KR102612280B1 - Virtual Sensing Apparatus and Method Using Artificial Intelligence - Google Patents

Virtual Sensing Apparatus and Method Using Artificial Intelligence Download PDF

Info

Publication number
KR102612280B1
KR102612280B1 KR1020220100551A KR20220100551A KR102612280B1 KR 102612280 B1 KR102612280 B1 KR 102612280B1 KR 1020220100551 A KR1020220100551 A KR 1020220100551A KR 20220100551 A KR20220100551 A KR 20220100551A KR 102612280 B1 KR102612280 B1 KR 102612280B1
Authority
KR
South Korea
Prior art keywords
data
unit
value
artificial intelligence
intelligence model
Prior art date
Application number
KR1020220100551A
Other languages
Korean (ko)
Inventor
장연희
김진수
김민완
김성중
김만우
양인수
Original Assignee
(주)넥스톰
한국전력기술 주식회사
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 (주)넥스톰, 한국전력기술 주식회사 filed Critical (주)넥스톰
Priority to KR1020220100551A priority Critical patent/KR102612280B1/en
Priority to PCT/KR2023/011384 priority patent/WO2024034993A1/en
Application granted granted Critical
Publication of KR102612280B1 publication Critical patent/KR102612280B1/en

Links

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
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

인공지능을 이용한 가상 센싱장치 및 방법을 개시한다.
본 실시예의 일 측면에 의하면, 외부로부터 인공지능 모델의 입력값에 해당하는 데이터를 수신하는 데이터 수집부와 상기 데이터 수집부가 학습을 위해 미리 수집해둔 데이터를 기 설정된 개수의 구간으로 구분하며, 구분된 구간 중 일부를 선별하는 데이터 선별부와 상기 데이터 선별부에 의해 선별된 구간 내 각 데이터들과 결과값 간의 상관관계를 분석하여, 기 설정된 개수의 종류만큼 데이터를 선정하는 상관관계 분석부와 선정된 데이터들을 이용하여 인공지능 모델을 학습시키는 학습부 및 학습된 인공지능 모델을 이용하여, 상기 데이터 수집부가 실시간으로 수집한 데이터로부터 결과를 추론하는 추론부를 포함하는 것을 특징으로 하는 가상 센싱장치를 제공한다.Disclosed is a virtual sensing device and method using artificial intelligence.
According to one aspect of this embodiment, a data collection unit that receives data corresponding to the input value of the artificial intelligence model from the outside and the data collection unit divides the data collected in advance for learning into a preset number of sections, and the divided A data selection unit that selects some of the sections, a correlation analysis unit that analyzes the correlation between each data in the section selected by the data selection unit and the result value, and selects data as much as a preset number of types, and a correlation analysis unit that selects data of a preset number of types. A virtual sensing device is provided, comprising a learning unit that trains an artificial intelligence model using data, and an inference unit that infers a result from data collected in real time by the data collection unit using the learned artificial intelligence model. .

Description

인공지능을 이용한 가상 센싱장치 및 방법{Virtual Sensing Apparatus and Method Using Artificial Intelligence}Virtual Sensing Apparatus and Method Using Artificial Intelligence}

본 실시예는 인공지능을 이용한 센싱 가상 센싱장치 및 방법에 관한 것이다.This embodiment relates to a virtual sensing device and method using artificial intelligence.

이 부분에 기술된 내용은 단순히 본 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.The content described in this section simply provides background information for this embodiment and does not constitute prior art.

공장 또는 산업현장에는 수많은 센서들이 배치되어 동작한다. 센서들은 해당 공간 내 배치된 장비들 내에 배치되어 장비의 상태들을 센싱하거나 장비가 동작하는 주변에 배치되어 장비가 동작하는데 있어 최적의 환경인지 등을 센싱한다. 종래에는 이러한 센서의 센싱값을 수신하여, 관리자가 일일이 모니터링하며 이들을 관리해왔다.Numerous sensors are deployed and operating in factories or industrial sites. Sensors are placed within the equipment placed in the space to sense the status of the equipment, or placed around the equipment to sense whether the environment is optimal for the equipment to operate. In the past, sensing values from these sensors were received, and managers monitored and managed them one by one.

다만, 규모가 커지며 배치되는 센서들의 개수가 증가하며 전술한 바와 같은 동작은 현실적으로 곤란해짐에 따라, 센서들의 센싱값에 대한 분석 및 모니터링에 인공지능 기술이 적용되고 있다. 해당 기술은 이미 인간에 의해 라벨링(Labeling)된 입력 데이터를 입력받으며, 이를 특정 딥러닝 모델 아키텍쳐(Architecture)에서 학습함으로써 입력 데이터와 라벨링 간 관계를 적립한다. 즉, 인공지능 기술은 센싱값을 입력 데이터로, 분석 및 모니터링해야 하는 상황이나 결과를 라벨링으로 입력받아 이를 학습함으로써, 종래의 번거로움을 대체한다. However, as the scale grows and the number of deployed sensors increases, the operations described above become realistically difficult, and artificial intelligence technology is being applied to analysis and monitoring of the sensing values of the sensors. The technology receives input data that has already been labeled by humans, and learns it from a specific deep learning model architecture to establish a relationship between the input data and labeling. In other words, artificial intelligence technology replaces the conventional hassle by learning from sensing values as input data and labeling situations or results that need to be analyzed and monitored.

통상적으로 공장 또는 산업현장 내에 배치되는 센서들은 수십 내지 수백 개가 되기 때문에, 수많은 센서들이 출력하는 출력값을 모두 학습하기란 상당한 시간과 처리 능력을 요하는 문제가 있다. 이에 따라, 현실적으로는 공장 또는 산업현장 내 센서들의 센싱값을 분석하기 위한 인공지능 모델이 원활히 적용되지 못하고 있다.Typically, dozens to hundreds of sensors are deployed in a factory or industrial site, so learning all the output values from numerous sensors requires a significant amount of time and processing power. Accordingly, in reality, artificial intelligence models for analyzing sensing values from sensors in factories or industrial sites cannot be applied smoothly.

