KR102580554B1

KR102580554B1 - 기계학습 기반의 일상신호 제거 필터를 이용한 이상신호 탐지 장치

Info

Publication number: KR102580554B1
Application number: KR1020200068313A
Authority: KR
Inventors: 이기영; 이병복; 유웅식; 표철식
Original assignee: 한국전자통신연구원
Priority date: 2020-02-27
Filing date: 2020-06-05
Publication date: 2023-09-21
Also published as: KR20210109416A

Abstract

본 발명은 평상시 센서 주변의 일상음(또는 일상신호)(normal signal)과 잡음을 제거하는 필터를 이용하여 일상음 이외의 이상신호(abnormal signal)를 탐지하는 기술에 관한 것으로, 잡음을 제거하기 위한 Denoising Autoencoder 학습 기법에서 착안하여 잡음 및 일상음을 제거할 수 있는 필터를 고안하였으며, 이 필터를 이용하여 현장음이 평상시와 다른 이상신호인지 아닌지를 판단할 수 있도록 한다. 일상음도 잡음으로 간주하여 필터를 통과한 출력이 0이 되도록 하고, 이상신호는 그대로 통과시키도록 필터를 학습시킨다. 본 발명은 현장의 이상신호를 수집하지 않고, 일상음만 수집하여 기존의 학습 데이터에 추가함으로써 필터를 재학습할 수 있도록 고안되었다. 따라서, 기계학습 비전문가도 필터를 쉽고 편하게 재학습시킬 수 있다.

Description

기계학습 기반의 일상신호 제거 필터를 이용한 이상신호 탐지 장치 {Machine-learning based abnormal signal detection using normal signal removing filter}

본 발명은 기계학습 기술, 신호 필터링 기술, 및 노이즈 또는 이상신호 탐지 기술에 관한 것이다.

실생활에는 노이즈 등 많은 이상신호가 존재한다. 이러한 이상신호를 탐지하는 기술이 많이 연구되어 왔다. 특히, 최근에는 기계학습을 이용하여 이상신호를 탐지하는 연구가 진행되고 있다.

실생활에 기계학습 기반의 이상신호 탐지(anomaly detection) 모델을 적용하고자 할 때 가장 문제가 되는 것은, 학습을 위한 이상신호를 수집하기 어렵고 이상신호가 매우 다양하다는 것이다. 또한, 이상신호를 수집하여 기계학습 기반 모델을 학습시키더라도, 실제 현장에서의 신호 특성이 달라지면 이상신호 탐지의 정확도가 떨어지므로 현장의 신호를 다시 수집하여 기계학습 모델을 재학습시켜야 한다.

본 발명을 통해, 평상시 센서 주변의 일상음(또는 일상신호)(normal signal)과 잡음을 제거하는 필터를 이용하여 일상음 이외의 이상신호(abnormal signal)를 탐지하는 기술을 제안한다.

본 발명은 잡음을 제거하기 위한 Denoising Autoencoder 학습 기법에서 착안하여 일상음을 제거할 수 있는 필터를 고안하였으며, 이 필터를 이용하여 현장음이 평상시와 다른 이상신호인지 아닌지를 판단할 수 있도록 한다. 일상음도 잡음으로 간주하여 필터를 통과한 출력이 0이 되도록 하고, 이상신호는 그대로 통과시키도록 필터를 학습시킨다.

본 발명은 현장의 이상신호를 수집하지 않고, 일상음만 수집하여 기존의 학습 데이터에 추가함으로써 필터를 재학습할 수 있도록 고안되었다. 따라서, 기계학습 비전문가도 필터를 쉽고 편하게 재학습시킬 수 있다.

이와 같이 본 발명은 기계학습으로 센서 주변의 평상시 신호(일상음)를 제거하는 필터를 생성하고, 이를 이용하여 일상음 외 이상신호를 탐지하고자 한다.

