KR102641807B1 - 센서보정장치 및 센서보정장치의 동작 방법 - Google Patents

센서보정장치 및 센서보정장치의 동작 방법 Download PDF

Info

Publication number
KR102641807B1
KR102641807B1 KR1020230110053A KR20230110053A KR102641807B1 KR 102641807 B1 KR102641807 B1 KR 102641807B1 KR 1020230110053 A KR1020230110053 A KR 1020230110053A KR 20230110053 A KR20230110053 A KR 20230110053A KR 102641807 B1 KR102641807 B1 KR 102641807B1
Authority
KR
South Korea
Prior art keywords
data
measurement data
sensor
preprocessing
measurement
Prior art date
Application number
KR1020230110053A
Other languages
English (en)
Inventor
김도형
서지훈
조용진
오규삼
Original Assignee
에스케이에코플랜트(주)
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 에스케이에코플랜트(주) filed Critical 에스케이에코플랜트(주)
Priority to KR1020230110053A priority Critical patent/KR102641807B1/ko
Application granted granted Critical
Publication of KR102641807B1 publication Critical patent/KR102641807B1/ko

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
    • G01D18/008—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00 with calibration coefficients stored in memory
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
    • G01D18/002—Automatic recalibration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 개시의 센서보정장치의 동작방법은 원 측정데이터, 수정된 측정데이터, 및 필터링된 측정데이터 중 적어도 하나를 포함하는 측정데이터 및 로(raw) 센서데이터, 필터링된 센서데이터, 및 보정된 센서데이터 중 적어도 하나를 포함하는 센서데이터에 기초한 오류차분값을 획득하는 단계, 상기 오류차분값을 매개변수로 하는 목적함수의 출력인 오류값이 최소가 되도록 하이퍼파라미터를 결정하는 단계를 포함한다.