본 발명의 일 실시예는, 학습의 효율성 및 추론의 정확성 모두를 확보할 수 있는, 인공지능을 이용한 가상 센싱장치 및 방법을 제공하는 데 일 목적이 있다.The purpose of an embodiment of the present invention is to provide a virtual sensing device and method using artificial intelligence that can ensure both learning efficiency and inference accuracy.

본 실시예의 일 측면에 의하면, 외부로부터 인공지능 모델의 입력값에 해당하는 데이터를 수신하는 데이터 수집부와 상기 데이터 수집부가 수집한 각 데이터들과 결과값 간의 상관관계를 분석하여, 기 설정된 개수의 종류만큼 데이터를 선정하는 상관관계 분석부와 상기 상관관계 분석부가 선정한 데이터를 기 설정된 개수의 구간으로 구분하며, 구분된 구간 중 일부를 선별하는 데이터 선별부와 선별된 데이터들을 이용하여 인공지능 모델을 학습시키는 학습부 및 학습된 인공지능 모델을 이용하여, 상기 데이터 수집부가 실시간으로 수집한 데이터로부터 결과를 추론하는 추론부를 포함하는 것을 특징으로 하는 가상 센싱장치를 제공한다.According to one aspect of the present embodiment, a data collection unit that receives data corresponding to the input value of an artificial intelligence model from the outside analyzes the correlation between each data collected by the data collection unit and the result value, and a preset number of A correlation analysis unit that selects data by type and divides the data selected by the correlation analysis unit into a preset number of sections, and a data selection unit that selects some of the divided sections and creates an artificial intelligence model using the selected data. A virtual sensing device is provided, which includes a learning unit that trains the user and an inference unit that infers a result from data collected in real time by the data collection unit using a learned artificial intelligence model.

본 실시예의 일 측면에 의하면, 상기 데이터는 시계열 데이터인 것을 특징으로 한다.According to one aspect of this embodiment, the data is characterized as time series data.

본 실시예의 일 측면에 의하면, 상기 가상 센싱장치는 상기 데이터 선별부가 선별한 데이터들에 대해 전처리를 수행하는 전처리부를 더 포함하는 것을 특징으로 한다.According to one aspect of this embodiment, the virtual sensing device further includes a preprocessing unit that performs preprocessing on the data selected by the data selection unit.

본 실시예의 일 측면에 의하면, 상기 데이터 선별부는 데이터의 경향성을 분석하여 데이터 일부를 필터링하는 것을 특징으로 한다.According to one aspect of this embodiment, the data selection unit analyzes trends in the data and filters part of the data.

본 실시예의 일 측면에 의하면, 상기 데이터 선별부는 기 설정된 기간 동안의 데이터를 기 설정된 개수의 구간으로 구분하여, 상대적으로 정확도가 떨어지는 구간을 필터링하는 것을 특징으로 한다.According to one aspect of this embodiment, the data selection unit divides data for a preset period into a preset number of sections and filters out sections with relatively low accuracy.

본 실시예의 일 측면에 의하면, 가상 센싱장치가 인공지능 모델을 학습하여 데이터를 분석하는 방법에 있어서, 학습을 위한 데이터 또는 실시간으로 분석이 필요한 데이터를 수집하는 수집과정과 상기 수집과정에서 수집된 각 데이터들과 결과값 간의 상관관계를 분석하여, 기 설정된 개수의 종류만큼 데이터를 선정하는 선정과정과 상기 선정과정에서 선정된 데이터의 경향성을 분석하여, 기 설정된 구간을 선별하는 선별과정과 상기 선별과정에서 선별된 데이터들을 이용하여 인공지능 모델을 학습시키는 학습과정 및 학습된 인공지능 모델을 이용하여 실시간으로 분석이 필요한 데이터로부터 결과를 추론하는 추론과정을 포함하는 것을 특징으로 하는 데이터 분석 방법을 제공한다.According to one aspect of this embodiment, in a method for a virtual sensing device to learn an artificial intelligence model and analyze data, there is a collection process for collecting data for learning or data that needs to be analyzed in real time, and each collected during the collection process. A selection process of selecting a preset number of types of data by analyzing the correlation between data and result values, a selection process of selecting a preset section by analyzing the tendency of the data selected in the selection process, and the selection process. Provides a data analysis method that includes a learning process of learning an artificial intelligence model using selected data and an inference process of inferring results from data that requires analysis in real time using the learned artificial intelligence model. .

본 실시예의 일 측면에 의하면, 상기 선별과정은 기 설정된 기간 동안의 데이터를 기 설정된 개수의 구간으로 구분하여, 상대적으로 정확도가 떨어지는 구간을 필터링하는 것을 특징으로 한다.According to one aspect of this embodiment, the selection process is characterized by dividing data for a preset period into a preset number of sections and filtering out sections with relatively low accuracy.

본 실시예의 일 측면에 의하면, 상기 선정과정은 데이터와 결과값이 선형적인 관계를 갖는지 여부로 상관관계를 분석하는 것을 특징으로 한다.According to one aspect of this embodiment, the selection process is characterized by analyzing the correlation by determining whether the data and the result value have a linear relationship.

본 실시예의 일 측면에 의하면, 상기 상관관계는 데이터의 값이 증가할 경우 결과값도 함께 증가하며 양자가 비례관계를 갖거나, 데이터의 값이 증가할 경우 결과값은 감소하며 양자가 반비례관계를 갖는 것을 특징으로 한다.According to one aspect of the present embodiment, the correlation is that when the value of the data increases, the result value also increases and the two have a proportional relationship, or when the value of the data increases, the result value decreases and the two have an inverse proportional relationship. It is characterized by having.

본 실시예의 일 측면에 의하면, 상기 선정과정은 상관관계의 관련도가 높은 순으로 기 설정된 개수의 종류만큼 데이터를 선정하는 것을 특징으로 한다.According to one aspect of this embodiment, the selection process is characterized by selecting a preset number of types of data in order of high correlation.

