는 요소가 정상적인 범위를 벗어난 경우를 의미한다.
이하, 첨부된 도 1 내지 도 6을 참조하여 본 발명의 일 실시예에 따른 이상상태 탐지 모델을 생성하는 방법에 대해서 설명하도록 한다.
본 발명은 다양한 종류의 센서가 감지할 수 있는 이상상태를 위한 이상상태 탐지 모델을 생성하는 방법 및 시스템에 관한 것이다.
본 발명의 이상상태 탐지 모델을 생성하는 방법은 컴퓨터 시스템(1)에 의해 수행된다.
도 1은 본 발명의 일 실시예에 따른 컴퓨터 시스템(1)에 대한 구성도이다.
도 1을 참조하면, 컴퓨터 시스템(1)은 프로세서(10), 통신부(200) 및 입력부(100)를 포함한다. 컴퓨터 시스템(1)은 네트워크(40)를 통해 제1 센서(20) 및 제2 센서(30)와 통신할 수 있다.
이하 각 구성의 기능에 대해 설명한다.
프로세서(10)는 통신부(200)를 통해 입력되는 센서의 입력값을 기반으로 정상상태 및 이상상태 데이터세트를 생성한다. 프로세서(10)는 생성된 정상상태 및 이상상태 데이터세트를 조합하여 이상상태 탐지 모델을 생성하기 위한 탐지 모델 학습세트를 생성한다. 프로세서(10)는 제1 센서(20) 및 제2 센서(30)와 직접 연결되거나 네트워크(40) 및 통신부(200)를 거쳐 연결될 수도 있다. 통신부(200)는 네트워크(40)와 연결되어 센서로부터 입력값을 수신하여 프로세서(10)에 전달한다. 입력부(100)는 사용자가 입력하는 입력값을 입력받아 프로세서(10)에 전달한다.
각 구성의 더욱 구체적인 기능에 대해서는 이하에서 이상상태 탐지 모델을 생성하는 방법을 설명하면서 상세히 설명하도록 한다.
이하, 본 발명의 일 실시예에 따른 이상상태 탐지 모델을 생성하는 방법의 각 단계에 대해 설명하도록 한다.
본 명세서에서 설명되는 센서는 온도, 습도, 적외선, 이산화탄소 등을 감지할 수 있으며 이에 한정되지 않고 외부환경의 감지할 수 있는 모든 센서일 수 있다. 그러나 이하에서는 설명의 편의를 위해 적외선과 이산화탄소를 감지하는 센서로 가정하고 설명하도록 한다.
도 2는 본 발명의 일 실시예에 따른 이상상태 탐지 모델을 생성하는 방법에 대한 순서도이다.
도 2를 참조하면, 프로세서(10)가 제1 센서(20)가 일정시간 동안 감지한 제1 정상상태 신호 및 상기 제2 센서(30)가 일정시간 동안 감지한 제2 정상상태 신호를 수신하는 정상상태 수신 단계, 프로세서(10)가 제1 정상상태 신호 및 제2 정상상태 신호를 기반으로 정상상태 데이터세트를 생성하는 정상상태 데이터세트 생성 단계, 프로세서(10)가 제1 변수값 및 제2 변수값을 인식하는 이상상태 변수값 인식 단계, 프로세서(10)가 제1 변수값을 임펄스 함수(Impulse function)에 적용하여 제1 정상상태 신호에 대응되는 제1 이상상태 신호를 생성하고, 제2 변수값을 가우시안 분포 함수(Gaussian distribution function)에 적용하여 제2 정상상태 신호에 대응되는 제2 이상상태 신호를 생성하는 이상상태 신호 생성 단계, 프로세서(10)가 제1 이상상태 신호 및 제2 이상상태 신호를 기반으로 이상상태 데이터세트를 생성하는 이상상태 데이터세트 생성 단계, 프로세서(10)가 정상상태 데이터세트와 이상상태 데이터세트를 조합하여 이상상태 탐지 모델을 생성하기 위한 탐지 모델 학습세트를 생성하는 학습세트 생성 단계 및 프로세서(10)가 탐지 모델 학습세트에 기반하여 이상상태 탐지 모델을 생성하는 이상상태 탐지 모델 생성 단계를 포함한다.
