KR102562025B1 - 자가진단이 가능한 ai 소규모 수도시설 소형 정수 시스템 및 방법 - Google Patents

Abstract

본 발명은 자가진단이 가능한 AI 소규모 수도시설 소형정수 시스템에 관한 것으로서, 보다 상세하게는 복수개의 센서들을 통해 필터 사용 가능 기간 산출 및 교체 시기 알림, 모니터링, 일 생산량, 장비 상태, 데이터 조회/검색 기능을 가져, 주기적으로 데이터를 진단하고 그 진단데이터를 지속적으로 데이터베이스에 저장하여 확보된 누적정보를 기계학습 데이터로 활용하는 자가진단이 가능한 AI 소규모 수도시설 소형정수 시스템에 관한 것이다.

Description

자가진단이 가능한 AI 소규모 수도시설 소형 정수 시스템 및 방법{AI Small Water Purification System and method with Self-Diagnosis}

본 발명은 자가진단이 가능한 AI 소규모 수도시설 소형정수 시스템에 관한 것으로서, 보다 상세하게는 입수압력, 출수압력측정 후, 농축수 유량측정과, 정수 생산유량측정을 하고, 시간별, 일별 데이터를 기록하여 필터의 사용수명을 유추하여 자가진단이 가능한 AI 소규모 수도시설 소형정수 시스템에 관한 것이다.

일반적으로 소규모 수도시설은 상수도 중 기숙사 등의 100인 이상 5000인 이내 시설에서 사용되는 전용 상수도나 급수인구 100명 미만 또는 1일 공급량 20m³ 미만인 소규모 급수시설을 의미한다.

이러한 소규모 급수시설에서는 대부분 여과 등의 정수시설이 원격 관리되지 않고 필터가 교체되므로 필터의 이상 발생으로 주민건강을 크게 위협하고 있다.

또한, 지자체의 인력 및 예산 부족으로 인해, 급수시설을 마을에서 자체 운영하고 있으나, 수처리 지식과 필터 지식 부족 및 비싼 필터 관리비 부담으로 효율적인 운영이 어려운 상태이다.

또한, 대부분의 경우, 마을 이장 등의 비전문가가 필터를 교체하여 수질 관리를 수행하기 때문에 관리 소홀로 주민 건강 문제가 발생한다.

이와 같은 문제점을 해결하기 위해, 급수시설에 센서를 설치하고 통합 서버와 통신 기술을 적용하여 원격지에서 소규모 수도시설의 필터를 단순 모니터링하는 방법이 시도되고 있다.

하지만, 이 경우에도 수도 시스템의 상태 정보를 원격지에서 모니터링하기 위해서는 관제실과 같은 별도의 관리동이 필요하며, 비상시에는 시설 담당자가 현장을 방문하여 펌프 등을 중단하고 필터를 교체하여야만 했다.

또한, 유지 관리 일지의 경우, 시설 담당자가 직접 작성하거나, 지자체 담당자가 현장을 방문하여 필터 데이터를 확인하여 전송하여야 했다.

또한, 이와 같은 수도시설 운영·관리 현실에서, 격리 조치 등의 사태가 발생 시 제때 필터를 교체할 수 없어 주민 건강을 더 크게 위협할 수 있는 사태로 치달을 수 있기 때문에, 비대면 원격 운영을 위한 AI 인프라 구축이 더 필요한 실정이다.

본 발명은 전술한 문제점을 개선하기 위해 안출된 것으로, 본 발명의 실시예에 따르면, 센서를 통해 장치 압력 측정, 1단계와 2단계 필터 사용 가능 기간 산출 및 교체 시기 알림, 외부 접속(스마트폰, PC)으로 모니터링, 일 생산량, 장비 상태, 데이터 조회/검색, 네트워크 기능, 2중 시스템(필터 이상 자동 전환) 제어 기능을 갖는 자가진단이 가능한 AI 소규모 수도시설 소형정수 시스템을 제공하는데 목적이 있다.

상기와 같은 목적을 달성하기 위하여, 본 발명의 일 실시예는 1단계 정수필터(MF,글라스펄; 1, 2); 2단계 정수필터(RO; 4); 상기 정수필터들(1, 2, 4)에 물공급하는 모터펌프(5, 7); 컨트롤러(3)의 자동 제어에 의해 물공급 및 제어하는 자동밸브(6); 상기 정수필터들(1, 2, 4) 사이의 배관에 부착되는복수개의 센서들(A, B, C, D); 상기 모터펌프(5)와 자동밸브(6)를 제어하는 컨트롤러(3);를 포함하는 자가진단이 가능한 AI 소규모 수도시설 소형정수 시스템에 있어서,

상기 컨트롤러(3)는 입수 후 모터 펌프로 정수필터를 통과하는 물 공급을 제어하고, 1단계 정수필터 압력 측정 및 역세척/교환 시기 산출 후, 2단계 정수필터로 물 공급 제어 및 압력 측정 및 세척/교환 시기 산출하고, 출수한다.

상기 컨트롤러(3)는 상기 복수개의 센서들을 통해 장치의 압력을 측정하여 1단계 및 2단계 필터의 사용가능 기간을 유추하고 교체 시기가 되면 자동으로 설정되어진 연락처로 연락을 취하는 기능을 포함한다.

상기 컨트롤러(3)는 통신장치를 통해 외부에서 스마트폰이나 PC프로그램으로 각 개체의 기기에 접속하여 모니터링하는 기능을 포함한다.

상기 컨트롤러(3)는 통신장치를 통해 현재 까지의 일 생산량, 정수장비의 현 상황, 및 저장된 데이터를 조회 및 검색 할 수 있는 기능을 포함한다.

본 발명은 입수단계; 모터펌프가 정수필터를 포함하는 여과장치로의 물 공급제어 단계; 1단계 정수필터 측 배관의 압력을 측정하여 필터의 역세척 또는 교환 시기 산출 단계; 2단계 정수필터 측 배관의 압력을 측정하여 필터의 역세척 또는 교환 시기 산출 단계; 2단계 정수필터로의 물공급 자동밸브로 제어 단계; 2단계 정수필터 측 모터펌프로의 물 공급 제어 단계; 2단계 정수필터 측 배관의 압력을 측정하여 필터의 세척 또는 교환 시기 산출 단계; 출수 단계;를 포함하는 자가진단이 가능한 AI 소규모 수도시설 소형정수 시스템를 이용한 방법에 있어서, 상기 각 교환 시기 산출 단계는, (1) 필터 설치 후, 센서 A부터 D까지의 필터 데이터를 수집하여 저장, (2) 7일 내지 10일 간격으로 센서들의 데이터를 수집하여 저장, (3) 센서들의 데이터를 시간적으로 순서대로 정렬, (4) 수집된 데이터를 지수 가중 이동 평균을 이용해 평균값을 산출, (5) 산출된 평균값을 기준으로 필터의 사용 기간과 수명 사용률을 확인, (6) 이를 통해 남아있는 수명 사용률을 유추, (7) 이를 통해 필터 교체 시점을 예측 할 수 있다.