이상에서 설명한 바와 같이 본 실시예의 일 측면에 따르면, 학습의 효율성 및 추론의 정확성 모두를 확보할 수 있는 장점이 있다.As described above, according to one aspect of this embodiment, there is an advantage of securing both learning efficiency and inference accuracy.

도 1은 본 발명의 일 실시예에 따른 가상 센싱장치의 구성을 도시한 평면도이다.
도 2는 본 발명의 일 실시예에 따른 데이터 선별부가 데이터를 선별하는 방법을 도시한 그래프이다.
도 3은 본 발명의 일 실시예에 따른 가상 센싱장치가 데이터를 학습하는 방법을 도시한 순서도이다.
도 4는 본 발명의 일 실시예에 따른 가상 센싱장치가 실시간으로 결과값을 추론하는 방법을 도시한 순서도이다.1 is a plan view showing the configuration of a virtual sensing device according to an embodiment of the present invention.
Figure 2 is a graph showing how the data selection unit selects data according to an embodiment of the present invention.
Figure 3 is a flowchart showing a method by which a virtual sensing device learns data according to an embodiment of the present invention.
Figure 4 is a flowchart showing a method by which a virtual sensing device infers a result value in real time according to an embodiment of the present invention.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.Since the present invention can make various changes and have various embodiments, specific embodiments will be illustrated in the drawings and described in detail. However, this is not intended to limit the present invention to specific embodiments, and should be understood to include all changes, equivalents, and substitutes included in the spirit and technical scope of the present invention. While describing each drawing, similar reference numerals are used for similar components.

제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.Terms such as first, second, A, and B may be used to describe various components, but the components should not be limited by the terms. The above terms are used only for the purpose of distinguishing one component from another. For example, a first component may be named a second component, and similarly, the second component may also be named a first component without departing from the scope of the present invention. The term and/or includes any of a plurality of related stated items or a combination of a plurality of related stated items.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에서, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.When a component is said to be "connected" or "connected" to another component, it is understood that it may be directly connected to or connected to the other component, but that other components may exist in between. It should be. On the other hand, when it is mentioned that a component is “directly connected” or “directly connected” to another component, it should be understood that there are no other components in between.

본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서 "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. The terms used in this application are only used to describe specific embodiments and are not intended to limit the invention. Singular expressions include plural expressions unless the context clearly dictates otherwise. In this application, terms such as "include" or "have" should be understood as not precluding the existence or addition possibility of features, numbers, steps, operations, components, parts, or combinations thereof described in the specification. .

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해서 일반적으로 이해되는 것과 동일한 의미를 가지고 있다.Unless otherwise defined, all terms used herein, including technical or scientific terms, have the same meaning as generally understood by a person of ordinary skill in the technical field to which the present invention pertains.

일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Terms defined in commonly used dictionaries should be interpreted as having a meaning consistent with the meaning in the context of the related technology, and unless explicitly defined in the present application, should not be interpreted in an ideal or excessively formal sense. No.

또한, 본 발명의 각 실시예에 포함된 각 구성, 과정, 공정 또는 방법 등은 기술적으로 상호간 모순되지 않는 범위 내에서 공유될 수 있다.Additionally, each configuration, process, process, or method included in each embodiment of the present invention may be shared within the scope of not being technically contradictory to each other.

도 1은 본 발명의 일 실시예에 따른 가상 센싱장치의 구성을 도시한 평면도이다.1 is a plan view showing the configuration of a virtual sensing device according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 일 실시예에 따른 가상 센싱장치(100)는 데이터 수집부(110), 상관관계 분석부(120), 데이터 선별부(130), 전처리부(140), 학습부(150), 검증부(160) 및 추론부(170)를 포함한다. 나아가, 가상 센싱장치(100)는 제2 추론부(미도시)를 더 포함할 수 있다.Referring to Figure 1, the virtual sensing device 100 according to an embodiment of the present invention includes a data collection unit 110, a correlation analysis unit 120, a data selection unit 130, a preprocessor 140, and a learning unit. It includes a unit 150, a verification unit 160, and an inference unit 170. Furthermore, the virtual sensing device 100 may further include a second inference unit (not shown).

가상 센싱장치(100)는 외부로부터 데이터를 기수신하여 데이터로부터 결과값을 추론(Inference)하기 위한 인공지능 모델을 학습하며, 학습된 인공지능 모델을 이용해 실시간으로 수신되는 데이터로부터 결과값을 추론한다. The virtual sensing device 100 receives data from the outside, learns an artificial intelligence model to infer the result from the data, and infers the result from the data received in real time using the learned artificial intelligence model. .

가상 센싱장치(100)는 공장 또는 산업현장에 배치된 수많은 센서(미도시)들로부터 센싱값을 수신하여, 효율적이면서 정확하게 인공지능 모델을 학습하고, 학습한 인공지능 모델을 이용해 결과값을 추론한다. 가상 센싱장치(100)는 센서(미도시)로부터 수신되는 모든 센싱값을 이용하는 것이 아니라, 부정확할 수 있는 센싱값은 걸러내고, 결과값과 상관관계가 높은 센싱값들을 선정하여 해당 센싱값들만을 이용하여 인공지능 모델의 학습을 진행한다. 가상 센싱장치(100)는 이처럼 학습한 인공지능 모델을 이용하여, 센서(미도시)로부터 실시간으로 수신되는 센싱값을 입력값으로 하여, 결과값을 추론한다. 가상 센싱장치(100)는 수신되는 수많은 센싱값 중 필요한 센싱값만을 입력값으로 하여 추론을 진행하기 때문에, 신속하면서 상대적으로 정확히 추론을 진행할 수 있다.The virtual sensing device 100 receives sensing values from numerous sensors (not shown) placed in a factory or industrial site, efficiently and accurately learns an artificial intelligence model, and infers the result using the learned artificial intelligence model. . The virtual sensing device 100 does not use all sensing values received from a sensor (not shown), but filters out sensing values that may be inaccurate, selects sensing values that have a high correlation with the result value, and uses only the corresponding sensing values. Use this to learn the artificial intelligence model. The virtual sensing device 100 uses the artificial intelligence model learned in this way to infer a result value using the sensing value received in real time from a sensor (not shown) as an input value. Since the virtual sensing device 100 performs inference using only the necessary sensing values as input values among the numerous sensing values received, the inference can be performed quickly and relatively accurately.