Description

센서보정장치 및 센서보정장치의 동작 방법{DEVICE FOR CALIBRATING SENSOR AND OPERATION METHOD THEREOF}
본 개시는 센서보정장치 및 센서보정장치의 동작 방법에 대한 것이다. 보다 구체적으로 하폐수처리장의 다양한 센서에서 획득되는 센서데이터를 보정하여 항상 정확한 센서데이터를 획득하기 위한 센서보정장치에 대한 것이다.
일반적으로 하수, 폐수 및 우수에는 유기물질, 부유물질, 질소, 인 등 다양한 오염물질을 함유하고 있어 이를 적정하게 처리하지 않고 방류할 경우에 방류수역의 수질오염 및 부영양화를 유발시켜 수서생태계에 악영향을 미치게 된다. 이러한 문제를 해결하기 위하여 이들 오염물질은 통상적으로 하폐수처리장에서 미생물에 의한 생물학적 처리방법에 의해 처리되고 있다.
한편, 하폐수처리장에 설치되는 센서는 이물질과 같은 환경적인 요인으로 인해 정확도가 떨어지는 경우가 있다. 따라서 관리자를 주기적(1~3주에 1회)으로 파견하거나 센서 정확도가 떨어진다고 판단하는 경우 파견하여 지속적으로 하폐수처리장의 센서를 보정해야 하지만, 보정 후에도 정상적인 센서데이터가 획득되는 시간이 매우 짧다. 또한, 전국에 있는 하폐수처리장에 관리자를 계속적으로 파견한다면, 시간과 비용이 많이 든다.
이와 같이 하폐수처리장에 설치된 센서는 유지 보수가 매우 어렵고, 정확도가 떨어져 신뢰하기 어려운 문제가 있다. 이에 따라 센서의 신뢰도를 향상하기 위한 다양한 방법이 연구되고 있다.
본 개시는 하폐수처리장의 센서데이터의 신뢰도를 높일 수 있도록 센서데이터를 자동으로 보정하는 방법에 관한 것이다.
본 개시의 일 실시예에 따른 센서보정장치의 동작방법은 원 측정데이터, 수정된 측정데이터, 및 필터링된 측정데이터 중 적어도 하나를 포함하는 측정데이터 및 로(raw) 센서데이터, 필터링된 센서데이터, 및 보정된 센서데이터 중 적어도 하나를 포함하는 센서데이터에 기초한 오류차분값을 획득하는 단계 및 오류차분값을 매개변수로 하는 목적함수의 출력인 오류값이 최소가 되도록 하이퍼파라미터를 결정하는 단계를 포함한다.
본 개시의 일 실시예에 따른 센서보정장치의 동작방법의 하이퍼파라미터는 원 측정데이터 및 필터링된 측정데이터 중 하나의 피크값을 완화(mitigation)하여 수정된 측정데이터를 획득하기 위한 방법과 관련된 제 1 파라미터를 포함하고, 하이퍼파라미터는 제 1 파라미터에 의하여 선택된 전처리 방법에 이용되는 제 5 파라미터를 포함한다.
본 개시의 일 실시예에 따른 센서보정장치의 동작방법의 하이퍼파라미터는 원 측정데이터 및 수정된 측정데이터 중 하나에 노이즈 필터를 적용하여 필터링된 측정데이터를 획득하기 위한 방법과 관련된 제 2 파라미터 및 로(raw) 센서데이터에 노이즈 필터를 적용하여 필터링된 센서데이터를 획득하기 위한 방법과 관련된 제 3 파라미터를 포함하고, 제 2 파라미터는 제 2-1 전처리 및 제 2-2 전처리 중 하나를 나타내고, 제 3 파라미터는 제 3-1 전처리 및 제 3-2 전처리 중 하나를 나타내고, 제 2-1 전처리 및 제 3-1 전처리는 EWMA(Exponentially-Weighted Moving Average)를 나타내고, 제 2-2 전처리 및 제 3-2 전처리는 Moving Average를 나타내고, 하이퍼파라미터에 포함되는 제 6-1 파라미터는 제 2-1 전처리 및 제 2-2 전처리 중 적어도 하나에 사용되는 윈도우 크기를 나타내고, 하이퍼파라미터에 포함되는 제 6-2 파라미터는 제 3-1 전처리, 및 제 3-2 전처리 중 적어도 하나에 사용되는 윈도우의 크기를 나타낸다.
본 개시의 일 실시예에 따른 센서보정장치의 동작방법의 하이퍼파라미터는 측정데이터 및 센서데이터에 기초하여 보정요소를 획득하는 방법과 관련된 제 4 파라미터를 포함하고, 제 4 파라미터는 제 1 요소결정방법 및 제 2 요소결정방법 중 하나를 나타내고, 제 1 요소결정방법은 측정데이터 및 센서데이터를 차감하여 보정요소를 획득하고, 제 2 요소결정방법은 측정데이터 및 센서데이터의 비율을 보정요소로 획득한다.
본 개시의 일 실시예에 따른 센서보정장치의 동작방법의 하이퍼파라미터는 제 7 파라미터를 포함하고, 제 7 파라미터는 목적함수의 출력인 오류값이 최소가 되도록 결정하기 위한 최적화 알고리즘을 나타내고, 최적화 알고리즘은 Bayesian Optimization, Gradient-based optimization, 및 Random Search 중 적어도 하나를 포함한다.
본 개시의 일 실시예에 따른 센서보정장치의 동작방법의 측정데이터는 측정데이터를 예측기계학습모델에 적용하여 획득된 예측된 측정데이터를 포함하고, 예측기계학습모델은 ARIMA(autoregressive integrated moving average) 계열, Linear 계열, Tree 계열, 및 Deep Learning 계열의 알고리즘들 중 적어도 하나를 이용한다.
본 개시의 일 실시예에 따른 센서보정장치의 동작방법은 제 1 주기로 상대적으로 정확도가 높은 측정데이터를 획득하는 단계, 제 1 주기보다 작은 제 2 주기로 상대적으로 정확도가 낮은 센서데이터를 획득하는 단계, 하이퍼파라미터, 측정데이터, 및 센서데이터에 기초한 보정요소를 획득하는 단계, 및 보정요소에 기초하여 현재 센서데이터를 수정하여 보정된 센서데이터를 실시간으로 획득하는 단계를 포함하고, 측정데이터는 원 측정데이터, 수정된 측정데이터, 및 필터링된 측정데이터 중 적어도 하나를 포함하고, 센서데이터는 로(raw) 센서데이터 및 필터링된 센서데이터 중 적어도 하나를 포함한다.
본 개시의 일 실시예에 따른 센서보정장치의 동작방법의 보정된 센서데이터를 실시간으로 획득하는 단계는, 보정요소를 획득한 후 미리 정해진 보정유효시간 동안, 보정요소에 기초하여 현재 센서데이터를 수정하여 보정된 센서데이터를 실시간으로 획득하는 단계 및 보정유효시간의 이후에 새로운 보정요소를 획득하는 단계를 포함한다.
본 개시의 일 실시예에 따른 센서보정장치의 동작방법의 보정요소를 획득하는 단계는 하이퍼파라미터에 기초하여 원 측정데이터에서 피크값을 완화(mitigation)하기 위한 제 1 전처리를 수행하여 수정된 측정데이터를 획득하는 단계, 하이퍼파라미터에 기초하여 수정된 측정데이터에 노이즈 필터를 적용하는 제 2 전처리를 수행하여 필터링된 측정데이터를 획득하는 단계, 하이퍼파라미터에 기초하여 로 센서데이터에 노이즈 필터를 적용하는 제 3 전처리를 수행하여 필터링된 센서데이터를 획득하는 단계, 및 하이퍼파라미터, 필터링된 측정데이터 및 필터링된 센서데이터에 기초한 보정요소를 획득하는 단계를 포함한다.
본 개시의 일 실시예에 따른 센서보정장치의 동작방법의 측정데이터를 획득하는 단계는 측정데이터, 기상데이터, 유동 인구 정보, 공휴일데이터, 및 추가센서데이터 중 적어도 하나를 예측기계학습모델에 적용하여 예측된 측정데이터를 획득하는 단계를 포함하고, 측정데이터는 예측된 측정데이터를 포함한다.
본 개시의 일 실시예에 따른 센서보정장치의 동작방법의 측정데이터는 제 1 주기로 획득된 제 N-1 측정값 및 제 N 측정값을 포함하고, 측정데이터를 획득하는 단계는 제 N-1 측정값 획득 시점부터 미리 정해진 유지시간 동안 제 2 주기로 제 N-1 측정값이 획득된 것으로 결정하는 단계 및 유지시간의 이후에 제 N 측정값의 획득 시점까지 제 2 주기로 제 N-1 측정값부터 제 N 측정값까지 선형적으로 변화하면서 획득된 것으로 결정하는 단계를 포함한다.
또한, 상술한 바와 같은 본 개시의 센서보정장치의 동작방법을 구현하기 위한 프로그램은 컴퓨터로 판독 가능한 기록 매체에 기록될 수 있다.
본 개시에 따르면 관리자가 하폐수처리장에 파견될 필요가 감소하므로 유지 보수 비용이 절감될 수 있다. 또한, 센서의 신뢰도 향상되고, 과거의 센서데이터에 기초한 미래 센서데이터의 예측 정확도가 향상될 수 있다. 또한, 센서 정보 기반으로 실시간으로 하폐수처리장의 상황을 정확하게 파악할 수 있고, 그에 따른 대응을 신속히 수행할 수 있다.
도 1은 본 개시의 일 실시예에 따른 서버 또는 센서보정장치의 블록도이다.
도 2는 본 개시의 일 실시예에 따른 센서보정장치의 블록도이다.
도 3 은 본 개시의 일 실시예에 따른 하폐수처리시스템의 구성을 설명하기 위한 도면이다.
도 4는 본 개시의 일 실시예에 다른 하폐수처리시스템(300)을 설명하기 위한 블록도이다.
도 5는 본 개시의 일 실시예에 따라 센서데이터를 보정하는 방법을 설명하기 위한 흐름도이다.
도 6은 본 개시의 일 실시예에 따라 센서데이터를 보정하는 방법을 설명하기 위한 블록도이다.
도 7은 본 개시의 일 실시예에 따른 예측기계학습모델을 설명하기 위한 도면이다.
도 8은 본 개시의 일 실시예에 따른 센서보정장치의 동작을 설명하기 위한 도면일 수 있다.
도 9는 본 개시의 일 실시예에 따른 센서보정장치의 동작을 나타내는 흐름도이다.
도 10은 본 개시의 일 실시예에 따른 제 1 전처리의 결과를 나타내는 도면이다.
도 11은 본 개시의 일 실시예에 따른 제 2 전처리의 결과를 나타내는 도면이다.
도 12는 본 개시의 센서보정장치의 효과를 설명하기 위한 도면이다.
개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다.
본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
또한, 명세서에서 사용되는 "부"라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, "부"는 어떤 역할들을 수행한다. 그렇지만 "부"는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부"는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부"는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부"들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부"들로 결합되거나 추가적인 구성요소들과 "부"들로 더 분리될 수 있다.
본 개시의 일 실시예에 따르면 "부"는 프로세서 및 메모리로 구현될 수 있다. 용어 "프로세서" 는 범용 프로세서, 중앙 처리 장치 (CPU), 마이크로프로세서, 디지털 신호 프로세서 (DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서는, "프로세서" 는 주문형 반도체 (ASIC), 프로그램가능 로직 디바이스 (PLD), 프로그램가능 로직 컨트롤러(PLC), 필드 프로그램가능 게이트 어레이 (FPGA) 등을 지칭할 수도 있다. 용어 "프로세서" 는, 예를 들어, DSP 와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다.
용어 "메모리" 는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. 용어 메모리는 임의 액세스 메모리 (RAM), 판독-전용 메모리 (ROM), 비-휘발성 임의 액세스 메모리 (NVRAM), 프로그램가능 판독-전용 메모리 (PROM), 소거-프로그램가능 판독 전용 메모리 (EPROM), 전기적으로 소거가능 PROM (EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.
아래에서는 첨부한 도면을 참고하여 실시예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략한다.
도 1은 본 개시의 일 실시예에 따른 서버 또는 센서보정장치(100)의 블록도이다.
도 1을 참조하면, 일 실시예에 따른 서버(330)는 데이터 학습부(110) 또는 데이터 인식부(120) 중 적어도 하나를 포함할 수 있다. 상술한 바와 같은 서버(330)는 프로세서 및 메모리를 포함할 수 있다.
도 1은 서버(330)가 데이터 학습부(110) 또는 데이터 인식부(120)를 포함한 것을 기준으로 설명하지만 이에 한정되는 것은 아니다. 하폐수처리시스템은 제어장치를 포함할 수 있다. 제어장치는 센서보정장치(100)를 포함할 수 있다. 센서보정장치(100)는 데이터 학습부(110) 또는 데이터 인식부(120)를 포함할 수 있다. 센서보정장치(100)는 태블릿, 스마트폰, 노트북, 및 PC 중 적어도 하나를 포함할 수 있다. 센서보정장치(100)는 하폐수처리장에 포함된 로컬 장치이며, 서버(330)는 하폐수처리장으로부터 원격에 위치한 장치일 수 있다. 서버(330)는 하나의 하폐수처리장에 대응될 수도 있고, 복수의 하폐수처리장에 대응될 수도 있다. 서버(330)는 적어도 하나의 센서보정장치(100)를 제어할 수도 있다. 센서보정장치(100)가 수행하는 단계들 중 적어도 하나는 서버(330)에서 수행될 수 있고, 서버(330)가 수행하는 단계들 중 적어도 하나는 센서보정장치(100)에서 수행될 수도 있다. 센서보정장치(100) 및 서버(330)는 별도의 장치일 수 있으나 이에 한정되는 것은 아니고 물리적으로 하나의 장치일 수도 있다. 이하에서 서버(330)가 하는 동작은 센서보정장치(100)에 의한 동작으로도 이해될 수 있고, 센서보정장치(100)에 의한 동작은 서버(330)에 의한 동작으로도 이해될 수 있다.
센서보정장치(100)는 데이터 학습부(110) 또는 데이터 인식부(120) 중 적어도 하나를 포함할 수 있다. 서버(330)는 데이터 학습부(110) 또는 데이터 인식부(120)에 포함된 구성 중 일부를 포함할 수 있으며, 센서보정장치(100)는 데이터 학습부(110) 또는 데이터 인식부(120)에 포함된 나머지 구성을 포함할 수 있다. 서버(330) 및 센서보정장치(100)는 유무선으로 정보를 주고 받으면서 데이터 학습부(110) 또는 데이터 인식부(120)를 구현할 수 있다.
데이터 학습부(110)는 데이터 세트를 이용하여 타겟 태스크(target task)를 수행하기 위한 기계학습모델을 학습할 수 있다. 데이터 학습부(110)는 데이터 세트 및 타겟 태스크와 관련된 레이블 정보를 수신할 수 있다. 레이블 정보는 사람에 의하여 입력될 수도 있고 자동으로 설정될 수도 있다. 데이터 학습부(110)는 데이터 세트와 레이블 정보의 관계에 대해 기계학습을 수행하여 기계학습모델을 획득할 수 있다. 데이터 학습부(110)가 획득한 기계학습모델은 데이터 세트를 이용하여 레이블 정보를 생성하기 위한 모델일 수 있다.
데이터 인식부(120)는 데이터 학습부(110)의 기계학습모델을 수신하여 저장하고 있을 수 있다. 데이터 인식부(120)는 입력 데이터에 기계학습모델을 적용하여 레이블 정보를 출력할 수 있다. 또한, 데이터 인식부(120)는 입력 데이터, 레이블 정보 및 기계학습모델에 의해 출력된 결과를 기계학습모델을 갱신하는데 이용할 수 있다.
데이터 학습부(110) 및 데이터 인식부(120) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 학습부(110) 및 데이터 인식부(120) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 이미 설명한 각종 전자 장치에 탑재될 수도 있다.
또한 데이터 학습부(110) 및 데이터 인식부(120)는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(110) 및 데이터 인식부(120) 중 하나는 전자 장치에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한, 데이터 학습부(110) 및 데이터 인식부(120)는 유선 또는 무선으로 통하여, 데이터 학습부(110)가 구축한 기계학습모델 정보를 데이터 인식부(120)로 제공할 수도 있고, 데이터 인식부(120)로 입력된 데이터가 추가 학습 데이터로써 데이터 학습부(110)로 제공될 수도 있다.
한편, 데이터 학습부(110) 및 데이터 인식부(120) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(110) 및 데이터 인식부(120) 중 적어도 하나가 소프트웨어 모듈(또는, 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 메모리 또는 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
본 개시의 일 실시예에 따른 데이터 학습부(110)는 데이터 획득부(111), 전처리부(112), 학습 데이터 선택부(113), 모델 학습부(114) 및 모델 평가부(115)를 포함할 수 있다.
데이터 획득부(111)는 기계학습에 필요한 데이터를 획득할 수 있다. 학습을 위해서는 많은 데이터가 필요하므로, 데이터 획득부(111)는 복수의 데이터를 포함하는 데이터 세트를 수신할 수 있다.
복수의 데이터 각각에 대하여 레이블 정보가 할당될 수 있다. 레이블 정보는 복수의 데이터의 각각을 설명하는 정보일 수 있다. 레이블 정보는 타겟 태스크(target task)가 도출하고자 하는 정보일 수 있다. 레이블 정보는 사용자 입력으로부터 획득되거나, 메모리로부터 획득되거나, 기계학습모델의 결과로부터 획득될 수 있다. 예를 들어 타겟 태스크가 측정데이터로부터 예측된 측정데이터를 획득하는 것이라면, 기계학습에 사용되는 복수의 데이터는 복수의 제 1 과거 측정데이터일 수 있으며, 레이블 정보는 복수의 제 2 과거 측정데이터일 수 있다. 복수의 제 1 과거 측정데이터 및 복수의 제 2 과거 측정데이터는 일대일로 대응될 수 있으며, 제 2 과거 측정데이터는 제 1 과거 측정데이터 이후에 측정된 데이터일 수 있다.
레이블 정보는 사용자가 직접 입력하거나 측정된 정보 일 수 있다. 하지만 이에 한정되는 것은 아니며, 레이블 정보는 룰(rule) 기반의 연산에 의하여 획득된 값일 수 있다.
전처리부(112)는 수신된 데이터가 기계학습에 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(112)는 후술할 모델 학습부(114)가 이용할 수 있도록, 획득된 데이터 세트를 미리 설정된 포맷으로 가공할 수 있다.
학습 데이터 선택부(113)는 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 모델 학습부(114)에 제공될 수 있다. 학습 데이터 선택부(113)는 기 설정된 기준에 따라, 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(113)는 후술할 모델 학습부(114)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
모델 학습부(114)는 데이터 세트에 기초하여 어떤 레이블 정보를 출력할 지에 관한 기준을 학습할 수 있다. 또한, 모델 학습부(114)는 데이터 세트 및 데이터 세트 대한 레이블 정보를 학습 데이터로써 이용하여 기계학습을 수행할 수 있다. 또한 모델 학습부(114)는 기존에 획득된 기계학습모델을 추가적으로 이용하여 기계학습을 수행할 수 있다. 이 경우, 기존에 획득된 기계학습모델은 미리 구축된 모델일 수 있다. 예를 들어, 기계학습모델은 기본 학습 데이터를 입력 받아 미리 구축된 모델일 수 있다.