마이크로폰 센서를 통해서 일상음 또는 이상신호를 수집하여 기계학습으로 일상음을 제거하고 이상신호를 탐지할 뿐만 아니라, 물리량을 측정하는 다양한 센서(IMU, 유량, 유속 센서 등)를 이용하여 획득한 데이터로부터 이상신호를 탐지하는 데에도 폭넓게 응용할 수 있다. 즉, IMU의 평상시 가속도 및 각속도 물리량을 일상진동으로 간주하여, 일상진동을 제거하는 필터를 생성할 수도 있고, 평상시의 유량 또는 유속을 잡음으로 간주하여, 이상 유량 또는 유속 변화를 인지하는 필터를 생성할 수도 있다.

센서 주변의 새로운 변화로 인해 일상신호 특성이 달라져 재학습이 필요한 경우에, 본 발명의 필터는 추가로 일상음을 수집하여 재학습시킬 수 있도록 고안되었다. 따라서, 본 발명은 기계학습 비전문가도 쉽고 편하게 일상음 제거 필터를 재학습시키고 이상신호를 탐지할 수 있도록 자동화를 지향하였다.

본 발명의 이해를 위해 간략한 영문 설명문을 소개한다.

We introduce a machine learning (ML) method that generates a filter removing normal signal and noise of input data collected from a sensor. We then use the trained filter to detect abnormal signal of the input data. When the characteristics of input data change due to environmental changes around the sensor, the filter can be retrained in an automated manner using additional data collected from the sensor in order to adapt the filter to the new environment. Even ML nonexperts, thus, can utilize this method to retrain a filter and detect abnormal signal without great efforts.

이상에서 소개한 본 발명의 개념은 이후에 도면과 함께 설명하는 구체적인 실시예를 통하여 더욱 명확해질 것이다.

본 발명은 에지디바이스에 학습된 필터를 탑재하여 이상신호를 탐지한 후, 서버로 신호를 매번 보내는 것이 아니라 이상신호로 판단된 경우에만 신호를 전송함으로써, 데이터 전송에 소비되는 통신비용을 절감할 수 있다. 또한, 모니터링 시간을 줄여주기 때문에 모니터링 인력에 소요되는 비용을 절감할 수 있다.

도 1: 본 발명에 따른 기계학습 기반 이상신호 탐지 장치의 개략 구성도
도 2: 본 발명의 한 실시예에 따른 기계학습 기반의 일상음 제거 필터의 개략 구성도
도 3: 본 발명의 다른 실시예에 따른 기계학습 기반의 일상음 제거 필터의 개략 구성도
도 4: 일상신호(일상음)에 대한 본 발명의 적용 예시도
도 5: 이상신호에 대한 본 발명의 적용 예시도

본 발명의 이점 및 특징, 그리고 이들을 달성하는 방법은 이하 첨부된 도면과 함께 상세하게 기술된 바람직한 실시예를 참조하면 명확해질 것이다. 그러나 본 발명은 이하에 기술된 실시예에 한정되는 것이 아니라 다양한 다른 형태로 구현될 수 있다. 실시예는 단지 본 발명을 완전하게 개시하며 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐, 본 발명은 청구항의 기재 내용에 의해 정의되는 것이다.

또한, 본 명세서에서 사용된 용어는 실시예를 설명하기 위한 것이며 본 발명을 제한하고자 하는 것이 아니다. 본 명세서에서, 단수형은 특별히 언급하지 않는 한 복수형도 포함한다. 또한 명세서에 사용된 '포함한다(comprise, comprising 등)'라는 용어는 언급된 구성요소, 단계, 동작, 및/또는 소자 이외의 하나 이상의 다른 구성요소, 단계, 동작, 및/또는 소자의 존재 또는 추가를 배제하지 않는 의미로 사용된 것이다.

이하, 본 발명의 바람직한 실시예를 첨부 도면을 참조하여 상세히 설명한다. 실시예의 설명에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있는 경우에는 그 상세한 설명을 생략한다.

본 발명의 실시예에 따른, 기계학습을 이용하여 센싱데이터로부터 이상신호를 탐지하는 장치의 개괄적인 구성은 도 1과 같다.

