KR102540400B1 - 냉동고/냉장고 모니터링 장치, 방법 및 시스템 - Google Patents

Abstract

본 발명은, 인터넷을 통해 온도 데이터와 온도센싱기 식별자를 포함하는 온도 정보를 수신하는 단계, 온도 정보의 온도 데이터를 온도센싱기 식별자에 대응하는 온도수신 버퍼에 저장하는 단계 및 온도센싱기 식별자에 매칭되는 냉각기와 동일한 모델의 냉각기로 학습된 인공지능 모델에, 온도수신 버퍼의 지정된 크기의 슬라이딩 윈도우의 일련의 복수 온도 데이터를 입력하여 냉각기의 현재 시점에서의 이상여부를 추정하는 단계를 포함하는, 냉각기의 모니터링 장치, 방법 및 시스템에 관한 것이다.

Description

냉동고/냉장고 모니터링 장치, 방법 및 시스템{APPARATUS, METHOD AND SYSTEM FOR MONITORING FREEZER/FRIDGE}

본 발명은 냉동고/냉장고 모니터링 장치, 방법 및 시스템에 관한 것으로서, 구체적으로는 산업용/업소용 냉동고/냉장고의 노후화나 기기 고장을 인공지능을 통해 예측하여 노후화나 기기 고장에 따라 야기되는 2차 피해를 예방할 수 있는 냉동고/냉장고 모니터링 장치, 방법 및 시스템에 관한 것이다.

각종 음식, 물품 또는 제품의 신선도를 유지하기 위해 냉동고/냉장고를 활용한다. 산업용 냉동고/냉장고의 출시 주기가 길고 산업계 내의 개폐업의 빈번함과 비용상의 문제로 업소나 매장 등에 중고가 많이 설치되고 중고의 냉동고/냉장고를 통해 냉장 물품이나 냉동 물품의 신선도를 유지하는 것이 보편적이다.

코로나 19의 확산에 따른 비대면 소비추세의 확산에 따라 물류창고의 소요가 늘어나고 중대형의 냉동고/냉장고의 수요도 급증하고 있다. 빙과류 등의 냉동 물품은 유통기한이 법적으로 지정되지 않아 제조일로부터 2,3년 이상 유통될 수 있으나 더운 여름 실제 냉동고의 문열림/닫힘에 따라 적정온도를 유지할 수 없는 한계가 발생할 수 있고 유통기한의 단축이 발생하거나 식중독 등의 원인을 제공할 수 있다.

산업용/업소용 냉동고/냉장고는 중고가 널리 활용되고 기본적으로 온도를 알리는 기능이 없으며 어느 정도로 온도 유지 및 관리가 필요한지 알 수 없어 보관중인 물품의 품질 저하가 빈번하게 발생한다.

또한, 산업용/업소용 냉동고/냉장고의 노후화나 기기고장은 보관중인 물품에 대한 재산피해뿐 아니라 화재 등에 의한 인명피해 등도 발생할 수 있다. 노후화나 기기고장에 의해 오염과 같은 2차 피해가 발생하고 식중독 등의 원인과 부가적으로 소비자의 신뢰를 잃을 수 있는 문제를 야기한다.

이와 같이, 산업용/업소용 냉동고/냉장고의 이용 실태에서 야기되는 다양한 문제점을 해소하거나 개선할 수 있는 냉동고/냉장고 모니터링 장치, 방법 및 시스템이 필요하다.

등록특허 10-1640018, 2016년07월18일,

본 발명은, 상술한 문제점을 해결하기 위해서 안출한 것으로서, 산업용/업소용 냉동고/냉장고에서 실시간으로 수집되는 일련의 온도 데이터로부터 인공지능 알고리즘을 통해 냉동고/냉장고의 이상을 예측할 수 있는 모니터링 장치, 방법 및 시스템을 제공하는 데 목적이 있다.

또한, 본 발명은 산업용/업소용 냉동고/냉장고에서 실시간으로 수집되는 일련의 온도 데이터로부터 인공지능 알고리즘을 통해 주기적으로 이상 확률을 산출하고 산출된 이상 확률의 발생 패턴이나 그 값에 기초하여 냉동고/냉장고의 이상 분류된 알람 메시지를 관리자에게 발신할 수 있는 모니터링 장치, 방법 및 시스템을 제공하는 데 목적이 있다.

또한, 본 발명은 산업용/업소용 냉동고/냉장고에서 실시간으로 수집되는 일련의 온도 데이터의 온도 패턴으로 냉동고/냉장고 모델별로 학습된 인공지능 알고리즘을 이용하여 냉동고/냉장고의 노후화나 기기 고장을 예측하고 그에 따른 알람메시지를 발신할 수 있는 모니터링 장치, 방법 및 시스템을 제공하는 데 목적이 있다.

또한, 본 발명은 사용중인 산업용/업소용 냉동고/냉장고에 대한 이상 예측에 따라 냉동고/냉장고에 보관중인 물품의 사용에 따른 2차 피해나 냉동고/냉장고에 의한 오동작으로 발생하는 2차 피해를 예방할 수 있는 모니터링 장치, 방법 및 시스템을 제공하는 데 목적이 있다.

본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 발명의 일 양상에 따른 모니터링 방법은 인터넷을 통해 온도 데이터와 온도센싱기 식별자를 포함하는 온도 정보를 수신하는 단계, 온도 정보의 온도 데이터를 온도센싱기 식별자에 대응하는 온도수신 버퍼에 저장하는 단계 및 온도센싱기 식별자에 매칭되는 냉각기와 동일한 모델의 냉각기로 학습된 인공지능 모델에, 온도수신 버퍼의 지정된 크기의 슬라이딩 윈도우의 일련의 제1 복수 온도 데이터를 입력하여 냉각기의 제1 시점에서의 이상여부를 추정하고 온도수신 버퍼의 슬라이딩 윈도우의 후속하는 일련의 제2 복수 온도 데이터를 입력하여 후속하는 시점인 제2 시점에서의 이상여부를 추정하는 단계를 포함하고, 제1 복수 온도 데이터와 제2 복수 온도 데이터는 서로 오브랩되며, 온도 정보는 냉각기에 별도로 설치되는 온도 센싱기에 의해 측정된 온도신호로부터 구성된다.

상기한 모니터링 방법에 있어서, 이상여부를 추정하는 단계는, 온도센싱기 식별자에 매칭되는 냉각기와 동일 모델의 냉각기에서의 온도상태 변동패턴으로 미리 학습된 스펙트럴 레지듀얼(Spectral Residual) 모델에 일련의 복수 온도 데이터를 입력하여 특징 지도(Saliency Map)를 생성하는 단계 및 CNN(Convolutional Neural Network) 모델에 특징 지도를 입력하여 시점에서의 이상 확률을 생성하는 단계를 포함한다.

상기한 모니터링 방법에 있어서, 이상여부를 추정하는 단계는, 시점에서의 이상 확률을 제1 임계 확률과 비교하고 이상 확률이 제1 임계 확률보다 높은 경우 시점에 대응하는 이상알람 신호를 발생시키는 단계를 더 포함하고, 모니터링 방법은, 이상알람 신호에 기초하여 알람 메시지를 생성하는 단계 및 생성된 알람 메시지를 온도센싱기 식별자에 매칭되는 사용자 단말기로 전송하는 단계를 더 포함한다.

상기한 모니터링 방법에 있어서, 알람 메시지를 생성하는 단계는 복수의 시점에서의 이상알람 신호의 빈도 변화율에 따라 변화 알람 메시지를 생성하거나 이상알람 신호의 이상 확률이 제1 임계 확률보다 높은 제2 임계 확률 이상인 경우에 비상 알람 메시지를 생성한다.

상기한 모니터링 방법에 있어서, 복수 온도 데이터는 28개 이상에서 2880개 이하 개수의 온도 데이터를 가지고, 냉각기는 냉동고 또는 냉장고이다.

또한, 본 발명의 일 양상에 따른 모니터링 장치는 인터넷을 통해 온도 데이터와 온도센싱기 식별자를 포함하는 온도 정보를 수신하는 통신 유닛, 온도 정보의 온도 데이터를 온도센싱기 식별자에 대응하는 온도수신 버퍼에 저장하는 저장 유닛 및 온도센싱기 식별자에 매칭되는 냉각기와 동일한 모델의 냉각기로 학습된 인공지능 모델에, 온도수신 버퍼의 지정된 크기의 슬라이딩 윈도우의 일련의 제1 복수 온도 데이터를 입력하여 냉각기의 제1 시점에서의 이상여부를 추정하고 온도수신 버퍼의 슬라이딩 윈도우의 후속하는 일련의 제2 복수 온도 데이터를 입력하여 후속하는 시점인 제2 시점에서의 이상여부를 추정하는 제어 유닛을 포함하고, 제1 복수 온도 데이터와 제2 복수 온도 데이터는 서로 오브랩된다.

상기한 모니터링 장치에 있어서, 제어 유닛은, 이상여부를 추정하기 위해, 온도센싱기 식별자에 매칭되는 냉각기와 동일 모델의 냉각기에서의 온도상태 변동패턴으로 미리 학습된 스펙트럴 레지듀얼(Spectral Residual) 모델에 일련의 복수 온도 데이터를 입력하여 특징 지도(Saliency Map)를 생성하고 CNN(Convolutional Neural Network) 모델에 특징 지도를 입력하여 상기 시점에서의 이상 확률을 생성한다.

상기한 모니터링 장치에 있어서, 제어 유닛은, 시점에서의 이상 확률을 제1 임계 확률과 비교하고 이상 확률이 상기 제1 임계 확률보다 높은 경우 시점에 대응하는 이상알람 신호를 발생시키고, 이상알람 신호에 기초하여 알람 메시지를 생성한다.

상기한 모니터링 장치에 있어서, 모니터링 장치는 클라우드 서버이고, 냉각기는 냉동고 또는 냉장고이다.

또한, 본 발명의 일 양상에 따른 모니터링 시스템은 상기한 모니터링 장치를 포함한다.

상기한 모니터링 시스템에 있어서, 냉각기 내부에 설치되어 내부온도를 측정하는 온도센서 및 냉각기 외부에 설치되고 온도센서로부터 수신되는 온도신호에서 온도 데이터를 생성하고 온도 데이터와 온도센싱기 식별자를 포함하는 무선 패킷을 근거리 무선통신으로 전송하는 온도 센싱기를 더 포함한다.

상기와 같은 본 발명에 따른 모니터링 장치, 방법 및 시스템은 산업용/업소용 냉동고/냉장고에서 실시간으로 수집되는 일련의 온도 데이터로부터 인공지능 알고리즘을 통해 냉동고/냉장고의 이상을 예측할 수 있는 효과가 있다.

또한, 상기와 같은 본 발명에 따른 모니터링 장치, 방법 및 시스템은 산업용/업소용 냉동고/냉장고에서 실시간으로 수집되는 일련의 온도 데이터로부터 인공지능 알고리즘을 통해 주기적으로 이상 확률을 산출하고 산출된 이상 확률의 발생 패턴이나 그 값에 기초하여 냉동고/냉장고의 이상 분류된 알람 메시지를 관리자에게 발신할 수 있는 효과가 있다.

또한, 상기와 같은 본 발명에 따른 모니터링 장치, 방법 및 시스템은 산업용/업소용 냉동고/냉장고에서 실시간으로 수집되는 일련의 온도 데이터의 온도 패턴으로 냉동고/냉장고 모델별로 학습된 인공지능 알고리즘을 이용하여 냉동고/냉장고의 노후화나 기기 고장을 예측하고 그에 따른 알람메시지를 발신할 수 있는 효과가 있다.

또한, 상기와 같은 본 발명에 따른 모니터링 장치, 방법 및 시스템은 사용중인 산업용/업소용 냉동고/냉장고에 대한 이상 예측에 따라 냉동고/냉장고에 보관중인 물품의 사용에 따른 2차 피해나 냉동고/냉장고에 의한 오동작으로 발생하는 2차 피해를 예방할 수 있는 효과가 있다.

본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도 1은 냉각기 모니터링 시스템의 예시적인 구성을 도시한 도면이다.
도 2는 모니터링 장치의 예시적인 구성 블록도를 도시한 도면이다.
도 3은 온도 센싱기가 설치되어 있는 냉각기의 이상을 모니터링하기 위한 주요 제어 흐름을 도시한 도면이다.
도 4는 냉각기의 동작과 그에 따라 변화하는 온도 패턴의 예를 도시한 도면이다.
도 5는 인공지능 모델을 활용하여 입력되는 온도 데이터로부터 이상여부를 추정하는 구체적인 과정을 도시한 도면이다.

상술한 목적, 특징 및 장점은 첨부된 도면을 참조하여 상세하게 후술 되어 있는 상세한 설명을 통하여 더욱 명확해 질 것이며, 그에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 또한, 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에 그 상세한 설명을 생략하기로 한다. 이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시 예를 상세히 설명하기로 한다.

도 1은 냉각기 모니터링 시스템의 예시적인 구성을 도시한 도면이다.

도 1에 따르면 냉각기를 실시간으로 상태를 모니터링하는 모니터링 시스템은 하나의 이상의 온도센서(100), 하나 이상의 온도 센싱기(200), 하나 이상의 게이트웨이(300)와 모니터링 장치(500)를 포함하여 구성되고 게이트웨이(300)와 모니터링 장치(500)는 인터넷으로 연결된다. 설계 예에 따라, 모니터링 시스템은 그 외 다른 구성 기기나 장치를 더 포함할 수 있다. 냉각기는 냉동고이거나 냉장고일 수 있고 바람직하게는 업무용 또는 산업용의 냉동고이거나 냉장고일 수 있다.

본 발명에 따르는 모니터링 시스템은 냉각기의 상태를 실시간으로 모니터링할 수 있다. 특히, 모니터링 시스템은 학습된 인공지능 모델을 이용하여 냉각기의 온도 변화 패턴이나 상태에서 냉각기의 이상여부를 추정할 수 있도록 구성된다. 모니터링 시스템은 일련의 온도 데이터들을 온도 변화 패턴(온도상태 변동 패턴)으로 학습된 인공지능 모델에 입력하여 노후화 심화, 고장 발생 임박 등의 이상을 예측 추정하고 추정된 이상 알람을 출력할 수 있다.

본 발명에 따른 모니터링 시스템은 하나 이상의 로컬 모니터링 시스템(도1 의 ⓐ, ⓑ 참조)을 포함한다. 판매점, 업소, 영업소, 작업장, 공장 등에 설치되는 로컬 모니터링 시스템은 게이트웨이(300), 하나 이상의 온도 센싱기(200) 및 하나 이상의 온도센서(100)를 포함하여 해당 작업장 등에 설치되어 있는 냉각기의 온도 데이터를 수집하고 수집된 온도 데이터를 모니터링 장치(500)로 인터넷을 통해 전송할 수 있도록 구성된다.

온도센서(100)는 작업장 등의 냉각기에 설치되어 냉각기 내부의 온도를 측정한다. 온도센서(100)는 냉각기 내부의 온도 변화가 민감한 위치에 설치될 수 있다. 예를 들어, 온도센서(100)는 열을 흡수하는 냉각기의 증발기의 냉기 통풍구(예를 들어, 냉장고나 냉동고에서 생성된 냉열을 방출하는 통풍구)의 인접 위치(방출되는 냉열을 직접 받을 수 있는 통풍구나 통풍구 근처)에 설치되어 냉각기의 냉각 사이클에 따라 동적으로 변화하는 내부 온도를 센싱할 수 있도록 구성된다.