본 발명은 단순 평균값을 사용하는 것과 지수 가중 이동 평균을 사용하는 경우, 시계열 데이터 분석에 이용할 수 있다.

일실시예로서, (1) 센서들로부터 수집된 데이터를 정제하고 정제된 데이터를 이용하여 지수 가중 이동 평균을 계산한다.

(2) 지수 가중 이동 평균을 입력 데이터로 사용하여 선형 회귀 모델을 학습시킨다.

(3) 학습된 모델을 이용하여 새로운 지수 가중 이동 평균을 입력하여 필터 수명 사용율을 예측한다.

(4) 예측된 결과를 분석하여 필터 수명 사용율을 평가한다.

일실시예로서, (1) 먼저 센서들로부터 수집된 데이터를 정제하여 필요한 데이터만 추출한다.

그리고 (2) 추출된 데이터를 통해 필터 사용 기간을 측정하고 필터 사용 기간에 대한 평균값을 구한다.

이 때, 단순 평균을 이용하여 필터 수명 사용율을 예측하는 머신 러닝 방법은 다음과 같이 수행될 수 있다.

(3) 센서 A, B, C, D로부터 수집된 필터 데이터를 통합하여 설치 후부터 기간동안의 필터 수명 사용율 데이터를 생성한다.

그리고, (4) 생성된 필터 데이터를 활용하여 훈련 데이터와 테스트 데이터를 분리한다.

본 발명의 일 실시예에 따라 필터 수명 예측의 정확도가 향상된다.

또한, 본 발명은 일반적인 평균 값을 기반으로 한 예측 방법보다 시간에 따른 변화를 더 잘 반영할 수 있어 더 민감한 예측이 가능하다.

또한, 본 발명은 예측 정확도가 높아지면서 예측이 어려운 경우를 더 빠르게 파악할 수 있어 기존 필터 교체에 비해 신속하게 대처 가능하다.

또한, 본 발명은 필터 데이터를 빅데이터화 하여 수집하면서 더 많은 요인을 고려할 수 있어 더 복잡한 상황에도 적용 가능하다.

또한, 본 발명은 예측이 어려운 경우에도 네트워크를 통해 관리자 단말기로 실시간으로 알려주면서, 이를 통해 시스템의 수명을 더욱 효율적으로 관리할 수 있다.

즉, 실시간 알람 시스템을 통해, 응답 시간을 단축하여 시스템의 안정성을 높일 수 있다.

또한, 본 발명은 인공지능과 빅데이터를 사용하여, 이전 방법에서는 불가능했던 데이터를 장기간 수집(단순 평균)하거나 단기간 수집(가중 평균)하여도 더욱 정확한 예측을 할 수 있다.

도 1은 본 발명의 일 실시예에 따른 자가진단이 가능한 AI 소규모 수도시설 소형정수 시스템을 구현하는 구성요소 간의 관계를 나타내는 블럭도이다.
도 2는 본 발명의 일 실시예에 따른 자가진단이 가능한 AI 소규모 수도시설 소형정수 시스템을 구현하는 구성요소(센서) 간의 관계를 개략적으로 설명하기 좋게 표현한 블럭도이다.
도 3은 본 발명의 일 실시예에 따른 2중계 구성을 보여주는 도면이다.
도 4는 본 발명의 일 실시예에 따른 일별 변동수치를 보여주는 도면이다.
도 5는 본 발명의 일 실시예에 따른 앱 활용 화면을 보여주는 도면이다.
도 6은 본 발명의 일 실시예에 따른 자가진단이 가능한 AI 소규모 수도시설 소형정수 시스템을 구현하는 세부적인 구성을 보여주는 도면이다.
도 7은 기존 방식(종래 발명)과 당사 방식(본 발명)을 비교하는 도면이다.

상기한 바와 같은 본 발명을 첨부된 도면들과 실시예들을 통해 상세히 설명하도록 한다.

본 발명에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 발명에서 사용되는 기술적 용어는 본 발명에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 발명에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는, 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 발명에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.

또한, 본 발명에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다. 본 발명에서, "구성된다" 또는 "포함한다" 등의 용어는 발명에 기재된 여러 구성 요소들, 또는 여러 단계를 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.

이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.

또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다.

도 1은 본 발명의 일 실시예에 따른 자가진단이 가능한 AI 소규모 수도시설 소형정수 시스템를 나타내는 블럭도이다.

도 1에 도시된 바와 같이, 본 발명은 자가진단이 가능한 AI 소규모 수도시설 소형정수 시스템으로서, 1단계 정수필터(MF,글라스펄; 1, 2); 2단계 정수필터(RO; 4); 상기 정수필터들(1, 2, 4)에 물공급하는 모터펌프(5, 7); 컨트롤러(3)의 자동 제어에 의해 물공급 및 제어하는 자동밸브(6); 상기 정수필터들(1, 2, 4) 사이의 배관에 부착되는 복수개의 센서들(A, B, C, D); 상기 모터펌프(5)와 자동밸브(6)를 제어하는 컨트롤러(3); 등을 포함한다.

상기 컨트롤러(3)는 상기 복수개의 센서들을 통해 장치의 압력을 측정하여 1단계 및 2단계 필터의 사용가능 기간을 유추하고 교체 시기가 되면 자동으로 설정되어진 연락처로 연락을 취하는 기능, 통신장치를 통해 외부에서 스마트폰이나 PC프로그램으로 각 개체의 기기에 접속하여 모니터링하는 기능, 통신장치를 통해 현재 까지의 일 생산량, 정수장비의 현 상황, 및 저장된 필터 데이터를 조회 및 검색 할 수 있는 기능 등을 포함한다.

상기 컨트롤러(3)는 통신장치를 통해 네트워크 기능을 수행하면서 서버를 운영하지 않고 각각의 기기에서 필터 데이터를 저장하고 가지고 있으면서 종합 필터 데이터를 필요할 때에는 특정 프로그램을 사용하여 각각의 기기에서 필터 데이터를 가져오는 방식을 이용한다.

상기 컨트롤러(3)는 비상시를 대비한 2중 시스템으로서 상기 필터들의 이상 및 수명이 다했을때 자동으로 여유필터로의 자동전환하도록 제어하는 네트워크 장치이다.