학습부(10)는 센서(예를 들어, 물리량 측정 센서)로 측정하여 수집된(210) 데이터(예를 들어, 시계열 데이터)(215)를 학습데이터로서 수집하고(110), 일상신호는 제거하고 이상신호는 통과시키는 필터(도 2, 도 3 참조)를 기계학습 모델로서 학습(120)시킨다. 추론부(20)는 센서로 측정된 데이터(센싱데이터)를 수집(210)하여 학습부(10)에서 학습된 필터 모델을 이용하여 추론(220)하고 이상신호인지 아닌지 탐지 및 판단(230)하여 사용자에게 알람을 발령하거나 학습부로 데이터 전송을 해준다(240). 나아가, 학습부(10)는 필요시 주기적으로 센싱데이터를 수집하여 필터를 재학습(140)시켜서 필터 업데이트(250)를 하고, 추론부(20)는 이 업데이트된 필터를 이용하여 이상신호를 탐지하는 일련의 과정을 실행한다. 이와 같이 본 발명의 이상신호 탐지 장치는 인공지능 학습 및 추론 인프라로써 구성되어, 기계학습 비전문가도 쉽게 이용할 수 있다.

본 실시예에서 학습부(10)는 GPU가 탑재된 서버 또는 클라우드 컴퓨터에서 구현되고, 추론부(20)는 스마트폰 및 저전력 소형 기기 등과 같은 에지디바이스(edge device)에서 구현되는 것으로 전제한다. 하지만, 이에 한정되는 것은 아니다. 구체적인 내용을 아래에서 설명한다.

학습데이터 수집(110)

센서로부터 수집된 시계열 데이터(210)를 설정된 윈도우(예를 들면, 1초) 단위로 전처리한 후 파일 형태로 저장한다. 이때 데이터가 레이블(label) 정보와 함께 저장될 수 있도록 레이블로 파일 저장 폴더를 구분할 수 있다. 예를 들면, 폴더를 잡음, 일상신호, 이상신호 등으로 구분한다. 폴더의 구분은, '현장의 잡음(소음)이 포함된 일상신호 및 이상신호', '잡음이 없는 환경에서 측정한 일상신호 및 이상신호'로 더 세분화할 수도 있다. 잡음이 없는 환경에서 측정한 일상신호 및 이상신호에는 필터 학습시(120) 잡음을 더해준다. 일반적인 현장에서는 잡음 및 일상신호만 수집 가능하다. 이러한 경우에는 이상신호를 실험실 환경에서 시뮬레이션 하여 수집하거나, 인위적으로 몇 가지 샘플을 만들어서 사용하여도 무방하다.

각 폴더에 저장된 파일 데이터는 필터 학습시 필터 모델의 입력이 된다. 필터 모델의 출력은 레이블에 따라 다음과 같이 가공한다. 1) 일상신호일 경우: 입력과 동일한 형태(shape)의 0 값, 2) 이상신호일 경우: 입력과 동일

이와 같이, 레이블(label)을 이용하여 일상신호에 대한 학습데이터의 출력은 0값을 가지도록 가공하고, 이상신호에 대한 학습데이터의 출력은 입력과 동일한 값을 가지도록 가공한 후, 이하의 필터 학습을 실시한다.

필터 학습(120)

잡음 및 일상신호를 제거하기 위한 필터는 도 2와 같은 그래프(아키텍처)로 구성한다. 이는 Autoencoder를 변형한 형태이다. 각 구성요소에 대한 설명은 다음과 같다.

입력 X 는 입력 신호이다.

입력 는 잡음을 추가한 입력 신호이다. 잡음은 임의로 생성하거나, 센서로 측정한 신호를 이용한다. 예를 들어 마이크로폰으로 측정한 음성 또는 음향 신호의 경우, 현장의 잡음을 측정한 신호를 잡음이 없는 환경에서 측정한 입력 신호에 더해준다(이미 입력 신호에 잡음이 포함된 경우에는 이 과정을 생략할 수 있다).

Encoder(30)는 특징(feature)을 추출하는 요소이다. Convolutional layer나 Dense layer 등을 조합하여 구성할 수 있다.

Feature Z 는 Encoder(30)에서 생성된 특징을 의미한다.

Decoder(40)는 Encoder(30)를 반대로 수행하여 특징(feature) Z 로부터 입력 신호를 복원하는 요소이다.

Y' 은 Decoder(40)에서 입력 신호를 복원한 것이다.

필터 F 는 Feature Z 로부터 입력 X와 동일한 차원이 되도록 하는 Dense layer이다. 0~1 사이 확률 값을 가지도록 Sigmoid 활성화 함수를 사용한다.

출력 Y는 입력 신호를 복원한 출력 Y' 과 필터 F 를 곱하여 얻은 값이다.

한편, 도 2의 잡음 및 일상신호 제거 필터에서 Decoder(40)를 생략하여, 도 3과 같이 더 단순한 형태의 그래프(아키텍처)로 구성하는 것도 가능하다. 도 2의 Decoder(40) 출력 Y' 에 필터 F 를 곱하는 대신 입력 X 와 필터 F 를 곱해서 출력 Y 를 생성한다.

도 2, 도 3의 잡음 및 일상신호 제거 필터의 학습시, 손실함수(loss function)로서 Mean squared error 기법 등을 사용하여, 입력 X 와 출력 Y 가 같아지도록 필터를 학습시킨다. 잡음 또는 일상신호가 더 잘 제거되도록 하기 위해서, 출력 Y 가 0인 부분은 Mean absolute error를 손실함수에 추가할 수도 있다. 결과적으로, 출력 Y 에 대한 추정치가 일 때, 손실함수는 다음 수식과 같다.

이와 같이 필터를 학습시키면, 일상신호(Normal)의 경우 도 4에서 보듯이 필터 F 가 0에 가까운 값(score=0.01)을 갖도록 학습되고, 이상신호(Abnormal)의 경우 도 5와 같이 필터 F 가 1에 가까운 값(score=0.98)을 갖도록 학습된다. 또한, 필터 모델의 출력 Y 도, 잡음 및 일상신호의 경우 0에 가까운 값을 갖게 되고(도 4) 이상신호일 경우 입력과 비슷한 값을 갖게 된다(도 5).

이상신호 탐지(130)

센서로부터 수집한 데이터를 위에서 학습한 필터 모델에 입력하여 추론한 필터 F 및 출력 Y 를 이용하여 이상신호 판단값(score)을 계산한다. 예를 들면, F 의 평균값 계산, Y 의 평균값 계산, F×Y 의 평균값 계산과 같은 산술연산을 통해 최종적으로 이상신호인지 아닌지 판단하기 위한 점수를 계산한다. 상기 평균값 대신에 최대값, 상위 n개의 평균값, 중간값 등을 점수 계산하는 데 사용할 수도 있다. 이상신호 판단값이 특정 임계값(threshold) 이상이면 이상신호로 판단한다. 임계값은 예를 들어 0.5로 결정하거나, 아니면 실험적으로 결정할 수 있다. 이상신호 판단값을 계산하는 방법 또한 실험적으로 정확도가 높은 것을 선택할 수 있다. 도 4와 도 5는 F×Y의 최대값으로 이상신호 판단값을 계산한 결과를 예시하고 있다.

이와 같이 필터 학습(120)이 끝난 후에, 샘플 데이터를 활용하여 이상신호 탐지 정확도를 계산해 봄으로써 필터가 잘 학습되었는지 검증(validation)한다. 이상신호 탐지 정확도가 너무 낮으면 학습데이터를 추가로 수집하거나, 필터 모델의 그래프 또는 파라미터를 변경하여 재학습한다(140).

필터 추론(220)

서버/클라우드 컴퓨터(즉, 도 1의 학습부)에서 학습된 필터 모델은 에지디바이스(즉, 도 1의 추론부)에 탑재된다. 에지디바이스는 상기 필터 모델을 추론에 이용하기 위하여 필터 모델의 그래프 및 파라미터를 파일 형태(예를 들면, 텐서플로우 라이트 모델(Tensorflow Lite Model) 파일)로 전달받고, 이 파일로부터 필터 모델을 로딩한다. 이는 필터 모델을 재학습(140)하여 업데이트(250)할 시 파일만 교체하면 되도록 하여, 본 발명의 목적 중 하나인 기계학습 비전문가도 필터 업데이트가 가능토록 할 것을 실현하기 위함이다.