상술한 각 단계들은 특별한 인과관계에 의해 나열된 순서에 따라 수행되어야 하는 경우를 제외하고, 나열된 순서와 상관없이 수행될 수 있다. 그러나 이하에서는 설명의 편의를 위해 상술한 각 단계들이 나열된 순서에 따라 수행되는 것을 가정하여 설명하도록 한다.
먼저, 도 2를 참조하여 프로세서(10)가 제1 센서(20)가 일정시간 동안 감지한 제1 정상상태 신호 및 제2 센서(30)가 일정시간 동안 감지한 제2 정상상태 신호를 수신하는 정상상태 수신 단계를 설명한다. 상술한 바와 같이 제1 센서(20) 또는 제2 센서(30)는 적외선, 이산화탄소 등 감지 요소를 측정한 값을 프로세서(10)에 전달한다. 여기서 입력값은 센서의 종류에 따라 달라질 수 있으며, 아날로그 방식일 수 있고 디지털 방식일 수 있다. 예를 들어, 아날로그 방식인 경우 특정 센서의 입력값은 0V ~ 5.0V 범위 내에서 입력될 수 있다. 입력값은 센서의 측정한 값 자체일 수 있고, 센서가 측정한 값이 소정의 비율로 변환된 것일 수 있다.
도 3은 프로세서(10)가 제1 센서(20)가 일정시간 동안 감지한 제1 정상상태 신호 및 제2 센서(30)가 일정시간 동안 감지한 제2 정상상태 신호를 수신하는 것을 나타낸다. 여기서, 일정시간이란 도 3에서 도시된 것과 같이 초기시점(t1)으로부터 종기시점(t2)까지의 시간을 의미한다. 제1 센서(20) 또는 제2 센서(30)는 t1 시점 이전부터 적외선 또는 이산화탄소를 감지하며, t2 시점 이후에도 감지를 지속하며, 프로세서(10)는 t1 시점 이후부터 t2 시점까지 입력된 제1 정상상태 신호 및 제2 정상상태 신호를 입력받는다. 도 3에 도시된 것과 같이 제1 정상상태 신호 및 제2 정상상태 신호를 측정값이 일정한 범위내에서만 변화되는 특징을 갖는다.
다음으로, 도 3을 참조하여 프로세서(10)가 제1 정상상태 신호 및 제2 정상상태 신호를 기반으로 정상상태 데이터세트를 생성하는 정상상태 데이터세트 생성 단계를 설명한다. 상술한 바와 같이 프로세서(10)가 일정시간 동안 제1 정상상태 신호 및 제2 정상상태 신호를 수신하고, 수신한 신호를 일정한 데이터로 변환한 정상상태 데이터세트를 생성한다. 이렇게 생성된 정상상태 데이터세트는 센서가 설치되는 환경을 감지 대상으로 하여 측정된 측정값이 반영되었기 때문에 센서가 설치되는 환경의 정상상태를 그대로 반영하고 있다고 볼 수 있다. 또한, 정상상태 데이터세트에서 벗어난 신호에 대해서는 이상상태로 판단할 수 있는 근거가 될 수 있다.
다음으로, 도 4를 참조하여 프로세서(10)가 제1 변수값 및 제2 변수값을 인식하는 이상상태 변수값 인식 단계를 설명한다. 여기서, 제1 변수값 및 제2 변수값을 인식하는 방법은 프로세서(10)가 입력부(100)를 통해서 제1 변수값 및 제2 변수값을 수신하거나 프로세서(10)가 정상상태 데이터세트로부터 제1 변수값 및 제2 변수값을 생성할 수도 있다.
제1 변수값 및 제2 변수값은 사용자에 의해서 입력부(100)를 통해 입력될 수 있다. 후술하는 바와 같이 제1 변수값과 제2 변수값은 일정한 함수에 대한 계수값이나 변수값을 의미할 수 있다. 따라서, 사용자는 해당 함수에 적용할 수 있는 계수값이나 변수값을 입력부(100)를 통해 입력하여 프로세서(10)에 전달할 수 있다.
제1 변수값 및 제2 변수값은 프로세서(10)가 정상상태 데이터세트를 기초로 새롭게 생성할 수도 있다. 상술한 바와 같이 정상상태 데이터세트는 일정한 범위 내에서 입력값이 변화되지만, 프로세서(10)에 저장되는 일정한 규칙 또는 명령어에 의해서 정상상태 데이터세트가 갖는 값을 변화시켜 제1 변수값 또는 제2 변수값을 생성할 수 있다.