즉, 컨트롤러(3)는 여러 센서를 통해 장치 압력 측정, 1단계와 2단계 필터 사용 가능 기간 산출 및 교체 시기 알림, 외부 접속(스마트폰, PC)으로 모니터링, 일 생산량, 장비 상태, 필터 데이터 조회/검색, 네트워크 기능, 2중 시스템(필터 이상 자동 전환) 제어 기능을 가지고 있다.

제어 과정을 살펴보면, 컨트롤러(3)는 입수 후 모터 펌프로 정수필터를 통과하는 물 공급을 제어하고, 1단계 정수필터(1, 2) 압력 측정 및 역세척/교환 시기 산출 후, 2단계 정수필터로 물 공급 제어 및 압력 측정 및 세척/교환 시기 산출하고, 출수한다.

구체적으로, 입수 -> 모터펌프가 1 단계 정수필터를 포함하는 여과장치로의 물 공급제어 -> 1 단계 정수필터(1) 측 배관의 압력을 측정하여 필터의 역세척 또는 교환 시기 산출-> 1 단계 정수필터(2) 측 배관의 압력을 측정하여 필터의 역세척 또는 교환 시기 산출 -> 2단계 정수필터로의 물공급 자동밸브로 제어 -> 2단계 정수필터 측 모터펌프로의 물 공급 제어 -> 2단계 정수필터 측 배관의 압력을 측정하여 필터의 세척 또는 교환 시기 산출 -> 출수의 과정을 거친다.

도 2에 도시된 바와 같이, 본 발명에서 컨트롤러(3)는 유입수의 탁도, 전기 전도도, 압력, 유량값을 측정하는 센서(A, B, C, D)를 통해 학습하며 학습에 의한 예상 사용기간을 유추할 수 있다.

상기 컨트롤러(3)가 유입수의 탁도, 전기 전도도, 압력, 유량값을 측정하는 센서(A, B, C, D)를 통해 학습하며 학습에 의한 예상 사용기간을 유추하는 과정을 시간 순서대로 나누어 설명하면,

(1) 센서(A, B, C, D)를 설치하고, 센서를 통해 측정되는 필터의 탁도, 전기 전도도, 압력, 유량값을 필터 데이터로 수집한다.

(2) 수집된 필터 데이터를 기반으로 학습을 진행한다. 머신 러닝 알고리즘을 사용하여, 필터의 사용 기간과 관련된 패턴을 찾는다.

학습이 완료되고, 새로운 필터 데이터를 입력하면 학습된 모델을 통해 필터의 예상 사용기간을 예측할 수 있게 된다.

(3) 예측된 사용기간을 기반으로 필터의 유지 보수를 진행할 수 있다.

도 3에 도시된 바와 같이 본 발명의 일 실시예에 따른 2중계 구성을 보여주는 데, 이하에서 서술하는 필터 데이터에 따른 예측 값을 기반으로 알람을 설정하거나, 알람을 수신하면 예측 값과 실제 값을 비교하여 필터 수명 사용율을 확인하거나, 필터 수명 사용율 예측 및 알람 설정을 반복하거나, 알람으로 관리자에게 전송할 때 이러한 알람 또는 예보/통보가 끝나거나 진행 중인 상황에서도 2중계 구성 중 알람 또는 예보/통보가 진행중인 하나의 소형 정수 시스템과 동일한 구성을 갖는 또 다른 소형 정수 시스템을 가동시켜 실시간으로 필터링 프로세스가 중단되지 않고 연장되도록 하여 시스템의 안정성을 높일 수 있다.

이하, 상기 컨트롤러(3)가 필터의 사용기간과 관련된 패턴을 탐색하는 과정을 시간 순서대로 나누어 자세히 설명한다.

(1) 필터 데이터 수집 모듈이 필터의 사용 기간과 관련된 필터 데이터를 수집한다. 상기 필터 데이터는 필터의 작동 시간, 정지 시간, 작동 상태 등의 정보를 포함한다.

(2) 필터 데이터 전처리 모듈이 수집된 필터 데이터를 전처리한다. 이 과정에서는 필터 데이터를 정렬, 결측치를 처리, 이상치를 제거 등을 수행한다.

(3) 필터 데이터 분석 모듈은 전처리된 필터 데이터를 분석하는 과정으로, 이 과정에서 필터의 사용 기간에 대한 통계적 분석, 시계열 분석, 패턴 분석 등을 수행한다.

(4) 결과 정리 모듈은 분석 결과를 정리하는 모듈로서, 이 과정에서는 분석 결과를 이해하기 쉽게 요약하고, 시각화하여 표현한다.

상술한 모듈들은 상기 컨트롤러(3)에 포함되는 AI(또는 머신 러닝 모듈 등) 기능으로서, 분석 결과를 통해 상관관계를 찾아, 학습을 진행하는 모듈이다. 여기에서는 머신 러닝 알고리즘(ex. SVM, KNN, Neural Network)을 통해 필터의 사용 기간과 관련된 패턴을 찾을 수도 있다.

상술한 모듈들에 의해 학습이 완료되면, 새로운 필터 데이터를 입력하면 학습 모델을 통해 예상 사용기간을 신속하게 예측할 수 있게 된다.

따라서, 본 발명은 통해 사용자는 실시간 모니터링을 통해 더 나은 정비관리, 높은 업무 효율성을 얻을 수 있게 된다.

특히, 본 발명의 필터에 관한 AI 알고리즘은 다른 종류의 필터 등도 같은 방법으로 학습할 수 있기 때문에, 폭 넓은 응용이 가능하다.

또한, 본 발명의 알고리즘은 단 한 번의 학습을 통해 반복되는 필터 수명 또는 사용율을 예측하는 작업을 쉽게 할 수 있다.

따라서, 본 발명은 AI 기술을 통해 필터 사용 기간의 변화를 적시에 인식하고, 분석하고, 예상하는 데 도움이 된다.

한편, 상기 센서 A부터 D까지의 시계열 필터 데이터를 수집하여 저장하는 경우 단순 평균값 또는 지수 가중 이동 평균을 사용하여 각 센서의 필터 데이터를 분석할 수도 있다.

상기 컨트롤러(3)가 단순 평균값을 이용하여 센서 A부터 D까지의 시계열 필터 데이터를 수집하여 저장하기 위해서는,

(1) 센서 A부터 D까지의 시계열 필터 데이터를 수집한다. 이 필터 데이터는 날짜별 또는 시간대별로 기록된다.

(2) 수집된 필터 데이터를 저장할 데이터베이스 테이블을 생성합니다. 테이블은 시간대, 센서 A부터 D까지의 값, 평균값 컬럼을 가지며, 이를 기록할 수 있도록 설계한다.