기계학습모델은, 학습모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 기계학습모델은, 예를 들어, Linear 알고리즘,앙상블 기반 알고리즘, Tree 기반 알고리즘, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, AdaBoost, GBM(Gradient Boosting Machine), XGBoost(Extra gradient boost), LightBoost, CatBoost, 결정 트리(Decision tree), 랜덤 포레스트(Random forest), Deep Neural Network (DNN), Recurrent Neural Network (RNN), Long Short-Term Memory models (LSTM), BRDNN (Bidirectional Recurrent Deep Neural Network), Convolutional Neural Networks (CNN), Transformer 와 같은 모델이 기계학습모델로써 사용될 수 있으나, 이에 한정되지 않는다.
다양한 실시예에 따르면, 모델 학습부(114)는 미리 구축된 기계학습모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 기계학습모델을 학습할 기계학습모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 기계학습모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 장소, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.
또한, 모델 학습부(114)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 기계학습모델을 학습시킬 수 있다.
또한, 모델 학습부(114)는, 예를 들어, 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning)을 통하여, 기계학습모델을 학습할 수 있다. 또한, 모델 학습부(114)는, 예를 들어, 별다른 지도 없이 타겟 태스크(target task)을 위해 필요한 데이터의 종류를 스스로 학습함으로써, 타겟 태스크를 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 기계학습모델을 획득할 수 있다. 또한, 모델 학습부(114)는, 예를 들어, 학습에 따른 타겟 태스크의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 기계학습모델을 학습할 수 있다.
또한, 기계학습모델이 학습되면, 모델 학습부(114)는 학습된 기계학습모델을 저장할 수 있다. 이 경우, 모델 학습부(114)는 학습된 기계학습모델을 데이터 인식부(120)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(114)는 학습된 기계학습모델을 전자 장치와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.
학습된 기계학습모델이 저장되는 메모리는, 예를 들면, 전자 장치의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 메모리는 소프트웨어 및/또는 프로그램을 저장할 수도 있다. 프로그램은, 예를 들면, 커널, 미들웨어, 어플리케이션 프로그래밍 인터페이스(API) 및/또는 어플리케이션 프로그램(또는 "어플리케이션") 등을 포함할 수 있다.
모델 평가부(115)는 기계학습모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(114)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 기계학습모델을 평가하기 위한 기 설정된 데이터일 수 있다. 또한 모델 평가부(115)는 미리 정해진 주기적으로 특정기간 동안의 데이터를 기반으로 모델을 재학습하고 재학습된 모델의 정확도가 기존의 모델보다 높은 경우, 재학습된 모델은 기존의 모델을 대체할 수 있다. 여기서 미리 정해진 주기는 1초이상 4년이하일 수 있다. 또한, 미리 정해진 주기는 1일이상 1달이하일 수 있다. 미리 정해진 주기는 3일, 1주, 2주, 한달, 3달 및 6달 중 하나일 수도 있다. 또한 특정기간은 1일 이상 1달이하일 수 있다. 미리 정해진 주기와 특정기간은 동일할 수 있고 다를 수도 있다.
예를 들어, 모델 평가부(115)는 평가 데이터에 대한 학습된 기계학습모델의 결과 중에서, 인식 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다. 예컨대, 모델평가부(115)는 정확도, MSE(Mean squared error) 및 MAE(Mean absolute error) 중 적어도 하나를 획득할 수 있다. 모델평가부(115)는 정확도, MSE 및 MAE 중 적어도 하나가 미리 정해진 임계오차보다 큰 경우, 학습된 기계학습모델이 적합하지 않은 것으로 평가할 수 있다. 또한, 소정 기준이 비율 2%로 정의되는 경우, 학습된 기계학습모델이 총 1000개의 평가 데이터 중의 20개를 초과하는 평가 데이터에 대하여 잘못된 인식 결과를 출력하는 경우, 모델 평가부(115)는 학습된 기계학습모델이 적합하지 않은 것으로 평가할 수 있다.
한편, 학습된 기계학습모델이 복수 개가 존재하는 경우, 모델 평가부(115)는 각각의 학습된 기계학습모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 기계학습모델로써 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(115)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 기계학습모델로써 결정할 수 있다. 예를 들어, 모델평가부(115)는 정확도, MSE(Mean squared error) 및 MAE(Mean absolute error) 중 적어도 하나를 획득할 수 있다. 모델평가부(115)는 복수 개의 모델 중 정확도, MSE 및 MAE 중 적어도 하나가 가장 작은 기계학습모델을 최종 기계학습모델로 결정할 수 있다.
한편, 데이터 학습부(110) 내의 데이터 획득부(111), 전처리부(112), 학습 데이터 선택부(113), 모델 학습부(114) 및 모델 평가부(115) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(111), 전처리부(112), 학습 데이터 선택부(113), 모델 학습부(114) 및 모델 평가부(115) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 획득부(111), 전처리부(112), 학습 데이터 선택부(113), 모델 학습부(114) 및 모델 평가부(115)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(111), 전처리부(112), 학습 데이터 선택부(113), 모델 학습부(114) 및 모델 평가부(115) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(111), 전처리부(112), 학습 데이터 선택부(113), 모델 학습부(114) 및 모델 평가부(115) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(111), 전처리부(112), 학습 데이터 선택부(113), 모델 학습부(114) 및 모델 평가부(115) 중 적어도 하나가 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
본 개시의 일 실시예에 따른 데이터 인식부(120)는 데이터 획득부(121), 전처리부(122), 인식 데이터 선택부(123), 인식 결과 제공부(124) 및 모델 갱신부(125)를 포함할 수 있다.
데이터 획득부(121)는 입력 데이터를 수신할 수 있다. 전처리부(122)는 획득된 입력 데이터가 인식 데이터 선택부(123) 또는 인식 결과 제공부(124)에서 이용될 수 있도록, 획득된 입력 데이터를 전처리할 수 있다.
인식 데이터 선택부(123)는 전처리된 데이터 중에서 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(124)에게 제공될 수 있다. 인식 데이터 선택부(123)는 기 설정된 기준에 따라, 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(123)는 모델 학습부(114)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
인식 결과 제공부(124)는 선택된 데이터를 기계학습모델에 적용하여 결과 데이터를 획득할 수 있다. 기계학습모델은 모델 학습부(114)에 의하여 생성된 기계학습모델일 수 있다. 인식 결과 제공부(124)는 결과 데이터를 출력할 수 있다. 예를 들어 인식 결과 제공부(124)는 송풍량 정보를 수신하여, 제 1 중간예측수질정보를 출력할 수 있다. 또한, 인식 결과 제공부(124)는 송풍량 정보 및 특징정보를 수신하여, 제 2 중간예측수질정보를 결정할 수 있다.
모델 갱신부(125)는 인식 결과 제공부(124)에 의해 제공되는 인식 결과에 대한 평가에 기초하여, 기계학습모델이 갱신되도록 할 수 있다. 예를 들어, 모델 갱신부(125)는 인식 결과 제공부(124)에 의해 제공되는 인식 결과를 모델 학습부(114)에게 제공함으로써, 모델 학습부(114)가 기계학습모델을 갱신하도록 할 수 있다. 예를 들어, 모델 갱신부(125)는 인식 결과 제공부(124)에 의해 제공되는 인식 결과에 대한 MSE(Mean squared error) 및 MAE(Mean absolute error) 중 적어도 하나를 획득할 수 있다. 모델 갱신부(125)는 인식 결과에 대한 MSE 및 MAE 중 적어도 하나가 미리 정해진 임계오차보다 큰 경우, 모델 학습부(114)가 기계학습모델을 갱신하도록 할 수 있다.
한편, 데이터 인식부(120) 내의 데이터 획득부(121), 전처리부(122), 인식 데이터 선택부(123), 인식 결과 제공부(124) 및 모델 갱신부(125) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(121), 전처리부(122), 인식 데이터 선택부(123), 인식 결과 제공부(124) 및 모델 갱신부(125) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 획득부(121), 전처리부(122), 인식 데이터 선택부(123), 인식 결과 제공부(124) 및 모델 갱신부(125)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(121), 전처리부(122), 인식 데이터 선택부(123), 인식 결과 제공부(124) 및 모델 갱신부(125) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(121), 전처리부(122), 인식 데이터 선택부(123), 인식 결과 제공부(124) 및 모델 갱신부(125) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(121), 전처리부(122), 인식 데이터 선택부(123), 인식 결과 제공부(124) 및 모델 갱신부(125) 중 적어도 하나가 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
아래에서는 데이터 학습부(110)의 데이터 획득부(111), 전처리부(112) 및 학습 데이터 선택부(113)가 학습 데이터를 수신하여 처리하는 방법 및 장치에 대하여 보다 자세히 설명한다.
도 2는 본 개시의 일 실시예에 따른 센서보정장치의 블록도이다.
센서보정장치(100)는 프로세서(210) 및 메모리(220)를 포함할 수 있다. 프로세서(210)는 메모리(220)에 저장된 명령어들을 수행할 수 있다.
상술한 바와 같이 서버(330) 또는 센서보정장치(100)는 데이터 학습부(110) 또는 데이터 인식부(120)를 포함할 수 있다. 센서보정장치(100)는 데이터 획득부(111), 전처리부(112), 학습 데이터 선택부(113), 모델 학습부(114), 모델 평가부(115), 데이터 인식부(120) 내의 데이터 획득부(121), 전처리부(122), 인식 데이터 선택부(123), 인식 결과 제공부(124) 및 모델 갱신부(125) 중 적어도 하나를 포함할 수 있다. 데이터 학습부(110) 또는 데이터 인식부(120)는 프로세서(210) 및 메모리(220)에 의하여 구현될 수 있다.
도 2는 센서보정장치(100)에 대하여 설명한 것이지만 이에 한정되는 것은 아니다. 서버(330)도 센서보정장치(100)와 동일한 구성을 포함할 수 있다. 즉, 서버(330)는 프로세서(210) 및 메모리(220)를 포함할 수 있다. 센서보정장치(100)는 서버(330)와 데이터를 주고 받으면서 기계학습모델을 생성하거나, 기계학습모델을 이용하여 결과 데이터를 도출할 수 있다.
도 3 은 본 개시의 일 실시예에 따른 하폐수처리시스템의 구성을 설명하기 위한 도면이다.
하폐수처리시스템(300)은 센서보정장치(100), 데이터베이스(310), 센서부(320) 및 서버(330) 중 적어도 하나를 포함할 수 있다. 센서보정장치(100), 데이터베이스(310), 센서부(320) 및 서버(330)는 서로 독립적인 장치일 수 있다. 설명의 편의를 위하여 하폐수처리시스템(300)이 센서보정장치(100), 데이터베이스(310), 센서부(320) 및 서버(330) 중 적어도 하나를 포함하는 것으로 설명하였으나, 센서보정장치(100), 데이터베이스(310), 센서부(320) 및 서버(330)가 물리적으로 명확히 구분되지 않을 수 있다. 본 개시의 다양한 실시예에 따르면 데이터베이스(310)는 서버(330) 및 센서보정장치(100)에 포함되는 구성일 수 있다.
센서보정장치(100)는 서버(330)와 독립적인 구성일 수 있다. 센서보정장치(100)는 하폐수처리장에 위치하고 서버(330)는 하폐수처리장의 외부에 위치할 수 있다. 하지만 이에 한정되는 것은 아니고 센서보정장치(100)는 하폐수처리장으로부터 원격에 위치할 수 있다. 센서보정장치(100)는 서버(330)와 유무선으로 연결되고 센서보정장치(100) 및 서버(330)는 유기적으로 동작하여 하폐수처리시스템(300)을 구성할 수 있다.
본 개시에서 하폐수처리시스템(300)이 수행한다고 기재한 것은 하폐수처리시스템(300)에 포함된 서버(330) 또는 센서보정장치(100) 중 적어도 하나에서 수행됨을 의미할 수 있다.
서버(330) 또는 센서보정장치(100)는 PC, 스마트폰, PDA, 노트북, 데스크탑, 프로그램가능 로직 컨트롤러(PLC) 또는 웨어러블 디바이스 등을 포함할 수 있다. 센서보정장치(100)는 하폐수처리장의 관리소에 위치한 장치일 수 있다. 서버(330)는 하폐수처리장의 원격에 위치하거나 관리소에 위치한 장치일 수 있다.
서버(330) 또는 센서보정장치(100)는 센서부(320)로부터 센서데이터를 획득하고 센서데이터를 보정하여 보정된 센서데이터를 획득할 수 있다. 서버(330) 또는 센서보정장치(100)는 센서부(320)에 센서제어신호를 송신할 수 있다. 또한 서버(330) 또는 센서보정장치(100)는 하폐수처리장의 다양한 위치에 설치되어 있는 센서부(320)로부터 센서데이터를 수신하여 저장할 수 있다.
센서부(320)는 하폐수처리장에 포함된 유입부, 1차 침전지, 생물반응조, 및 2차 침전지, 총인처리부, 방류부 등의 시설에 적어도 하나에 설치되어 있는 다양한 센서를 포함할 수 있다. 센서부(320)는 UVA광량데이터, UVC광량데이터, 전기전도도, PH, TOC(Total Organic Carbon), 질소량(T-N), COD(Chemical Oxygen Demand), BOD(Biochemical Oxygen Demand), TSS(Total Suspended Solids), T-P(Total Phosphorus),PO4-P(Phosphate), NH4의 양, 및 NO3의 양 중 적어도 하나를 측정하기 위한 센서를 포함할 수 있다. 센서데이터는 UVA광량데이터, UVC광량데이터, 전기전도도, PH, TOC(Total Organic Carbon), 질소량(T-N), COD(Chemical Oxygen Demand), BOD(Biochemical Oxygen Demand), TSS(Total Suspended Solids), T-P(Total Phosphorus),PO4-P(Phosphate), NH4의 양, 및 NO3의 양 중 적어도 하나일 수 있다. 또한 센서데이터는 제 2 주기로 연속적으로 측정된 복수의 센서값을 포함할 수 있다.
질소량(T-N)은 총 질소량이라고 불릴 수 있다. 질소량은 생명체가 단백질을 통해 에너지를 얻는 과정에서 부산물로 발생할 수 있다. 사용자는 송풍기의 운전을 위해 질소량(T-N)을 참고할 수 있다.
TOC(Total Organic Carbon)는 총 유기 탄소를 나타낼 수 있다. TOC는 유기적으로 결합된 탄소의 총량을 나타낼 수 있다. TOC에 의하여 물속 유기물질의 90%까지 측정 가능할 수 있다.
COD(Chemical Oxygen Demand)는 화학적 산소 요구량을 나타낸다. COD에 의하여 물속 유기물질의 60%까지 측정 가능할 수 있다.
PH는 산성, 알칼리성을 나타내는 척도이다.
TSS(Total Suspended Solids)는 SS(Suspended Solid)로 대체될 수도 있다. SS는 물 속 고체 부유물의 양을 나타낸다. SS는 슬러지 투입량과 관계가 있을 수 있다.
T-P(Total Phosphorus)는 총 인량을 나타낼 수 있다. T-P는 부영양화를 나타내는 지표일 수 있다. T-P는 인구 밀집도가 높은 지역의 하천일 수록 높을 수 있다.
또한 하폐수처리시스템(300)은 서버(330)를 포함할 수 있다. 서버(330)는 센서보정장치(100)와 유무선으로 통신을 할 수 있다. 서버(330)는 센서보정장치(100)보다 1차 침전지, 생물반응조, 및 2차 침전지 중 적어도 하나로부터 원거리에 위치할 수 있다. 서버(330)는 센서보정장치(100)로부터 원격에 위치할 수 있다 하지만 이에 한정되는 것은 아니고, 서버(330)는 1차 침전지, 생물반응조, 및 2차 침전지 중 적어도 하나로부터 근접한 곳에 위치할 수도 있고, 센서보정장치(100)와 동일한 구성일 수도 있다. 서버(330)는 제어장치로부터 데이터를 수신하여 저장하거나 처리할 수 있다.
서버(330)는 센서보정장치(100)로부터 수신한 데이터를 처리하여 결과 정보를 획득할 수 있다. 결과 정보는 보정된 센서데이터, 및 예측된 측정데이터 중 적어도 하나일 있다. 서버(330)는 결과정보 및 기계학습모델 중 적어도 하나를 센서보정장치(100)로 송신할 수 있다. 센서보정장치(100)는 수신된 기계학습모델을 이용하여 예측된 측정데이터와 같은 결과정보를 획득할 수도 있다.