데이터 수집부(110)는 외부로부터 인공지능 모델의 입력값에 해당하는 데이터를 수신한다. 데이터 수집부(110)는 외부, 예를 들어, 전술한 바와 같이 가상 센싱장치가 공장 또는 산업 현장에 배치될 경우, 센서(미도시) 등으로부터 데이터를 수집한다. 데이터 수집부(110)는 실시간으로 추론을 진행하기 위해 데이터를 수신할 수도 있고, 실시간 추론을 진행하기 이전에 인공지능 모델의 학습을 위한 입력값으로서 데이터를 미리 수집해둘 수도 있다. The data collection unit 110 receives data corresponding to input values of the artificial intelligence model from the outside. The data collection unit 110 collects data from the outside, for example, from sensors (not shown) when a virtual sensing device is deployed in a factory or industrial site as described above. The data collection unit 110 may receive data to perform real-time inference, or may collect data in advance as input for learning an artificial intelligence model before performing real-time inference.

데이터 수집부(110)가 수집하는 데이터는 시계열 데이터이며, 데이터 수집부(110)는 학습을 위한 데이터에 대해서는 수집된 순서대로 저장해둔다.The data collected by the data collection unit 110 is time series data, and the data collection unit 110 stores data for learning in the order in which it was collected.

상관관계 분석부(120)는 데이터 수집부(110)가 수집한 데이터들 각각에 대한 상관관계를 분석한다. 외부로부터 시계열적인 데이터가 데이터 수집부(110)로 수신된다. 다만, 통상적으로 수신되는 데이터의 종류는 수개 내지 수십개일 수 있다. 예를 들어, 센서로부터 센싱값이 수신되는 경우, 수많은 센서들 각각으로부터 시계열적인 데이터들이 일정 간격마다 수신될 수 있다. 이처럼, 수많은 종류의 데이터들이 일정 간격마다 수신될 경우, 수집되는 데이터량은 상당히 많아진다. 이에 따라, 상관관계 분석부(120)는 각 데이터들과 결과값(출력값, 라벨링값)의 상관관계를 분석하여, 기 설정된 기준치 이상의 상관관계를 갖는 (입력) 데이터들만을 선정한다. The correlation analysis unit 120 analyzes the correlation for each of the data collected by the data collection unit 110. Time-series data is received from the outside to the data collection unit 110. However, typically there may be several to dozens of types of data received. For example, when sensing values are received from a sensor, time-series data may be received from each of numerous sensors at regular intervals. In this way, when numerous types of data are received at regular intervals, the amount of collected data increases significantly. Accordingly, the correlation analysis unit 120 analyzes the correlation between each data and the result value (output value, labeling value) and selects only (input) data with a correlation greater than a preset reference value.

상관관계 분석부(120)는 입력 데이터와 결과값의 상관관계를 분석한다. 상관관계 분석부(120)는 입력 데이터와 결과값이 선형적인 관계를 갖는 데이터들을 선정한다. 예를 들어, 특정 입력 데이터의 값이 증가할 경우 결과값도 함께 증가하며 양자가 비례관계를 갖거나, 특정 입력 데이터의 값이 증가할 경우 결과값은 감소하며 양자가 반비례관계를 가질 수 있다. 이처럼, 상관관계 분석부(120)는 양자의 선형적으로의 관련도를 분석하여, 관련도가 기 설정된 기준치 이상인 (입력) 데이터들을 선정한다. 어느 하나의 종류의 입력 데이터를 x라, 해당 입력 데이터에 대한 결과값을 y라 칭하면, 상관관계 분석부(120)는 다음과 같이 양자의 선형적으로의 관련도를 분석한다.The correlation analysis unit 120 analyzes the correlation between input data and result values. The correlation analysis unit 120 selects data whose input data and result values have a linear relationship. For example, when the value of specific input data increases, the result value also increases and the two may have a proportional relationship, or when the value of specific input data increases, the result value decreases and the two may have an inverse proportional relationship. In this way, the correlation analysis unit 120 analyzes the linear degree of relationship between the two and selects (input) data whose degree of relationship is greater than or equal to a preset standard value. If one type of input data is called x and the result value for the corresponding input data is called y, the correlation analysis unit 120 analyzes the linear relationship between the two as follows.

Figure 112022084086442-pat00001
Figure 112022084086442-pat00001

Figure 112022084086442-pat00002
Figure 112022084086442-pat00002

여기서, n은 데이터의 개수를 의미한다. 관련도는 양/음과 관계없이 절대값으로 나타나며, 크기가 기 설정된 기준치 이상인 입력 데이터들이 결과값과 선형적으로 관련도가 높은 것으로 판단된다.Here, n means the number of data. The degree of relevance is expressed as an absolute value regardless of positive/negative, and input data whose size is greater than the preset standard value are judged to have a high linear relationship with the result value.

상관관계 분석부(120)는 각 입력 데이터들과 결과값과의 선형적으로의 관련도를 분석하여, 관련도가 높은 순으로 기 설정된 개수의 종류만큼 입력 데이터를 선정한다. 여기서, 기 설정된 개수는 학습된 인공지능 모델의 추론의 정확도와 학습 시간을 고려하여 설정될 수 있다.The correlation analysis unit 120 analyzes the degree of linear relationship between each input data and the result value, and selects a preset number of types of input data in descending order of degree of relationship. Here, the preset number can be set in consideration of the accuracy of inference and learning time of the learned artificial intelligence model.

데이터 선별부(130)는 데이터 수집부(110)가 학습을 위해 미리 수집해둔 데이터들에 대해서, 상관관계 분석부(120)가 선정한 데이터 중 일부(구간)를 선별한다. 인공지능 모델이 학습할 데이터가 단순히 많아진다고 하여, 인공지능 모델의 추론의 정확도는 높아지는 것이 아니다. 입력값과 라벨링값의 인과가 명확한 데이터들에 한하여, 입력값이 많아질 경우 인공지능 모델의 추론의 정확도는 향상된다. 이에, 데이터 선별부(130)는 데이터의 경향성을 분석하여 부정확한 데이터를 필터링한다. The data selection unit 130 selects a portion (section) of the data selected by the correlation analysis unit 120 from the data collected in advance by the data collection unit 110 for learning. Simply because there is more data for an artificial intelligence model to learn from, the accuracy of the inference of the artificial intelligence model does not increase. As long as the causality between the input value and the labeling value is clear, the accuracy of the artificial intelligence model's inference improves when the number of input values increases. Accordingly, the data selection unit 130 analyzes data trends and filters inaccurate data.

데이터 선별부(130)는 학습을 위해 수집된 데이터량에 따라 기 설정된 개수의 구간으로 구분한다. 전술한 대로, 수집된 데이터는 시계열 데이터에 해당한다. 따라서, 학습을 위해 수집된 데이터는 기 설정된 기간 동안의 데이터일 수 있다. 이에, 데이터 선별부(130)는 해당 기간 동안의 데이터를 기 설정된 개수의 구간으로 구분한다. 예를 들어, 데이터 수집부(110)에서 1년의 기간 동안 (시계열) 데이터가 수집된 경우, 데이터 선별부(130)는 15일 간격 또는 30일 간격으로 구간을 구분할 수 있다. 데이터 수집부(110)에서 데이터가 수 달, 수 일, 수 시간동안 수집될 수 있으며, 데이터 선별부(130)는 수집된 기간에 적절하도록 기 설정된 개수의 구간으로 구분할 수 있다. The data selection unit 130 divides the data into a preset number of sections according to the amount of data collected for learning. As mentioned above, the collected data corresponds to time series data. Therefore, data collected for learning may be data for a preset period of time. Accordingly, the data selection unit 130 divides the data for the corresponding period into a preset number of sections. For example, when (time series) data is collected in the data collection unit 110 over a period of one year, the data selection unit 130 may divide the data into sections at 15-day intervals or 30-day intervals. Data may be collected for several months, days, or hours in the data collection unit 110, and the data selection unit 130 may divide the data into a preset number of sections appropriate for the collected period.

데이터 선별부(130)는 구분된 구간 중 부정확한 데이터 또는 구간을 필터링한다. 데이터 선별부(130)의 필터링 방법은 도 2에 도시되어 있다. The data selection unit 130 filters inaccurate data or sections among the divided sections. The filtering method of the data selection unit 130 is shown in FIG. 2.

도 2는 본 발명의 일 실시예에 따른 데이터 선별부가 데이터를 선별하는 방법을 도시한 그래프이다. Figure 2 is a graph showing how the data selection unit selects data according to an embodiment of the present invention.

도 2에 도시된 바와 같이, 데이터 선별부(130)는 구분된 구간(t1 내지 t6) 내에서 시작점(구간 내 가장 빠르게 수집된 데이터), 끝점(구간 내 가장 늦게 수집된 데이터), 센싱값(크기)이 가장 큰 지점(이하에서, '제1 지점'이라 칭함) 및 센싱값(크기)이 가장 작은 지점(이하에서, '제2 지점'이라 칭함)을 추출한다. 데이터 선별부(130)는 추출한 후, 일 구간에서 제1 지점 또는 제2 지점의 센싱값이 인접한 양 구간의 그것과 기 설정된 비율(예를 들어, 수십%) 이상 차이가 나는지 여부를 분석한다. 도 2에 예시된 그래프를 참조하면, t1 구간의 제2 지점의 센싱값은 인접한 t2 구간의 제2 지점의 센싱값보다 기 설정된 비율 이상 작은 것을 확인할 수 있다. 또한, t4 구간의 제1 지점의 센싱값은 인접한 t3 또는 t4 구간의 제1 지점의 센싱값보다 기 설정된 비율 이상 큰 것을 확인할 수 있다. 이처럼 데이터 선별부(130)는 일 구간에서 제1 지점 또는 제2 지점의 센싱값이 인접한 양 구간의 그것과 기 설정된 비율 이상 차이가 나는 구간은 학습을 위한 데이터에서 배제(필터링)한다. 이러한 데이터가 인공지능 모델을 학습하기 위한 입력값으로 선택될 경우, 이를 학습한 인공지능 모델은 상대적으로 정확도가 떨어지는 추론을 진행할 수 있다. 이를 방지하고자, 데이터 선별부(130)는 전술한 필터링 과정을 거친다. 데이터 선별부(130)는 상관관계 분석부(120)가 선정한 데이터들에 대해 적절한 구간을 선정한다.As shown in FIG. 2, the data selection unit 130 selects the starting point (the fastest collected data in the section), the end point (the latest collected data in the section), and sensing within the divided sections (t 1 to t 6 ). The point with the largest value (size) (hereinafter referred to as 'first point') and the point with the smallest sensing value (size) (hereinafter referred to as 'second point') are extracted. After extraction, the data selection unit 130 analyzes whether the sensing value of the first point or the second point in one section differs from that of both adjacent sections by a preset ratio (for example, several tens of percent) or more. Referring to the graph illustrated in FIG. 2, it can be seen that the sensing value of the second point in the t 1 section is smaller than the sensing value of the second point in the adjacent t 2 section by more than a preset ratio. In addition, it can be confirmed that the sensing value of the first point in the t 4 section is greater than the sensing value of the first point in the adjacent t 3 or t 4 section by more than a preset ratio. In this way, the data selection unit 130 excludes (filters) a section in which the sensing value of the first or second point in one section differs from that of both adjacent sections by a preset ratio or more from data for learning. If such data is selected as input for learning an artificial intelligence model, the artificial intelligence model that learned it may make inferences with relatively low accuracy. To prevent this, the data selection unit 130 goes through the above-described filtering process. The data selection unit 130 selects an appropriate section for the data selected by the correlation analysis unit 120.

다시 도 1을 참조하면, 전처리부(140)는 데이터를 수집하며, 수집된 데이터를 전처리할 수 있다. 예를 들어, 수집된 데이터의 형식과, 학습부(150)가 학습하기 위한 데이터의 형식이 상이할 수 있다. 또는 시계열 데이터가 일정 간격마다 수집되는데, 경우에 따라서는 일정 시점에서는 특정 종류의 데이터는 수집이 되지 못하는 경우가 존재할 수 있다. 전처리부(140)는 전술한 다양한 상황이 존재할 수 있으며, 해당 상황이 발생할 경우, 학습부(150)가 원활히 인공지능 모델을 학습시키는데 방해가 될 수 있다. 이에, 전처리부(140)는 형식을 변경하거나, 시계열적으로 공백을 메우는 등의 전처리를 수행함으로써, 학습부(150)의 후술할 과정이 원활히 진행되도록 한다.Referring again to FIG. 1, the preprocessor 140 may collect data and preprocess the collected data. For example, the format of the collected data and the format of the data for learning by the learning unit 150 may be different. Alternatively, time series data is collected at regular intervals, but in some cases, certain types of data may not be collected at a certain point in time. The pre-processing unit 140 may encounter various situations as described above, and when such situations occur, it may interfere with the learning unit 150 from smoothly learning the artificial intelligence model. Accordingly, the pre-processing unit 140 performs pre-processing, such as changing the format or filling in gaps in time series, so that the later-described process of the learning unit 150 proceeds smoothly.

학습부(150)는 데이터 선별부(130)에서 선별된 구간 내의 데이터 중 상관관계 분석부(120)에 의해 선정된 입력 데이터들 및 결과값(라벨링값)을 이용하여 인공지능 모델을 학습한다. The learning unit 150 learns an artificial intelligence model using the input data and result values (labeling values) selected by the correlation analysis unit 120 among the data within the section selected by the data selection unit 130.

검증부(160)는 학습부(150)가 학습한 인공지능 모델에 데이터 수집부(110)가 수집해둔 데이터를 입력하여 정확한 결과값이 나오는지 여부를 검증한다. 검증부(160)는 학습된 인공지능 모델에 데이터 수집부(110)가 수집해둔, 학습에 이용한 데이터를 입력하여 인공지능 모델의 추론값을 획득한다. 검증부(160)는 획득한 추론값과 인공지능 모델의 학습에 이용한 결과값을 비교하여 일치 또는 기 설정된 오차범위 내인지를 판단한다. 양자가 일치하거나 기 설정된 오차범위 내일 경우, 검증부(160)는 인공지능 모델의 학습이 정확히 된 것으로 판단한다. 반면, 양자가 기 설정된 오차범위를 벗어나는 경우, 검증부(160)는 인공지능 모델의 학습이 정확히 되지 않은 것으로 판단한다. 검증부(160)의 검증 결과에 따라, 데이터 선별부(130), 상관관계 분석부(120) 및 학습부(150)가 다시 각 과정을 수행할 수 있다. The verification unit 160 inputs the data collected by the data collection unit 110 into the artificial intelligence model learned by the learning unit 150 and verifies whether accurate results are obtained. The verification unit 160 inputs the data collected by the data collection unit 110 and used for learning into the learned artificial intelligence model to obtain an inferred value of the artificial intelligence model. The verification unit 160 compares the obtained inference value with the result used for learning the artificial intelligence model to determine whether it matches or is within a preset error range. If the two match or are within a preset error range, the verification unit 160 determines that the learning of the artificial intelligence model has been completed accurately. On the other hand, if both are outside the preset error range, the verification unit 160 determines that the artificial intelligence model has not been trained accurately. According to the verification result of the verification unit 160, the data selection unit 130, correlation analysis unit 120, and learning unit 150 may perform each process again.

추론부(170)는 데이터 수집부(110)가 외부로부터 실시간으로 수집하는 데이터를 입력값으로 하여, 학습된 인공지능 모델을 이용해 추론을 수행한다. 추론부(170)는 인공지능 모델을 이용해 추론을 수행하며, 수집되는 데이터에 대한 필요한 판단을 대신 수행한다. 예를 들어, 가상 센싱장치(100)가 공장 또는 산업현장에 배치된 경우, 추론부(170)는 수많은 센서(미도시)들로부터 입력받은 센싱값으로부터 결과값의 추론을 진행하여, 센싱값으로부터 적절한 판단 또는 분석을 수행한다. The inference unit 170 uses data collected in real time from the outside by the data collection unit 110 as input and performs inference using a learned artificial intelligence model. The inference unit 170 performs inference using an artificial intelligence model and makes necessary judgments on the collected data. For example, when the virtual sensing device 100 is deployed in a factory or industrial site, the inference unit 170 infers the result value from the sensing value input from numerous sensors (not shown), and infers the result value from the sensed value. Perform appropriate judgment or analysis.

나아가, 가상 센싱장치(100)는 제2 추론부(미도시)를 더 포함할 수 있다. 제2 추론부(미도시)는 추론부(170)가 추론한 결과값을 입력값으로 하는 인공지능 모델을 이용하여, 추론부(170)가 추론한 결과값으로부터 가상의 센싱값을 추론한다. 제2 추론부(미도시)는 추론부(170)의 결과값을 이용하여 가상의 센싱값을 추가로 추론함으로써, 가상 센싱장치(100)는 공장 또는 산업현장에 배치되어야 할 별도의 센서를 대신할 수 있다.Furthermore, the virtual sensing device 100 may further include a second inference unit (not shown). The second inference unit (not shown) infers a virtual sensing value from the result value inferred by the inference unit 170 using an artificial intelligence model that uses the result value inferred by the inference unit 170 as an input value. The second inference unit (not shown) uses the result of the inference unit 170 to additionally infer the virtual sensing value, so that the virtual sensing device 100 replaces a separate sensor to be placed in a factory or industrial site. can do.

도 3은 본 발명의 일 실시예에 따른 가상 센싱장치가 데이터를 학습하는 방법을 도시한 순서도이다.Figure 3 is a flowchart showing a method by which a virtual sensing device learns data according to an embodiment of the present invention.

데이터 수집부(110)는 인공지능 모델의 학습을 위한 데이터를 수집한다(S310). 데이터 수집부(110)는 실시간으로 수집된 데이터를 추론하기 위한 데이터가 아닌, 인공지능 모델의 학습을 위해 미리 (시계열) 데이터를 수집해둔다.The data collection unit 110 collects data for learning an artificial intelligence model (S310). The data collection unit 110 collects (time series) data in advance for learning an artificial intelligence model, rather than data for inferring data collected in real time.

상관관계 분석부(120)는 각 데이터들과 결과값 간의 상관관계를 분석하여, 기 설정된 개수의 종류만큼 데이터를 선정한다(S320). The correlation analysis unit 120 analyzes the correlation between each data and the result value and selects a preset number of types of data (S320).

데이터 선별부(130)는 선정된 데이터의 경향성을 분석하여, 데이터 내에서 적정 구간을 선별한다(S330),The data selection unit 130 analyzes the tendency of the selected data and selects an appropriate section within the data (S330).

전처리부(140)는 선별된 데이터들에 대해 전처리를 수행한다(S340),The preprocessing unit 140 performs preprocessing on the selected data (S340).

학습부(150)는 전처리된 데이터들을 이용하여 인공지능 모델을 학습시킨다(S350).The learning unit 150 learns an artificial intelligence model using preprocessed data (S350).

검증부(160)는 학습에 이용한 데이터 및 결과값을 이용하여 학습된 인공지능 모델을 검증한다(S360). 검증부(160)는 학습된 인공지능 모델로 학습에 이용한 입력 데이터를 입력값으로 입력하여, 학습에 이용한 결과값과 추론된 결과값을 비교함으로써, 학습된 인공지능 모델의 정확도를 검증한다.The verification unit 160 verifies the learned artificial intelligence model using the data and results used for learning (S360). The verification unit 160 verifies the accuracy of the learned artificial intelligence model by inputting input data used for learning as input values and comparing the results used for learning with the inferred result values.

도 4는 본 발명의 일 실시예에 따른 가상 센싱장치가 실시간으로 결과값을 추론하는 방법을 도시한 순서도이다.Figure 4 is a flowchart showing a method by which a virtual sensing device infers a result value in real time according to an embodiment of the present invention.

데이터 수집부(110)는 분석이 필요한 데이터들을 실시간으로 수집한다(S410),The data collection unit 110 collects data requiring analysis in real time (S410).

추론부(170)는 학습된 인공지능 모델을 이용하여 데이터로부터 결과값을 추론한다(S420),The inference unit 170 infers the result from the data using the learned artificial intelligence model (S420).

이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.The above description is merely an illustrative explanation of the technical idea of the present embodiment, and those skilled in the art will be able to make various modifications and variations without departing from the essential characteristics of the present embodiment. Accordingly, the present embodiments are not intended to limit the technical idea of the present embodiment, but rather to explain it, and the scope of the technical idea of the present embodiment is not limited by these examples. The scope of protection of this embodiment should be interpreted in accordance with the claims below, and all technical ideas within the equivalent scope should be interpreted as being included in the scope of rights of this embodiment.

100: 가상 센싱장치
110: 데이터 수집부
120: 상관관계 분석부
130: 데이터 선별부
140: 전처리부
150: 학습부
160: 검증부
170: 추론부100: Virtual sensing device
110: Data collection unit
120: Correlation analysis unit
130: Data selection unit
140: Preprocessing unit
150: Learning Department
160: verification unit
170: Inference unit

Claims (10)

외부로부터 인공지능 모델의 입력값에 해당하는 시계열 데이터를 수신하며, 수집된 순서대로 저장하는 데이터 수집부;
상기 데이터 수집부가 수집한 각 데이터들과 라벨링값 간의 상관관계로서 양자의 선형적으로의 관련도를 분석하여, 관련도가 기 설정된 기준치 이상인 데이터들을 선정하고, 관련도가 높은 순으로 기 설정된 개수의 종류만큼 데이터를 선정하는 상관관계 분석부;
상기 상관관계 분석부가 선정한, 기 설정된 기간 동안의 데이터를 기 설정된 개수의 구간으로 구분하며, 구분된 구간 내에서 시작점, 끝점, 센싱값이 가장 큰 지점(이하에서 '제1 지점'이라 칭함) 및 센싱값이 가장 작은 지점(이하에서 '제2 지점'이라 칭함)을 추출하고, 일 구간에서 상기 제1 지점 또는 상기 제2 지점의 센싱값이 인접한 각 구간에서의 제1 지점 또는 제2 지점의 센싱값과 기 설정된 비율 이상 차이나는지 여부를 분석하여, 기 설정된 비율 이상 차이나는 일 구간은 학습을 위한 데이터에서 배제하는 데이터 선별부;
선별된 데이터들을 이용하여 인공지능 모델을 학습시키는 학습부;
상기 학습부가 학습한 인공지능 모델에 상기 데이터 수집부가 수집해둔 데이터를 입력하여 인공지능 모델의 추론값을 획득하고, 획득한 추론값과 상기 라벨링값을 비교하여 양자가 일치하거나 기 설정된 오차범위 내인지를 판단하여 인공지능 모델을 검증하는 검증부;
학습된 인공지능 모델을 이용하여, 상기 데이터 수집부가 실시간으로 수집한 데이터로부터 결과를 추론하는 추론부; 및
상기 추론부가 추론한 추론값을 입력값으로 하는, 별개의 인공지능 모델을 이용하여, 상기 추론부가 추론한 추론값으로부터 가상의 센싱값을 추론함으로써, 배치되어야 할 별도의 센서를 대신하는 제2 추론부
를 포함하는 것을 특징으로 하는 가상 센싱장치.A data collection unit that receives time series data corresponding to input values of the artificial intelligence model from the outside and stores them in the order in which they were collected;
As a correlation between each data collected by the data collection unit and the labeling value, the correlation between the two is linearly analyzed, data whose relevance is higher than a preset standard value are selected, and a preset number of data are collected in order of highest relevance. Correlation analysis unit that selects data according to type;
The data for a preset period selected by the correlation analysis unit is divided into a preset number of sections, and within the divided section, the starting point, the ending point, the point with the largest sensing value (hereinafter referred to as the 'first point'), and The point with the smallest sensing value (hereinafter referred to as the 'second point') is extracted, and the sensing value of the first point or the second point in one section is calculated as the value of the first point or the second point in each adjacent section. a data selection unit that analyzes whether the sensed value differs by more than a preset ratio and excludes a section that differs by more than the preset ratio from data for learning;
A learning unit that trains an artificial intelligence model using selected data;
Input the data collected by the data collection unit into the artificial intelligence model learned by the learning unit to obtain an inference value of the artificial intelligence model, and compare the obtained inference value with the labeling value to determine whether the two match or are within a preset error range. A verification unit that determines and verifies the artificial intelligence model;
an inference unit that infers a result from data collected in real time by the data collection unit using a learned artificial intelligence model; and
Second inference to replace a separate sensor to be placed by inferring a virtual sensing value from the inference value inferred by the inference unit using a separate artificial intelligence model that uses the inference value inferred by the inference unit as an input value. wealth
A virtual sensing device comprising: 삭제delete 제1항에 있어서,
상기 데이터 선별부가 선별한 데이터들에 대해 전처리를 수행하는 전처리부를 더 포함하는 것을 특징으로 하는 가상 센싱장치.According to paragraph 1,
A virtual sensing device further comprising a preprocessing unit that performs preprocessing on the data selected by the data selection unit. 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete
KR1020220100551A 2022-08-11 2022-08-11 Virtual Sensing Apparatus and Method Using Artificial Intelligence KR102612280B1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020220100551A KR102612280B1 (en) 2022-08-11 2022-08-11 Virtual Sensing Apparatus and Method Using Artificial Intelligence
PCT/KR2023/011384 WO2024034993A1 (en) 2022-08-11 2023-08-03 Virtual sensing device and method using artificial intelligence

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220100551A KR102612280B1 (en) 2022-08-11 2022-08-11 Virtual Sensing Apparatus and Method Using Artificial Intelligence

Publications (1)

Publication Number Publication Date
KR102612280B1 true KR102612280B1 (en) 2023-12-08

Family

ID=89166709

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220100551A KR102612280B1 (en) 2022-08-11 2022-08-11 Virtual Sensing Apparatus and Method Using Artificial Intelligence

Country Status (2)

Country Link
KR (1) KR102612280B1 (en)
WO (1) WO2024034993A1 (en)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102568410B1 (en) * 2018-04-10 2023-08-22 한국전자통신연구원 Artificial intelligence system including preprocessor unit for sorting valid data
KR20210041483A (en) * 2019-10-07 2021-04-15 서울대학교산학협력단 Method for generating learning data of artificial intelligence model and apparatus therefor
KR102441135B1 (en) * 2019-12-30 2022-09-08 한국과학기술연구원 Deep learning based method for estimating multi-output value of power plant and system for permoing the same

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Jason Brwnlee. How to Choose a Feature Selection Method ForMachine Learning. Machine Learning Mastery. 2020.08.20.* *
전제성 외. 규칙기반 및 상관분석 방법을 이용한 시계열 계측 데이터의 이상치 판정. Journal of the Korean Geo-Environmental Society. 16(5): 43p∼53p. 2015.05.* *

Also Published As

Publication number Publication date
WO2024034993A1 (en) 2024-02-15

Similar Documents

Publication Publication Date Title
CN111459700B (en) Equipment fault diagnosis method, diagnosis device, diagnosis equipment and storage medium
JP5945350B2 (en) Equipment condition monitoring method and apparatus
JP6216242B2 (en) Anomaly detection method and apparatus
JP5431235B2 (en) Equipment condition monitoring method and apparatus
US20180365089A1 (en) Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model
JP5331774B2 (en) Equipment state monitoring method and apparatus, and equipment state monitoring program
JP2020064367A (en) Abnormality detection device and abnormality detection method
JP2013143009A (en) Equipment state monitoring method and device using the same
JP2011138422A (en) Device, method and program for detecting behavioral-pattern
CN111583592B (en) Experimental environment safety early warning method based on multidimensional convolution neural network
CN115640159A (en) Micro-service fault diagnosis method and system
JP5048748B2 (en) Test table generation apparatus and test table generation method
CN117151649A (en) Construction method management and control system and method based on big data analysis
KR102024829B1 (en) System and Method for Fault Isolation in Industrial Processes using CART based variable ranking
KR102612280B1 (en) Virtual Sensing Apparatus and Method Using Artificial Intelligence
Packianather et al. Development of soft computing tools and IoT for improving the performance assessment of analysers in a clinical laboratory
KR102172727B1 (en) Apparatus And Method For Equipment Fault Detection
JP6458157B2 (en) Data analysis apparatus and analysis method
Jaimes et al. Increasing trust in personal informatics tools
KR102535019B1 (en) Anomaly detecting method in the sequence of the control segment of automation facility using graph autoencoder
CN114357185A (en) Manufacturing equipment fault monitoring model training method based on knowledge graph
JP6727478B1 (en) Learning device, learning method and program
JP6798968B2 (en) Noise cause estimation device
WO2016163008A1 (en) Fault diagnostic device and fault diagnostic method
CN112700016A (en) Predictive maintenance method and apparatus

Legal Events

Date Code Title Description
GRNT Written decision to grant