필터가 탑재된 에지디바이스는 센서로부터 수집한 데이터를 매번 서버/클라우드에게 전송(도 1의 210, 215)하는 것이 아니라, 위에서 설명한 이상신호 탐지 방식(130)으로 판단하여 이상신호로 판단되었을 경우(230) 사용자에게 알람을 주거나 서버/클라우드 컴퓨터로 데이터를 전송(240)함으로써, 데이터 통신비용을 절감할 수 있다.

한편, 서버/클라우드 컴퓨터는 에지디바이스로부터 수신된 이상징후 건에 대해서 종합적으로 판단할 필요가 있는 경우에, 알람으로 통지 받은 데이터만을 집중 분석함으로써, 모니터링에 소요되는 인력 및 비용을 절감할 수 있다.

필터 재학습(140) 및 업데이트(250)

센서 주변의 잡음 및 일상신호 특성이 달라져서 이상신호 탐지 정확도가 떨어지거나 사용자가 필요하다고 판단되는 경우, 잡음 및 일상신호를 새로 수집하여 필터를 재학습 시킨다(140). 재학습을 위해, 새로 수집한 잡음 및 일상신호를 기존의 학습데이터에 추가하거나 교체하여 필터 모델을 fine-tuning한다. 이와 같이 이상신호의 추가 없이 잡음 및 일상신호만 추가하여 필터를 재학습시켜도 이상신호 탐지의 정확도를 높일 수 있다. 이를 위해 에지디바이스는 일상신호를 저장해 두었다가 필요시 학습부(10)로 전송한다.

본 발명은 기계 고장 진단, 배관 누출 모니터링, 화재 모니터링 등과 같은 분야의 이상신호 탐지에도 적용할 수 있다. 물리량 측정 센서(마이크로폰, IMU, 유량, 유속 등)를 이용하여 센싱데이터를 수집할 수 있는 환경일 경우, 발생 빈도가 낮은 이상신호를 수집하기 어렵더라도 잡음 및 일상신호를 수집하여, 일상신호와 상이한 이상신호 탐지가 가능하다. 사람이 지속적으로 모니터링 하지 않고 이상신호가 탐지되었을 경우에만 확인하면 되므로, 모니터링에 소요되는 비용을 줄일 수 있다. 또한, 기존의 기계학습 기반 모델은 주로 서버/클라우드에서 실행되므로 에지디바이스에서 센싱데이터를 서버/클라우드에게 매번 보내야한다. 그러나 본 발명은 에지디바이스에서 이상신호 탐지를 한 후 이상한 신호가 있을 경우에, 관련 상황인지 정보와 상황인지 시점에 사용한 원본 센싱데이터만을 서버로 전송함으로써 통신 및 관련 비용을 줄일 수 있다.

본 발명의 구현시 각 구성요소의 기능(function) 또는 과정(process)은 DSP(digital signal processor), 프로세서, 컨트롤러, ASIC(application-specific IC), 프로그래머블 로직소자(FPGA 등), 기타 전자소자 중의 적어도 하나 그리고 이들의 조합이 포함되는 하드웨어 요소로써 구현 가능하다. 또한 하드웨어 요소와 결합되어 또는 독립적으로 소프트웨어로써도 구현 가능한데, 이 소프트웨어는 기록매체에 저장 가능하다.

지금까지 본 발명의 바람직한 실시예를 통하여 본 발명을 상세히 설명하였으나, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 본 명세서에 개시된 내용과는 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야 한다. 또한 본 발명의 보호범위는 상기 상세한 설명보다는 후술한 특허청구범위에 의하여 정해지며, 특허청구의 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태는 본 발명의 기술적 범위에 포함되는 것으로 해석되어야 한다.

Claims

센서로 측정하여 수집된 센싱데이터를 학습데이터로서 수집하고, 수집된 데이터에서 잡음 및 일상신호는 제거하고 이상신호는 통과시키는 필터 모델을 기계학습 모델로서 학습시키는 학습부; 및
상기 센싱데이터를 수집하여 상기 학습부에서 학습된 필터 모델을 이용하여 이상신호 탐지를 수행하는 추론부를 포함하되,
상기 추론부는
상기 이상신호 탐지를 수행할 때에, 상기 센싱데이터를 상기 학습부에 의해 학습된 필터 모델에 입력하여 추론한 필터 값 및 출력 값을 이용하여 이상신호 판단값을 계산하고, 이상신호 판단값이 임계값 이상이면 이상신호로 판단하도록 구성되는, 기계학습 기반의 일상신호 제거 필터를 이용한 이상신호 탐지 장치.
제1항에 있어서,
상기 학습부는 상기 학습된 필터 모델을 이용하여 이상신호 탐지를 수행하여 필터 모델을 검증한 결과에 따라 새로 수집한 잡음 및 일상신호를 학습데이터에 반영하여 필터 모델을 재학습시키도록 추가 구성되고,
상기 추론부는 상기 재학습된 필터 모델을 이용하여 추론 및 이상신호 탐지를 수행하도록 추가 구성되는, 기계학습 기반의 일상신호 제거 필터를 이용한 이상신호 탐지 장치.
제1항에 있어서, 상기 학습부는 서버 또는 클라우드 컴퓨터에 구현되고, 상기 추론부는 에지디바이스(edge device)에 구현되는, 기계학습 기반의 일상신호 제거 필터를 이용한 이상신호 탐지 장치.
제1항에 있어서, 상기 필터 모델은
입력에 잡음이 추가된 신호로부터 특징(feature)을 추출하는 Encoder;
상기 Encoder에서 생성한 특징로부터 상기 입력과 동일한 차원의 필터값을 생성하는 필터;
상기 Encoder를 반대로 수행하여 상기 특징으로부터 입력 신호를 복원하는 Decoder; 및
상기 Decoder에서 복원한 입력 신호와 상기 필터값을 곱하여 출력을 얻는 곱셈기를 포함하는, 기계학습 기반의 일상신호 제거 필터를 이용한 이상신호 탐지 장치.
제1항에 있어서, 상기 필터 모델은
입력에 잡음이 추가된 신호로부터 특징(feature)을 추출하는 Encoder;
상기 Encoder에서 생성한 특징로부터 상기 입력과 동일한 차원의 필터값을 생성하는 필터; 및
상기 입력과 상기 필터값을 곱하여 출력을 얻는 곱셈기를 포함하는, 기계학습 기반의 일상신호 제거 필터를 이용한 이상신호 탐지 장치.
제1항에 있어서, 상기 필터 모델의 학습시,
레이블(label)을 이용하여 일상신호에 대한 학습데이터의 출력은 0값을 가지도록 가공하고, 이상신호에 대한 학습데이터의 출력은 입력과 동일한 값을 가지도록 가공한 후, 입력과 출력이 같아지도록 손실함수를 이용하여 필터 모델을 학습시키는, 기계학습 기반의 일상신호 제거 필터를 이용한 이상신호 탐지 장치.
삭제
제2항에 있어서, 상기 학습부의 이상신호 탐지는
상기 센싱데이터를 상기 학습된 필터 모델에 입력하여 추론한 필터 값 및 출력 값을 이용하여 이상신호 판단값을 계산하고, 이상신호 판단값이 특정 임계값 이상이면 이상신호로 판단하는, 기계학습 기반의 일상신호 제거 필터를 이용한 이상신호 탐지 장치.
제1항에 있어서, 상기 추론부는 상기 학습부에서 학습된 필터 모델을 이용하기 위해, 상기 필터 모델을 파일 형태로 학습부로부터 전달받고, 전달받은 파일로부터 필터 모델을 로딩하도록 구성되는, 기계학습 기반의 일상신호 제거 필터를 이용한 이상신호 탐지 장치.
제1항에 있어서, 상기 추론부는 상기 필터 모델을 이용하여 추론하고 이상신호 탐지를 수행하여 이상신호가 탐지된 경우에 알람 발령 및 상기 학습부로의 데이터 전송 중 적어도 한 가지를 수행하도록 추가로 구성되는, 기계학습 기반의 일상신호 제거 필터를 이용한 이상신호 탐지 장치.