본 개시의 다른 실시예에 따르면 서버(330)는 기계학습모델을 센서보정장치(100)에 송신하지 않을 수 있다. 센서보정장치(100)는 기계학습모델의 입력으로 들어갈 센서데이터 및 측정데이터 중 적어도 하나를 서버(330)로 송신할 수 있다. 서버(330)는 센서데이터 및 측정데이터 중 적어도 하나에 기초하여 보정된 센서데이터 및 예측된 측정데이터 중 적어도 하나를 결과 정보로써 획득할 수 있다. 서버(330)는 결과 정보를 센서보정장치(100)로 송신할 수 있다.
이하에서는 센서보정장치(100)를 기준으로 하폐수처리시스템(300)의 동작을 설명한다. 이하에서 센서보정장치(100)가 하는 동작 중 적어도 일부는 서버(330)에 의하여 수행될 수 있다.
데이터베이스(310)는 센서부(320), 서버(330), 센서보정장치(100) 및 외부의 서버(미도시) 중 적어도 하나로부터 수신한 데이터를 저장하는 장치일 수 있다. 데이터베이스(310)는 측정데이터 및 센서데이터를 누적하여 저장하고 있을 수 있다. 센서보정장치(100)는 데이터베이스(310)로부터 누적된 측정데이터 및 센서데이터 중 적어도 하나를 획득할 수 있다. 또한 하폐수처리시스템(300)은 데이터베이스(310)의 데이터에 기초하여 하폐수처리시스템(300)의 효율을 개선하고 에너지를 절약할 수 있다. 데이터베이스(310)는 서버(330)에 포함되는 구성일 수도 있고, 외부의 서버에 포함되는 구성일 수도 있다. 데이터베이스(310)는 기상데이터, 및 공휴일데이터 중 적어도 하나를 저장하고 있을 수 있다.
먼저 하폐수처리시스템(300)의 기본적인 동작을 설명하기 위하여 하폐수처리시스템(300)에 포함된 구성에 대하여 설명한다.
도 4는 본 개시의 일 실시예에 다른 하폐수처리시스템(300)을 설명하기 위한 블록도이다.
하수유입부(410)는 하수관을 통해 하수를 공급받는 구성일 수 있다. 하수는 하수유입부(410)를 통해 하폐수처리시스템(300)으로 유입될 수 있다. 하폐수처리시스템(300)은 유입된 하수를 처리할 수 있다.
침사지(420)는 모레, 협잡물 등을 제거하는 구성이다. 모레, 협잡물은 하폐수처리시스템(300)을 손상시킬 수 있다. 따라서 침사지(420)에서 모레, 협잡물을 제거하여 하폐수처리시스템(300)이 정상적으로 동작할 수 있다.
유량조정조(425)는 유입된 하수의 일부를 1차 침전지(430)로 이동시키는 구성이다. 유량조정조(425)는 1차 침전지(430)로 이동한 하수의 양을 조절함으로써, 하폐수처리시스템(300)이 처리할 수 있는 하수의 양을 넘어서지 않도록 할 수 있다.
1차 침전지(430)는 유입된 하수 중 침전성 고형물질들을 침전시키는 구성일 수 있다. 물보다 무겁거나 가벼운 물질들은 1차 침전지(430)에서 가라앉거나 물위에 떠서 물로부터 분리될 수 있다. 1차 침전지(430)에서 가라앉거나 물위에 뜬 입자들은 따로 수거되어 처리될 수 있다.
생물반응조(435)는 하수에 공기를 불어 넣어 호기성 미생물로 유기물을 합성/분해하면서 오염물질을 제거하는 단계이다. 생물반응조(435)는 1차 침전지(430)에서 분리되지 않은 물질을 처리하여 하수를 정화할 수 있다.
2차 침전지(440)는 다시 침전을 통하여 물보다 무겁거나, 물보다 가벼운 물질을 하수로부터 분리하는 것이다. 생물반응조(435)에서 호기성 미생물에 의하여 하수 내의 물질들이 합성/분해되면서 물보다 무겁거나 가벼운 물질들이 생성될 수 있다. 2차 침전지(440)는 이러한 물질들을 물로부터 분리할 수 있다. 2차 침전지(440)에서 물로부터 분리된 침전물을 슬러지라고도 한다. 2차 침전지(440)에서 잉여 슬러지는 수거될 수 있다. 또한, 슬러지 중 일부를 생물반응조(435)로 반송하거나 2차 침전지(440)에 유지하여 활성 슬러지를 촉진할 수 있다.
총인처리부(445)는 응집제를 주입하여 중요 오염물질인 인을 제거하는 구성이다. 소독시설(450)은 대장균과 같은 세균을 억제하고 살균하는 구성이다. 공공수역방류부(455)는 오염물질이 제거된 물을 공공수역에 방류하는 구성이다.
농축조(460)는 슬러지를 농축하고 농축된 슬러지를 소화조로 이송하는 구성이다. 소화조(465)는 유기물질을 협기성 상태에서 소화/분해하여 양을 감소시키는 구성이다. 또한 소화조(465)는 불안정한 물질이 안정한 물질로 변화하도록 할 수 있다. 탈수부(470)는 농출/소화된 슬러지에 응집제를 혼합하고, 원심 탈수하는 구성이다. 탈수부(470)에 의하여 슬러지케익이 생성될 수 있다. 매립부(475)는 슬러지케익을 매립하는 구성이다.
센서부(320)는 도 4에서 설명한 다양한 구성 중 적어도 하나로부터 센서데이터를 획득할 수 있다.
도 5는 본 개시의 일 실시예에 따라 센서데이터를 보정하는 방법을 설명하기 위한 흐름도이다. 도 6은 본 개시의 일 실시예에 따라 센서데이터를 보정하는 방법을 설명하기 위한 블록도이다.
센서보정장치(100)는 제 1 주기로 상대적으로 정확도가 높은 측정데이터를 획득하는 단계(510)를 수행할 수 있다. 제 1 주기는 1일, 2일 및 1주 중 하나일 수 있다. 본 개시에서 "측정데이터"는 원(original) 측정데이터, 수정된 측정데이터, 필터링된 측정데이터, 및 예측된 측정데이터 중 적어도 하나를 포함할 수 있다. 원 측정데이터는 시간에 따라 누적하여 획득된 적어도 하나의 원 측정값을 포함할 수 있다. 수정된 측정데이터는 시간에 따라 누적하여 획득된 적어도 하나의 수정된 측정값을 포함할 수 있다. 필터링된 측정데이터는 시간에 따라 누적하여 획득된 적어도 하나의 필터링된 측정값을 포함할 수 있다. 예측된 측정데이터는 적어도 하나의 예측된 측정값을 포함할 수 있다.
단계(510)는 측정데이터에 포함된 원(original) 측정데이터를 획득하는 단계를 의미할 수 있다.
측정데이터는 관리자가 관련된 법령에 따라 의무적으로 수행하는 측정에 기초한 데이터일 수 있다. 측정데이터는 제 1 주기마다 측정값이 누적하여 저장된 데이터일 수 있다. 즉, 측정데이터는 시간에 따른 복수의 측정값을 포함할 수 있다. 제 1 주기는 제 2 주기보다 큰 대략적인 시간을 나타내는 것이다. 사람이 측정하여 입력하는 경우 정확한 시간에 측정되는 것은 아닐 수 있다.
하지만, 측정데이터는 사람 또는 정확도가 높은 측정장치인 애널라이저(Analyzer) 중 적어도 하나에 의하여 직접 측정되므로 상대적으로 정확도가 높을 수 있다. 사용자는 측정값을 센서보정장치(100) 및 데이터베이스(310) 중 적어도 하나에 입력하여, 측정데이터는 센서보정장치(100)의 메모리에 저장되거나 데이터베이스(310)에 저장될 수 있다. 측정데이터는 UVA광량데이터, UVC광량데이터, 전기전도도, PH, TOC(Total Organic Carbon), 질소량(T-N), COD(Chemical Oxygen Demand), BOD(Biochemical Oxygen Demand), TSS(Total Suspended Solids), T-P(Total Phosphorus),PO4-P(Phosphate), NH4의 양, 및 NO3의 양 중 적어도 하나일 수 있다. 보다 구체적으로 측정데이터는 TOC(Total Organic Carbon) 및 질소량(T-N) 중 적어도 하나와 같은 수질과 관련된 데이터일 수 있다.
센서보정장치(100)는 센서데이터를 보정하기 위하여 메모리 또는 데이터베이스(310)에 저장되어 있는 측정데이터를 획득할 수 있다. 센서보정장치(100)는 현재부터 미리 정해진 분석데이터필요시간만큼 이전까지 해당하는 측정데이터를 획득할 수 있다. 예를 들어, 분석데이터필요시간은 1년, 및 1월 중 하나를 포함할 수 있다.
센서보정장치(100)는 제 1 주기보다 작은 제 2 주기로 상대적으로 정확도가 낮은 센서데이터를 획득하는 단계(520)를 수행할 수 있다. 본 개시에서 "센서데이터"는 로(raw) 센서데이터, 필터링된 센서데이터, 및 보정된 센서데이터 중 적어도 하나를 포함하는 의미일 수 있다. 로 센서데이터는 시간에 따라 누적하여 획득된 적어도 하나의 로 센서값을 포함할 수 있다. 필터링된 센서데이터는 시간에 따라 누적하여 획득된 적어도 하나의 필터링된 센서값을 포함할 수 있다. 보정된 센서데이터는 시간에 따라 누적하여 획득된 적어도 하나의 보정된 센서값을 포함할 수 있다. 단계(520)의 센서데이터는 로 센서데이터일 수 있다.
제 2 주기는 실시간일 수 있다. 예를 들어 제 2 주기는 1초, 1 분 중 하나를 포함할 수 있다. 제 2 주기는 제 1 주기보다 작으므로 센서데이터는 측정데이터보다 자주 획득될 수 있다. 센서데이터는 센서부(320)로부터 획득되는 데이터일 수 있다. 센서데이터는 제 2 주기마다 센서값이 누적하여 저장된 데이터일 수 있다. 즉, 센서데이터는 시간에 따른 복수의 센서값을 포함할 수 있다. 센서부(320)는 미리 정해진 제 2 시간마다 센서데이터를 획득할 수 있고, 제 2 주기는 항상 동일할 수 있다. 물론 센서부(320) 및 센서보정장치(100)의 처리에 지연이 있을 수 있음은 별론으로 한다.
센서데이터는 센서부(320)에 의하여 자동으로 빠르게 획득되므로 상대적으로 정확도가 낮을 수 있다. 센서부(320)는 센서값을 센서보정장치(100) 및 데이터베이스(310) 중 적어도 하나에 송신하여, 센서데이터는 센서보정장치(100)의 메모리에 저장되거나 데이터베이스(310)에 저장될 수 있다. 센서데이터는 UVA광량데이터, UVC광량데이터, 전기전도도, PH, TOC(Total Organic Carbon), 질소량(T-N), COD(Chemical Oxygen Demand), BOD(Biochemical Oxygen Demand), TSS(Total Suspended Solids), T-P(Total Phosphorus),PO4-P(Phosphate), NH4의 양, 및 NO3의 양 중 적어도 하나일 수 있다. 보다 구체적으로 센서데이터는 TOC(Total Organic Carbon) 및 질소량(T-N) 중 적어도 하나와 같은 수질과 관련된 데이터일 수 있다.
센서보정장치(100)는 센서데이터를 보정하기 위하여 메모리 또는 데이터베이스(310)에 저장되어 있는 센서데이터를 획득할 수 있다. 센서보정장치(100)는 현재부터 미리 정해진 분석데이터필요시간만큼 이전까지 해당하는 센서데이터를 획득할 수 있다. 예를 들어, 분석데이터필요시간은 1년, 및 1월 중 하나를 포함할 수 있다.
센서보정장치(100)는 하이퍼파라미터에 기초하여 측정데이터에서 피크값을 완화(mitigation)하기 위한 제 1 전처리를 수행하여 수정된 측정데이터를 획득하는 단계(530)를 수행할 수 있다. 센서보정장치(100)는 하이퍼파라미터에 기초하여 원 측정데이터 및 필터링된 측정데이터 중 하나에서 피크값을 완화(mitigation)하기 위한 제 1 전처리를 수행하여 수정된 측정데이터를 획득하는 단계(530)를 수행할 수 있다.
이미 설명한 바와 같이 측정데이터는 원 측정데이터 및 필터링된 측정데이터 중 하나를 포함할 수 있다.
도 5에서 단계(530)는 단계(540)보다 먼저 수행되는 것과 같이 기재되어 있으나 이에 한정되는 것은 아니다. 즉, 단계(540) 가 먼저 수행된 후 단계(530)가 수행될 수도 있다. 또한 단계(530) 및 단계(540) 중 적어도 하나는 수행되지 않을 수도 있다. 만약 단계(530)가 수행되지 않는다면, 제 1 파라미터 및 제 5 피라미터는 이용되지 않을 수 있다. 만약 단계(540)가 수행되지 않는다면 제 2 파라미터 및 제 6-1 피라미터는 이용되지 않을 수 있다. 만약 단계(550)가 수행되지 않는다면 제 3 파라미터 및 제 6-2 파라미터는 이용되지 않을 수 있다.
하이퍼파라미터는 최적화 과정에서 획득된 파라미터일 수 있다. 하이퍼파라미터 및 최적화 과정에 대해서는 추후 설명한다. 단계(530)를 수행할 때, 하이퍼파라미터에 포함된 제 1 파라미터 및 제 5 파라미터 중 적어도 하나가 관여할 수 있다.
피크값은 직전값 및 직후값보다 높은 값을 의미할 수 있다. 측정데이터에 포함된 피크값은 센서데이터를 보정할 때 큰 영향을 미칠 수 있다. 따라서 피크값을 완화하여 피크값이 보정에 미치는 영향을 제한할 수 있다. 따라서 본 개시의 센서보정장치(100)는 정확하게 보정된 센서데이터를 획득할 수 있다.
센서보정장치(100)는 피크값 완화를 위해 제 1-1 전처리, 제 1-2 전처리, 및 1-3 전처리 중 하나를 이용할 수 있다. 즉 제 1 전처리는 제 1-1 전처리, 제 1-2 전처리, 및 1-3 전처리 중 적어도 하나를 포함할 수 있다. 하이퍼파라미터는 제 1 파라미터를 포함할 수 있다. 제 1 파라미터는 측정데이터의 피크값을 완화하여 수정된 측정데이터를 획득하기 위한 방법과 관련될 수 있다. 제 1 파라미터는 제 1-1 전처리, 제 1-2 전처리, 및 1-3 전처리 중 하나를 나타낼 수 있다. 센서보정장치(100)는 제 1 파라미터에 기초하여 제 1 전처리를 제 1-1 전처리, 제 1-2 전처리, 및 1-3 전처리 중 하나로 결정할 수 있다. 제 1-1 전처리, 제 1-2 전처리, 및 1-3 전처리 중 하나를 이용하여 센서보정장치(100)는 측정데이터에 포함된 측정값을 수정된 측정데이터에 포함된 수정된 측정값으로 변환할 수 있다.
제 1-1 전처리는 아래 식 1에 기초하여 측정데이터로부터 수정된 측정데이터를 획득할 수 있다.
X'= E + p *(X - E) (식 1)
제 1-2 전처리는 아래 식 2에 기초하여 측정데이터로부터 수정된 측정데이터를 획득할 수 있다.
X'= E + (X - E)^p (식 2)
여기서 X는 측정데이터에 포함된 특정 시점에서의 측정값을 의미할 수 있다. E는 측정데이터의 평균을 의미할 수 있다. p는 0보다 크고 1보다 작은 제 5 파라미터를 나타낼 수 있다. X'는 수정된 측정데이터에 포함된 특정 시점에서의 수정된 측정값을 의미할 수 있다. 하이퍼파라미터는 제 5 파라미터를 포함할 수 있다. 제 5 파라미터는 제 1 파라미터에 의하여 선택된 전처리 방법에 이용되는 값일 수 있다.
제 1-3 전처리는 이미 알려진 smoothing, noise filtering 방법을 이용하는 피크값 완화방법일 수 있다. 단계(530)의 결과를 설명하기 위하여 도 10을 잠시 참조한다.
도 10은 본 개시의 일 실시예에 따른 제 1 전처리의 결과를 나타내는 도면이다.
도 10의 (a)는 제 1-1 전처리에 기초한 측정데이터 및 수정된 측정데이터를 나타낸다. 도 10의 (b)는 제 1-2 전처리에 기초한 측정데이터 및 수정된 측정데이터를 나타낸다. 도 10을 참조하면 측정데이터에 비하여 수정된 측정데이터의 피크값이 줄어들어 있는 것을 확인할 수 있다.
다시 도 5를 참조하면, 센서보정장치(100)는 하이퍼파라미터에 기초하여 측정데이터에 노이즈 필터를 적용하는 제 2 전처리를 수행하여 필터링된 측정데이터를 획득하는 단계(540) 수행할 수 있다. 보다 구체적으로 센서보정장치(100)는 하이퍼파라미터에 기초하여 원 측정데이터 및 수정된 측정데이터 중 하나에 노이즈 필터를 적용하는 제 2 전처리를 수행하여 필터링된 측정데이터를 획득하는 단계(540) 수행할 수 있다.
이미 설명한 바와 같이 도 5에서 단계(530)는 단계(540)보다 먼저 수행되는 것과 같이 기재되어 있으나 이에 한정되는 것은 아니다. 즉, 단계(540) 가 먼저 수행된 후 단계(530)가 수행될 수도 있다. 또한 단계(530) 및 단계(540) 중 적어도 하나는 수행되지 않을 수도 있다.
단계(540)를 수행할 때, 하이퍼파라미터에 포함된 제 2 파라미터 및 제 6-1 파라미터가 관여할 수 있다.
센서보정장치(100)는 수정된 측정데이터에 노이즈 필터를 적용하여 노이즈를 제거할 수 있다. 센서보정장치(100)는 노이즈가 제거된 필터링된 측정데이터를 이용하므로 노이즈가 보정에 미치는 영향을 제한할 수 있다. 따라서 본 개시의 센서보정장치(100)는 정확하게 보정된 센서데이터를 획득할 수 있다.
센서보정장치(100)는 제 2 전처리를 위해 제 2-1 전처리, 제 2-2 전처리, 및 2-3 전처리 중 하나를 이용할 수 있다. 즉, 제 2 전처리는 제 2-1 전처리, 제 2-2 전처리, 및 제 2-3 전처리 중 적어도 하나를 포함할 수 있다. 하이퍼파라미터는 제 2 파라미터를 포함할 수 있다. 제 2 파라미터는 제 2-1 전처리, 제 2-2 전처리, 및 제 2-3 전처리 중 하나를 나타낼 수 있다. 센서보정장치(100)는 제 2 파라미터에 기초하여 필터링된 측정데이터를 획득하기 위한 노이즈 필터를 결정할 수 있다. 결정된 노이즈 필터에 기초하여 센서보정장치(100)는 수정된 측정데이터에 포함된 수정된 측정값을 필터링된 측정데이터에 포함된 필터링된 측정값으로 변환할 수 있다.
제 2-1 전처리는 EWMA(Exponentially-Weighted Moving Average)를 나타낼 수 있다. 제 2-2 전처리는 Moving Average를 나타낼 수 있다. 제 2-3 전처리는 FFT(Fast Fourier Transform) 필터, Wavelet 필터, 및 Kalman 필터, Savitzky-Golay 필터 중 하나를 의미할 수 있다. EWMA(Exponentially-Weighted Moving Average), Moving Average, FFT(Fast Fourier Transform) 필터, Wavelet 필터, 및 Kalman 필터, Savitzky-Golay 필터는 알려진 필터링 방법이므로 자세한 설명은 생략한다.
하이퍼파라미터에 포함되는 제 6-1 파라미터는 제 2-1 전처리 및 제 2-2 전처리 중 적어도 하나에 사용되는 윈도우 크기를 나타낼 수 있다. 윈도우 크기는 노이즈 필터를 위하여 사용하는 데이터의 개수와 관련된 값일 수 있다. 즉 윈도우 크기가 증가할 수록 수정된 측정데이터에 포함된 하나의 수정된 측정값을 필터링된 측정값으로 변환하기 위하여 많은 수정된 측정값을 이용할 수 있다. 반대로 윈도우 크기가 감소할 수록 수정된 측정데이터에 포함된 하나의 수정된 측정값을 필터링된 측정값으로 변환하기 위하여 적은 수정된 측정값을 이용할 수 있다. 예를 들어, 제 2 파라미터가 제 2-1 전처리를 나타내는 경우, 제 6-1 파라미터는 10이상 300이하의 값을 가질 수 있다. 또한 제 2 파라미터가 제 2-2 전처리를 나타내는 경우, 제 6-1 파라미터는 5이상 20이하의 값을 가질 수 있다. 센서보정장치(100)는 제 6-1 파라미터에 기초하여 5일치이상 20일치이하의 수정된 측정데이터를 이용하여 필터링된 측정값을 획득할 수 있다.
단계(540)의 결과를 설명하기 위하여 도 11을 잠시 참조한다.
도 11은 본 개시의 일 실시예에 따른 제 2 전처리의 결과를 나타내는 도면이다.
도 11의 (a)는 제 2-1 전처리에 기초한 유입 T-N에 대한 측정데이터 및 수정된 측정데이터를 나타낸다. 도 11의 (b)는 제 2-2 전처리에 기초한 유입 T-N에 대한 측정데이터 및 수정된 측정데이터를 나타낸다. 도 11의 (c)는 제 2-1 전처리에 기초한 방류 T-N에 대한 측정데이터 및 수정된 측정데이터를 나타낸다. 도 11의 (d)는 제 2-2 전처리에 기초한 방류 T-N에 대한 측정데이터 및 수정된 측정데이터를 나타낸다.