온도센서(100)는 냉각기 내부의 온도를 측정하고 측정된 온도를 나타내는 온도신호를 출력한다. 온도센서(100)는 유선라인을 통해 온도신호를 출력할 수 있고 예를 들어, 아날로그 온도신호나 디지털의 온도신호를 출력할 수 있다. 온도센서(100)는 측정된 온도의 높낮이에 비례하는 아날로그 온도신호(예를 들어, 전류신호나 전압신호)를 유선라인을 통해 출력하거나 아날로그 온도신호로부터 변환된 디지털의 온도신호를 UART나 USB의 유선통신 라인을 통해 출력할 수 있다.

온도 센싱기(200)는 연결된 온도센서(100)로부터 온도신호를 수신하고 수신된 온도신호로부터 온도 데이터를 생성하고 생성된 온도 데이터와 온도센싱기 식별자를 포함하는 무선 패킷을 근거리 무선통신으로 전송한다.

온도 센싱기(200)는 바람직하게는 냉각기의 외부에 설치되고(예를 들어, 냉각기 외부 표면에 부착) 냉각기 내부에 설치되는 온도센서(100)로부터 유선라인을 통해 온도 신호를 수신하고 수신된 온도 신호에 대응하는 온도 데이터를 생성한다. 온도 데이터는 화씨 온도, 섭씨 온도 또는 온도 신호에 대응하는 크기값을 가지는 데이터일 수 있다.

온도 센싱기(200)는 무선 패킷을 근거리 무선통신을 통해 전송할 수 있도록 구성되는 데, 온도 센싱기(200)는 블루투스, 지그비, 와이파이 등의 근거리 무선통신을 위한 무선 패킷을 생성하고 생성된 무선 패킷을 송출한다. 온도 센싱기(200)는 무선 패킷의 페이로드에 온도센서(200)를 통해 측정된 하나(또는 하나 이상의)의 온도 데이터와 온도센싱기 식별자를 포함시킬 수 있다. 나아가, 온도 센싱기(200)는 온도 센싱기(200) 내부의 배터리 상태를 나타내는 배터리 데이터를 페이로드에 더 포함시킬 수 있다. 온도센싱기 식별자는 온도 센싱기(200)에 할당된 식별자로서 예를 들어, 온도 센싱기(200)의 맥주소이거나 작업장 등에 고유하게 할당된 ID이거나 냉각기에 고유하게 할당되거나 냉각기를 식별할 수 있는 ID 등일 수 있다.

변형 예에서, 하나의 온도 센싱기(200)는 단일의 냉각기 내부에 설치된 다수의 온도센서(100)에 연결될 수도 있다. 이 경우, 온도 센싱기(200)는 페이로드에 다수 온도센서(100) 각각의 온도 데이터와 온도센싱기 식별자를 포함시킬 수 있다.

온도 센싱기(200)는 설정된 측정 주기(예를 들어, 5초, 1분 등)에 따라 주기적으로 온도 데이터, 온도센싱기 식별자, 나아가 배터리 데이터와 타임 스탬프(측정 시점을 나타내는 시각이나 번호 등)를 포함하는 무선 패킷을 생성하고 근거리 무선통신으로 전송한다.

온도 센싱기(200)와 온도센서(100)에서 이루어지는 주요한 동작 흐름은 도 3 이하에서 좀 더 살펴보도록 한다.

게이트웨이(300)는 근거리 무선통신을 통해 무선 패킷을 수신하고 무선 패킷의 페이로드를 추출하고 추출된 페이로드의 온도 데이터, 온도센싱기 식별자, 나아가 배터리 데이터 및 타임 스탬프를 포함하는 하나 이상의 온도 정보를 온도센싱기 식별자별로 구성하고 구성된 온도 정보를 인터넷을 통해 모니터링 장치(500)로 전송한다.

게이트웨이(300)는 하나의 온도 센싱기(200)에 의해 구성되는 온도 정보를 인터넷을 통해 전송하거나 복수의 온도 센싱기(200)에 의해 구성되는 복수의 온도 정보를 인터넷을 통해 모니터링 장치(500)로 전송할 수 있다. 게이트웨이(300)는 인터넷의 프로토콜에 따라 페이로드의 온도 정보를 암호화하여 모니터링 장치(500)로 전송할 수 있다.

모니터링 장치(500)는 인터넷을 통해 로컬 모니터링 시스템에 연결되어 로컬 모니터링 시스템의 냉각기의 이상을 실시간 모니터링한다. 모니터링 장치(500)는 로컬 모니터링 시스템의 온도 센싱기(200)로부터 수신되는 주기적인 온도 정보의 데이터를 인공지능 모델에 입력하여 온도 센싱기(200)가 설치되어 온도를 측정하는 냉각기의 이상여부를 추정하거나 감지할 수 있도록 구성된다. 모니터링 장치(500)는 클라우드(Cloud) 서버로 구현될 수 있다.

모니터링 장치(500)는 주기적으로 측정되는 실시간의 온도 데이터들을 인공지능 모델에 입력하여 해당 냉각기의 노후화 예측, 고장 예측, 비상 이상 발생 등을 감지하고 감지된 이상을 나타내는 알람 메시지를 등록된 사용자에게 제공할 수 있도록 구성된다. 모니터링 장치(500)에 대해서는 도 2 이하에서 좀 더 상세히 살펴보도록 한다.

도 2는 모니터링 장치(500)의 예시적인 구성 블록도를 도시한 도면이다.

도 2에 따르면 모니터링 장치(500)는 통신 유닛(510), 저장 유닛(530), 연결 유닛(550) 및 제어 유닛(570)을 포함하여 구성된다. 도 2의 블록도는 기능을 특정하기 위한 기능 블록도이다. 도 2에 따른 모니터링 장치(500)는 각각의 기능을 수행하기 위한 다양한 물리적 구성을 가질 수 있다. 모니터링 장치(500)는 다수의 물리적 서버나 컴퓨터로 분할 구성될 수 있고 할당된 기능에 따라 분리 구성될 수도 있다. 모니터링 장치(500)는 바람직하게는 클라우드 서버일 수 있다. 특정 구현 예에서는 저장 유닛(530)의 DB나 데이터는 별도 서버나 스토리지에 구현될 수도 있다. 이와 같이, 모니터링 장치(500)는 다양한 물리적 또는 가상적 구성을 가질 수 있다.

도 2를 통해 각 블록을 살펴보면, 통신 유닛(510)은 인터넷을 통해 데이터를 송수신한다. 통신 유닛(510)은 무선랜, 유선랜, 광랜 등에 연결되어 인터넷으로부터의 각종 데이터를 송수신하기 위한 통신 칩셋이나 회로를 포함한다.

통신 유닛(510)은 각종 데이터, 정보 등을 인터넷을 통해 수신하고 송신하는 데, 예를 들어 통신 유닛(510)은 게이트웨이(300)로부터 하나 이상의 온도 센싱기(200)에서 측정되고 구성되는 온도 정보를 수신할 수 있다. 또한, 통신 유닛(510)은 제어 유닛(570)에 의해 구성되는 알람 메시지를 전송할 수 있다. 온도 정보는 적어도 온도 데이터와 온도센싱기 식별자를 포함하고 나아가 배터리 데이터 및 타임 스탬프를 더 포함할 수 있다.

저장 유닛(530)은 각종 데이터와 프로그램을 저장한다. 저장 유닛(530)은 휘발성 메모리, 비휘발성 메모리 및/또는 하드디스크 등의 대용량 저장매체를 포함하여 모니터링 장치(500)에서 이용되는 각종 데이터와 프로그램을 저장한다.

저장 유닛(530)은 냉각기 관리 DB를 저장(포함)하고 냉각기 관리 DB는 하나 이상의 냉각기 아이템을 포함한다. 냉각기 아이템은 업소, 작업장 등에 설치되어 있는 특정 냉각기(냉장고 또는 냉동고) 각각을 특정하고 관리하기 위한 데이터를 저장한다.

냉각기 아이템은 냉각기에 관련되는 냉각기 정보, 냉각기에 설치되어 있는 온도 센싱기(200)에 관련되는 온도센싱기 정보, 냉각기를 관리하는 관리자 정보를 포함(저장)하고 나아가 하나 이상의 온도수신 버퍼나 온도수신 버퍼의 링크(link)와 냉각기에 대해 결정되는 상태 정보를 더 포함한다. 저장 유닛(530)에 저장되어 있는 온도수신 버퍼는 온도 센싱기(200)로부터 수신되는 온도 정보의 온도 데이터를 수신 시각이나 타임 스탬프 등에 따라 순차적으로 저장하거나 그 선후관계를 알 수 있도록 저장한다. 각각의 온도수신 버퍼는 특정 하나의 온도 센싱기(200)(의 온도센싱기 식별자)에 대응하도록 구성된다.

냉각기 정보는 적어도 냉각기의 모델을 특정하기 위한 모델 정보를 포함한다. 모델 정보는 예를 들어, 냉각기의 제조사, 냉각기의 모델명이나, 모델번호를 포함할 수 있다. 또한, 냉각기 정보는 냉각기가 설치되어 있는 장소의 식별자(예를 들어, 주소, 업소명 등)와 냉각기가 설치된 시기 등에 관련되는 데이터를 더 포함할 수 있다.

온도센싱기 정보는 냉각기에 설치되어 있는 온도 센싱기(200)를 특정하거나 상태를 알 수 있는 정보를 저장한다. 온도센싱기 정보는 적어도 냉각기에 설치되어 있는 온도 센싱기(200)의 온도센싱기 식별자를 포함한다. 온도센싱기 식별자는 예를 들어, 온도 센싱기(200)의 맥주소이거나 작업장 등에 고유하게 할당된 ID이거나 냉각기에 고유하게 할당되거나 냉각기를 식별할 수 있는 ID 등일 수 있다. 온도센싱기 정보는 그 외에 온도 센싱기(200)로부터 수신되는 일련의 또는 최근의(예를 들어, 현재로부터 과거 10개의) 배터리 데이터를 더 저장할 수 있다.

관리자 정보는 온도 센싱기(200)(및/또는 온도 센싱기(200)가 부착된 냉각기)를 관리하는 관리자에 대한 정보를 저장한다. 관리자 정보는 사용자 단말기의 식별자를 포함한다. 예를 들어, 관리자 정보는 업소나 매장 등에서 온도 센싱기(200)나 냉각기를 직접 관리하는 관리자의 휴대전화번호나 특정 관리 사이트의 ID 등을 저장할 수 있다. 이와 같이, 관리자 정보는 온도 센싱기(200)(의 식별자)에 매칭되는 관리자에 연결 가능한 사용자 단말기(예를 들어, 스마트폰, 태블릿 PC, 노트북, 개인용 컴퓨터)의 식별자를 저장한다.

상태 정보는 온도 센싱기(200)가 설치된 냉각기의 상태를 저장한다. 상태 정보는 온도 데이터를 입력받는 제어 유닛(570)의 인공지능 모델에 의해서 추정된 이상여부에 따른 현재나 과거의 상태를 저장할 수 있다. 예를 들어, 상태 정보는 인공지능 모델에 의한 이상여부 추정 이벤트에 따라 발생한 현재 시점의 상태정보 또는 현재 시점 상태정보와 과거 시점 상태정보들을 저장할 수 있다. 현재 또는 과거 시점의 상태정보 각각은 예를 들어, 정상 여부(정상 또는 이상(비정상)), 비정상(이상)시의 이상 유형을 저장할 수 있다. 이상 유형은 비상 이상유형이거나 변화(예를 들어, 노후화나 에이징에 따른) 이상유형 등이 있을 수 있다. 상태 정보는 그 외 관리자 정보에 의해 식별되는 사용자 단말기로 발생된(전송된) 알람 메시지를 더 저장할 수 있다.

또한, 상태 정보는 인공지능 모델을 통해 냉각기에서 측정된 온도 데이터로부터 발생한 이상알람신호 리스트를 더 포함하여 구성될 수 있다. 이상알람신호 리스트는 과거(의 특정 시점, 예를 들어, 로컬 모니터링 시스템의 설치 직후나 현재로부터 과거 일정기간에 대응하는 시점)로부터 현재까지 이상알람 신호가 발생한 시점을 특정할 수 있는 데이터들(예를 들어, 시각이나 순번 등)을 저장한다. 이상알람신호 리스트는 적어도, 현재로부터 과거 일정한 기간 동안에서 해당 냉각기에서 발생한 이상알람 신호의 빈도(율)나 빈도의 변화 정도(율)를 특정할 수 있도록 한다.

또한, 저장 유닛(530)은 인공지능 모델에 관련되는 프로그램을 저장한다. 저장 유닛(530)은 스펙트럴 레지듀얼(Spectral Residual) 모델의 프로그램과 CNN(Convolutional Neural Network) 모델의 프로그램을 저장하고 나아가 스펙트럴 레지듀얼과 CNN 모델을 설정하기 위한 학습 파라미터들을 저장한다. 각각의 학습 파라미터는 대응하는 모델 정보에 매칭되어 저장된다.

스펙트럴 레지듀얼과 CNN 모델의 학습 파라미터들은 미리 학습되어 저장되고 냉각기의 모델별로 분리되어 저장된다. 즉, 냉각기 A 모델의 학습 파라미터와 냉각기 B 모델의 학습 파라미터는 서로 다르게 구성되어 저장유닛에 저장된다.

또한, 저장 유닛(530)은 냉각기 관리 DB를 관리하고 인공지능 모델을 제어하며 이상 유형을 판단하기 위한 제어 프로그램을 더 포함한다. 제어 프로그램은 통신 유닛(510)을 통해 온도 데이터를 수신하고 대응하는 온도수신 버퍼에 저장하고 스펙트럴 레지듀얼과 CNN 모델을 포함하는 인공지능 모델로 지정된 크기의 일련의 온도 데이터를 입력(제공)하여 인공지능 모델로부터의 이상 확률에 따라 이상 여부를 추정하고 추정된 이상에 따라 알람 메시지를 생성하여 사용자 단말기로 출력할 수 있다.

연결 유닛(550)은 모니터링 장치(500) 내의 블록 사이의 각종 데이터를 송수신한다. 연결 유닛(550)은 병렬 버스, 시리얼 버스, 이더넷, 와이파이 등을 하나 이상 포함하여 각종 데이터를 송수신할 수 있다.

제어 유닛(570)은 모니터링 장치(500)를 제어한다. 제어 유닛(570)은 저장 유닛(530)의 하나 이상의 프로그램을 통해 모니터링 장치(500)를 제어할 수 있다. 제어 유닛(570)은 CPU, MPU, 중앙 처리 장치, 마이컴 등을 하나 이상 포함하여 프로그램의 명령어 코드를 수행할 수 있다.

제어 유닛(570)은 제어 프로그램을 로딩하고 제어 프로그램을 통해, 통신 유닛(510) 및 저장 유닛(530)으로부터의 각종 데이터를 이용하여 냉각기 관리 DB에 등록된 냉각기에 대한 이상을 추정(예측)하고 추정된 이상에 따른 알람 메시지를 대응하는 관리자의 사용자 단말기로 인터넷을 통해 전송할 수 있다.

제어 프로그램을 수행하는 제어 유닛(570)은, 냉각기 아이템의 온도센싱기 정보의 온도센싱기 식별자에 매칭되는 냉각기와 동일한 모델의 냉각기로 학습된 인공지능 모델(해당 냉각기 모델의 학습 파라미터로 설정된 스펙트럴 레지듀얼과 CNN 모델)에, 냉각기의 온도수신 버퍼의 지정된 크기로 된 슬라이딩 윈도우(예를 들어, 300개)의 제1 시점에서의 일련의 온도 데이터들을 입력하여 냉각기의 제1 시점에서의 이상여부를 추정한다. 또한, 제어 유닛(570)은 동일한 냉각기의 온도수신 버퍼의 슬라이딩 윈도우의 후속하는 일련의 온도 데이터들을 입력하여 후속하는 시점인 제2 시점에서의 이상여부를 추정한다.

제어 유닛(570)은 인공지능 모델에서 출력되는 이상 확률에 기초하여 이상 여부를 추정하고 이상 여부의 유형을 결정하고 그 결정된 유형에 따라 대응하는 알람 메시지를 생성하고 인터넷을 통해 사용자 단말기로 전송할 수 있다.

제어 유닛(570)(을 포함하는 모니터링 장치(500))에 대한 구체적인 제어에 대해서는 도 3 이하에서 좀 더 구체적으로 살펴보도록 한다.

도 3은 온도 센싱기(200)가 설치되어 있는 냉각기의 이상을 모니터링하기 위한 주요 제어 흐름을 도시한 도면이다.

도 3의 제어 흐름은 모니터링 시스템에 의해서 수행되고 바람직하게는 모니터링 장치(500)의 제어 유닛(570)이 제어 프로그램과 인공지능 모델을 통해 수행할 수 있도록 구성된다.

도 3의 제어 흐름의 수행에 앞서, 모니터링 장치(500)는 냉각기 각각의 모델에 대해 인공지능 모델을 학습시키고 모니터링 대상 냉각기를 저장 유닛(530)의 냉각기 관리 DB에 등록한다.

모니터링 장치(500)의 제어 유닛(570)은 냉각기 모델별 시계열적으로 측정 주기에 따라 연속적으로 샘플링된 일련의 온도 데이터들을 인공지능 모델(의 스펙트럴 레지듀얼 모델과 CNN 모델)에 입력하여 인공지능 모델을 학습시키고 학습을 반영한 해당 모델의 학습 파라미터를 생성하고 해당 모델의 모델 정보에 매칭시켜 저장 유닛(530)에 저장한다.

제어 유닛(570)은 15,000개 내외의 일련의 시계열적으로 연속적이고 지정된 측정 주기에 따라 샘플링된 온도 데이터를 인공지능 모델에 입력시켜 학습 파라미터를 생성할 수 있다. 학습에 이용되는 학습용 온도 데이터들은 대다수가 정상적인 온도 변화 패턴을 가지는 온도 데이터로 구성되는 것이 바람직하게 권장된다.

도 4는 냉각기의 동작과 그에 따라 변화하는 온도 패턴의 예를 도시하고 있다. 도 4의 예에서 알 수 있는 바와 같이, 산업용, 업소용 등의 일반적으로 알려져 있는 냉동고 및/또는 냉장고와 같은 냉각기는 내부에 압축기, 응축기 및 증발기를 구비하고 냉매를 이용한 기화와 액화 과정을 통해 외부의 열을 흡수하여 냉각기 내부의 온도를 설정된 온도로 유지(도 4의 (b) 및 (c) 참조)할 수 있다.

냉각기는 설정된 내부 온도(도 4의 (a)의 ⓢ 범위)(예를 들어, 영하 10도나 영상 7도 등)를 벗어나거나 높은 경우 냉각 사이클이 발생하고 냉각 사이클은 온도가 설정된 온도 이하로 내려갈때까지 반복하고 설정된 기대 온도에 도달하면 냉각 사이클이 중지되고 이후 온도 상승이 발생함에 따라 냉각 사이클이 재가동될 수 있다.

도 4의 (a)는 특정 냉각기(산업용 냉장고)의 내부에서 측정된 온도상태 변동패턴을 알 수 있는 그래프이다. 도 4의 (a)는 내부 설정 온도를 7도 내지 9도로 설정한 상태(ⓢ 참조)에서 실제 냉장고 내에서 측정한 온도의 변화를 나타내는 그래프이다.

도 4의 (a)에서 알 수 있는 바와 같이, 냉각기의 동작 사이클(ⓟ 참조)이 반복(도 4의 (a)의 냉각기에서는 대략 3시간 정도의 동작 사이클의 주기가 발생함)하여 이루어지고 하나의 동작 사이클 내에는 냉각 사이클과 냉각 사이클의 종료 후의 온도 상승의 과정을 가진다. 하나의 동작 사이클의 주기는 냉각기 별로(특히, 냉각기의 모델별로) 다를 수 있다.

냉각 사이클의 온도상태 변화 패턴은 전형적인 형태를 가지고 이 전형적인 형태를 벗어나게 되면 이상이 발생하는 것으로 실험적인 검증으로 확인되고 유추된다. 즉, 냉각기 모델별로 온도상태 변화 패턴은 극히 유사한 대표 패턴을 가지며 온도의 피크치(ⓜ 참조)로부터 다음 피크치까지의 동작 사이클의 주기는 모델별로 비슷한 것으로 확인된다.

본 발명은 냉각기의 실시간으로 수신되는 온도 데이터의 온도상태 변화 패턴에 대한 분석을 통해 냉각기의 이상 여부를 판단할 수 있도록 바람직하게 구성된다. 그에 따라, 모니터링 장치(500)는 냉각기의 노후화에 따른 이상이나, 온도의 극한 상승에 따른 이상, 내부 부품의 이상 등에 의한 고장 예측 등을 온도상태 변화(변동) 패턴에서 인공지능 모델을 통해 분석하고 판단할 수 있도록 구성된다.

제어 유닛(570)은 도 4의 (a)와 같은 전형적인 온도상태 변화 패턴을 특정할 수 있는 온도 데이터들을 입력받아 냉각기 모델별로 인공지능 모델을 학습시키고 학습 파라미터를 생성하고 저장 유닛(530)에 냉각기의 해당 모델 정보에 매칭시켜 저장한다.

또한, 제어 유닛(570)은 사용자 단말과 연동하여 신규의 냉각기 아이템을 생성하고 저장 유닛(530)의 냉각기 관리 DB에 저장한다. 생성되는 최초의 냉각기 아이템은 냉각기를 특정하는 모델 정보를 포함하는 냉각기 정보, 냉각기에 설치되어 있는 온도 센싱기(200)를 특정하기 위한 온도센싱기 식별자를 포함하는 온도센싱기 정보, 해당 냉각기 또는 온도 센싱기(200)를 관리하는 관리자의 사용자 단말기의 식별자를 포함하는 관리자 정보를 포함하여 구성된다. 냉각기 아이템의 상태 정보는 최초 정상으로 설정될 수 있다.

이와 같이, 제어 유닛(570)은 관리 대상 냉각기의 모델별로 인공지능 모델을 학습시켜 냉각기의 모델별 학습 파라미터를 구성 및 저장하고 관리 대상 냉각기에 대한 정보를 냉각기 관리 DB에 저장한다.

이후, 제어 유닛(570)은 통신 유닛(510)을 통해 인터넷으로부터 온도 정보를 수신(S10)한다. 제어 유닛(570)은 게이트웨이(300)로부터 전송되는 인터넷 통신패킷에서 온도 정보를 추출한다. 제어 유닛(570)은 인터넷 통신패킷의 페이로드에서 온도 데이터 및 온도센싱기 식별자와 나아가 배터리 데이터 및 타임 스탬프를 더 포함하는 온도 정보를 추출(구성)할 수 있다.

온도 센싱기(200)는 측정 주기(예를 들어, 5초, 1분 등)에 따라 주기적으로 온도 정보를 생성하여 게이트웨이(300)를 통해 모니터링 장치(500)로 전송할 수 있다. 온도 센싱기(200)는 냉각기의 증발기의 냉기 통풍구의 인접 위치에 설치(부착 또는 고정)되어 냉각기 내부의 온도 변화를 바람직하게 센싱한다. 모니터링 장치(500)에서 수신하는 온도 정보는 냉각기에 별도로 설치되는 온도 센싱기(200)에 의해 측정되는 온도신호로부터 바람직하게 구성된다.

제어 유닛(570)은 수신된 온도 정보의 온도 데이터를 온도센싱기 식별자에 대응하는 저장 유닛(530)의 온도수신 버퍼에 저장(S20)한다. 제어 유닛(570)은 냉각기 관리 DB에서 온도센싱기 식별자를 가지는 냉각기 아이템을 검색하고 검색된 냉각기 아이템의 온도수신 버퍼에 온도 데이터를 저장할 수 있다. 제어 유닛(570)은 수신된 타임 스탬프에 따른 순서나 수신 순서에 따라 온도수신 버퍼의 온도 데이터들을 측정 시각의 선후에 따라 정렬하고 수신 온도 데이터를 삽입할 수 있다. 이와 같이, 특정 냉각기에 대응하는 온도수신 버퍼는 냉각기에 대응하는 온도 센싱기(200)로부터의 온도 데이터를 측정 주기(시각)에 따라 순서화하여 저장한다.

온도 정보의 수신(S10)과 온도 데이터의 온도수신 버퍼의 저장(S20) 과정은 반복적으로 다른 과정에 독립적으로 실시간 수행된다. 제어 유닛(570)은 관리 대상인 냉각기에 설치된 온도 센싱기(200)별로 독립적으로 실시간 온도 정보를 수신하고 온도 데이터를 해당 냉각기의 온도수신 버퍼에 저장할 수 있다.

이후, 제어 유닛(570)은 관리 대상인 각각의 냉각기(냉각기 아이템)에 대해 현재 시점에서 이상여부를 추정(S30)한다. 제어 유닛(570)은 각각의 냉각기 아이템(의 냉각기)에 맵핑되어 있는 온도수신 버퍼의 일련의 온도 데이터들을 해당 냉각기의 동일한 모델로 학습된 인공지능 모델에 입력하여 입력 시점에서의 이상여부를 추정한다.

또한, 제어 유닛(570)은 각각의 냉각기에 대해 현재 시점에 후속하는 시점에 각각의 냉각기에 맵핑되어 있는 온도수신 버퍼의 일련의 온도 데이터들을 해당 냉각기의 동일한 모델로 학습된 인공지능 모델에 입력하여 후속하는 입력 시점에서의 이상여부를 추정한다.

제어 유닛(570)은 각각의 냉각기의 동일 모델의 학습에 따라 결정된 학습 파라미터를 인공지능 모델에 설정하고 입력 온도 데이터들로부터 이상여부를 추정한다. 제어 유닛(570)은 온도수신 버퍼에 대응하는 냉각기 아이템의 모델 정보(냉각기 정보의 모델 정보)를 결정하고 결정된 모델 정보에 대응하는 학습 파라미터를 저장 유닛(530)에서 추출하고 인공지능 모델에 설정하여 입력되는 일련의 온도 데이터들로부터 이상여부를 추정한다.

현재 시점에서 입력되는 일련의 온도 데이터들과 후속 시점(예를 들어, 측정 주기 또는 측정 주기의 배수의 시점)에 입력되는 일련의 온도 데이터들은 서로 오브랩된다. 현재 시점과 후속 시점에 입력되는 일련의 온도 데이터들은 슬라이딩 윈도우의 사이즈에 따른 개수를 가진다. 예를 들어, 일련의 온도 데이터들을 포함하는 슬라이딩 윈도우는 28개 이상에서 2880개 이하의 일련의 연속적인(측정 시각에 따라 순차적인) 온도 데이터들을 가질 수 있고 기본값으로서 300개의 온도 데이터를 가질 수 있다.

도 5는 인공지능 모델을 활용하여 입력되는 온도 데이터로부터 이상여부를 추정(S30)하는 구체적인 과정을 도시하고 있다.

일련의 온도 데이터들로부터 냉각기의 이상여부를 추정하기 위한 인공지능 모델은 스펙트럴 레지듀얼(Spectral Residual) 모델과 CNN(Convolutional Neural Network) 모델을 포함한다. 이상여부를 추정하는 과정은 일련의 온도 데이터들을 스펙트럴 레지듀얼 모델에 먼저 입력하여 특징 지도를 생성하는 과정(① 참조)과 스펙트럴 레지듀얼 모델에 의해 생성된 특징 지도를 CNN 모델에 입력하여 이상 확률을 생성하는 과정(② 참조)과 생성된 이상 확률로부터 이상알람 신호를 발생시키는 과정(③ 참조)을 포함하여 구성된다. 스펙트럴 레지듀얼 모델과 CNN 모델은 특정 냉각기 모델에 대해 미리 학습된 학습 파라미터로 설정되고 설정된 학습 파라미터에 따라 예측 결과를 출력한다.

이상여부를 추정하는 과정을 좀 더 구체적으로 살펴보면, 제어 유닛(570)은 각 냉각기의 온도수신 버퍼의 현재 시점에서의 지정된 크기(예를 들어, 300개)의 슬라이딩 윈도우의 순차적인 시간순으로 수신된 온도 데이터들(ⓐ 참조)을 해당 냉각기(온도센싱기 식별자에 매칭되는 냉각기)와 동일 모델의 냉각기의 온도상태 변동패턴으로 미리 학습된(학습 파라미터로 설정된) 스펙트럴 레지듀얼 모델에 입력하고 스펙트럴 레지듀얼은 특징 값(Saliency Value)들로 구성되는 특징 맵(Saliency Map)을 생성하여 출력(ⓒ 참조)한다. 특징 맵의 출력 과정은 일련의 온도 데이터에 대한 특징의 정규화 과정이다.

스펙트럴 레지듈얼 모듈은 미리 특정 냉각기 모델의 대표적인 온도상태 변동패턴으로 학습되어 있고 학습된 온도상태 변동패턴을 고려하여 입력되는 일련의 온도 데이터들에서 비정상 포인트나 비정상 값을 감지하여 특징 맵으로 출력할 수 있다.

주기적인 온도상태 변동패턴을 가지는 냉각기의 온도 특성을 고려한다면 온도 특성의 급격한 변화나 대표적인 온도상태 변동패턴으로부터의 급격한 변위를 감지할 수 있는 스펙트럴 레지듀얼 모듈은 본 발명에 적용 가능한 바람직한 인공지능 모듈이다. 스펙트럴 레지듀얼 모델은 학습된 온도상태 변동 패턴으로부터 비정상적인 온도의 급격 변화 등을 감지하고 감지된 지점의 급격 변화나 변위에 비례하는 크기의 이상값으로 특정할 수 있는 특징값을 설정하여 특징 맵으로 출력할 수 있다.

냉각기에 대응하는 모델의 학습 파라미터로 설정된 CNN 모델은 스펙트럴 레지듀얼 모델에 연결되어 스펙트럴 레지듀얼 모델로부터 특징 지도를 입력받고 내부의 다단계 레이어를 가지는 CNN 모델에 따라 이상 확률을 생성한다. CNN 모델은 스펙트럴 레지듀얼 모델의 이상 위치로 특정되는 특징 맵의 데이터들을 입력받아 현재 시점에서의 일련의 온도 데이터들에 대한 이상 확률을 산출한다. CNN 모델은 내부에 다수의 레이어(Layer)를 가지고 현재 시점에서의 이상 확률을 실시간으로 입력되는 연속적인 온도 데이터들로부터 산출할 수 있다.

이후, 이상여부 추정 과정은 CNN 모델로부터 출력되는 현재 시점의 이상 확률로부터 이상알람 신호를 발생시키고 이상알람 신호와 나아가 이상 확률을 출력한다. 예를 들어, 알람신호 발생부(③ 참조)는 CNN 모델로부터의 이상 확률이 설정된 하나의 임계 확률(예를 들어, 70% 등, 이하 '제1 임계 확률'이라 함)보다 높은 경우 해당 현재 시점에 대응하는 이상알람 신호를 발생시키고 (이상 확률과 함께) 출력한다.

인공지능 모델을 통한 이상여부 추정의 과정(①,②,③)은 슬라이딩 윈도우의 스텝(step) 사이즈만큼의 온도 데이터들이 더 온도수신 버퍼에 채워지거나 준비됨에 따라 반복적으로 수행된다. 스텝 사이즈는 설정 예에 따라 달라질 수 있으나 1 이상에서 슬라이딩 윈도우의 사이즈 미만에서 임의의 정수( 사이즈)로 결정될 수 있다.

즉, 일 시점에서 이상여부 추정 과정이 수행된 후, 온도수신 버퍼에 스텝 사이즈만큼의 온도 데이터가 더 채워지면, 후속 시점의 슬라이딩 윈도우는 스텝 사이즈만큼의 새로운 온도 데이터들과 이전 일 시점에서 이용된 "슬라이딩 윈도우 사이즈 - 스텝 사이즈" 만큼의 이전 온도 데이터들을 포함하도록 구성된다. 후속 시점의 슬라이딩 윈도우(ⓑ 참조)에 대해 인공지능 모델을 이용하여 특징 지도를 생성(① 및 ⓓ 참조)하고 이상 확률을 생성(② 참조)하고 이후 이상알람 신호를 발생(③ 참조)시킬 수 있다.

이와 같이, 일 시점(예를 들어, 현재 시점)의 슬라이딩 윈도우와 바로 후속하는 시점의 슬라이딩 윈도우는 서로 "슬라이딩 윈도우 사이즈 - 스텝 사이즈" 만큼 오브랩된다. 각 시점의 슬라이딩 윈도우는 각 시점에서 과거로 슬라이딩 윈도우의 사이즈만큼의 온도 데이터를 포함하여 구성된다.

다시, 도 3을 통해 후속하는 냉각기의 이상을 모니터링하기 위한 제어 흐름을 살펴보면, 제어 유닛(570)은 이상여부 추정 과정에서 발생하는 이상알람 신호에 기초하여 알람 메시지를 생성(S40)한다.

이상알람 신호의 발생을 인식한 제어 유닛(570)은 모니터링 대상의 냉각기의 냉각기 아이템의 상태 정보의 이상알람신호 리스트에 발생 시점을 특정하는 데이터를 또한 추가한다.

제어 유닛(570)은 발생된 이상알람 신호에 기초하여 현재 시점에서의 상태를 결정한다. 예를 들어, 발생된 이상알람 신호에 대응하는 이상 확률이 비상 발생을 특정하기 위한 임계 확률(예를 들어, 90% 등, 이하 '제2 임계 확률'이라 함)보다 높은 경우 제어 유닛(570)은 현재 시점에서의 상태를 비정상(이상) 및 비상 이상유형으로 상태 정보에 설정한다. 제2 임계 확률은 제1 임계 확률보다 높아 모니터링 대상 냉각기에 대한 비상 대응이 필요한 상황을 특정하기 위해 이용되는 확률이다. 제어 유닛(570)은 비상 이상유형의 상태 설정에 따라 비상 알람 메시지를 생성한다.

이상알람 신호에 대응하는 이상 확률이 제2 임계 확률보다 낮은 경우, 제어 유닛(570)은 다수의 시점에서의 이상알람 신호의 발생빈도 변화율에 따른 변화 알람 메시지를 생성할 수 있다. 예를 들어, 이상알람신호 리스트의 데이터들로부터 현재 시점에서 최근 지정된 기간(예를 들어, 1주일, 1달 등) 동안의 이상알람 신호의 발생 빈도가 과거(최근 지정된 기간 이전의) 지정된 기간 동안의 이상알람 신호의 발생 빈도보다 설정된 빈도수나 설정된 빈도 비율 이상으로 높은 경우, 제어 유닛(570)은 상태를 비정상(이상) 및 변화 이상유형으로 상태 정보에 설정한다. 제어 유닛(570)은 변화 이상유형의 상태 설정에 따른 변화 알람 메시지를 생성한다.

변화 알람 메시지는 냉각기의 노후화, 오동작 발생의 증가, 기능 저하 등을 특정하기 위한 메시지일 수 있다. 제어 유닛(570)은 인공지능 모델을 통한 이상여부의 추정 외에 추가적인 변화 발생의 원인을 특정할 수 있는 분석을 수행할 수 있다. 예를 들어, 제어 유닛(570)은 냉각기의 온도수신 버퍼의 일련의 온도 데이터들에서 온도상태 변동 패턴의 주기를 검출하거나 평균 온도를 검출한다. 제어 유닛(570)은 검출된 주기의 변동 발생을 나타내는 메시지를 포함하는 변화 알람 메시지나 평균 온도의 상승이나 하락을 나타내는 메시지를 포함하는 변화 알람 메시지를 생성할 수 있다.

알람 메시지의 생성에 따라, 제어 유닛(570)은 생성된 알람 메시지를 온도센싱기 식별자에 매칭되는 사용자 단말기로 전송(S50)한다. 제어 유닛(570)은 수신된 온도 정보의 온도센싱기 식별자에 대응하는 냉각기 아이템에서 관리자 정보를 검색하고 검색된 관리자 정보의 사용자 단말기의 식별자를 통해 생성된 알람 메시지를 사용자 단말기로 인터넷이나 이동통신망을 통해 전송할 수 있다.

제어 유닛(570)은 배터리 알림 메시지를 더 생성하여 사용자 단말기로 전송할 수도 있다. 제어 유닛(570)은 통신 유닛(510)을 통해 수신된 온도 정보에서 배터리 데이터를 추출하고 온도 정보의 온도센싱기 식별자에 대응하는 냉각기 아이템의 온도센싱기 정보에 저장한다. 온도센싱기 정보에 저장되는 배터리 데이터가 설정된 배터리 임계치 이하인 경우에 온도 정보에 대응하는 냉각기 아이템의 사용자 단말기(관리자 정보의 사용자 단말기 식별자)로 임계치 이하의 배터리를 가지는 것을 나타내는 로우 배터리 알림 메시지를 생성하여 전송할 수 있다.

도 3의 제어 흐름을 통해서, 다양한 모델의 냉각기에 대해 인공지능 모델을 활용하여 온도 데이터의 변화에 기반한 이상 여부를 실시간으로 용이하게 감지하고 이상의 유형을 구분하여 대처 가능하다.

이상에서 설명한 본 발명은, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 있어 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경이 가능하므로 전술한 실시 예 및 첨부된 도면에 의해 한정되는 것이 아니다.

100 : 온도센서
200 : 온도 센싱기
300 : 게이트웨이
500 : 모니터링 장치
510 : 통신 유닛
530 : 저장 유닛
550 : 연결 유닛
570 : 제어 유닛

Claims (11)

1. 인터넷을 통해 온도 데이터와 온도센싱기 식별자를 포함하는 온도 정보를 복수 회 수신하는 단계;
   수신된 온도 정보들의 온도 데이터들을 상기 온도센싱기 식별자에 대응하는 온도수신 버퍼에 상기 온도 데이터의 측정 주기에 따라 순서화하여 저장하는 단계;
   상기 온도센싱기 식별자에 매칭되는 냉각기와 동일한 모델의 냉각기로 온도상태 변화 패턴을 특정할 수 있는 온도 데이터들을 입력받아 학습된 인공지능 모델에, 상기 온도수신 버퍼의 슬라이딩 윈도우의 일련의 제1 복수 온도 데이터를 입력하여 상기 냉각기의 제1 시점에서의 제1 이상 확률을 산출하고 산출된 제1 이상 확률을 제1 임계 확률과 비교하여 상기 제1 임계 확률보다 높은 경우 상기 제1 시점에 대응하는 제1 이상알람 신호를 발생시키고 상기 온도수신 버퍼의 슬라이딩 윈도우의 후속하는 일련의 제2 복수 온도 데이터를 입력하여 후속하는 시점인 제2 시점에서의 제2 이상 확률을 산출하고 산출된 제2 이상 확률을 상기 제1 임계 확률과 비교하여 상기 제1 임계 확률보다 높은 경우 상기 제2 시점에 대응하는 제2 이상알람 신호를 발생시키는, 이상여부를 추정하는 단계; 및
   상기 이상알람 신호에 기초하여 알람 메시지를 생성하는 단계로서, 상기 온도센싱기 식별자에 매칭되는 냉각기 아이템의 이상알람신호 리스트에 상기 이상알람 신호의 발생 시점을 특정하는 데이터를 추가하고 상기 이상알람 신호에 대응하는 이상 확률이 제2 임계 확률보다 높은 경우 비상 알람 메시지를 생성하고 상기 이상알람 신호에 대응하는 이상 확률이 상기 제2 임계 확률보다 낮은 경우, 상기 이상알람 신호의 발생빈도 변화에 따른 변화 알람 메시지를 생성하는, 알람 메시지를 생성하는 단계;를 포함하고,
   측정 주기에 따라 순서화된 상기 제1 시점의 상기 제1 복수 온도 데이터와 상기 제2 시점의 상기 제2 복수 온도 데이터는 슬라이딩 윈도우 사이즈에서 스텝 사이즈를 차감한 만큼의 온도 데이터들이 서로 오브랩되며,
   상기 온도 정보는 냉각기 외부에 별도로 설치되는 온도 센싱기에 의해 유선라인을 통해 연결되고 상기 냉각기 내부의 냉기 통풍구의 인접 위치에 부착 또는 고정되는 온도센서로부터의 온도신호로부터 구성되고,
   상기 제2 임계 확률은 상기 제1 임계 확률보다 높은,
   모니터링 방법.
2. 제1항에 있어서,
   상기 이상여부를 추정하는 단계는,
   상기 온도센싱기 식별자에 매칭되는 상기 냉각기와 동일 모델의 냉각기에서의 온도상태 변동패턴으로 미리 학습된 스펙트럴 레지듀얼(Spectral Residual) 모델에 상기 일련의 복수 온도 데이터를 입력하여 특징 지도(Saliency Map)를 생성하는 단계; 및
   CNN(Convolutional Neural Network) 모델에 상기 특징 지도를 입력하여 상기 시점에서의 이상 확률을 생성하는 단계;를 포함하는,
   모니터링 방법.
3. 제1항에 있어서,
   상기 알람 메시지를 생성하는 단계는 상기 이상알람신호 리스트의 데이터들로부터 최근 지정된 기간 동안의 이상알람 신호의 발생 빈도가 상기 최근 지정된 기간 이전의 과거 지정된 기간 동안의 이상알람 신호의 발생 빈도보다 설정된 빈도수 또는 설정된 빈도 비율 이상으로 높은 경우 상기 변화 알람 메시지를 생성하고,
   상기 모니터링 방법은,
   생성된 알람 메시지를 상기 온도센싱기 식별자에 매칭되는 사용자 단말기로 전송하는 단계;를 더 포함하는,
   모니터링 방법.
4. 제3항에 있어서,
   상기 알람 메시지를 생성하는 단계는 상기 냉각기의 상기 온도수신 버퍼의 일련의 온도 데이터들에서 온도상태 변동 패턴의 주기를 검출하고 검출된 주기의 변동 발생을 나타내는 메시지를 포함하는 변화 알람 메시지를 더 생성하는,
   모니터링 방법.
5. 제2항에 있어서,
   상기 복수 온도 데이터는 28개 이상에서 2880개 이하 개수의 온도 데이터를 가지고,
   상기 냉각기는 냉동고 또는 냉장고인,
   모니터링 방법.
6. 인터넷을 통해 온도 데이터와 온도센싱기 식별자를 포함하는 온도 정보를 복수 회 수신하는 통신 유닛;
   수신된 온도 정보들의 온도 데이터들을 상기 온도센싱기 식별자에 대응하는 온도수신 버퍼에 상기 온도 데이터의 측정 주기에 따라 순서화하여 저장하는 저장 유닛; 및
   상기 온도센싱기 식별자에 매칭되는 냉각기와 동일한 모델의 냉각기로 온도상태 변화 패턴을 특정할 수 있는 온도 데이터들을 입력받아 학습된 인공지능 모델에, 상기 온도수신 버퍼의 슬라이딩 윈도우의 일련의 제1 복수 온도 데이터를 입력하여 상기 냉각기의 제1 시점에서의 제1 이상 확률을 산출하고 산출된 제1 이상 확률을 제1 임계 확률과 비교하여 상기 제1 임계 확률보다 높은 경우 상기 제1 시점에 대응하는 제1 이상알람 신호를 발생시키고 상기 온도수신 버퍼의 슬라이딩 윈도우의 후속하는 일련의 제2 복수 온도 데이터를 입력하여 후속하는 시점인 제2 시점에서의 제2 이상 확률을 산출하고 산출된 제2 이상 확률을 상기 제1 임계 확률과 비교하여 상기 제1 임계 확률보다 높은 경우 상기 제2 시점에 대응하는 제2 이상알람 신호를 발생시켜 이상여부를 추정하고, 상기 온도센싱기 식별자에 매칭되는 냉각기 아이템의 이상알람신호 리스트에 이상알람 신호의 발생 시점을 특정하는 데이터를 추가하고 상기 이상알람 신호에 대응하는 이상 확률이 제2 임계 확률보다 높은 경우 비상 알람 메시지를 생성하고 상기 이상알람 신호에 대응하는 이상 확률이 상기 제2 임계 확률보다 낮은 경우, 상기 이상알람 신호의 발생빈도 변화에 따른 변화 알람 메시지를 생성하는, 제어 유닛;을 포함하고,
   측정 주기에 따라 순서화된 상기 제1 시점의 상기 제1 복수 온도 데이터와 상기 제2 시점의 상기 제2 복수 온도 데이터는 슬라이딩 윈도우 사이즈에서 스텝 사이즈를 차감한 만큼의 온도 데이터들이 서로 오브랩되며,
   상기 온도 정보는 냉각기 외부에 별도로 설치되는 온도 센싱기에 의해 유선라인을 통해 연결되고 상기 냉각기 내부의 냉기 통풍구의 인접 위치에 부착 또는 고정되는 온도센서로부터의 온도신호로부터 구성되고,
   상기 제2 임계 확률은 상기 제1 임계 확률보다 높은,
   모니터링 장치.
7. 제6항에 있어서,
   상기 제어 유닛은, 상기 이상여부를 추정하기 위해, 상기 온도센싱기 식별자에 매칭되는 상기 냉각기와 동일 모델의 냉각기에서의 온도상태 변동패턴으로 미리 학습된 스펙트럴 레지듀얼(Spectral Residual) 모델에 상기 일련의 복수 온도 데이터를 입력하여 특징 지도(Saliency Map)를 생성하고 CNN(Convolutional Neural Network) 모델에 상기 특징 지도를 입력하여 상기 시점에서의 이상 확률을 생성하는,
   모니터링 장치.
8. 제6항에 있어서,
   상기 제어 유닛은, 상기 이상알람신호 리스트의 데이터들로부터 최근 지정된 기간 동안의 이상알람 신호의 발생 빈도가 상기 최근 지정된 기간 이전의 과거 지정된 기간 동안의 이상알람 신호의 발생 빈도보다 설정된 빈도수 또는 설정된 빈도 비율 이상으로 높은 경우 상기 변화 알람 메시지를 생성하는,
   모니터링 장치.
9. 제6항에 있어서,
   상기 모니터링 장치는 클라우드 서버이고,
   상기 냉각기는 냉동고 또는 냉장고인,
   모니터링 장치.
10. 삭제
11. 냉각기 내부에 설치되어 내부온도를 측정하는 온도센서;
    상기 냉각기 외부에 설치되고 상기 온도센서로부터 수신되는 온도신호에서 온도 데이터를 생성하고 온도 데이터와 온도센싱기 식별자를 포함하는 무선 패킷을 근거리 무선통신으로 전송하는 온도 센싱기; 및
    제6항의 모니터링 장치;를 포함하고,
    상기 모니터링 장치의 통신 유닛은 상기 온도 센싱기로부터의 상기 온도 데이터와 상기 온도센싱기 식별자를 포함하는 온도 정보를 수신하는,
    모니터링 시스템.
    

Images