(3) 각 센서의 값들을 이용하여 평균값을 계산한다.

(4) 계산된 평균값, 시간대, 센서 A부터 D까지의 값을 테이블에 저장한다.

(5) 계산된 평균값을 이용하여 시각화 또는 분석을 수행한다.

이와 같이 단순 평균값을 이용하면, 시계열 필터 데이터를 정확하게 조회/분석/시각화할 수 있다.

상기 컨트롤러(3)의 AI 기능은, 탁도 및 전기 전도도 센서(A)에 관한 AI 알고리즘을 비롯하여, 센서 B부터 D까지의 시계열 필터 데이터를 인식/분석/예상함으로 사용 기간 변화를 탐구할 수 있다.

이 때, 단순 평균(또는 지수 가중 이동 평균)을 사용하면 최근 필터 데이터 포인트에 더 많은 가중치를 부여하므로 보다 정확한 인식, 분석 및 예측이 가능하다. 이렇게 하면 시계열 필터 데이터의 현재 추세를 더 잘 나타낼 수 있다.

예를 들어, 압력을 측정하는 압력 센서(B)로서, MF전처리 필터가 막히거나 수명을 다하면 압력이 떨어지며, 3K이하의 압력이 생성되면 MF필터를 통과하는 물의 양이 줄어 들었다고 판단할 수 있으며 이는 필터의 막힘을 유추할 수 있다.

또한, 컨트롤러(3)는 정수 출수의 배관압력을 측정하는 배관압력센서(C)와 정수생산량 유량계를 측정하는 유량계 센서(D)를 통해서 2단계 정수필터의 막힘 여부를 유추할 수 있음, 정수 배관의 센서(C) 압력이 높으면 출수량이 많고, 압력이 낮아지면 출수량이 적다는것을 계산하여 알 수 있으며 유량계 센서(D)의 정수 생산량과의 연계 정보를 확인하여 필터의 수명 또는 막힘 등을 예측할 수 있다.

예를 들어, 상기 센서들의 필터 데이터를 종합하여 최초 설치후 필터 데이터 와 10일 간격의 필터 데이터를 계속하여 종합하고 평균값을 산출하여 사용기간 동안의 필터 수명 사용율을 확인할 수 있고 이를 토대로 앞으로 남아있는 수명 사용율을 유추한다.

일반적으로, 지수 가중 이동 평균을 사용하면 단순 이동 평균 성능 보다 우수한 성능을 보여준다.

지수 가중 이동 평균 알고리즘은 최근 필터 데이터 포인트들 사이를 부드럽게 연결함으로 센서들을 통한 시계열 정보 수집 증폭 시 상대적인 차이가 나타날 확률 줄일 수 있다.

따라서, 지수 가중 이동 평균은 본 발명에 따른 자가진단이 가능한 AI 소규모 수도시설 소형 정수 시스템의 다양한 AI 모듈의 최종 결과물 분석/평가/시각화 시 중요한 역할을 수행할 수 있다.

시각화 측면에서 지수 가중 이동 평균을 사용하면 최근 측정 중에 추가 정보를 생성하고 보다 정확한 시각화 결과를 생성할 수도 있다.

즉, 지수 가중 이동 평균을 사용하여 시계열 필터 데이터에서 현재 추세를 더 정확하게 표현하고 더 나은 시각화 결과를 얻을 수 있다.

더 나은 시각화 결과라는 의미는 예를 들어, 연속 시계열 정보 수집 시 측정 종료 상태 검출 시 자가진단을 목표로하는 자가진단이 가능한 AI 소규모 수도시설 소형 정수 시스템의 동작 원인, 최근 필터 데이터 포인트 등 최근 정보 추출 시 보다 자세한 이해가 가능하게 됨을 의미한다.

특히 자동화 컨트롤러(3)를 기반으로 하는 자가진단이 가능한 AI 소규모 수도시설 소형 정수 시스템은 측정 중 정확하고 일관된 시각화 솔루션(외부 디스플레이 장치 등)을 사용하여 쉽게 연속 시계열 자료 패턴을 분석할 수 있다.

예를 들어, 지수 가중 이동 평균을 사용하면 필터 데이터에서 추세 패턴을 보다 정확하게 표현할 수 있으므로 시간 경과에 따른 필터 데이터의 변화를 쉽게 식별하고 분석할 수 있다.

따라서 이를 통해 필터 데이터의 기본 패턴에 대한 더 의미 있는 통찰력과 더 나은 이해를 관리자에게 제공할 수 있다.

또한 컨트롤러(3)가 지수 가중 이동 평균을 사용하면 필터 데이터에서 변칙 또는 특이치를 식별하는 데도 도움이 된다.

도 4에 도시된 바와 같이, 본 발명은 일별 측정된 수치(E) 등을 통해 설정값 까지의 일별 변동수치를 계산하여 남은 사용기간을 유추할 수 있다.

또한, 본 발명은 일자별 압력 수치와 정수 생산량를 연산하여 남아있는 필터 사용 가능 시간 과 정수 생산 가능 톤수를 화면에 표시한다.

도 5에 도시된 바와 같이, 본 발명은 모바일 단말기(예 : 스마트폰)을 통해 앱 활용이 가능한데, 현장명, 접속 버튼, 가져오기 버튼과 현장명 입력 버튼을 이용한 현장명 입력과, 현장명 검색 및 찾기가 가능하다.

가져올 필터 데이터 날짜 설정 후, 가져오기 화면 정보 표시로서 일시가 나타나 있고, 1차필터는 날짜별로 압력(kPa/h)이 3.10, 3.09, 10% 등으로 표시되고, 2차필터는 2.10, 2.10, 15%로 표시된다.

또한, 생산량을 톤으로 표시하고, 작동 상태를 작동/정지로 나누어 표시하고, 온도도 표시한다.

SMS전송번호 버튼 또는 수정/입력 버튼을 통해 문자메세지 전송할 번호를 입력 또는 수정할 수 있다.

도 4내지 도 6에 도시된 바와 같이, 이하 상술한 평균값을 산출하여 사용 기간동안 필터 수명 사용율을 확인하는 과정을 단계별로 설명한다.

상기 컨트롤러(3)는,

(1) 필터 설치 후, 센서 A부터 D까지의 필터 데이터를 수집하여 저장한다.

(2) 7일 내지 10일 간격으로 센서들의 필터 데이터를 수집하여 저장한다.

(3) 센서들의 필터 데이터를 시간적으로 순서대로 정렬한다.

(4) 수집된 필터 데이터를 단순 평균 또는 지수 가중 이동 평균을 이용해 평균값을 산출한다.

(5) 산출된 평균값을 기준으로 필터의 사용 기간과 수명 사용률을 확인한다.

(6) 이를 통해 남아있는 수명 사용률을 유추한다.

(7) 이를 통해 필터 교체 시점을 예측 할 수 있다.

만일 상술한 단순 평균값을 사용하는 것과 지수 가중 이동 평균을 사용하는 경우, 본 발명은 시계열 필터 데이터 분석에 강점을 가질 수 있다.

즉, 단순 평균값은 전체 필터 데이터를 균등하게 계산하는 것이며, 이는 최근 필터 데이터와 오래된 필터 데이터의 가중치가 같은 경우이다.

반면, 지수 가중 이동 평균은 최근 필터 데이터에 더 큰 가중치를 두어 계산하며, 이는 시계열 필터 데이터를 분석할 때 최근 필터 데이터의 영향을 더 크게 반영하여 더 정확한 예측이 가능하다.

예를 들어 지수 가중 이동 평균은 단순 평균값보다 더 최근 필터 데이터에 더 높은 가중치를 부여하는 경우에 유용할 수 있다. 이는 필터 수명 사용율에서도 마찬가지로 최근의 필터 데이터가 수명 사용율에 더 큰 영향을 미치는 경우에 적용할 수 있다.

그러나 상술한 계산 방법이 복잡하고 필터 데이터에 대한 알고리즘 구성도 복잡하기 때문에 설명력이 떨어질 수 있다.

그리고 본 발명에서 단순 평균값도 간단하고 이해하기 쉬우며 일반적으로 충분히 사용 가능하다.

일실시예로서 상기 컨트롤러(3)가 지수 가중 이동 평균을 이용하여 머신 러닝에서 선형 회귀 방법으로 필터 수명 사용율을 예측하는 단계를 세부적으로 설명한다.

(1) 센서들로부터 수집된 필터 데이터를 정제하고 정제된 필터 데이터를 이용하여 지수 가중 이동 평균을 계산한다.

(2) 지수 가중 이동 평균을 입력 필터 데이터로 사용하여 선형 회귀 모델을 학습시킨다.

(3) 학습된 모델을 이용하여 새로운 지수 가중 이동 평균을 입력하여 필터 수명 사용율을 예측한다.

(4) 예측된 결과를 분석하여 필터 수명 사용율을 평가한다.

다른 실시예로서 단순 평균을 이용하여 머신 러닝에서 선형 회귀 방법으로 필터 수명 사용율을 예측하는 단계를 세부적으로 설명한다.

상기 컨트롤러(3)가 단순 평균을 이용하여 필터 수명 또는 사용율을 예측하는 방법은 아래와 같이 세부적으로 설명할 수 있다.

(1) 먼저 센서들로부터 수집된 필터 데이터를 정제하여 필요한 필터 데이터만 추출한다.

그리고 (2) 추출된 필터 데이터를 통해 필터 사용 기간을 측정하고 필터 사용 기간에 대한 평균값을 구한다.

이 때, 단순 평균을 이용하여 필터 수명 사용율을 예측하는 머신 러닝 방법은 다음과 같이 수행될 수 있다.

(3) 센서 A, B, C, D로부터 수집된 필터 데이터를 통합하여 설치 후부터 기간 동안의 필터 수명 사용율 필터 데이터를 생성한다.

그리고, (4) 생성된 필터 데이터를 활용하여 훈련 필터 데이터와 테스트 필터 데이터를 분리한다.

일실시예로서 상기 컨트롤러(3)가 훈련 필터 데이터와 테스트 필터 데이터를 분리한 후, 본 발명의 단순 평균을 이용하여 머신 러닝에서 필터 수명 사용율을 예측하는 단계는 다음과 같다.

(1) 필터 데이터 수집 모듈(410)을 통해 필터 사용 기간과 관련된 센서들의 필터 데이터를 수집한다.

(2) 필터 데이터 전처리 모듈(420)을 통해 수집된 필터 데이터를 정제하여 이상치를 제거하고 필요한 정보만을 추출한다.

(3) 훈련 필터 데이터 생성 모듈(430)을 통해 전처리된 필터 데이터를 단순 평균을 이용하여 머신 러닝에서 필터 수명 사용율을 예측한다.

다른 실시예로서 상기 컨트롤러(3)가 1일차 단순 평균 ~ 7일차 단순 평균을 내고, 이를 지수 가중 이동 평균으로 날짜별 필터 수명 사용율을 예측하는 방법을 설명한다.

지수 가중 이동 평균 모듈은,

(1) 기간별 필터 데이터를 수집하여 평균을 구한다 (1일차 ~ 7일차).

(2) 기간별 평균을 지수 가중 이동 평균을 적용하여 필터 수명 사용율을 예측한다.

(3) 지수 가중 이동 평균을 구하기 위해 가중치를 적용할 계수를 구한다.

(4) 기간별 평균과 가중치를 곱하여 가중 평균을 구한다.

(5) 가중 평균을 이전 가중 평균에 가중치를 적용하여 현재 가중 평균을 구한다.

(6) 기간별 평균과 현재 가중 평균을 비교하여 예측 값을 수정한다.

(7) 예측 값을 기간별로 저장하여 이를 그래프로 표현한다.

(8) 예측 값과 실제 값을 비교하여 예측 정확도를 평가한다.

(9) 필요시 예측 모델을 수정하고 다시 평가한다.

(10) 최종 예측 값을 활용하여 필터 수명 사용율을 예측한다.

본 발명의 또 다른 실시예로서 상기 컨트롤러(3)가 인공 지능에 적용하거나 트랜스포머 모듈도 적용해서 미리 예측하기 어려운 경우도 파악해서 알람해주는 방법을 설명한다.

상기 트랜스포머 모듈은,

(1) 인공 지능 모델을 선정하여 학습시킨다(ex. LSTM, GRU, Transformer).

(2) 필터 수명 사용율 데이터를 수집하여 인공 지능 모델에 입력으로 적용한다.

(3) 학습된 모델로 필터 수명 사용율을 예측한다.

(4) 예측 값과 실제 값을 비교하여 예측 정확도를 평가한다.

(5) 예측 정확도가 낮은 경우, 모델을 수정하거나 다른 인공 지능 모델을 적용한다.

(6) 예측 정확도가 높은 경우, 예측 값을 기반으로 알람을 설정한다.

(7) 알람을 수신하면 예측 값과 실제 값을 비교하여 필터 수명 사용율을 확인한다.

(8) 필터 수명 사용율이 일정 수준 이하인 경우, 필터 교체를 요청한다.

(9) 필터 교체가 완료되면 인공 지능 모델을 재학습한다.

(10) 필터 수명 사용율 예측 및 알람 설정을 반복한다.

또 다른 실시예로서 먼저, 상기 컨트롤러(3)가 AI 모듈 중 트랜스포머 모듈로서 트랜스포머 방법을 적용해서 미리 예측하기 어려운 경우도 파악해서 알람해주는 방법을 설명한다.

상기 트랜스포머 모듈은,

(1) 인공 지능 모델을 훈련시킨다. (ex: LSTM, CNN, Transformer)

(2) 수집된 필터 데이터를 인공 지능 모델에 적용하여 필터 수명 사용율을 예측한다.

(3) 예측된 결과를 실제 값과 비교하여 예측 정확도를 평가한다.

(4) 예측 정확도가 낮은 경우, 모델을 수정하고 다시 평가한다.

(5) 예측 결과를 분석하여 예측이 어려운 경우를 파악한다. (ex: 예측 오차가 큰 경우)

(6) 예측이 어려운 경우를 알람으로 알려준다.

(7) 알람을 수신한 사람은 실제 값을 확인하여 예측 결과를 수정한다.

(8) 수정된 결과를 인공 지능 모델에 재적용하여 모델을 개선한다.

(9) 개선된 모델을 적용하여 예측 결과를 다시 확인한다.

(10) 최종 예측 결과를 활용하여 필터 수명 사용율을 예측하고, 이를 알람으로 관리자에게 전송한다.

여기에서 사용되는 AI 기법 중 Transformer 방법은 필터 데이터를 입력받아 그 필터 데이터를 예측하는 기능을 가지고 있어 필터 수명 예측에도 사용 가능할 수 있다. 그러나 특정 문제에 대한 훈련 데이터를 충분히 준비하지 않으면 정확도가 떨어질 수 있다. 그래서 필터 수명 예측에 사용하기 위해서는 필터 수명과 관련된 필터 데이터를 충분히 수집하고 전처리 하여야 한다.

이를 위해 상기 컨트롤러(3)가 필터 수명과 관련된 필터 데이터를 빅데이터화하여 적용하도록 제어하는 AI 모듈을 설명하겠다.

상기 AI 모듈은,

(1) 필터 수명과 관련된 필터 데이터를 빅데이터화하여 수집한다 (ex: 필터 사용 시간, 사용 주기, 사용 환경, 온도 등)

(2) 필터 데이터를 전처리하여, 학습과 예측에 사용 가능한 형태로 변환한다.

(3) Transformer 방법을 사용하는 AI 모델을 구축한다.

(4) 전처리된 필터 데이터를 이용하여 모델을 훈련시킨다.

(5) 필터 데이터의 훈련된 모델을 테스트 데이터로 평가하여 예측 정확도를 확인한다.

(6) 예측 정확도가 낮은 경우 모델을 수정하여 다시 훈련시킨다.

(7) 예측된 결과를 분석하여 예측이 어려운 경우를 파악한다. (ex: 예측 오차가 큰 경우)

(8) 상기 필터 데이터 만으로 예측이 어려운 경우를 관리자에게 알람으로 알려준다.

(9) 알람을 수신한 사람은 실제 값을 확인하여 예측 결과를 수정한다.

(10) 수정된 결과를 인공 지능 모델에 재적용하여 다시 빅데이터화(필터 데이터)한다.

여기에서 (8) 단계에는, 필터 데이터를 분석하여 필터의 수명을 예측하기 위한 모델을 학습시킴에도 불구하고, 수명 예측 모델을 사용하여 소형 정수기 필터의 수명을 예측하기 어려운 경우, 관리자에게 알람을 메일, SMS, 앱 푸시 등을 통해 전송되는 것이 포함된다.

왜냐하면, 수명 예측 모델을 학습시킴에도 불구하고, 수명 예측이 어려운 경우는 모델의 파라미터에 문제가 있을 수 있다.

일반적으로 학습데이터가 부족하거나, 학습데이터의 품질이 낮은 경우, 모델이 제대로 학습되지 않아 수명 예측이 어려울 수 있다.

또한, 필터 수명 예측 모델의 구조, 사용된 알고리즘, 파라미터 설정 등이 적절하지 않을 경우 수명 예측이 어려울 수 있다.

따라서 수명 예측 모델을 학습하기 전에 품질 좋은 학습데이터를 수집하고, 모델의 구조를 적절히 설계(필터 수명 예측 모델의 구조, 사용된 알고리즘, 파라미터 설정 등)하고 이 중에서 알고리즘과 파라미터를 시간에 따라 적절하게 선택하는 것이 필요하다.

다른 예로 상기 컨트롤러(3)의 AI 모듈은, (1) 자가진단 필터 데이터를 수집하고, 1일차부터 7일차까지의 필터 데이터를 사용한다.

(2) 1일차부터 7일차까지의 필터 데이터를 평균하여 각 날짜별 평균값을 구한다.

(3) 이를 지수 가중 이동 평균을 계산하여 필터 수명 사용율을 예측한다.

(4) 계산된 예측값을 기반으로 필터 수명 사용율을 분석한다.

(5) 분석 결과를 기반으로 필터 수명 사용율을 최적화 할 수 있는 방법을 계산한다.

(6) 최적화된 방법을 시행하여 필터 수명 사용율을 개선한다.

(7) 개선된 필터 수명 사용율을 종래 필터 수명과 비교하여 평가한다.

(8) 평가 결과를 기반으로 필터 교체 횟수 및 방법을 수정하거나 반복한다.

(9) 반복 학습 과정을 통해 필터 수명 사용율을 지속적으로 개선한다.

(10) 최종적으로 필터 수명 사용율을 최대한 효율적으로 사용한 결과를 관리자 단말기에 전송한다.

이 때, 자가진단 필터 데이터는, AI 모듈이 필터 교체 횟수 및 방법을 최대한 효율적으로 사용하기 위해 기본 데이터로 사용한다.

한편 본 발명에 따른 컨트롤러(3)의 정보에서 정상수치 범위를 벗어나는 이상이 발견될 시 알람 기법으로 지수이동평균(EMA) 또는 지수가중이동평균(Exonentially Weighted Moving Average ;EWMA)을 사용하여 최근 필터에 대하여 이상 수치의 변화량이 정상수치 범위를 벗어날 시에만 알람을 발생한다.

또한 지수가중이동평균은 최근 필터 데이터에 더 많은 영향을 받기 때문에 센서 신호 중 최근 데이터에 더 높은 가중치를 둔다.

자세히 살펴보면,

여기서 vt 는 t 번째 센서 신호 데이터의 가중 지수가중이동평균이다. 그리고 β 값은 하이퍼파라미터로 최적의 값이며 0.9임이 바람직하다. 마지막으로 θt 는 센서 신호 중 t 번째 데이터의 값이다.

먼저 β 값을 변경해보면, β 가 0.9일 경우 vt 는 이전 10개의 데이터의 평균과 거의 같다. 이는 아래 식으로 계산해낼 수 있다.

다른 방법으로 상기 컨트롤러(3)에서 정상수치 범위를 벗어나는 이상으로 판단되는 경우, 판단되는 시간 동안 컨트롤러(3)의 정상수치를 벗어나는 신호 변화 백분율 면적을 (EMAx - xi)/EMAx × dt 로 구하고 이전 시간에서 기록한 면적과 누적 합산하고, 컨트롤러(3)의 신호값으로 계산된 신호 변화율 면적 (EMAy - yi)/EMAy × dt 을 누적 합산하여 각각 구한 누적된 신호 변화율 면적의 차이를 기준 데이터(또는 빅데이터)와 비교해 일정치 이상 차이날 경우 센서 데이터인 것인지 판단한다.

(여기에서, EMA 는 지수 이동 평균값; x와 y는 각각 센서 측정값; 첨자 x와 첨자 y는 각각 센서 측정값으로 계산된 값; 첨자 i 는 측정값이 측정된 시간 순서를 나타내는 수치; dt 는 매 측정 시간 차이)

따라서 지수적으로 감소하는 가중치를 곱하는 지수 이동 계산식을 사용하여 종래 데이터의 저장과 연산 처리가 필요없어 훨씬 간단하게 평균치를 구할 수 있고 하드웨어 측면에서는 최소한 메모리 용량으로 고기능 MCU가 필요치 않으며 적은 연산횟수로 전력 소모가 적다.

또 다른 방법으로서, 지수이동평균(Exponential Moving Average)은 오래된 데이터에 대한 가중치는 기하 급수적으로 감소하지만 0이 되지는 않는다.

아래 수학식 2와 표 1과 같이 센서 신호 각각의 데이터 Y에 대한 가중이동평균(a)과 다르게 지수가중이동평균(b)은 지수적으로 계산한다.

(여기에서, 계수 α는 0과 1 사이의 가중치 감소 정도, Y t는 기간 t 에서의 값, S t는 임의의 기간 t 에서의 지수이동평균 값)

아래는 상술한 단순 평균을 입력(엑셀)받아 설정값(압력, 정수유량)과 비교하여 필터 수명을 계산하는 파이썬 코드이다.

import pandas as pd

# 입력받은 데이터를 dataframe으로 변환

df = pd.read_excel("input_data.xlsx")

# 압력, 정수유량 설정값 지정(단위 : kPa/h, t/h)

pressure_threshold1 = 3

pressure_threshold2 = 2

flow_rate_threshold = 2

# 각 날짜별 평균값 계산

df["mean_pressure"] = df["pressure"].rolling(7).mean()

df["mean_flow_rate"] = df["flow_rate"].rolling(7).mean()

# 필터 수명 계산

df["filter_life"] = df.apply(lambda row: row["mean_pressure"] / pressure_threshold + row["mean_flow_rate"] / flow_rate_threshold, axis=1)

print(df)

위 코드는 pandas 라이브러리를 사용하여 엑셀 파일을 읽어들이고, 각 날짜별 평균값을 구하고 필터 수명을 계산하는 과정을 보여준다.

상기 압력 설정값(pressure_threshold), 정수 유량 설정값(flow_rate_threshold)은 압력, 정수유량 설정값으로 원하는 값으로 지정하면 된다.

아래 코드는 지수 가중 이동 평균(Exponentially Weighted Moving Average, EWMA)을 계산하는 파이썬 코드이다.

import pandas as pd

# 입력받은 데이터를 dataframe으로 변환

df = pd.read_excel("input_data.xlsx")

# 가중치 계수 지정(0~1사이 값)

alpha = 0.9

# 초기 EWMA 값 지정

df["EWMA"] = df["value"].iloc[0]

# EWMA 계산

for i in range(1, len(df)):

df["EWMA"].iloc[i] = alpha * df["value"].iloc[i] + (1 - alpha) * df["EWMA"].iloc[i-1]

print(df)

이 때, rolling() 함수 모듈(롤링 함수 모듈)은 pandas 라이브러리에서 제공하는 함수를 포함하는 모듈로, 일정 기간 동안의 평균값을 계산하는데 사용된다.

예를 들어, df["column_name"].rolling(7).mean() 은 해당 column의 값들 중, 이전 7개 값의 평균을 계산하는 것이다.

즉, rolling(7)은 7일치의 센서 데이터를 기준으로 평균을 계산한다는 뜻이다.

한편, 도 7은 기존 방식과 당사 방식을 비교함에 있어, 무선통신망 또는 유선통신망을 이용하여 서버로 데이터 전송하고, 이용자가 통신망을 이용하여 B현장 기기에 직접 접속하여 데이터를 어플로 받아 어플에서 정보를 구현함으로 서버가 필요없는 상태를 보여주는 도면이다.

1, 2 : 1단계 정수필터
3 : 컨트롤러
4 : 2단계 정수필터(RO)
5, 7 : 모터펌프
6 : 자동밸브
410 : 필터 데이터 수집 모듈
420 : 필터 데이터 전처리 모듈
430 : 훈련 필터 데이터 생성 모듈

Claims (8)

1단계 정수필터(1, 2); 2단계 정수필터(4); 상기 정수필터들(1, 2, 4)에 물공급하는 모터펌프(5, 7); 컨트롤러(3)의 자동 제어에 의해 물공급 및 제어하는 자동밸브(6); 상기 정수필터들(1, 2, 4) 사이의 배관에 부착되는 탁도 및 전기 전도도 센서(A), 압력 센서(B), 배관압력센서(C), 및 유량계 센서(D); 모터펌프(5)와 자동밸브(6)를 제어하는 컨트롤러(3);를 포함하고, 입수압력, 출수압력측정 후, 농축수 유량측정과, 정수 생산유량측정을 하고, 시간별, 일별 데이터를 기록하여 필터의 사용수명을 유추하여 자가진단이 가능한 AI 소규모 수도시설 소형정수 시스템에 있어,
상기 컨트롤러(3)는 입수 후 모터 펌프로 정수필터를 통과하는 물 공급을 제어하고, 1 단계 정수필터 압력 측정 및 역세척 또는 교환 시기 산출 후, 2 단계 정수필터로 물 공급 제어 및 압력 측정 및 세척 또는 교환 시기를 산출한 후 출수하되,
상기 정수필터 설치 후, (1) 필터 수명과 관련된 필터 사용 시간, 사용 주기, 사용 환경, 온도를 포함하는 필터 데이터를 빅데이터화하여 수집하며, (2) 필터 데이터를 전처리하여, 학습과 예측에 사용 가능한 형태로 변환하고, (3) Transformer 방법을 사용하는 AI 모델을 구축하며, (4) 전처리된 필터 데이터를 이용하여 모델을 훈련시키고, (5) 필터 데이터의 훈련된 모델을 테스트 데이터로 평가하여 예측 정확도를 확인하며, (6) 예측 정확도가 낮은 경우 모델을 수정하여 다시 훈련시키고, (7) 예측된 결과를 분석하여 예측이 예측 오차가 일정치 보다 큰 경우를 파악하며, (8) 필터 데이터 만으로 예측이 어려운 경우를 관리자에게 알람으로 알려주며, (9) 알람을 수신한 사람은 실제 값을 확인하여 예측 결과를 수정하고, (10) 수정된 결과를 인공 지능 모델에 재적용하여 다시 빅데이터화하는 것을 특징으로 하는 자가진단이 가능한 AI 소규모 수도시설 소형 정수 시스템.

청구항 1에 있어서,
상기 컨트롤러(3)는 상기 탁도 및 전기 전도도 센서(A), 압력 센서(B), 배관압력센서(C), 및 유량계 센서(D)들을 통해 장치의 압력을 측정하여 1단계 및 2단계 필터의 사용가능 기간을 유추하고 교체 시기가 되면 자동으로 설정되어진 연락처로 연락을 취하는 것을 특징으로 하는 자가진단이 가능한 AI 소규모 수도시설 소형 정수 시스템.

청구항 1에 있어서,
상기 컨트롤러(3)는 통신장치를 통해 외부에서 스마트폰이나 PC프로그램으로 각 개체의 기기에 접속하여 모니터링하는 서비스를 제공하는 것을 특징으로 하는 자가진단이 가능한 AI 소규모 수도시설 소형 정수 시스템.

청구항 1에 있어서,
상기 컨트롤러(3)는 통신장치를 통해 현재 까지의 일 생산량, 정수장비의 현 상황, 및 저장된 필터 데이터를 통합하여 조회 및 검색 서비스를 제공하는 것을 특징으로 하는 자가진단이 가능한 AI 소규모 수도시설 소형 정수 시스템.

입수단계; 모터펌프가 정수필터를 포함하는 여과장치로의 물 공급을 제어하는 단계; 1 단계 정수필터(1) 측 배관의 압력을 측정하여 필터의 역세척 또는 교환 시기 산출 단계; 1 단계 정수필터(2) 측 배관의 압력을 측정하여 필터의 역세척 또는 교환 시기 산출 단계; 2단계 정수필터로의 물공급 자동밸브로 제어 단계; 2단계 정수필터 측 모터펌프로의 물 공급 제어 단계; 2단계 정수필터 측 배관의 압력을 측정하여 필터의 세척 또는 교환 시기 산출 단계; 출수 단계;를 포함하는 자가진단이 가능한 AI 소규모 수도시설 소형정수 시스템를 이용한 방법에 있어서,
상기 각 교환 시기 산출 단계는,
(1) 필터 수명과 관련된 필터 사용 시간, 사용 주기, 사용 환경, 온도를 포함하는 필터 데이터를 빅데이터화하여 수집하는 단계;
(2) 필터 데이터를 전처리하여, 학습과 예측에 사용 가능한 형태로 변환하는 단계;
(3) Transformer 방법을 사용하는 AI 모델을 구축하는 단계;
(4) 전처리된 필터 데이터를 이용하여 모델을 훈련시키는 단계;
(5) 필터 데이터의 훈련된 모델을 테스트 데이터로 평가하여 예측 정확도를 확인하는 단계;
(6) 예측 정확도가 낮은 경우 모델을 수정하여 다시 훈련시키는 단계;
(7) 예측된 결과를 분석하여 예측이 예측 오차가 일정치 보다 큰 경우를 파악하는 단계;
(8) 필터 데이터 만으로 예측이 어려운 경우를 관리자에게 알람으로 알려주는 단계;
(9) 알람을 수신한 사람은 실제 값을 확인하여 예측 결과를 수정하는 단계;
(10) 수정된 결과를 인공 지능 모델에 재적용하여 다시 빅데이터화하는 단계;를 포함하는 것을 특징으로 하는 자가진단이 가능한 AI 소규모 수도시설 소형 정수 시스템을 이용한 방법.

청구항 5에 있어서,
상기 정수필터들(1, 2, 4) 사이의 배관에 부착되는 탁도 및 전기 전도도 센서(A), 압력 센서(B), 배관압력센서(C), 및 유량계 센서(D) 까지의 시계열 데이터를 수집하여 저장하는 경우 단순 평균값을 사용하는 것을 특징으로 하는 자가진단이 가능한 AI 소규모 수도시설 소형 정수 시스템을 이용한 방법.

청구항 6에 있어서,
(1) 탁도 및 전기 전도도 센서(A), 압력 센서(B), 배관압력센서(C), 및 유량계 센서(D)로부터 수집된 데이터를 정제하고 정제된 데이터를 이용하여 평균을 계산하는 단계;
(2) 상기 평균을 입력 데이터로 사용하여 선형 회귀 모델을 학습하는 단계;
(3) 학습된 선형 회귀 모델을 이용하여 새로운 평균을 입력하여 필터 수명 사용율을 예측하는 단계;
(4) 예측된 수명 사용율 결과를 분석하여 필터 수명 사용율을 평가하는 단계;를 더 포함하는 것을 특징으로 하는 자가진단이 가능한 AI 소규모 수도시설 소형 정수 시스템을 이용한 방법.

청구항 5에 있어서,
(1) 먼저 탁도 및 전기 전도도 센서(A), 압력 센서(B), 배관압력센서(C), 및 유량계 센서(D)로부터 수집된 필터 데이터를 정제하여 필요한 데이터만 추출하는 단계;
(2) 추출된 데이터를 통해 필터 사용 기간을 측정하고 필터 사용 기간에 대한 평균값을 구하는 단계;
(3) 탁도 및 전기 전도도 센서(A), 압력 센서(B), 배관압력센서(C), 및 유량계 센서(D)로부터 수집된 데이터를 통합하여 설치 후부터 기간 동안의 필터 수명 사용율 데이터를 생성하는 단계;
(4) 생성된 필터 수명 사용율 데이터를 활용하여 훈련 데이터와 테스트 데이터를 분리하는 단계;를 더 포함하는 것을 특징으로 하는 자가진단이 가능한 AI 소규모 수도시설 소형 정수 시스템을 이용한 방법.