도 11의 (e)는 제 2-1 전처리에 기초한 유입 TOC에 대한 측정데이터 및 수정된 측정데이터를 나타낸다. 도 11의 (f)는 제 2-2 전처리에 기초한 유입 TOC에 대한 측정데이터 및 수정된 측정데이터를 나타낸다. 도 11의 (g)는 제 2-1 전처리에 기초한 방류 TOC에 대한 측정데이터 및 수정된 측정데이터를 나타낸다. 도 11의 (h)는 제 2-2 전처리에 기초한 방류 TOC에 대한 측정데이터 및 수정된 측정데이터를 나타낸다.
도 11을 참조하면 측정데이터의 피크값에 비하여 필터링된 측정데이터의 피크값이 줄어들어 있으며, 측정데이터에 비하여 필터링된 측정데이터가 스무딩되어 있음을 알 수 있다.
다시 도 5를 참조하면, 센서보정장치(100)는 하이퍼파라미터에 기초하여 로(raw) 센서데이터에 노이즈 필터를 적용하는 제 3 전처리를 수행하여 필터링된 센서데이터를 획득하는 단계(550)를 수행할 수 있다.
단계(550)를 수행할 때, 하이퍼파라미터에 포함된 제 3 파라미터 및 제 6-2 파라미터가 관여할 수 있다. 제 3 파라미터 및 제 6-2 파라미터는 이하에서 설명된다.
센서보정장치(100)는 로 센서데이터에 노이즈 필터를 적용하여 노이즈를 제거할 수 있다. 센서보정장치(100)는 노이즈가 제거된 필터링된 센서데이터를 이용하므로 노이즈가 보정에 미치는 영향을 제한할 수 있다. 따라서 본 개시의 센서보정장치(100)는 정확하게 보정된 센서데이터를 획득할 수 있다.
센서보정장치(100)는 제 3 전처리를 위해 제 3-1 전처리, 제 3-2 전처리, 및 3-3 전처리 중 하나를 이용할 수 있다. 하이퍼파라미터는 제 3 파라미터를 포함할 수 있다. 제 3 파라미터는 제 3-1 전처리, 제 3-2 전처리, 및 제 3-3 전처리 중 하나를 나타낼 수 있다. 제 3-1 전처리, 제 3-2 전처리, 및 제 3-3 전처리는 제 2-1 전처리, 제 2-2 전처리, 및 제 2-3 전처리에 각각 대응될 수 있다. 제 2 파라미터 및 제 3 파라미터는 같은 값을 가질 수도 있고 다른 값을 가질 수도 있다. 센서보정장치(100)는 제 3 파라미터에 기초하여 필터링된 센서데이터를 획득하기 위한 노이즈 필터를 결정할 수 있다. 결정된 노이즈 필터에 기초하여 센서보정장치(100)는 로 센서데이터에 포함된 센서값을 필터링된 센서데이터에 포함된 필터링된 센서값으로 변환할 수 있다.
제 3-1 전처리는 EWMA(Exponentially-Weighted Moving Average)를 나타낼 수 있다. 제 3-2 전처리는 Moving Average를 나타낼 수 있다. 제 3-3 전처리는 FFT(Fast Fourier Transform) 필터, Wavelet 필터, 및 Kalman 필터 중 하나를 의미할 수 있다.
하이퍼파라미터에 포함되는 제 6-2 파라미터는 제 3-1 전처리 및 제 3-2 전처리 중 적어도 하나에 사용되는 윈도우 크기를 나타낼 수 있다. 윈도우 크기는 노이즈 필터를 위하여 사용하는 데이터의 개수와 관련된 값일 수 있다. 예를 들어, 제 3 파라미터가 제 3-1 전처리를 나타내는 경우, 제 6-2 파라미터는 10이상 300이하의 값을 가질 수 있다. 또한 제 3 파라미터가 제 3-2 전처리를 나타내는 경우, 제 6-2 파라미터는 5이상 20이하의 값을 가질 수 있다. 센서보정장치(100)는 제 6-2 파라미터에 기초하여 5일치이상 20일치이하의 센서데이터를 이용하여 필터링된 센서값을 획득할 수 있다.
본 개시의 다양한 실시예에 따르면 단계(530) 내지 단계(550) 중 적어도 하나는 수행되지 않을 수 있다. 단계(530)가 수행되지 않는 경우, 센서보정장치(100)는 원측정데이터에 기초하여 필터링된 측정데이터를 획득할 수 있다. 단계(540)가 수행되지 않는 경우, 센서보정장치(100)는 필터링된 측정데이터에 기초하여 단계(550) 등이 수행될 수 있다. 단계(550)가 수행되지 않는 경우 로 센서데이터에 기초하여 단계(560) 등이 수행될 수 있다. 측정데이터에 관련된 단계(510), 단계(530), 및 단계(540)는 센서데이터와 관련된 단계(520) 및 단계(550)와 선후관계가 없을 수 있다. 즉, 단계(510), 단계(530), 및 단계(540) 중 적어도 하나는 단계(520) 및 단계(550) 중 적어도 하나보다 먼저 수행되거나 늦게 수행될 수 있으며, 병렬적으로 수행될 수도 있다.
센서보정장치(100)는 하이퍼파라미터에 기초하여 측정데이터 및 센서데이터에 기초한 보정요소를 획득하는 단계(560)를 수행할 수 있다. 보다 구체적으로 센서보정장치(100)는 하이퍼파라미터에 기초하여 원 측정데이터, 수정된 측정데이터, 및 필터링된 측정데이터 중 적어도 하나 및 로 센서데이터, 및 필터링된 센서데이터 중 적어도 하나에 기초한 보정요소를 획득하는 단계(560)를 수행할 수 있다. 단계(560)를 수행할 때, 하이퍼파라미터에 포함된 제 4 파라미터가 관여할 수 있다.
하이퍼파라미터는 필터링된 측정데이터 및 필터링된 센서데이터에 기초하여 보정요소를 획득하는 방법과 관련된 제 4 파라미터를 포함할 수 있다. 제 4 파라미터는 제 1 요소결정방법 및 제 2 요소결정방법 중 하나를 나타낼 수 있다.
제 1 요소결정방법은 측정데이터 및 센서데이터를 차감하여 보정요소를 획득하는 방법일 수 있다. 예를 들어, 제 1 요소결정방법은 원 측정데이터, 수정된 측정데이터, 및 필터링된 측정데이터 중 하나 및 로 센서데이터 및 필터링된 센서데이터 중 하나를 차감하여 보정요소를 획득하는 방법일 수 있다. 예를 들어 센서보정장치(100)는 측정데이터에 포함된 원 측정값, 수정된 측정값, 및 필터링된 측정값 중 하나에서 센서데이터에 포함된 로(raw) 센서값, 필터링된 센서값 중 하나를 차감하여 보정요소를 획득할 수 있다.
또한, 센서보정장치(100)는 측정데이터의 평균값에서 센서데이터의 평균값을 차감하여 보정요소를 획득할 수도 있다. 예를 들어, 센서보정장치(100)는 원 측정데이터, 수정된 측정데이터, 및 필터링된 측정데이터 중 적어도 하나의 평균값에서 로 센서데이터 및 필터링된 센서데이터 중 적어도 하나의 평균값을 차감하여 보정요소를 획득할 수도 있다. 추후 센서보정장치(100)는 보정요소를 현재 센서데이터에 더하여 보정된 센서데이터를 획득할 수 있다. 다만, 보정요소값이 음의 값을 가질 때 경우에 따라서 보정된 센서데이터가 음의 값을 가질 수 있으므로, 필요한 경우 보정된 센서데이터는 최소센서데이터값이 되도록 제어될 수 있다. 예를 들어, 보정된 센서데이터에 포함된 보정된 센서값이 최소센서데이터값의 미만인 경우, 센서보정장치(100)는 해당 보정된 센서값을 최소센서데이터값으로 결정할 수 있다. 또한, 평균값을 이용하는 것에 한정되는 것은 아니며, 센서보정장치(100)는 측정데이터의 최대값, 최소값, 및 중앙값 중 하나를 이용하거나 센서데이터의 최대값, 최소값, 및 중앙값 중 하나를 이용하여 보정요소를 획득할 수 있다.
본 개시의 다양한 실시예에 따르면 제 2 요소결정방법은 측정데이터 및 센서데이터의 비율을 보정요소로 획득하는 방법일 수 있다. 제 2 요소결정방법은 원 측정데이터, 수정된 측정데이터, 및 필터링된 측정데이터 중 하나 및 로 센서데이터, 및 필터링된 센서데이터 중 하나의 비율을 보정요소로 획득하는 방법일 수 있다. 예를 들어 센서보정장치(100)는 측정데이터에 포함된 원 측정값, 수정된 측정값, 및 필터링된 측정값 중 하나를 센서데이터의 센서값에 포함된 로 센서값, 필터링된 센서값 중 하나로 나누어서 보정요소를 획득할 수 있다.
또한, 센서보정장치(100)는 측정데이터의 평균값을 필터링된 센서데이터의 평균값으로 나누어서 보정요소를 획득할 수도 있다. 예를 들어, 센서보정장치(100)는 원 측정데이터, 수정된 측정데이터, 및 필터링된 측정데이터 중 적어도 하나의 평균값을 로 센서데이터 및 필터링된 센서데이터 중 적어도 하나의 평균값으로 나누어서 보정요소를 획득할 수도 있다. 추후 센서보정장치(100)는 보정요소를 현재 센서데이터에 곱하여 보정된 센서데이터를 획득할 수 있다. 또한, 평균값을 이용하는 것에 한정되는 것은 아니며, 센서보정장치(100)는 측정데이터의 최대값, 최소값, 및 중앙값 중 하나를 이용하거나 센서데이터의 최대값, 최소값, 및 중앙값 중 하나를 이용하여 보정요소를 획득할 수 있다.
센서보정장치(100)는 보정요소에 기초하여 현재 센서데이터를 수정하여 보정된 센서데이터를 실시간으로 획득할 수 있다. 센서보정장치(100)는 하이퍼파라미터에 포함된 제 4 파라미터에 기초하여 현재 센서데이터에 보정요소를 적용하여 보정된 센서데이터를 실시간으로 획득할 수 있다. 예를 들어 제 4 파라미터가 제 1 요소결정방법을 나타내는 경우, 센서보정장치(100)는 현재 센서데이터에 포함된 현재 센서값에 보정요소를 더하여 보정된 센서데이터에 포함된 보정된 센서값을 획득할 수 있다. 또한, 제 4 파라미터가 제 2 요소결정방법을 나타내는 경우, 센서보정장치(100)는 현재 센서데이터에 포함된 현재 센서값에 보정요소를 곱하여 보정된 센서데이터에 포함된 보정된 센서값을 획득할 수 있다.
보정된 센서데이터를 실시간으로 획득하는 단계(570)는 다음과 같은 과정을 포함할 수 있다. 센서보정장치(100)는 보정요소를 획득한 후 미리 정해진 보정유효시간 동안, 보정요소에 기초하여 현재 센서데이터를 수정하여 보정된 센서데이터를 실시간으로 획득하는 단계를 수행할 수 있다. 또한, 센서보정장치(100)는 보정유효시간의 이후에 새로운 보정요소를 획득하는 단계를 수행할 수 있다.
보다 구체적으로, 단계(510) 내지 단계(560)는 보정유효시간이 지날 때마다 수행될 수 있다. 보정유효시간은 보정요소가 유효한 시간일 수 있다. 보정유효시간은 미리 정해진 시간으로써, 30분, 1시간, 12시간, 및 24시간 중 하나일 수 있다. 하지만 이에 한정되는 것은 아니다. 센서보정장치(100)는 보정요소에 기초하여 보정된 센서데이터를 실시간으로 획득할 수 있다. 이미 설명한 바와 같이 센서데이터는 제 2 주기로 획득될 수 있다. 센서보정장치(100)는 제 2 주기로 획득되는 센서데이터에 보정요소를 적용하여 보정된 센서데이터를 획득할 수 있다. 본 개시의 센서보정장치(100)는 보정요소를 이용하여 항상 보정된 센서데이터를 획득할 수 있다.
원 측정데이터를 획득하는 단계(510), 수정된 측정데이터를 획득하는 단계(530) 및 필터링된 측정데이터를 획득하는 단계(540) 중 하나는 다음과 같은 단계를 더 포함할 수 있다. 센서보정장치(100)는 측정데이터를 예측기계학습모델에 적용하여 예측된 측정데이터를 획득하는 단계를 수행할 수 있다. 측정데이터는 예측된 측정데이터를 포함할 수 있다. 이미 설명한 바와 같이 측정데이터는 원 측정데이터, 수정된 측정데이터, 및 필터링된 측정데이터 중 적어도 하나를 포함할 수 있다.
이와 같이 예측된 측정데이터를 획득하는 이유는 측정데이터 중 일부가 제 1 주기로 획득되지 않을 수 있기 때문이다. 이미 설명한 바와 같이 측정데이터는 사람 또는 정확한 측정장치인 애널라이저(Analyzer) 중 적어도 하나에 의하여 직접 측정되는 값인데, 공휴일 또는 장비이상 발생 시에 측정데이터는 획득되지 않을 수 있다. 따라서 센서보정장치(100)는 제 1 주기로 측정데이터를 획득하기 위하여 예측기계학습모델을 이용할 수 있다. 또한, 센서보정장치(100)는 제 1 주기보다 짧은 주기의 측정데이터를 획득하기 위해서도 예측기계학습모델을 이용할 수 있다. 이와 같이 예측된 측정데이터를 획득하는 단계는 선택적으로 수행될 수 있다.
센서보정장치(100)는 단계(510)의 원 측정데이터를 예측기계학습모델(720)에 적용하여 예측된 측정데이터를 획득할 수 있다. 이 경우 예측된 측정데이터는 단계(510)의 원 측정데이터에 포함될 수 있다. 센서보정장치(100)는 예측된 측정데이터를 이용하여 단계(530) 내지 단계(540)를 수행하여 필터링된 측정데이터를 획득할 수 있다.
또한, 단계(530)의 수정된 측정데이터 역시 예측기계학습모델(720)에 적용되어 예측된 측정데이터를 획득할 수 있다. 이 경우, 예측된 측정데이터는 수정된 측정데이터에 포함될 수 있다. 센서보정장치(100)는 예측된 측정데이터를 이용하여 단계(540)를 수행하여 필터링된 측정데이터를 획득할 수 있다.
또한, 단계(550)의 필터링된 측정데이터 역시 예측기계학습모델(720)에 적용되어 예측된 측정데이터를 획득할 수 있다. 이 경우, 예측된 측정데이터는 필터링된 측정데이터에 포함될 수 있다. 센서보정장치(100)는 예측된 측정데이터를 이용하여 단계(560)를 수행하여 보정요소를 획득할 수 있다.
측정데이터는 긴 주기로 측정되므로 센서데이터와 비교하여 측정되지 않은 시점이 있을 수 있다. 본 개시의 다양한 실시예에 따르면 센서보정장치(100)는 예측기계학습모델을 이용하지 않고, 사람 또는 정확도가 높은 측정 장치인 애널라이저(Analyzer) 중 적어도 하나에 의해 측정된 측정데이터에 기초하여 획득되지 않는 시점의 측정데이터를 결정할 수도 있다. 예를 들어 센서보정장치(100)는 획득되지 않은 시점의 측정데이터를 직전에 획득된 측정데이터로 채워넣을 수 있다. 즉, 센서보정장치(100)는 획득되지 않은 시점의 직전에 획득된 측정데이터를 예측된 측정데이터로 결정할 수 있다. 또한 센서보정장치(100)는 획득되지 않은 시점의 직전에 획득된 측정데이터 및 직후에 획득된 측정데이터 중 적어도 하나에 기초하여 획득되지 않은 측정데이터를 채워넣을 수 있다. 즉, 센서보정장치(100)는 획득되지 않은 시점의 직전에 획득된 측정데이터 및 직후에 획득된 측정데이터 중 적어도 하나에 기초하여 예측된 측정데이터를 결정할 수 있다. 예를 들어 센서보정장치(100)는 직전에 획득된 측정데이터 및 직후에 획득된 측정데이터의 평균 및 중앙값 중 하나를 획득되지 않은 시점의 측정데이터로 결정할 수 있다. 센서보정장치(100)는 예측된 측정데이터를 단계(510)의 측정데이터에 포함하여 그 이하의 단계들을 수행할 수 있다.
이상에서는 단계(510)의 측정데이터를 이용하여 예측된 측정데이터를 획득하는 과정을 설명하였으나 이에 한정되는 것은 아니다. 센서보정장치(100)는 단계(510)가 아닌 단계(530) 수행 이후에 예측된 측정데이터를 획득할 수 있다. 이 경우 예측된 측정데이터는 수정된 측정데이터에 포함될 수 있다. 센서보정장치(100)는 수정된 측정데이터를 이용하여 단계(540)를 수행할 수 있다. 센서보정장치(100)는 단계(540) 수행 이후에 예측된 측정데이터를 획득할 수 있다. 이 경우 예측된 측정데이터는 필터링된 측정데이터에 포함될 수 있다. 센서보정장치(100)는 필터링된 측정데이터를 이용하여 단계(550) 이하를 수행할 수 있다.
이하에서는 예측기계학습모델을 설명하기 위하여 도 7을 참조한다.
도 7은 본 개시의 일 실시예에 따른 예측기계학습모델을 설명하기 위한 도면이다.
센서보정장치(100)에 포함된 데이터 학습부(110)는 예측기계학습모델(720)을 생성할 수 있다. 예측기계학습모델(720)은 현재의 측정데이터에 기초하여 미리 정해진 시간 이후의 미래의 측정데이터를 예측하기 위한 기계학습모델일 수 있다. 센서보정장치(100)는 복수의 제 1 과거 측정데이터 및 복수의 제 2 과거 측정데이터를 수신할 수 있다. 복수의 제 1 과거 측정데이터는 복수의 제 2 과거 측정데이터와 일대일로 대응될 수 있다. 제 2 과거 측정데이터는 제 1 과거 측정데이터 이후에 측정된 데이터일 수 있다. 제 1 과거 측정데이터의 획득 이후에 미래에 예측된 측정데이터로써, 제 2 과거 측정데이터는 제 1 과거 측정데이터에 대한 레이블 정보로 활용될 수 있다. 제 2 과거 측정데이터는 예측기계학습모델을 생성함에 있어서 실제값(ground truth value)일 수 있다.
예측기계학습모델은 제 1 과거 측정데이터와 제 2 과거 측정데이터 사이의 상관관계를 기계학습할 수 있다. 센서보정장치(100)는 순전파 및 역전파를 반복하여 예측기계학습모델(720)을 획득할 수 있다. 센서보정장치(100)는 ARIMA(autoregressive integrated moving average) 계열, Linear 계열, Tree 계열, 및 Deep Learning 계열의 알고리즘들 중 적어도 하나를 이용하여 예측기계학습모델을 생성할 수 있다.
이상에서는 제 1 과거 측정데이터에 기반하여 제 2 과거 측정데이터를 예측하기 위한 예측기계학습모델을 설명하였으나 이에 한정되는 것은 아니다. 센서보정장치(100)는 제 1 과거 측정데이터, 기상데이터, 유동 인구 정보, 공휴일데이터, 및 추가센서데이터 중 적어도 하나에 대한 제 2 과거 측정데이터의 상관 관계를 기계학습하여 예측기계학습모델을 획득할 수도 있다.
여기서 기상데이터는 센서의 주위의 기온, 수온, 기압, 및 습도 중 적어도 하나를 포함할 수 있다. 공휴일데이터는 측정데이터의 측정 주기, 및 측정데이터가 측정되지 않는 날에 대한 정보 중 적어도 하나를 포함할 수 있다. 추가센서데이터는 제 1 과거 측정데이터 또는 제 2 과거 측정데이터와 다른 종류의 데이터로써, UVA광량데이터, UVC광량데이터, 전기전도도, PH, TOC(Total Organic Carbon), 질소량(T-N), COD(Chemical Oxygen Demand), BOD(Biochemical Oxygen Demand), TSS(Total Suspended Solids), T-P(Total Phosphorus),PO4-P(Phosphate), NH4의 양, 및 NO3의 양 중 적어도 하나를 포함할 수 있다. 유동 인구 정보는 외부의 서버로부터 수신될 수 있다. 또는 유동 인구 정보는 거의 변경되지 않는 정보이므로 미리 결정되어 있을 수 있다. 또한 유동 인구 정보는 사용자에 의하여 입력될 수도 있다. 하수의 경우, 해당 지역의 인구수와 수질의 상관관계가 높으므로, 유동 인구 정보가 수질에 주요한 영향을 미칠 수 있다.
이와 같이 센서보정장치(100)는 제 1 과거 측정데이터 뿐만 아니라 과거 기상데이터, 과거 유동 인구 정보, 과거 공휴일데이터, 및 과거 추가센서데이터 중 적어도 하나를 더 이용하여 정확하게 제 2 과거 측정데이터를 예측할 수 있는 예측기계학습모델(720)을 생성할 수 있다.
예측기계학습모델(720)은 센서보정장치(100), 데이터베이스(310), 및 서버(330) 중 적어도 하나에 저장될 수 있다. 예측기계학습모델(720)은 외부의 서버로 저장될 수도 있다.
센서보정장치(100)에 포함된 데이터 인식부(120)는 예측기계학습모델(720)을 이용하여 예측된 측정데이터(740)를 획득하는 단계를 수행할 수 있다. 보다 구체적으로 센서보정장치(100)는 측정데이터(731)를 예측기계학습모델(720)에 적용하여 예측된 측정데이터(740)를 획득할 수 있다. 측정데이터(731)는 단계(510), 단계(530), 및 단계(540) 중 하나에서 획득된 원 측정데이터, 수정된 측정데이터, 및 필터링된 측정데이터 중 적어도 하나일 수 있다.