프로세서(10)는 제3 변수값을 더 인식할 수 있다. 여기서, 제3 변수값은 사용자에 의해서 입력부(100)를 통해 입력될 수 있다. 제3 변수값은 제1 변수값 또는 제2 변수값과 마찬가지로 일정한 함수에 대한 계수값이나 변수값을 의미할 수 있다.
다음으로, 프로세서(10)가 제1 변수값을 임펄스 함수(Impulse function)에 적용하여 제1 정상상태 신호에 대응되는 제1 이상상태 신호를 생성하고, 제2 변수값을 가우시안 분포 함수(Gaussian distribution function)에 적용하여 제2 정상상태 신호에 대응되는 제2 이상상태 신호를 생성하는 이상상태 신호 생성 단계를 설명한다.
제1 변수값은 임펄스 함수에 대한 계수값 또는 변수값을 의미할 수 있다. 따라서, 프로세서(10)가 제1 변수값을 임펄스 함수에 곱하거나 변수값을 적용하여 제1 이상상태 신호를 생성할 수 있다. 도 4에 도시된 것과 같이 t1 시점과 t2 시점 사이에는 3개의 임펄스 함수 즉, 이상상태 신호가 존재한다. 첫번째 이상상태 신호는 계수값이 a이고 ta시점에 임펄스 신호를 갖는 신호를 의미한다. 두번째 이상상태 신호는 계수값이 b이고 tb시점에 임펄스 신호를 갖는 신호를 의미한다. 마찬가지로, 세번째 이상상태 신호는 계수값이 c이고 tc시점에 임펄스 신호를 갖는 신호를 의미한다.
제2 변수값은 가우시안 분포 함수의 평균 또는 분산을 의미할 수 있다. 따라서, 프로세서(10)가 제2 변수값을 가우시안 분포 함수에 적용하여 제2 이상상태 신호를 생성할 수 있다. 도 5에 도시된 것과 같이 t1 시점과 t2 시점 사이에는 가우시안 분포를 따르는 이상상태 신호가 존재한다. 이 신호는 평균이 m이고, 분산은 σ인 가우시안 분포 형태의 신호를 의미한다.
여기서, 제1 변수값 및 제2 변수값은 각각 제1 이상상태 신호 및 제2 이상상태 신호의 발생 시점 및 빈도에 대한 정보를 포함할 수 있다.
상술한 바와 같이 프로세서(10)는 제3 변수값을 인식할 수 있고, 스텝 함수를 적요할 수 있다. 이때 프로세서(10)가 제3 변수값과 스텝 함수를 적용할지 여부는 제1 정상상태 신호 및 제2 정상상태 신호 중 적어도 하나에 기초하여 결정될 수 있다.
다음으로, 프로세서(10)가 제1 이상상태 신호 및 제2 이상상태 신호를 기반으로 이상상태 데이터세트를 생성하는 이상상태 데이터세트 생성 단계를 설명한다. 프로세서(10)는 생성한 제1 이상상태 신호 및 제2 이상상태 신호를 일정한 데이터로 변환한 이상상태 데이터세트를 생성한다. 정상상태 데이터세트와 달리 이상상태 데이터세트는 센서가 설치되는 환경과는 별개로 센서가 감지하는 감지 요소(예를 들어, 이산화탄소)가 이상상태인 상황에서 발생시킬 수 있는 측정값을 반영한다고 볼 수 있다. 또한, 이상상태 신호는 정상상태의 범주를 벗어난 신호라고 볼 수 있다.
프로세서(10)는 제1 이상상태 신호 및 상기 제2 이상상태 신호 중 적어도 하나에서 제1 변수값 및 제2 변수값 중 적어도 하나 대신에 제3 변수값을 적용하고, 임펄스 함수 및 가우시안 분포 함수 중 적어도 하나 대신에 스텝 함수(Step function)을 적용할 수 있다. 따라서, 제1 변수값, 제2 변수값 및 제3 변수값이 적용되는 함수는 임펄스함수와 가우시안 분포 함수 외에 스템함수가 포함될 수 있다. 본 명세서에서는 상술한 3개의 함수에 대해서만 설명하였으나, 통상의 기술자에게 적용이 자명하다면 이상상태 신호를 생성하기 위한 함수가 될 수 있을 것이다.
다음으로, 도 6을 참조하여 프로세서(10)가 정상상태 데이터세트와 이상상태 데이터세트를 조합하여 이상상태 탐지 모델을 생성하기 위한 탐지 모델 학습세트를 생성하는 학습세트 생성 단계를 설명한다. 도 6에 도시된 것과 같이 제1 탐지모델 신호는 정상상태 데이터세트의 제1 정상상태 신호와 이상상태 데이터세트의 제1 이상상태 신호가 일정한 규칙에 따라 조합된 것이다. 마찬가지로, 제2 탐지모델 신호는 정상상태 데이터세트의 제2 정상상태 신호와 이상상태 데이터세트의 제2 이상상태 신호가 일정한 규칙에 따라 조합된 것이다. 여기서, 정상상태 신호와 이상상태 신호를 조합하는 방법은 정상상태 신호와 이상상태 신호를 동일한 시점을 기준으로 신호값을 합한 것일 수 있다.
다음으로, 프로세서(10)가 탐지 모델 학습세트에 기반하여 이상상태 탐지 모델을 생성하는 이상상태 탐지 모델 생성 단계를 설명한다. 프로세서(10)는 생성된 탐지 모델 학습세트를 활용하여 k-mean clustering을 기반으로 이상상태 탐지 모델을 생성할 수 있다. 즉, 탐지 모델 학습세트는 정상상태 신호와 이상상태 신호를 포함하고 있으므로, 향후 프로세서(10)가 센서가 입력하는 다양한 입력값에 대해서 정상상태와 이상상태 여부를 판단할 수 있게 된다. 여기서 k-mean clustering은 주어진 신호를 k개의 클러스터로 묶는 알고리즘을 의미한다.
다음으로, 프로세서(10)가 정상상태 데이터세트와 이상상태 데이터세트를 조합하여 탐지 모델 테스트세트를 생성하는 테스트세트 생성 단계를 설명한다. 사용자의 입장에서 이상상태 탐지 모델이 적용된 프로세서(10)가 정상적으로 동작하는지 테스트가 필요할 수 있다. 따라서, 정상상태 데이터세트와 이상상태 데이터세트를 조합하여 이상상태 탐지 모델을 테스트할 수 있는 탐지 모델 테스트세트를 생성할 수 있다. 여기서, 탐지 모델 학습세트와 탐지 모델 테스트 세트는 정상상태 데이터세트와 이상상태 데이터세트의 조합 비율이 상이하다. 즉, 탐지 모델 학습세트와 탐지 모델 테스트세트가 포함하고 있는 정상상태 신호와 이상상태 신호가 서로 다른 비율 또는 분포를 가질 수 있다.
다음으로, 프로세서(10)가 상기 탐지 모델 테스트세트를 이용하여 상기 이상상태 탐지 모델을 테스트하는 이상상태 탐지 모델 테스트 단계를 설명한다. 상술한 바와 같이 탐지 모델 테스트세트는 이상상태 탐지 모델을 테스트할 수 있다. 이를 통해 사용자는 이상상태 탐지 모델이 정상적으로 작동하는지 알 수 있다.
본 발명에 따른 컴퓨터 시스템(1)은 화재감지 시스템일 수 있다. 상술한 센서들은 화재를 감지하기 위해서 온도, 습도, 적외선, 이산화탄소농도 등을 감지하여 프로세서(10)가 화재위험을 판단할 수 있도록 한다. 프로세서(10)가 판단한 화재위험은 사용자에게 전달될 수 있다.
본 발명의 각 실시예에 개시된 기술적 특징들은 해당 실시예에만 한정되는 것은 아니고, 서로 양립 불가능하지 않은 이상, 각 실시예에 개시된 기술적 특징들은 서로 다른 실시예에 병합되어 적용될 수 있다.
이상, 본 발명의 ~의 실시예들에 대해 설명하였다. 본 발명은 상술한 실시예 및 첨부한 도면에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자의 관점에서 다양한 수정 및 변형이 가능할 것이다. 따라서 본 발명의 범위는 본 명세서의 청구범위뿐만 아니라 이 청구범위와 균등한 것들에 의해 정해져야 한다.
1: 컴퓨터 시스템
10: 프로세서
100: 입력부
200: 통신부
20: 제1 센서
30: 제2 센서
40: 네트워크

Claims (15)

  1. 제1 센서 및 제2 센서로부터 신호를 수신할 수 있는 프로세서를 포함하는 컴퓨터 시스템이 이상상태 탐지 모델을 생성하는 방법에 있어서,
    상기 프로세서가 상기 제1 센서가 일정시간 동안 감지한 제1 정상상태 신호 및 상기 제2 센서가 일정시간 동안 감지한 제2 정상상태 신호를 수신하는 정상상태 수신 단계;
    상기 프로세서가 상기 제1 정상상태 신호 및 제2 정상상태 신호를 기반으로 정상상태 데이터세트를 생성하는 정상상태 데이터세트 생성 단계;
    상기 프로세서가 제1 변수값 및 제2 변수값을 인식하는 이상상태 변수값 인식 단계;
    상기 프로세서가 상기 제1 변수값을 임펄스 함수(Impulse function)에 적용하여 상기 제1 정상상태 신호에 대응되는 제1 이상상태 신호를 생성하고, 상기 제2 변수값을 가우시안 분포 함수(Gaussian distribution function)에 적용하여 상기 제2 정상상태 신호에 대응되는 제2 이상상태 신호를 생성하는 이상상태 신호 생성 단계;
    상기 프로세서가 상기 제1 이상상태 신호 및 상기 제2 이상상태 신호를 기반으로 이상상태 데이터세트를 생성하는 이상상태 데이터세트 생성 단계;
    상기 프로세서가 상기 정상상태 데이터세트와 상기 이상상태 데이터세트를 조합하여 이상상태 탐지 모델을 생성하기 위한 탐지 모델 학습세트를 생성하는 학습세트 생성 단계; 및
    상기 프로세서가 상기 탐지 모델 학습세트에 기반하여 이상상태 탐지 모델을 생성하는 이상상태 탐지 모델 생성 단계를 포함하는 이상상태 탐지 모델을 생성하는 방법.
  2. 제1 항에 있어서,
    상기 제1 센서는 적외선 감지 센서이고,
    상기 제2 센서는 이산화탄소 감지 센서인 이상상태 탐지 모델을 생성하는 방법.
  3. 제2 항에 있어서,
    상기 제1 이상상태 신호는 상기 제1 센서가 불꽃, 스파크 및 아크 중 적어도 어느 하나의 발생을 감지한 신호를 모델링한 것인 이상상태 탐지 모델을 생성하는 방법.
  4. 제2 항에 있어서,
    상기 제2 이상상태 신호는 상기 제2 센서가 연기 및 연소가스 중 적어도 어느 하나의 발생을 감지한 신호를 모델링한 것인 이상상태 탐지 모델을 생성하는 방법.
  5. 제2 항에 있어서,
    상기 컴퓨터 시스템은 화재감지 시스템인 이상상태 탐지 모델을 생성하는 방법.
  6. 제1 항에 있어서,
    상기 제1 변수값은 상기 임펄스 함수의 계수값이고,
    상기 이상상태 신호 생성단계에서,
    상기 프로세서는 상기 제1 변수값을 상기 임펄스 함수에 곱하여 상기 제1 이상상태 신호를 생성하는 이상상태 탐지 모델을 생성하는 방법.
  7. 제1 항에 있어서,
    상기 제2 변수값은 가우시안 분포 함수의 평균 및 분산 중 적어도 하나이고,
    상기 이상상태 신호 생성단계에서,
    상기 프로세서는 상기 제2 변수값을 적용하여 가우시안 분포 함수의 형태를 특정하는 이상상태 탐지 모델을 생성하는 방법.
  8. 제1 항에 있어서,
    상기 제1 변수값 및 상기 제2 변수값은 각각 상기 제1 이상상태 신호 및 상기 제2 이상상태 신호의 발생 시점 및 빈도에 대한 정보를 포함하는 이상상태 탐지 모델을 생성하는 방법.
  9. 제1 항에 있어서,
    상기 프로세서가 상기 정상상태 데이터세트와 상기 이상상태 데이터세트를 조합하여 탐지 모델 테스트세트를 생성하는 테스트세트 생성 단계; 및
    상기 프로세서가 상기 탐지 모델 테스트세트을 이용하여 상기 이상상태 탐지 모델을 테스트하는 이상상태 탐지 모델 테스트 단계를 더 포함하는 이상상태 탐지 모델을 생성하는 방법.
  10. 제9 항에 있어서,
    상기 탐지 모델 학습세트와 상기 탐지 모델 테스트 세트는 상기 정상상태 데이터세트와 상기 이상상태 데이터세트의 조합 비율이 상이한 이상상태 탐지 모델을 생성하는 방법.
  11. 제1 항에 있어서,
    상기 이상상태 변수값 인식 단계는,
    상기 프로세서가 입력부가 입력받은 상기 제1 변수값 및 상기 제2 변수값을 수신하는 단계를 더 포함하는 이상상태 탐지 모델을 생성하는 방법.
  12. 제1 항에 있어서,
    상기 이상상태 변수값 인식 단계는,
    상기 프로세서가 상기 정상상태 데이터세트로부터 상기 제1 변수값 및 상기 제2 변수값을 생성하는 단계를 더 포함하는 이상상태 탐지 모델을 생성하는 방법.
  13. 제1 항에 있어서,
    상기 변수값 인식 단계에서,
    상기 프로세서는 제3 변수값을 더 인식하고,
    상기 이상상태 신호 생성 단계에서,
    상기 프로세서는 상기 제1 이상상태 신호 및 상기 제2 이상상태 신호 중 적어도 하나에서 상기 제1 변수값 및 상기 제2 변수값 중 적어도 하나 대신에 상기 제3 변수값을 적용하고, 상기 임펄스 함수 및 상기 가우시안 분포 함수 중 적어도 하나 대신에 스텝 함수(Step function)을 적용하는 이상상태 탐지 모델을 생성하는 방법.
  14. 제13 항에 있어서,
    상기 이상상태 신호 생성 단계에서,
    상기 프로세서가 상기 제3 변수값과 상기 스텝 함수를 적용할지 여부는 상기 제1 정상상태 신호 및 상기 제2 정상상태 신호 중 적어도 하나에 기초하여 결정되는 이상상태 탐지 모델을 생성하는 방법.
  15. 입력부;
    통신부; 및
    제1 센서 및 제2 센서로부터 신호를 수신하는 프로세서를 포함하고,
    상기 프로세서는,
    상기 제1 센서가 일정시간 동안 감지한 제1 정상상태 신호 및 상기 제2 센서가 일정시간 동안 감지한 제2 정상상태 신호를 수신하고,
    상기 제1 정상상태 신호 및 제2 정상상태 신호를 기반으로 정상상태 데이터세트를 생성하고,
    상기 입력부가 입력받은 제1 변수값 및 제2 변수값을 수신하고,
    상기 제1 변수값을 임펄스 함수(Impulse function)에 적용하여 상기 제1 정상상태 신호에 대응되는 제1 이상상태 신호를 생성하고, 상기 제2 변수값을 가우시안 분포 함수(Gaussian distribution function)에 적용하여 상기 제2 정상상태 신호에 대응되는 제2 이상상태 신호를 생성하고,
    상기 제1 이상상태 신호 및 상기 제2 이상상태 신호를 기반으로 이상상태 데이터세트를 생성하고,
    상기 정상상태 데이터세트와 상기 이상상태 데이터세트를 조합하여 이상상태 탐지 모델을 생성하기 위한 탐지 모델 학습세트를 생성하고,
    상기 탐지 모델 학습세트에 기반하여 이상상태 탐지 모델을 생성하는 것을 특징으로 하는 이상상태 탐지 모델을 생성하는 컴퓨터 시스템.
KR1020200141605A 2020-10-28 2020-10-28 이상상태 탐지 모델을 생성하는 방법 KR102536198B1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020200141605A KR102536198B1 (ko) 2020-10-28 2020-10-28 이상상태 탐지 모델을 생성하는 방법
PCT/KR2021/005656 WO2022092460A1 (ko) 2020-10-28 2021-05-06 이상상태 탐지 모델을 생성하는 방법
DE112021005730.8T DE112021005730T5 (de) 2020-10-28 2021-05-06 Verfahren zur erzeugung eines anomalieerkennungsmodells
US17/543,141 US20220128534A1 (en) 2020-10-28 2021-12-06 Method of generating abnormal state detection model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200141605A KR102536198B1 (ko) 2020-10-28 2020-10-28 이상상태 탐지 모델을 생성하는 방법

Publications (2)

Publication Number Publication Date
KR20220056745A KR20220056745A (ko) 2022-05-06
KR102536198B1 true KR102536198B1 (ko) 2023-05-24

Family

ID=81384139

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200141605A KR102536198B1 (ko) 2020-10-28 2020-10-28 이상상태 탐지 모델을 생성하는 방법

Country Status (2)

Country Link
KR (1) KR102536198B1 (ko)
WO (1) WO2022092460A1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019074837A (ja) 2017-10-13 2019-05-16 ホーチキ株式会社 異常判定システム、監視装置、異常判定方法、及びプログラム
JP2020521193A (ja) 2017-03-20 2020-07-16 オーワイ ハルトン グループ リミテッド 防火装置、方法及びシステム

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100726206B1 (ko) 2006-01-31 2007-06-11 한국표준과학연구원 이상상태 검출을 위한 광섬유 이중모드 간섭형 센서와 이를이용한 이상 탐지 신호처리 방법
KR100853186B1 (ko) * 2006-12-05 2008-08-20 한국전자통신연구원 다중 개구면 광검출기 및 그 광검출기를 포함한 광신호검출회로
US8694283B2 (en) * 2010-09-17 2014-04-08 Siemens Aktiengesellschaft System and method for modeling conditional dependence for anomaly detection in machine condition monitoring
KR102279983B1 (ko) * 2018-12-28 2021-07-21 성균관대학교산학협력단 딥러닝 알고리즘을 이용한 비지도 방식의 네트워크 침입 탐지 방법 및 이를 실행하기 위한 프로그램이 기록된 기록매체

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020521193A (ja) 2017-03-20 2020-07-16 オーワイ ハルトン グループ リミテッド 防火装置、方法及びシステム
JP2019074837A (ja) 2017-10-13 2019-05-16 ホーチキ株式会社 異常判定システム、監視装置、異常判定方法、及びプログラム

Also Published As

Publication number Publication date
KR20220056745A (ko) 2022-05-06
WO2022092460A1 (ko) 2022-05-05

Similar Documents

Publication Publication Date Title
US11047843B2 (en) Atmospheric environment monitoring apparatus detecting failure of atmospheric environment sensor, and method for detecting failure of atmospheric environment sensor
Alippi et al. A cognitive fault diagnosis system for distributed sensor networks
Gao et al. On threshold-free error detection for industrial wireless sensor networks
US20120330596A1 (en) Self-calibrating sensor, system, and computer program product
CN106788920B (zh) 一种波特率偏差检测方法、装置及空调室内机
JP2017099274A (ja) 集約されたケーブル試験結果データを適用するためのシステム及び方法
Zug et al. An architecture for a dependable distributed sensor system
JP2016211838A (ja) 燃焼最適化システムおよび方法
US11982410B2 (en) Methods and smart gas internet of things (IoT) systems for remote control of ultrasonic metering devices
US20140069204A1 (en) Flow meter device
KR102536198B1 (ko) 이상상태 탐지 모델을 생성하는 방법
KR20140111396A (ko) 센서 모니터링 장치, 센서 모니터링 방법, 및 이를 위한 기록매체
US20220128534A1 (en) Method of generating abnormal state detection model
US11073825B2 (en) Causal relationship learning method, program, device, and anomaly analysis system
US20110208501A1 (en) Functional test generation through model inversion
US9195262B2 (en) Information processing apparatus and computer program product
Dai et al. Model-based on-line sensor fault detection in Wireless Sensor Actuator Networks
CN102708055B (zh) 软件可信性测试方法及装置
KR20160027389A (ko) 사물 인터넷 기술을 활용한 지능화된 가스 안전 관리 방법 및 장치
KR102432867B1 (ko) 스마트팜 센서류 고장검출 시스템 및 방법
KR102520158B1 (ko) IoT를 이용한 도시 인프라 관리 방법 및 장치
KR102340157B1 (ko) 센서모듈 장치
KR102545662B1 (ko) 센서의 임계치를 설정하는 방법
Hsia et al. Fusion-Algorithm-Based Security System with Multiple Sensors.
CN112468358B (zh) 一种协议检测方法、系统、设备及计算机可读存储介质

Legal Events

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