제10항에 있어서, 상기 학습부는 상기 추론부로부터 수신된 데이터를 분석하도록 추가로 구성되는, 기계학습 기반의 일상신호 제거 필터를 이용한 이상신호 탐지 장치.
제10항에 있어서, 상기 추론부가 이상신호 탐지를 한 경우에 상기 학습부로 전송하는 데이터는, 탐지된 이상상황의 인지 정보와 이상상황의 인지 시점에 사용된 원본 센싱데이터를 포함하는, 기계학습 기반의 일상신호 제거 필터를 이용한 이상신호 탐지 장치.
센서로 측정하여 수집된 센싱데이터를 학습데이터로서 수집하고, 수집된 데이터에서 잡음 및 일상신호를 제거하고 이상신호는 통과시키는 필터 모델을 기계학습 모델로서 학습시키는 학습부; 및 상기 센싱데이터를 수집하여 상기 학습부에서 학습된 필터 모델을 이용하여 이상신호 탐지를 수행하는 추론부를 포함하는 이상신호 탐지 장치에 사용되는 상기 필터 모델이,
입력에 잡음이 추가된 신호로부터 특징(feature)을 추출하는 Encoder;
상기 Encoder에서 생성한 특징로부터 상기 입력과 동일한 차원의 필터값을 생성하는 필터;
상기 Encoder를 반대로 수행하여 상기 특징으로부터 입력 신호를 복원하는 Decoder; 및
상기 Decoder에서 복원한 입력 신호와 상기 필터값을 곱하여 출력을 얻는 곱셈기를 포함하는, 기계학습 기반의 잡음 및 일상신호 제거 필터.
제13항에 있어서, 상기 입력에 잡음이 추가된 신호의 잡음은
임의 생성 및 센서 측정 신호 중 하나인, 기계학습 기반의 잡음 및 일상신호 제거 필터.
제13항에 있어서, 상기 필터는 0~1 사이의 값을 갖게 하는 활성화 함수로 구성되는, 기계학습 기반의 잡음 및 일상신호 제거 필터.
제13항에 있어서, 상기 필터 모델의 학습시,
레이블(label)을 이용하여 일상신호에 대한 학습데이터의 출력은 0값을 가지도록 가공하고, 이상신호에 대한 학습데이터의 출력은 입력과 동일한 값을 가지도록 가공한 후, 입력과 출력이 같아지도록 손실함수를 이용하여 필터 모델을 학습시키는, 기계학습 기반의 잡음 및 일상신호 제거 필터.
센서로 측정하여 수집된 센싱데이터를 학습데이터로서 수집하고, 수집된 데이터에서 잡음 및 일상신호를 제거하고 이상신호는 통과시키는 필터 모델을 기계학습 모델로서 학습시키는 학습부; 및 상기 센싱데이터를 수집하여 상기 학습부에서 학습된 필터 모델을 이용하여 이상신호 탐지를 수행하는 추론부를 포함하는 이상신호 탐지 장치에 사용되는 상기 필터 모델이,
입력에 잡음이 추가된 신호로부터 특징(feature)을 추출하는 Encoder;
상기 Encoder에서 생성한 특징로부터 상기 입력과 동일한 차원의 필터값을 생성하는 필터; 및
상기 입력과 상기 필터값을 곱하여 출력을 얻는 곱셈기를 포함하는 것을 특징으로 하는, 기계학습 기반의 일상신호 제거 필터.
제17항에 있어서, 상기 입력에 잡음이 추가된 신호의 잡음은
임의 생성 및 센서 측정 신호 중 하나인, 기계학습 기반의 일상신호 제거 필터.
제17항에 있어서, 상기 필터는 0~1 사이의 값을 갖게 하는 활성화 함수로 구성되는, 기계학습 기반의 일상신호 제거 필터.
제17항에 있어서, 상기 필터 모델의 학습시,
레이블(label)을 이용하여 일상신호에 대한 학습데이터의 출력은 0값을 가지도록 가공하고, 이상신호에 대한 학습데이터의 출력은 입력과 동일한 값을 가지도록 가공한 후, 입력과 출력이 같아지도록 손실함수를 이용하여 필터 모델을 학습시키는, 기계학습 기반의 일상신호 제거 필터.