하지만 이에 한정되는 것은 아니고 예측된 측정데이터(740)를 획득하는 단계는 다음과 같은 단계를 더 포함할 수 있다. 센서보정장치(100)는 측정데이터(731), 기상데이터, 유동 인구 정보, 공휴일데이터, 및 추가센서데이터 중 적어도 하나를 예측기계학습모델(720)에 적용하여 예측된 측정데이터(740)를 획득하는 단계를 수행할 수 있다. 센서보정장치(100)는 기상데이터, 유동 인구 정보, 공휴일데이터, 및 추가센서데이터 중 적어도 하나를 더 이용하여 예측된 측정데이터(740)의 정확도를 높일 수 있다.
도 8은 본 개시의 일 실시예에 따른 센서보정장치의 동작을 설명하기 위한 도면일 수 있다.
측정데이터는 제 1 주기로 획득되고, 센서데이터는 제 2 주기로 획득되므로 시간당 획득되는 측정데이터 및 센서데이터의 개수는 달라질 수 있다. 따라서 센서보정장치(100)는 측정데이터의 개수를 센서데이터의 개수에 맞출 수 있다.
측정데이터를 획득하는 단계(510)는 다음과 같은 단계들을 포함할 수 있다.
측정데이터는 제 1 주기로 획득된 제 N-1 측정값 및 제 N 측정값을 포함할 수 있다. 즉, 제 N-1 측정값이 획득된 후 제 1 주기 이후에 제 N 측정값이 획득될 수 있다. 도 8에서 채워진 동그라미는 실제로 사람 및 정확도가 높은 측정 장치인 애널라이저 중 적어도 하나가 측정한 측정데이터를 나타낼 수 있다. 도 8에서 비워진 동그라미는 실제 측정 없이 센서보정장치(100)에 의하여 채워진 보간 측정데이터를 의미할 수 있다.
센서보정장치(100)는 제 N-1 측정값 획득 시점부터 미리 정해진 유지시간 동안 제 2 주기로 제 N-1 측정값이 획득된 것으로 결정하는 단계를 수행할 수 있다. 즉 유지시간 동안 보간 측정데이터는 제 N-1 측정값과 동일 할 수 있다.
센서보정장치(100)는 유지시간의 이후에 제 N 측정값의 획득 시점까지 제 2 주기로 제 N-1 측정값부터 제 N 측정값까지 선형적으로 변화하면서 획득된 것으로 결정하는 단계를 수행할 수 있다. 즉, 보간 측정데이터는 변화시간동안 제 2 주기로 제 N-1 측정값부터 제 N 측정값까지 선형적으로 변화하는 값을 가질 수 있다. 변화시간은 유지시간보다 짧을 수 있다. 하지만 이에 한정되는 것은 아니고 변화시간은 유지시간보다 길거나 같을 수 있다.
이와 같이 센서보정장치(100)는 단계(510)에서 실제로 측정된 측정데이터 뿐 아니라 보간 측정데이터를 측정데이터로써 이용하여 단계(520) 내지 단계(570)를 수행할 수 있다. 즉 센서보정장치(100)는 실제로 측정된 측정데이터 뿐만 아니라 보간 측정데이터를 더 이용하여 수정된 측정데이터 및 필터링된 측정데이터를 획득할 수 있다.
이와 같이 도 8에서 설명된 과정에 기초하여 센서데이터 및 보정데이터의 수는 일치할 수 있다. 따라서 센서보정장치(100)의 보정된 센서데이터를 획득하는 과정이 단순해질 수 있다.
또한, 센서보정장치(100)는 변화시간동안에만 측정데이터가 변화하는 것 처럼 보간을 수행하여, 측정데이터의 급격한 변화가 센서데이터의 보정에 영향을 미치는 것을 최소화할 수 있다. 따라서 본 개시의 센서보정장치(100)에 따르면 보정된 센서데이터는 더 정확해질 수 있다.
센서보정장치(100)는 위와 같이 보정된 센서데이터를 정확하게 획득하기 위하여 하이퍼파라미터를 결정할 수 있다. 하이퍼파라미터는 아래와 같은 방법에 의하여 획득될 수 있다.
센서보정장치(100)는 원 측정데이터, 수정된 측정데이터, 및 필터링된 측정데이터 중 적어도 하나를 포함하는 측정데이터를 획득할 수 있다. 센서보정장치(100)는 로(raw) 센서데이터, 필터링된 센서데이터, 및 보정된 센서데이터 중 적어도 하나를 포함하는 센서데이터를 획득할 수 있다. 센서보정장치(100)는 측정데이터 및 센서데이터에 기초한 오류차분값을 획득할 수 있다. 오류차분값은 제 1 차분값 및 제 2 차분값 중 적어도 하나를 포함할 수 있다. 제 1 차분값 및 제 2 차분값에 대해서는 추후 설명한다.
센서보정장치(100)는 오류차분값을 매개변수로 하는 목적함수의 출력인 오류값이 최소가 되도록 하이퍼파라미터를 결정하는 단계를 수행할 수 있다. 하이퍼파라미터를 결정하는 방법에 대해서는 아래에서 더 자세히 설명한다.
도 9는 본 개시의 일 실시예에 따른 센서보정장치의 동작을 나타내는 흐름도이다.
도 9는 센서데이터를 최적으로 보정하기 위한 하이퍼파라미터를 결정하기 위한 방법을 개시한다. 도 9와 같은 과정에 기초하여 하이퍼파라미터가 결정될 수 있다. 도 9에서 결정된 하이퍼파라미터에 기초하여 센서보정장치(100)는 도 5에서 설명한 바와 같이 최적의 보정된 센서데이터를 획득할 수 있다. 도 9는 최적화유효시간마다 수행되고, 도 5는 보정유효시간마다 수행될 수 있다. 최적화유효시간은 보정유효시간보다 클 수 있다. 최적화유효시간은 예를 들어 1개월, 2개월, 및 1년을 포함할 수 있다. 하지만 이에 한정되는 것은 아니다.
센서보정장치(100)는 하이퍼파라미터에 포함된 제 1 파라미터 내지 제 7 파라미터의 조합별로 단계(910) 내지 단계(930)를 수행할 수 있다. 단계(910) 내지 단계(930)가 수행되기 위해서는 제 1 파라미터 내지 제 7 파라미터의 조합별로 도 5의 단계(510) 내지 단계(570)를 수행하여 보정된 센서데이터를 획득해야할 수 있다. 센서보정장치(100)는 제 1 파라미터 내지 제 7 파라미터의 조합 별로 도 5에 따라 시뮬레이션을 수행하여 최적의 하이퍼파라미터를 찾을 수 있다. 센서보정장치(100)는 조합별 오류값을 획득한 후에 오류값이 가장 작은 하이퍼파라미터의 조합을 최적 하이퍼파라미터로 결정할 수 있다. 센서보정장치(100)는 최적 하이퍼파라미터에 포함된 제 1 파라미터 내지 제 7 파라미터를 이용하여 최적화유효시간동안 도 5의 단계(510) 내지 단계(570) 중 적어도 하나를 수행하여 보정된 센서데이터를 획득할 수 있다.
센서보정장치(100)는 측정데이터 및 센서데이터에 기초한 오류차분값을 획득할 수 있다. 오류차분값은 제 1 차분값 및 제 2 차분값 중 적어도 하나를 포함할 수 있다.
센서보정장치(100)는 측정데이터 및 센서데이터의 차이를 나타내는 제 1 차분값을 획득하는 단계(910)를 수행할 수 있다. 보다 구체적으로 센서보정장치(100)는 원 측정데이터, 수정된 측정데이터, 및 필터링된 측정데이터 중 하나 및 로 센서데이터, 필터링된 센서데이터, 및 보정된 센서데이터 중 하나의 차이의 평균을 나타내는 제 1 차분값을 획득하는 단계(910)를 수행할 수 있다. 원 측정데이터, 수정된 측정데이터, 필터링된 측정데이터, 로 센서데이터, 필터링된 센서데이터, 및 보정된 센서데이터에 대해서는 이미 설명하였으므로 중복되는 설명은 생략한다.
센서보정장치(100)가 필터링된 측정데이터 및 보정된 센서데이터를 이용한 다면 다음과 같은 과정이 수행될 수 있다. 필터링된 측정데이터에서 필터링된 측정데이터에 대응하는 보정된 센서데이터가 차감되어 차감데이터가 생성될 수 있다. 즉, 필터링된 측정데이터에 포함되는 필터링된 측정값에서 보정된 센서데이터에 포함된 보정된 센서값이 차감되어 차감데이터에 포함된 차감값이 생성될 수 있다. 차감데이터에 포함된 복수의 차감값의 절대값의 평균이 제 1 차분값일 수 있다. 하지만 이에 한정되는 것은 아니며, 필터링된 측정데이터의 평균에서 보정된 센서데이터의 평균이 차감되어 절대값을 취한 값이 제 1 차분값일 수도 있다.
제 1 차분값은 아래 식 3과 같을 수 있다.
(식 3)
여기서 M_i는 필터링된 측정값을 나타내며, 필터링된 측정데이터에 포함될 수 있다. S_i는 보정된 센서값을 나타내며, 보정된 센서데이터에 포함될 수 있다. N는 필터링된 측정데이터에 포함된 필터링된 측정값의 개수 또는 보정된 센서데이터에 포함된 보정된 센서값의 개수를 나타낼 수 있다.
이상에서는 평균을 이용하여 제 1 차분값을 획득하였으나, 이에 한정되는 것은 아니며, 센서보정장치(100)는 최대값, 최소값 및 중앙값 중 하나에 기초하여 제 1 차분값을 획득할 수도 있다. 또한, 이상에서 필터링된 측정데이터 및 보정된 센서데이터를 이용하는 구성에 대해서만 기재하였으나 이에 한정되는 것은 아니며, 원 측정데이터, 수정된 측정데이터, 및 필터링된 측정데이터 중 적어도 하나 및 로 센서데이터, 필터링된 센서데이터, 및 보정된 센서데이터 중 하나가 이용될 수 있다.
센서보정장치(100)는 측정데이터의 표준편차, 및 센서데이터의 표준편차의 차이를 나타내는 제 2 차분값을 획득하는 단계(920)를 수행할 수 있다. 보다 구체적으로 센서보정장치(100)는 원 측정데이터, 수정된 측정데이터, 및 필터링된 측정데이터 중 하나의 표준편차 및 로 센서데이터, 필터링된 센서데이터, 및 보정된 센서데이터 중 하나의 표준편차의 차이를 나타내는 제 2 차분값을 획득하는 단계(920)를 수행할 수 있다.
센서보정장치(100)가 필터링된 측정데이터 및 보정된 센서데이터를 이용한 다면 다음과 같은 과정이 수행될 수 있다. 센서보정장치(100)는 필터링된 측정데이터의 표준편차, 및 보정된 센서데이터의 표준편차의 차이의 절대값을 제 2 차분값으로 결정할 수 있다.
즉, 제 2 차분값은 아래 식 4와 같을 수 있다.
|SDM- SDS| (식 4)
여기서 SDM은 필터링된 측정데이터의 표준편차를 나타내고, SDS는 보정된 센서데이터의 표준편차를 나타낼 수 있다.
센서보정장치(100)는 제 1 차분값 및 제 2 차분값 중 적어도 하나를 매개변수로 하는 목적함수의 출력인 오류값이 최소가 되도록 하이퍼파라미터를 결정하는 단계(930)를 수행할 수 있다. 이미 설명한 바와 같이 제 1 차분값 및 제 2 차분값은 오류차분값에 포함될 수 있다.
목적함수는 아래 식 5와 같을 수 있다.
(식 5)
여기서 L은 오류값을 나타낼 수 있다.
하지만 목적함수는 식 5에 한정되는 것은 아니다. 제 1 차분값에만 기초하여 목적함수가 생성될 수도 있다. 예를 들어 제 1 차분값에 정비례하는 값이 목적함수일 수도 있다. 또한, 제 2 차분값에만 기초하여 목적함수가 생성될 수도 있다. 즉 제 2 차분값에 정비례하는 값이 목적함수일 수 있다.
센서보정장치(100)는 하이퍼파라미터에 포함된 제 1 파라미터 내지 제 7 파라미터의 조합별 오류값을 획득할 수 있다. 센서보정장치(100)는 오류값이 가장 작은 하이퍼파라미터의 조합을 최적 하이퍼파라미터로 결정할 수 있다. 센서보정장치(100)는 최적 하이퍼파라미터에 포함된 제 1 파라미터 내지 제 7 파라미터를 이용하여 최적화유효시간동안 도 5의 단계(510) 내지 단계(570) 중 적어도 하나를 수행하여 보정된 센서데이터를 획득할 수 있다.
하이퍼파라미터는 측정데이터의 피크값을 완화(mitigation)하여 수정된 측정데이터를 획득하기 위한 방법과 관련된 제 1 파라미터를 포함할 수 있다. 제 1 파라미터는 원 측정데이터 및 필터링된 측정데이터 중 하나의 피크값을 완화(mitigation)하여 수정된 측정데이터를 획득하기 위한 방법과 관련될 수 있다. 이미 설명한 바와 같이 제 1 파라미터는 제 1-1 전처리 및 제 1-2 전처리 중 하나를 나타낼 수 있다. 하지만 이에 한정되는 것은 아니고, 제 1 파라미터는 제 1-1 전처리, 제 1-2 전처리, 및 제 1-3 전처리 중 하나를 나타낼 수 있다.
제 1-1 전처리는 식 1에 기초하여 측정데이터로부터 수정된 측정데이터를 획득할 수 있다. 제 1-2 전처리는 식 2에 기초하여 측정데이터로부터 수정된 측정데이터를 획득할 수 있다. 제 1-1 전처리 및 제 1-2 전처리에 대해서는 이미 설명하였으므로 중복되는 설명은 생략한다.
식 1 및 식 2는 제 5 파라미터인 p를 포함하고, p는 0보다 크고 1보다 작을 수 있다. 하이퍼파라미터는 제 5 파라미터를 포함할 수 있다.
만약 단계(530)가 사용되지 않는다면 제 1 파라미터 및 제 5 피라미터는 결정되지 않을 수 있다.
하이퍼파라미터는 측정데이터에 노이즈 필터를 적용하여 필터링된 측정데이터를 획득하기 위한 방법과 관련된 제 2 파라미터를 포함할 수 있다. 제 2 파라미터는 원 측정데이터 및 수정된 측정데이터 중 하나에 노이즈 필터를 적용하여 필터링된 측정데이터를 획득하기 위한 방법과 관련될 수 있다.
또한, 하이퍼파라미터는 로(raw) 센서데이터에 노이즈 필터를 적용하여 필터링된 센서데이터를 획득하기 위한 방법과 관련된 제 3 파라미터를 포함할 수 있다. 제 2 파라미터 및 제 3 파라미터는 동일할 수도 다를 수도 있다. 만약 단계(540)가 사용되지 않는다면 제 2 파라미터 및 제 6-1 피라미터는 결정되지 않을 수 있다. 만약 단계(550)가 사용되지 않는다면 제 3 파라미터 및 제 6-2 피라미터는 결정되지 않을 수 있다.
제 2 파라미터는 제 2-1 전처리 및 제 2-2 전처리 중 하나를 나타내고, 제 3 파라미터는 제 3-1 전처리 및 제 3-2 전처리 중 하나를 나타낼 수 있다. 하지만 이에 한정되는 것은 아니며, 제 2 파라미터는 제 2-1 전처리, 제 2-2 전처리, 및 제 2-3 전처리 중 하나를 나타내고, 제 3 파라미터는 제 3-1 전처리, 제 3-2 전처리, 및 제 3-3 전처리 중 하나를 나타낼 수 있다. 제 2-1 전처리는 제 3-1 전처리에 대응되고 제 2-2 전처리는 제 3-2 전처리에 대응되고, 제 2-3 전처리는 제 3-3 전처리에 대응될 수 있다.
제 2-1 전처리 및 제 3-1 전처리는 EWMA(Exponentially-Weighted Moving Average)를 나타낼 수 있다. 제 2-2 전처리 및 제 3-2 전처리는 Moving Average를 나타낼 수 있다.
하이퍼파라미터는 제 6-1 파라미터 및 제 6-2 파라미터를 포함할 수 있다. 하이퍼파라미터에 포함되는 제 6-1 파라미터는 제 2-1 전처리 및 제 2-2 전처리 중 적어도 하나에 사용되는 윈도우 크기를 나낼 수 있다. 하이퍼파라미터에 포함되는 제 6-2 파라미터는 제 3-1 전처리, 및 제 3-2 전처리 중 적어도 하나에 사용되는 윈도우의 크기를 나타낼 수 있다.
하이퍼파라미터는 제 4 파라미터를 포함할 수 있다. 제 4 파라미터는 측정데이터 및 센서데이터에 기초하여 보정요소를 획득하는 방법과 관련될 수 있다. 제 4 파라미터는 원 측정데이터, 수정된 측정데이터, 및 필터링된 측정데이터 중 하나 및 로 센서데이터 및 필터링된 센서데이터 중 하나에 기초하여 보정요소를 획득하는 방법과 관련될 수 있다. 제 4 파라미터는 제 1 요소결정방법 및 제 2 요소결정방법 중 하나를 나타낼 수 있다. 제 1 요소결정방법은 측정데이터 및 필 센서데이터를 차감하여 보정요소를 획득하는 방법일 수 있다. 제 2 요소결정방법은 측정데이터 및 센서데이터의 비율을 보정요소로 획득하는 방법일 수 있다.
하이퍼파라미터는 제 7 파라미터를 포함할 수 있다. 제 7 파라미터는 목적함수의 출력인 오류값이 최소가 되도록 결정하기 위한 최적화 알고리즘을 나타낼 수 있다. 최적화 알고리즘은 Bayesian Optimization, Gradient-based optimization, 및 Random Search 중 적어도 하나를 포함할 수 있다. 최적화 알고리즘은 하이퍼파라미터에 포함된 제 1 파라미터 내지 제 7 파라미터 중 적어도 하나의 조합을 시도하여 오류값이 최소인 최적 하이퍼파라미터를 결정할 수 있다. 일부 최적화 알고리즘은 최대값을 찾는데 특화되어 있으므로 센서보정장치(100)는 오류값*(-1)의 최대값을 찾도록 최적화 알고리즘을 적용할 수 있다. 최적 하이퍼파라미터는 제 1 파라미터 내지 제 7 파라미터 중 적어도 하나를 포함하며, 센서보정장치(100)는 최적 하이퍼파라미터에 포함된 제 1 파라미터 내지 제 7 파라미터 중 적어도 하나를 이용하여 도 5의 단계(510) 내지 단계(570)를 수행하여 보정된 센서데이터를 획득할 수 있다. 본 개시의 최적화 과정에 의하여 센서보정장치(100)는 정확한 보정된 센서데이터를 획득할 수 있다. 센서보정장치(100)는 자동으로 보정된 센서데이터를 획득하므로 사용하는 센서부(320)를 보정하기 위하여 하폐수처리장에 방문하여 보정 작업을 할 필요가 없다. 따라서 센서부(320)의 운영에 필요한 비용이 크게 감소될 수 있다.
예를 들어 최적 하이퍼파라미터는 다음과 같은 파라미터를 포함할 수 있다. 제 1 파라미터는 제 1-2 전처리를 나타낼 수 있다. 제 5 파라미터는 0.77 이상 0.89이하를 나타낼 수 있다. 제 2 파라미터는 제 2-1 전처리를 나타낼 수 있다. 제 6-1 파라미터는 12이상 181이하를 나타낼 수 있다. 제 3 파라미터는 제 3-1 전처리를 나타낼 수 있다. 제 6-2 파라미터는 9이상 14이하를 나타낼 수 있다. 제 4 파라미터는 제 1 요소결정방법을 나타낼 수 있다. 제 7 파라미터는 Bayesian optimization을 나타낼 수 있다. 하지만 이에 한정되는 것은 아니다.
센서보정장치(100)는 센서의 종류 및 센서의 위치 중 적어도 하나에 기초하여 최적 하이퍼파라미터를 별도로 결정할 수 있다.
이미 설명한 바와 같이 필터링된 측정데이터는 필터링된 측정데이터를 예측기계학습모델에 적용하여 예측된 측정데이터를 포함할 수 있다. 예측기계학습모델은 ARIMA(autoregressive integrated moving average) 계열, Linear 계열, Tree 계열, 및 Deep Learning 계열의 알고리즘들 중 적어도 하나를 이용할 수 있다. 예측된 측정데이터는 누락된 필터링된 측정데이터를 채우기 위한 구성일 수 있으며 예측기계학습모델을 이용하여 획득될 수 있다. 예측기계학습모델에 대해서는 이미 설명하였으므로 중복되는 설명은 생략한다.
본 개시의 다양한 실시예에 따르면 센서보정장치(100)는 누락된 시점의 직전에 획득된 측정데이터를 이용하여 예측된 측정데이터를 획득할 수 있다. 또한 센서보정장치(100)는 누락된 시점의 직전에 획득된 측정데이터 및 직후에 획득된 측정데이터 중 적어도 하나에 기초하여 예측된 측정데이터를 획득할 수 있다. 예를 들어 센서보정장치(100)는 직전에 획득된 측정데이터 및 직후에 획득된 측정데이터의 평균 및 중앙값 중 하나를 예측된 측정데이터로 결정할 수도 있다. 직전에 획득된 측정데이터 및 직후에 획득된 측정데이터 중 적어도 하나를 이용하여 측정데이터를 보완하는 과정에 대해서는 이미 설명한 바 있으므로 중복되는 설명은 생략한다.
도 12는 본 개시의 센서보정장치의 효과를 설명하기 위한 도면이다.
도 12의 (a)는 최적화 이전의 센서데이터 및 보정된 센서데이터를 나타낸다. 하이퍼파라미터는 임의의 값을 이용하였다. 도 12의 (b)는 최적화 이후의 센서데이터 및 보정된 센서데이터를 나타낸다. 즉 도 12의 (b)는 최적 하이퍼파라미터를 이용하였다. 도 12의 (a)를 참조하면 데이터의 특성이 반영되지 않아 센서데이터 및 보정된 센서데이터의 차이가 큼을 알 수 있다. 하지만 도 12의 (b)를 참조하면, 데이터의 특성이 반영되어 있음을 확인할 수 있다. 또한, 보정된 센서데이터가 실제값과 거의 같음을 확인하였다.
이제까지 다양한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
한편, 상술한 본 발명의 실시예들은 컴퓨터에서 실행될 수 있는 프로그램으로 작성가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등)와 같은 저장매체를 포함한다.

Claims (11)

  1. 센서보정장치의 동작방법에 있어서,
    원 측정데이터, 수정된 측정데이터, 및 필터링된 측정데이터 중 적어도 하나를 포함하는 측정데이터 및 로(raw) 센서데이터, 필터링된 센서데이터, 및 보정된 센서데이터 중 적어도 하나를 포함하는 센서데이터에 기초한 오류차분값을 획득하는 단계; 및
    상기 오류차분값을 매개변수로 하는 목적함수의 출력인 오류값이 최소가 되도록 하이퍼파라미터를 결정하는 단계를 포함하고,
    상기 하이퍼파라미터는 상기 원 측정데이터 및 상기 필터링된 측정데이터 중 하나의 피크값을 완화(mitigation)하여 상기 수정된 측정데이터를 획득하기 위한 방법과 관련된 제 1 파라미터를 포함하고,
    상기 하이퍼파라미터는 상기 제 1 파라미터에 의하여 선택된 전처리 방법에 이용되는 제 5 파라미터를 포함하는 센서보정장치의 동작방법.
  2. 삭제
  3. 제 1 항에 있어서,
    상기 하이퍼파라미터는,
    상기 원 측정데이터 및 상기 수정된 측정데이터 중 하나에 노이즈 필터를 적용하여 상기 필터링된 측정데이터를 획득하기 위한 방법과 관련된 제 2 파라미터; 및
    상기 로(raw) 센서데이터에 노이즈 필터를 적용하여 상기 필터링된 센서데이터를 획득하기 위한 방법과 관련된 제 3 파라미터를 포함하고,
    상기 제 2 파라미터는 제 2-1 전처리 및 제 2-2 전처리 중 하나를 나타내고,
    상기 제 3 파라미터는 제 3-1 전처리 및 제 3-2 전처리 중 하나를 나타내고,
    상기 제 2-1 전처리 및 상기 제 3-1 전처리는 EWMA(Exponentially-Weighted Moving Average)를 나타내고,
    상기 제 2-2 전처리 및 상기 제 3-2 전처리는 Moving Average를 나타내고,
    상기 하이퍼파라미터에 포함되는 제 6-1 파라미터는 상기 제 2-1 전처리 및 상기 제 2-2 전처리 중 적어도 하나에 사용되는 윈도우 크기를 나타내고,
    상기 하이퍼파라미터에 포함되는 제 6-2 파라미터는 상기 제 3-1 전처리, 및 상기 제 3-2 전처리 중 적어도 하나에 사용되는 윈도우의 크기를 나타내는 센서보정장치의 동작방법.
  4. 제 1 항에 있어서,
    상기 하이퍼파라미터는 상기 측정데이터 및 상기 센서데이터에 기초하여 보정요소를 획득하는 방법과 관련된 제 4 파라미터를 포함하고,
    상기 제 4 파라미터는 제 1 요소결정방법 및 제 2 요소결정방법 중 하나를 나타내고,
    상기 제 1 요소결정방법은 상기 측정데이터 및 상기 센서데이터를 차감하여 상기 보정요소를 획득하고,
    상기 제 2 요소결정방법은 상기 측정데이터 및 상기 센서데이터의 비율을 상기 보정요소로 획득하는 센서보정장치의 동작방법.
  5. 제 1 항에 있어서,
    상기 하이퍼파라미터는 제 7 파라미터를 포함하고,
    상기 제 7 파라미터는 상기 목적함수의 출력인 오류값이 최소가 되도록 결정하기 위한 최적화 알고리즘을 나타내고,
    상기 최적화 알고리즘은 Bayesian Optimization, Gradient-based optimization, 및 Random Search 중 적어도 하나를 포함하는 센서보정장치의 동작방법.
  6. 제 1 항에 있어서,
    상기 측정데이터는 상기 측정데이터를 예측기계학습모델에 적용하여 획득된 예측된 측정데이터를 포함하고,
    상기 예측기계학습모델은 ARIMA(autoregressive integrated moving average) 계열, Linear 계열, Tree 계열, 및 Deep Learning 계열의 알고리즘들 중 적어도 하나를 이용하는 센서보정장치의 동작방법.
  7. 센서보정장치의 동작방법에 있어서,
    제 1 주기로 상대적으로 정확도가 높은 측정데이터를 획득하는 단계;
    상기 제 1 주기보다 작은 제 2 주기로 상대적으로 정확도가 낮은 센서데이터를 획득하는 단계;
    하이퍼파라미터, 상기 측정데이터, 및 상기 센서데이터에 기초한 보정요소를 획득하는 단계; 및
    상기 보정요소에 기초하여 현재 센서데이터를 수정하여 보정된 센서데이터를 실시간으로 획득하는 단계를 포함하고,
    상기 측정데이터는 원 측정데이터, 수정된 측정데이터, 및 필터링된 측정데이터 중 적어도 하나를 포함하고,
    상기 센서데이터는 로(raw) 센서데이터 및 필터링된 센서데이터 중 적어도 하나를 포함하고,
    상기 보정된 센서데이터를 실시간으로 획득하는 단계는,
    상기 보정요소를 획득한 후 미리 정해진 보정유효시간 동안, 상기 보정요소에 기초하여 상기 현재 센서데이터를 수정하여 보정된 센서데이터를 실시간으로 획득하는 단계; 및
    상기 보정유효시간의 이후에 새로운 보정요소를 획득하는 단계를 포함하는 센서보정장치의 동작방법.
  8. 삭제
  9. 제 7 항에 있어서,
    상기 보정요소를 획득하는 단계는,
    하이퍼파라미터에 기초하여 상기 원 측정데이터에서 피크값을 완화(mitigation)하기 위한 제 1 전처리를 수행하여 상기 수정된 측정데이터를 획득하는 단계;
    상기 하이퍼파라미터에 기초하여 상기 수정된 측정데이터에 노이즈 필터를 적용하는 제 2 전처리를 수행하여 상기 필터링된 측정데이터를 획득하는 단계;
    상기 하이퍼파라미터에 기초하여 상기 로 센서데이터에 노이즈 필터를 적용하는 제 3 전처리를 수행하여 상기 필터링된 센서데이터를 획득하는 단계; 및
    상기 하이퍼파라미터, 상기 필터링된 측정데이터 및 상기 필터링된 센서데이터에 기초한 보정요소를 획득하는 단계를 포함하는 센서보정장치의 동작방법.
  10. 제 7 항에 있어서,
    상기 측정데이터를 획득하는 단계는,
    상기 측정데이터, 기상데이터, 유동 인구 정보, 공휴일데이터, 및 추가센서데이터 중 적어도 하나를 예측기계학습모델에 적용하여 예측된 측정데이터를 획득하는 단계를 포함하고,
    상기 측정데이터는 상기 예측된 측정데이터를 포함하는 센서보정장치의 동작방법.
  11. 제 7 항에 있어서,
    상기 측정데이터는 상기 제 1 주기로 획득된 제 N-1 측정값 및 제 N 측정값을 포함하고,
    상기 측정데이터를 획득하는 단계는,
    상기 제 N-1 측정값 획득 시점부터 미리 정해진 유지시간 동안 상기 제 2 주기로 상기 제 N-1 측정값이 획득된 것으로 결정하는 단계; 및
    상기 유지시간의 이후에 상기 제 N 측정값의 획득 시점까지 상기 제 2 주기로 상기 제 N-1 측정값부터 상기 제 N 측정값까지 선형적으로 변화하면서 획득된 것으로 결정하는 단계를 포함하는 센서보정장치의 동작방법.
KR1020230110053A 2023-08-22 2023-08-22 센서보정장치 및 센서보정장치의 동작 방법 KR102641807B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020230110053A KR102641807B1 (ko) 2023-08-22 2023-08-22 센서보정장치 및 센서보정장치의 동작 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020230110053A KR102641807B1 (ko) 2023-08-22 2023-08-22 센서보정장치 및 센서보정장치의 동작 방법

Publications (1)

Publication Number Publication Date
KR102641807B1 true KR102641807B1 (ko) 2024-02-27

Family

ID=90058478

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020230110053A KR102641807B1 (ko) 2023-08-22 2023-08-22 센서보정장치 및 센서보정장치의 동작 방법

Country Status (1)

Country Link
KR (1) KR102641807B1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101229571B1 (ko) * 2011-08-02 2013-02-04 전자부품연구원 센서 캘리브레이션 시스템 및 그 방법
KR20200021767A (ko) * 2018-08-21 2020-03-02 두산중공업 주식회사 학습된 모델을 이용한 해석 장치 및 이를 위한 방법
KR102107378B1 (ko) * 2017-10-31 2020-05-07 삼성에스디에스 주식회사 하이퍼파라미터 자동 최적화 방법 및 그 장치
KR20200131831A (ko) * 2018-03-22 2020-11-24 유니버시티 오브 헬싱키 센서 교정
KR102475108B1 (ko) * 2020-11-02 2022-12-07 강릉원주대학교산학협력단 최적화된 하이퍼파라미터를 갖는 기계 학습 모델링 자동화 방법 및 이를 이용한 기계 학습 모델링 자동화 시스템
KR102493719B1 (ko) * 2022-05-16 2023-02-06 주식회사 에어콕 통합 공기질 예측 시스템

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101229571B1 (ko) * 2011-08-02 2013-02-04 전자부품연구원 센서 캘리브레이션 시스템 및 그 방법
KR102107378B1 (ko) * 2017-10-31 2020-05-07 삼성에스디에스 주식회사 하이퍼파라미터 자동 최적화 방법 및 그 장치
KR20200131831A (ko) * 2018-03-22 2020-11-24 유니버시티 오브 헬싱키 센서 교정
KR20200021767A (ko) * 2018-08-21 2020-03-02 두산중공업 주식회사 학습된 모델을 이용한 해석 장치 및 이를 위한 방법
KR102475108B1 (ko) * 2020-11-02 2022-12-07 강릉원주대학교산학협력단 최적화된 하이퍼파라미터를 갖는 기계 학습 모델링 자동화 방법 및 이를 이용한 기계 학습 모델링 자동화 시스템
KR102493719B1 (ko) * 2022-05-16 2023-02-06 주식회사 에어콕 통합 공기질 예측 시스템

Similar Documents

Publication Publication Date Title
Shi et al. Novel performance prediction model of a biofilm system treating domestic wastewater based on stacked denoising auto-encoders deep learning network
Wang et al. A deep learning based dynamic COD prediction model for urban sewage
Haimi et al. Data-derived soft-sensors for biological wastewater treatment plants: An overview
Yang et al. Prediction of effluent quality in a wastewater treatment plant by dynamic neural network modeling
Farhi et al. Prediction of wastewater treatment quality using LSTM neural network
Baxter et al. Development of a full-scale artificial neural network model for the removal of natural organic matter by enhanced coagulation
KR102440371B1 (ko) 빅데이터 및 인공지능 기반의 하수처리시설의 방류수 환경 정보 관리 방법, 장치 및 컴퓨터-판독가능 기록매체
Wei Modeling and optimization of wastewater treatment process with a data-driven approach
Do et al. A design of higher-level control based genetic algorithms for wastewater treatment plants
US20220194830A1 (en) Cooperative optimal control method and system for wastewater treatment process
Szeląg et al. Application of Selected Methods of Artificial Intelligence to Activated Sludge Settleability Predictions.
Qambar et al. Development of local and global wastewater biochemical oxygen demand real-time prediction models using supervised machine learning algorithms
Quintero Optimization of Urban Wastewater Systems using Model Based Design and Control: UNESCO-IHE PhD Thesis
CN104914227A (zh) 基于多高斯核自优化相关向量机的污水水质软测量方法
CN113077847B (zh) 在线模型水质转换方法、系统、电子设备及介质
KR102641807B1 (ko) 센서보정장치 및 센서보정장치의 동작 방법
JP2013161336A (ja) 監視対象量予測方法及び監視対象量予測装置
JP4146610B2 (ja) 濁度予測システム、濁度制御システムおよび濁度管理システム
CN116679026A (zh) 自适应无偏有限脉冲响应滤波的污水溶解氧浓度估计方法
Seggelke et al. Online-simulation of the WWTP to minimise the total emission of WWTP and sewer system
Salles et al. Dynamic setpoint optimization using metaheuristic algorithms for wastewater treatment plants
KR102679484B1 (ko) 인공지능을 이용한 송풍제어장치 및 송풍제어장치의 동작 방법
JP7484578B2 (ja) 水処理施設の運転支援装置及び運転支援方法
Corominas Tabares Control and optimization of an SBR for nitrogen removal: from model calibration to plant operation
Barbusiński et al. Simulation of the influence of wastewater quality indicators and operating parameters of a bioreactor on the variability of nitrogen in outflow and bulking of sludge: Data mining approach

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant