KR102658008B1 - Sensing optimization system and method of IoT devices using artificial intelligence technology - Google Patents
Sensing optimization system and method of IoT devices using artificial intelligence technology Download PDFInfo
- Publication number
- KR102658008B1 KR102658008B1 KR1020210173485A KR20210173485A KR102658008B1 KR 102658008 B1 KR102658008 B1 KR 102658008B1 KR 1020210173485 A KR1020210173485 A KR 1020210173485A KR 20210173485 A KR20210173485 A KR 20210173485A KR 102658008 B1 KR102658008 B1 KR 102658008B1
- Authority
- KR
- South Korea
- Prior art keywords
- internet
- sensing
- data
- artificial intelligence
- standard
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 48
- 238000005457 optimization Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims description 40
- 238000005516 engineering process Methods 0.000 title abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000009434 installation Methods 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 17
- 238000012896 Statistical algorithm Methods 0.000 claims description 8
- 238000000611 regression analysis Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 239000002699 waste material Substances 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000012854 evaluation process Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000035755 proliferation Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
Landscapes
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
본 발명은 인공지능기술을 이용한 사물인터넷 디바이스의 센싱 최적화 기술에 관한 것으로서, 일실시예에 따른 사물인터넷 디바이스의 센싱 최적화 시스템은 장비에서 수집한 센싱데이터를 사물인터넷 디바이스를 통해 수신하는 센싱데이터 수신부, 상기 수신된 센싱데이터에 대해 인공지능 알고리즘을 적용하여 표준 프로파일정보를 생성하는 인공지능 처리부, 상기 생성된 표준 프로파일정보가 반영된 펌웨어를 생성하는 펌웨어 생성부, 및 상기 생성된 펌웨어를 상기 사물인터넷 디바이스에 설치되도록 제어하는 펌웨어 설치제어부를 포함할 수 있다.The present invention relates to sensing optimization technology for Internet of Things devices using artificial intelligence technology. The sensing optimization system for Internet of Things devices according to one embodiment includes a sensing data receiver that receives sensing data collected from equipment through an Internet of Things device; An artificial intelligence processing unit that generates standard profile information by applying an artificial intelligence algorithm to the received sensing data, a firmware generation unit that generates firmware reflecting the generated standard profile information, and the generated firmware to the Internet of Things device. It may include a firmware installation control unit that controls installation.
Description
본 발명은 인공지능기술을 이용한 사물인터넷 디바이스의 센싱 최적화 기술에 관한 것으로서, 보다 상세하게는 수신된 센싱데이터에 대한 최적치를 계산하여 상기 표준 프로파일정보를 생성하고, 이를 활용하여 센서에 펌웨어를 업데이트 하는 기술에 관한 것이다.The present invention relates to sensing optimization technology for Internet of Things devices using artificial intelligence technology. More specifically, it involves calculating the optimal value for received sensing data to generate the standard profile information and using it to update the firmware in the sensor. It's about technology.
사물인터넷(Internet of Things)은 세상에 존재하는 유형 혹은 무형의 객체들이 다양한 방식으로 서로 연결되어 개별 객체들이 제공하지 못했던 새로운 서비스를 제공하는 것을 의미한다. 사물인터넷은 단어의 뜻 그대로 '사물들(things)'이 '서로 연결된(Internet)'것 또는 '사물들로 구성된 인터넷'으로 해석될 수 있다.The Internet of Things means that tangible or intangible objects existing in the world are connected to each other in various ways to provide new services that individual objects could not provide. As the word implies, the Internet of Things can be interpreted as 'things' connected to each other (Internet)' or 'the Internet composed of things'.
또한, 사물인터넷은 기존의 인터넷이 컴퓨터나 무선 인터넷이 가능했던 휴대전화들이 서로 연결되어 구성되었던 것과는 달리, 책상, 자동차, 가방, 나무, 애완견 등 세상에 존재하는 모든 사물이 연결되어 구성된 인터넷이라 할 수 있다.In addition, unlike the existing Internet, which consisted of computers and mobile phones capable of wireless Internet connected to each other, the Internet of Things can be said to be an Internet composed of all objects in the world, such as desks, cars, bags, trees, and pet dogs, connected to each other. there is.
사물인터넷은 연결되는 대상에 있어서 책상이나 자동차처럼 단순히 유형의 사물에만 국한되지 않으며, 교실, 커피숍, 버스정류장 등 공간은 물론 상점의 결제 프로세스 등 무형의 사물까지도 그 대상에 포함한다.The Internet of Things is not limited to simply tangible objects such as desks or cars in terms of connected objects, but also includes spaces such as classrooms, coffee shops, and bus stops, as well as intangible objects such as payment processes in stores.
따라서, 사물인터넷을 기반으로 하는 사물인터넷 디바이스는 기본적으로 센서와 다른 기기와의 연결을 위한 통신모듈을 구비해야 한다.Therefore, IoT devices based on the Internet of Things must basically be equipped with a communication module for connection to sensors and other devices.
예를 들어, 사물인터넷 디바이스를 통해서는, 침대가 사람이 자고 있는지를 스스로 인지한 후 자동으로 실내등이 켜지거나 꺼지도록 할 수 있는데, 사물인터넷 디바이스는 사람이 자고 있는지를 스스로 인지하기 위한 센서, 실내등을 제어하기 위한 통신모듈을 기본으로 포함할 수 있다.For example, through an Internet of Things device, a bed can automatically detect whether a person is sleeping and then automatically turn the interior light on or off. A communication module for controlling can be included as standard.
그러나, 사물인터넷 디바이스를 구성하는 센서들은 제품 가격이나 및 제조사에 따라 센싱 오차가 다르다.However, the sensors that make up IoT devices have different sensing errors depending on the product price and manufacturer.
이를 보정하기 위해, 근래에는 사물인터넷 디바이스로부터 직접 데이터 및 로그를 추출하여 별도의 장비를 통해 최대값, 최소값, 이상치, 결측치 등을 분석 후 최적 센싱범위를 확인 후 수정된 펌웨어를 직접 설치하였다.To correct this, recently, data and logs were extracted directly from IoT devices, the maximum value, minimum value, outlier value, missing value, etc. were analyzed using separate equipment, and the optimal sensing range was confirmed and the modified firmware was directly installed.
최적 센싱범위를 직접 산출하고, 사물인터넷 디바이스를 하나씩 찾아다니면서 펌웨어를 설치하는데 따른 자원 낭비가 심각한 실정이다.There is a serious waste of resources due to directly calculating the optimal sensing range and installing firmware while searching for IoT devices one by one.
본 발명은 센서의 가격 및 제조사에 따라 발생하는 센싱 오차를 줄이는 것을 목적으로 한다.The purpose of the present invention is to reduce sensing errors that occur depending on the price and manufacturer of the sensor.
본 발명은 사물인터넷 디바이스를 하나씩 찾아다니면서 펌웨어를 직접 설치하는데 따른 자원 낭비를 줄이는 것을 목적으로 한다.The purpose of the present invention is to reduce resource waste caused by searching for Internet of Things devices one by one and installing firmware directly.
일실시예에 따른 사물인터넷 디바이스의 센싱 최적화 시스템은 장비에서 수집한 센싱데이터를 사물인터넷 디바이스를 통해 수신하는 센싱데이터 수신부, 상기 수신된 센싱데이터에 대해 인공지능 알고리즘을 적용하여 표준 프로파일정보를 생성하는 인공지능 처리부, 상기 생성된 표준 프로파일정보가 반영된 펌웨어를 생성하는 펌웨어 생성부, 및 상기 생성된 펌웨어를 상기 사물인터넷 디바이스에 설치되도록 제어하는 펌웨어 설치제어부를 포함할 수 있다.A sensing optimization system for an Internet of Things device according to an embodiment includes a sensing data receiver that receives sensing data collected from equipment through an Internet of Things device, and an artificial intelligence algorithm is applied to the received sensing data to generate standard profile information. It may include an artificial intelligence processing unit, a firmware creation unit that generates firmware reflecting the generated standard profile information, and a firmware installation control unit that controls the generated firmware to be installed on the Internet of Things device.
일실시예에 따른 표준 프로파일정보는, 상기 수신된 센싱데이터로부터 분석된 최대치, 최소치, 이상치, 또는 결측치 중에서 적어도 하나를 기반으로 산출되는 상기 사물인터넷 디바이스의 최적 센싱범위를 포함할 수 있다.Standard profile information according to one embodiment may include an optimal sensing range of the Internet of Things device calculated based on at least one of the maximum value, minimum value, outlier value, or missing value analyzed from the received sensing data.
일실시예에 따른 상기 인공지능 처리부는, 상기 수신된 센싱데이터의 이상치 및 결측치를 보정하고, 상기 보정된 센싱데이터와, 상기 인공지능 알고리즘을 이용하여 학습한 표준데이터를 비교연산하여 최적치를 계산하며, 상기 계산된 최적치를 반영하여 상기 표준 프로파일정보를 생성할 수 있다.The artificial intelligence processing unit according to one embodiment corrects outliers and missing values of the received sensing data, calculates an optimal value by comparing and calculating the corrected sensing data and standard data learned using the artificial intelligence algorithm, and , the standard profile information can be generated by reflecting the calculated optimal value.
일실시예에 따른 상기 인공지능 처리부는, 칼만필터 알고리즘 또는 확률통계 알고리즘 중에서 적어도 하나의 알고리즘을 이용하여, 상기 최적치를 계산할 수 있다.The artificial intelligence processing unit according to one embodiment may calculate the optimal value using at least one algorithm among a Kalman filter algorithm or a probabilistic statistical algorithm.
일실시예에 따른 상기 인공지능 처리부는, 상기 수신된 센싱데이터에 대해, 데이터 증식 과정을 통해 상기 표준데이터를 생성할 수 있다.The artificial intelligence processing unit according to one embodiment may generate the standard data for the received sensing data through a data multiplication process.
일실시예에 따른 상기 인공지능 처리부는, 상기 보정된 센싱데이터와, 상기 표준데이터를 비교연산하여 테스트 데이터 세트를 생성하고, 상기 생성된 테스트 데이터 세트에 대해 모델 평가 기준을 적용하여 성능을 평가하며, 상기 평가된 성능이 기준치를 통과한 경우에만, 상기 표준 프로파일정보를 생성할 수 있다.The artificial intelligence processing unit according to one embodiment generates a test data set by comparing and calculating the corrected sensing data and the standard data, and evaluates performance by applying model evaluation criteria to the generated test data set. , only when the evaluated performance passes the standard value, the standard profile information can be generated.
일실시예에 따른 상기 모델 평가 기준은 MSE, MAE, RMSE, R-squared 중에서 적어도 하나 이상의 회귀분석 성능 평가법에 기반할 수 있다.The model evaluation criteria according to one embodiment may be based on at least one regression analysis performance evaluation method among MSE, MAE, RMSE, and R-squared.
일실시예에 따른 상기 펌웨어 설치제어부는, 상기 생성된 펌웨어를 OTA(Over the air) 방식으로 상기 사물인터넷 디바이스에 설치되도록 제어할 수 있다.The firmware installation control unit according to one embodiment may control the generated firmware to be installed on the Internet of Things device in an OTA (Over the air) method.
일실시예에 따른 사물인터넷 디바이스의 센싱 최적화 방법은 장비에서 수집한 센싱데이터를 사물인터넷 디바이스를 통해 수신하는 단계, 상기 수신된 센싱데이터에 대해 인공지능 알고리즘을 적용하여 표준 프로파일정보를 생성하는 단계, 상기 생성된 표준 프로파일정보가 반영된 펌웨어를 생성하는 단계, 및 상기 생성된 펌웨어를 OTA(Over the air) 방식으로 상기 사물인터넷 디바이스에 설치되도록 제어하는 단계를 포함할 수 있다.A sensing optimization method for an Internet of Things device according to an embodiment includes receiving sensing data collected from equipment through an Internet of Things device, applying an artificial intelligence algorithm to the received sensing data to generate standard profile information, It may include generating firmware reflecting the generated standard profile information, and controlling the generated firmware to be installed on the Internet of Things device in an OTA (Over the air) manner.
일실시예에 따른 상기 표준 프로파일정보는, 상기 수신된 센싱데이터로부터 분석된 최대치, 최소치, 이상치, 또는 결측치 중에서 적어도 하나를 기반으로 산출되는 상기 사물인터넷 디바이스의 최적 센싱범위를 포함할 수 있다.The standard profile information according to one embodiment may include an optimal sensing range of the Internet of Things device calculated based on at least one of the maximum value, minimum value, outlier value, or missing value analyzed from the received sensing data.
일실시예에 따른 상기 표준 프로파일정보를 생성하는 단계는, 상기 수신된 센싱데이터의 이상치 및 결측치를 보정하는 단계, 상기 보정된 센싱데이터와, 상기 인공지능 알고리즘을 이용하여 학습한 표준데이터를 비교연산하여 최적치를 계산하는 단계, 및 상기 계산된 최적치를 반영하여 상기 표준 프로파일정보를 생성하는 단계를 포함할 수 있다.The step of generating the standard profile information according to one embodiment includes correcting outliers and missing values of the received sensing data, and comparing the corrected sensing data and standard data learned using the artificial intelligence algorithm. It may include calculating the optimal value, and generating the standard profile information by reflecting the calculated optimal value.
일실시예에 따른 상기 보정된 센싱데이터와, 상기 인공지능 알고리즘을 이용하여 학습한 표준데이터를 비교연산하여 최적치를 계산하는 단계는, 칼만필터 알고리즘 또는 확률통계 알고리즘 중에서 적어도 하나의 알고리즘을 이용하여, 상기 최적치를 계산하는 단계를 포함할 수 있다.The step of calculating the optimal value by comparing the corrected sensing data and the standard data learned using the artificial intelligence algorithm according to one embodiment includes using at least one algorithm among the Kalman filter algorithm or the probability statistical algorithm, It may include calculating the optimal value.
일실시예에 따른 상기 표준 프로파일정보를 생성하는 단계는, 상기 보정된 센싱데이터와, 상기 표준데이터를 비교연산하여 테스트 데이터 세트를 생성하는 단계, 상기 생성된 테스트 데이터 세트에 대해, MSE, MAE, RMSE, R-squared 중에서 적어도 하나 이상의 회귀분석 성능 평가법에 기반하는 모델 평가 기준을 적용하여 성능을 평가하는 단계, 및 상기 평가된 성능이 기준치를 통과한 경우에만, 상기 표준 프로파일정보를 생성하는 단계를 더 포함할 수 있다.The step of generating the standard profile information according to one embodiment includes generating a test data set by comparing the corrected sensing data and the standard data, and for the generated test data set, MSE, MAE, Evaluating performance by applying model evaluation criteria based on at least one regression analysis performance evaluation method among RMSE and R-squared, and generating the standard profile information only when the evaluated performance passes the standard value. More may be included.
일실시예에 따르면, 센서의 가격 및 제조사에 따라 발생하는 센싱 오차를 줄일 수 있다.According to one embodiment, sensing errors that occur depending on the price and manufacturer of the sensor can be reduced.
일실시예에 따르면, 사물인터넷 디바이스를 하나씩 찾아다니면서 펌웨어를 직접 설치하는데 따른 자원 낭비를 줄일 수 있다.According to one embodiment, it is possible to reduce resource waste caused by searching for Internet of Things devices one by one and installing firmware directly.
도 1은 일실시예에 따른 사물인터넷 디바이스의 센싱 최적화 시스템이 적용된 전체 구조를 설명하는 도면이다.
도 2는 일실시예에 따른 사물인터넷 디바이스의 센싱 최적화 시스템을 구체적으로 설명하는 도면이다.
도 3a는 일실시예에 따른 센싱데이터의 증식 과정을 설명하는 도면이다.
도 3b는 일실시예에 따른 분석 및 데이터모델링 과정을 설명하는 도면이다.
도 3c는 일실시예에 따른 성능평가 과정을 설명하는 도면이다.
도 4는 일실시예에 따라 최적으로 생성된 사물인터넷 센서의 표준 프로파일정보를 설명하는 도면이다.
도 5는 일실시예에 따른 사물인터넷 디바이스의 센싱 최적화 방법을 구체적으로 설명하는 도면이다.Figure 1 is a diagram illustrating the overall structure to which a sensing optimization system for an Internet of Things device is applied according to an embodiment.
FIG. 2 is a diagram illustrating in detail a sensing optimization system for an Internet of Things device according to an embodiment.
FIG. 3A is a diagram illustrating a proliferation process of sensing data according to an embodiment.
Figure 3b is a diagram explaining the analysis and data modeling process according to one embodiment.
FIG. 3C is a diagram illustrating a performance evaluation process according to an embodiment.
Figure 4 is a diagram illustrating standard profile information of an Internet of Things sensor optimally generated according to an embodiment.
Figure 5 is a diagram specifically explaining a method for optimizing sensing of an Internet of Things device according to an embodiment.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.Specific structural or functional descriptions of the embodiments according to the concept of the present invention disclosed in this specification are merely illustrative for the purpose of explaining the embodiments according to the concept of the present invention. They may be implemented in various forms and are not limited to the embodiments described herein.
본 발명의 개념에 따른 실시예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시예들을 특정한 개시형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 변경, 균등물, 또는 대체물을 포함한다.Since the embodiments according to the concept of the present invention can make various changes and have various forms, the embodiments will be illustrated in the drawings and described in detail in this specification. However, this is not intended to limit the embodiments according to the concept of the present invention to specific disclosed forms, and includes changes, equivalents, or substitutes included in the spirit and technical scope of the present invention.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만, 예를 들어 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.Terms such as first or second 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 component, for example, a first component may be named a second component, without departing from the scope of rights according to the concept of the present invention, Similarly, the second component may also be referred to as the first component.
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 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들어 "~사이에"와 "바로~사이에" 또는 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.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. Expressions that describe the relationship between components, such as “between”, “immediately between” or “directly adjacent to”, should be interpreted similarly.
본 명세서에서 사용한 용어는 단지 특정한 실시예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terminology used herein is only used to describe specific embodiments and is not intended to limit the invention. Singular expressions include plural expressions unless the context clearly dictates otherwise. In this specification, terms such as "include" or "have" are intended to designate the presence of a described feature, number, step, operation, component, part, or combination thereof, and one or more other features or numbers, It should be understood that this does not exclude in advance the possibility of the presence or addition of steps, operations, components, parts, or combinations thereof.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless otherwise defined, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by a person of ordinary skill in the technical field to which the present invention pertains. Terms as defined in commonly used dictionaries should be interpreted as having meanings consistent with the meanings they have in the context of the related technology, and unless clearly defined in this specification, should not be interpreted in an idealized or overly formal sense. No.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 특허출원의 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.Hereinafter, embodiments will be described in detail with reference to the attached drawings. However, the scope of the patent application is not limited or limited by these examples. The same reference numerals in each drawing indicate the same members.
도 1은 일실시예에 따른 사물인터넷 디바이스의 센싱 최적화 시스템(120)이 적용된 전체 구조(100)를 설명하는 도면이다.FIG. 1 is a diagram illustrating the overall structure 100 to which the sensing optimization system 120 for an Internet of Things device is applied according to an embodiment.
사물인터넷 디바이스는 센서 및 통신기능으로 구성되어 있으며 센서의 가격 및 제조사에 따라 센싱 오차가 다르다.IoT devices consist of sensors and communication functions, and sensing errors vary depending on the price and manufacturer of the sensor.
본 발명에 따른 센싱 최적화 시스템(120)은 센싱 데이터의 오차 보정을 위해 사물인터넷 디바이스가 감시하는 다양한 장비(110)로부터 직접 데이터 및 로그를 추출하여 최대값, 최소값, 이상치, 결측치 등을 분석 후 최적 센싱범위를 확인 후 수정된 펌웨어를 직접 설치할 수 있다.The sensing optimization system 120 according to the present invention extracts data and logs directly from various equipment 110 monitored by IoT devices to correct errors in sensing data, analyzes maximum values, minimum values, outliers, missing values, etc., and optimizes After checking the sensing range, you can directly install the modified firmware.
이를 위해, 현장에 설치된 사물인터넷 디바이스는 특정 시간동안, 장비(110)에서 발생하는 데이터 및 로그 등을 센싱하고(101), 디바이스 관리를 위한 서버로 전송(102) 후 인공지능 알고리즘을 사용하여(103) 최대, 최소, 이상치, 결측치 범위에 대한 정책을 수립할 수 있다(104).To this end, the Internet of Things devices installed in the field sense data and logs generated from the equipment 110 for a specific time (101), transmit them to a server for device management (102), and then use an artificial intelligence algorithm ( 103) Policies for maximum, minimum, outlier, and missing value ranges can be established (104).
일례로, 현장에 설치된 사물인터넷 디바이스는 30분 이상의 시간동안 센싱 데이터를 수집할 수 있다. 또한, 서버에서는 센싱데이터의 이상여부를 확인하는 과정을 수행 후 인공지능 알고리즘을 통해, 최대, 최소, 이상치, 결측치 범위에 대한 정책을 수립할 수 있다.For example, IoT devices installed in the field can collect sensing data for more than 30 minutes. In addition, the server can perform a process of checking for abnormalities in the sensing data and then establish policies for the maximum, minimum, outlier, and missing value range through an artificial intelligence algorithm.
인공지능 알고리즘은 학습한 표준데이터와 비교연산하여 최적치를 계산할 수 있다. 이 과정에서, 칼만필터 알고리즘 또는 확률통계 알고리즘을 사용하여, 테스트 데이터 세트를 생성할 수 있다. 또한, 생성된 테스트 데이터 세트에 대한 성능검증 및 평가가 완료되면, 서버는 해당 정책이 반영된 펌웨어를 생성할 수 있다. 이 과정에서 서버는 MAE 지표를 활용할 수도 있다.Artificial intelligence algorithms can calculate the optimal value by comparing and calculating learned standard data. In this process, a test data set can be created using the Kalman filter algorithm or a probabilistic statistical algorithm. Additionally, once the performance verification and evaluation of the generated test data set is completed, the server can create firmware that reflects the policy. During this process, the server may utilize the MAE indicator.
즉, 서버는 인공지능 알고리즘으로부터 정책을 수집하고(105), OTA방식으로 펌웨어를 배포(106)하여 다종, 다량의 사물인터넷 디바이스가 동일한 센싱 정책에 기반하여 동작할 수 있도록 한다.In other words, the server collects policies from the artificial intelligence algorithm (105) and distributes firmware through OTA (106) so that various types of IoT devices can operate based on the same sensing policy.
센서 사용은 산업 및 조직에서 매우 일반적이나, 사물인터넷을 위한 플랫폼은 다양한 센서를 사용하여 다양한 종류의 인텔리전스와 데이터를 작동하고 전달한다.The use of sensors is very common in industries and organizations, but platforms for the Internet of Things use a variety of sensors to operate and deliver different types of intelligence and data.
시각, 청각, 촉각, 후각, 미각 등 우리의 오감 기관이 세상을 인식 할 수있게 해주는 것처럼 센서는 기계를 작동하는 기계와 인간이 세상을 이해할 수 있도록 하는 장치이다.Just as our five senses, including sight, hearing, touch, smell, and taste, enable us to perceive the world, sensors are devices that enable machines and humans that operate them to understand the world.
즉, 센서는 물리적 환경의 입력 유형을 감지하고 이에 응답하는 장치로서, 입력 유형은 빛, 열, 운동, 습기, 압력 또는 기타 여러 환경 현상중 하나이고, 출력은 일반적으로 판독 또는 추가 처리를 위해 네트워크를 통해 전자적 센서 위치에서 읽을 수 있는 표시로 변환 또는 송신되는 신호이다.In other words, a sensor is a device that detects and responds to a type of input from the physical environment, where the input type is light, heat, motion, moisture, pressure, or one of several other environmental phenomena, and the output is typically networked for reading or further processing. It is a signal that is converted or transmitted into a readable display at an electronic sensor location.
일례로, 사물인터넷 디바이스에 포함될 수 있는 센서로서, 산소 센서를 고려할 수 있다.For example, as a sensor that can be included in an Internet of Things device, an oxygen sensor can be considered.
자동차 배기 가스 제어 시스템의 산소 센서는 일반적으로 전압을 생성하는 화학 반응을 통해 가솔린-산소 비율을 감지한다. 엔진의 컴퓨터가 전압을 읽고 혼합물이 최적이 아닌 경우 균형을 다시 조정할 수 있다.Oxygen sensors in automotive emission control systems typically sense the gasoline-oxygen ratio through a chemical reaction that produces a voltage. The engine's computer can read the voltages and rebalance if the mixture is not optimal.
또한, 사물인터넷 디바이스에 포함될 수 있는 센서로서, 수분 센서를 고려할 수 있다.Additionally, a moisture sensor can be considered as a sensor that can be included in an Internet of Things device.
스마트 관개 시스템에 적용될 수 있는 수분 센서는 토양의 수분을 감지하고 토양에 수분을 공급할지 여부를 결정하는 데 도움을 줄 수 있다. 관개 시스템이 인터넷 연결을 통해 날씨에 대한 정보를 수신하면 언제 비가 올 것인지 알 수 있으며 어쨌든 비에 의해 물을 줄 것이기 때문에 오늘 작물에 물을주지 않기로 결정할 수도 있다.Moisture sensors that can be applied to smart irrigation systems can detect moisture in the soil and help determine whether to hydrate the soil. If the irrigation system receives information about the weather through an Internet connection, it can know when it is going to rain and may even decide not to water the crops today because they will be watered by the rain anyway.
따라서 센서는 사물인터넷 환경을 구축하는데, 가장 중요한 역할을 하며, 가격이나 제조사별로 센싱오차가 발생하는 경우에 전체 시스템이 불안정하게 동작할 수 밖에 없다.Therefore, sensors play the most important role in building an Internet of Things environment, and if sensing errors occur depending on price or manufacturer, the entire system is bound to operate unstable.
이 밖에도, 사물인터넷 디바이스로 사용될 수 있는 센서로는, 온도 센서, 근접 센서, 압력 센서, 수질 센서, 화학 센서, 가스 센서, 연기 센서, 및 IR 센서 등을 포함할 수 있다.In addition, sensors that can be used as IoT devices may include temperature sensors, proximity sensors, pressure sensors, water quality sensors, chemical sensors, gas sensors, smoke sensors, and IR sensors.
센서를 포함하는 사물인터넷 디바이스는 일상 생활에서 매우 중요한 역할을 한다.Internet of Things devices containing sensors play a very important role in daily life.
센서는 우리의 건강 상태, 대기 질, 가정 보안을 모니터링하고 산업용 사물인터넷에서 널리 사용될 수 있다. 생산 공정 모니터링 센서는 환경에 대한 중요한 정보를 수집하여 지진, 쓰나미 등과 같은 환경 재해를 조기에 감지하여 생명을 구할 수도 있다. 또한, 감시, 모니터링 및 감지를 강화하여 건강을 개선할 수 있는 등, 매우 유용하나, 본 발명의 센싱 최적화를 통해 보다 정확하고 높은 신뢰도를 통해 구동될 수 있다.Sensors can monitor our health, air quality, home security, and can be widely used in the Industrial Internet of Things. Production process monitoring sensors can collect important information about the environment and save lives by detecting environmental disasters such as earthquakes, tsunamis, etc. early. In addition, it is very useful for improving health by strengthening surveillance, monitoring, and detection, but it can be operated more accurately and with higher reliability through the sensing optimization of the present invention.
도 2는 일실시예에 따른 사물인터넷 디바이스의 센싱 최적화 시스템(200)을 구체적으로 설명하는 도면이다.FIG. 2 is a diagram illustrating in detail the
일실시예에 따른 사물인터넷 디바이스의 센싱 최적화 시스템(200)은 센싱데이터 수신부(210), 인공지능 처리부(220), 펌웨어 생성부(230), 및 펌웨어 설치제어부(240)를 포함할 수 있다.The
그리고, 일실시예에 따른 사물인터넷 디바이스의 센싱 최적화 시스템(200)은 각 구성요소들의 전반적인 제어나, 각 구성요소들 간의 데이터 통신을 위한 제어부(250)를 포함할 수 있다.Additionally, the
일실시예에 따른 센싱데이터 수신부(210)는 장비에서 수집한 센싱데이터를 사물인터넷 디바이스를 통해 수신할 수 있다.The
일실시예에 따른 인공지능 처리부(220)는 수신된 센싱데이터에 대해 인공지능 알고리즘을 적용하여 표준 프로파일정보를 생성할 수 있다.The artificial
인공지능(AI)은 인간의 학습능력, 추론능력 및 지각능력 등의 일부 또는 전부를 컴퓨터 프로그램을 이용하여 인공적으로 구현하는 기술을 의미한다. 인공지능(AI)과 관련하여, 기계 학습(machine learning)은 다수의 파라미터로 구성된 모델을 이용하여 주어진 데이터로 파라미터를 최적화하는 학습을 의미한다. 이와 같은, 기계 학습은 학습용 데이터의 형태에서 따라, 지도 학습(supervised learning), 비지도 학습(unsupervised learning) 및 강화 학습(reinforcement learning)으로 구분된다.Artificial intelligence (AI) refers to a technology that artificially implements some or all of human learning, reasoning, and perception abilities using computer programs. In relation to artificial intelligence (AI), machine learning refers to learning to optimize parameters with given data using a model composed of multiple parameters. According to the type of learning data, machine learning is divided into supervised learning, unsupervised learning, and reinforcement learning.
일반적으로, 인공지능(AI) 학습용 데이터의 설계는 데이터 구조의 설계, 데이터의 수집, 데이터의 정제, 데이터의 가공, 데이터의 확장 및 데이터의 검증 단계로 진행될 수 있다.In general, the design of data for artificial intelligence (AI) learning can proceed through the stages of data structure design, data collection, data purification, data processing, data expansion, and data verification.
표준 프로파일정보는 수신된 센싱데이터로부터 분석된 최대치, 최소치, 이상치, 또는 결측치 중에서 적어도 하나를 기반으로 산출될 수 있다.Standard profile information may be calculated based on at least one of the maximum value, minimum value, outlier value, or missing value analyzed from the received sensing data.
인공지능 처리부(220)는 수신된 센싱데이터의 이상치 및 결측치를 보정하고, 보정된 센싱데이터와, 상기 인공지능 알고리즘을 이용하여 학습한 표준데이터를 비교연산하여 최적치를 계산할 수 있다. 또한, 인공지능 처리부(220)는 계산된 최적치를 반영하여 표준 프로파일정보를 생성할 수 있다.The artificial
일실시예에 따른 펌웨어 생성부(230)는 생성된 표준 프로파일정보가 반영된 펌웨어를 생성할 수 있다.The
일례로, 인공지능 처리부(220)는 칼만필터 알고리즘 또는 확률통계 알고리즘 중에서 적어도 하나의 알고리즘을 이용하여, 최적치를 계산할 수 있다.For example, the artificial
인공지능 처리부(220)는 수신된 센싱데이터에 대해, 데이터 증식 과정을 통해 상기 표준데이터를 생성할 수 있다.The artificial
예를들어, 인공지능 처리부(220)는 보정된 센싱데이터와, 표준데이터를 비교연산하여 테스트 데이터 세트를 생성하고, 생성된 테스트 데이터 세트에 대해 모델 평가 기준을 적용하여 성능을 평가할 수 있다. 또한, 평가된 성능이 기준치를 통과한 경우에만, 상기 표준 프로파일정보를 생성할 수 있다.For example, the artificial
이 과정에서 사용될 수 있는, 모델 평가 기준은 MSE, MAE, RMSE, R-squared 중에서 적어도 하나 이상의 회귀분석 성능 평가법에 기반하여 성능을 평가할 수 있다.Model evaluation criteria that can be used in this process may evaluate performance based on at least one regression analysis performance evaluation method among MSE, MAE, RMSE, and R-squared.
일실시예에 따른 펌웨어 설치제어부(240)는 생성된 펌웨어를 상기 사물인터넷 디바이스에 설치되도록 제어할 수 있다. 일례로, 펌웨어 설치제어부(240)는 생성된 펌웨어를 OTA(Over the air) 방식으로 상기 사물인터넷 디바이스에 설치되도록 제어할 수 있다.The firmware
OTA는 무선통신 기술을 통해 소프트웨어를 실시간으로 업데이트할 수 있는 기술이다. 차량에 적용하면 별도 예약이나 USB 연결 등의 과정 없이도 내비게이션 실시간 정보, 음향 효과 등 새기능 추가와 오류 개선 등을 통해 자동차를 최신 기능으로 업그레이드할 수 있다. 또 차선 이탈·충돌 방지, 자율주행기능 등 운전자 보조 기능을 개선하는 데도 활용되며, 해킹 공격을 막기 위한 보안 업데이트도 가능하다.OTA is a technology that allows software to be updated in real time through wireless communication technology. When applied to a vehicle, the car can be upgraded to the latest functions by adding new functions such as real-time navigation information and sound effects, and improving errors, without a separate reservation or USB connection. It is also used to improve driver assistance functions such as lane departure/collision prevention and autonomous driving functions, and security updates are also possible to prevent hacking attacks.
대부분의 사물인터넷 디바이스는 소프트웨어 기능을 업그레이드하기 위해서 관리자가 해당 장소를 직접 찾아가야 하지만, OTA가 적용된 사물인터넷 디바이스는 서버로부터 실시간으로 펌웨어를 전송받아 바로 설치 및 적용시킬 수 있다. 더 나아가 일부 센서의 결함으로 인한 상황에서도 관리자를 통하지 않고 OTA로 해결할 수 있다.Most IoT devices require administrators to visit the location in person to upgrade software functions, but IoT devices with OTA can receive firmware in real time from a server and install and apply it right away. Furthermore, even in situations due to defects in some sensors, it can be resolved through OTA rather than through the administrator.
도 3a는 일실시예에 따른 센싱데이터의 증식 과정을 설명하는 도면이다.FIG. 3A is a diagram illustrating a proliferation process of sensing data according to an embodiment.
도면부호 310은 장비로부터 측정된 센셍데이터로서, 사물인터넷 디바이스가 수집한 로데이터에서 결측치와 이상치를 보정한 데이터로 해석될 수 있다.Reference numeral 310 is sense data measured from equipment, and can be interpreted as data that corrects missing values and outliers in raw data collected by an Internet of Things device.
다음으로, 도면부호 320 및 330은 결측치와 이상치가 보정된 데이터에서 데이터 증식을 통해 가공된 데이터를 나타낸다.Next, reference numerals 320 and 330 represent data processed through data multiplication from data in which missing values and outliers have been corrected.
데이터증식이란 기존 데이터에 적절한 변형을 추가하여 새로운 데이터를 만들어 내는 것으로서, 수집된 데이터의 수가 적거나 보다 정확한 결과를 도출하기 위해서 인공지능 알고리즘에서 널리 사용하는 방법이며, 딥러닝의 고질적인 문제인 일반화문제를 해결할 수 있다.Data augmentation is the creation of new data by adding appropriate transformations to existing data. It is a method widely used in artificial intelligence algorithms when the number of collected data is small or to derive more accurate results. Generalization problem is a chronic problem in deep learning. can be solved.
도 3b는 일실시예에 따른 분석 및 데이터모델링 과정을 설명하는 도면이다.Figure 3b is a diagram explaining the analysis and data modeling process according to one embodiment.
도 3b에서 보는 바와 같이, 증식된 데이터로부터 표준데이터(340)를 생성할 수 있다.As shown in Figure 3b,
또한, 생성된 표준데이터(340)로부터 다양한 인공지능 알고리즘을 적용하여 학습, 유효성 검증 등의 과정을 통해 테스트 데이터 세트로 활용할 수 있는 최적치(350)를 산출할 수 있다.In addition, various artificial intelligence algorithms can be applied from the generated
이 과정에서, 본 발명에 따른 시스템은 보정된 센싱데이터와, 인공지능 알고리즘을 이용하여 학습한 표준데이터를 비교연산하여 최적치를 계산할 수 있고, 특히, 칼만필터 알고리즘 또는 확률통계 알고리즘 중에서 적어도 하나의 알고리즘을 이용하여, 최적치를 계산할 수 있다.In this process, the system according to the present invention can calculate the optimal value by comparing the corrected sensing data and standard data learned using an artificial intelligence algorithm, and in particular, at least one algorithm among the Kalman filter algorithm or the probability statistical algorithm. Using , the optimal value can be calculated.
칼만필터는 측정된 데이터로 시스템의 상태를 추정하는 알고리즘이다. 이 필터는 헝가리의 엔지니어인 루돌프 칼만이 주도적으로 개발했으며, 칼만필터의 알고리즘은 2단계 과정으로 구분될 수 있다.The Kalman filter is an algorithm that estimates the state of the system using measured data. This filter was developed by Hungarian engineer Rudolf Kalman, and the Kalman filter algorithm can be divided into a two-step process.
첫 번째 단계에서는 표준데이터를 통해 장비의 상태를 예측하고, 두 번째 단계에서는 잡음이 있는 측정값을 이용하여 장비 상태의 추정을 개선할 수 있다.In the first step, the state of the equipment is predicted using standard data, and in the second step, the estimation of the equipment state can be improved using noisy measurement values.
근래에는, 원래의 칼만필터에서 여러 가지 변형된 형태가 있다. 예를 들어, 컴퓨터 비전, 유도항법 시스템, 계량경제학, 신호 처리 등 추정에 의존하는 응용 분야에 이러한 필터가 널리 활용되고 있다.Nowadays, there are several variations of the original Kalman filter. For example, these filters are widely used in applications that rely on estimation, such as computer vision, guidance navigation systems, econometrics, and signal processing.
칼만필터는 센서 융합 등 GNC 시스템에서 GPS 및 IMU(관성 측정 장치) 측정값을 융합하여 위치 신호와 속도 신호를 합성하는데 사용될 수 있고, 컴퓨터 비전 응용 분야와 같은 시스템에서도 사용될 수 있다. 컴퓨터 비전 응용 분야에서는 객체 추적에 칼만필터를 사용하여 객체의 미래 위치를 예측하고, 감지된 객체 위치에서의 잡음을 보상하며, 여러 객체를 상응하는 트랙과 연결할 수 있다.The Kalman filter can be used to synthesize position signals and velocity signals by fusing GPS and IMU (Inertial Measurement Unit) measurements in GNC systems, such as sensor fusion, and can also be used in systems such as computer vision applications. In computer vision applications, the Kalman filter can be used for object tracking to predict the future location of an object, compensate for noise in the detected object location, and associate multiple objects with corresponding tracks.
도 3c는 일실시예에 따른 성능평가 과정을 설명하는 도면이다.FIG. 3C is a diagram illustrating a performance evaluation process according to an embodiment.
생성된 표준데이터(360)는 성능평가 과정이 진행될 수 있다.The generated
인공지능 처리부는, 보정된 센싱데이터와, 표준데이터를 비교연산하여 테스트 데이터 세트를 생성하고, 생성된 테스트 데이터 세트에 대해 모델 평가 기준을 적용하여 성능을 평가할 수 있다.The artificial intelligence processing unit can generate a test data set by comparing the corrected sensing data and standard data, and evaluate performance by applying model evaluation criteria to the generated test data set.
예를 들어, 모델 평가 기준은 MSE, MAE, RMSE, R-squared 중에서 적어도 하나 이상의 회귀분석 성능 평가법에 기반할 수 있다.For example, the model evaluation criteria may be based on at least one regression analysis performance evaluation method among MSE, MAE, RMSE, and R-squared.
또한, 인공지능 처리부는 성능평가의 통과 여부를 판단하여, 평가된 성능이 기준치를 통과한 경우에만, 표준 프로파일정보를 생성하고, 통과하지 못한 경우에는 센싱데이터 수집 과정으로 분기하여 다시 일련의 동작을 수행할 수 있다.In addition, the artificial intelligence processing unit determines whether the performance evaluation has passed and generates standard profile information only if the evaluated performance passes the standard. If it does not pass, it branches to the sensing data collection process and performs a series of operations again. It can be done.
도 4는 일실시예에 따라 최적으로 생성된 사물인터넷 센서의 표준 프로파일정보를 설명하는 도면이다.Figure 4 is a diagram illustrating standard profile information of an Internet of Things sensor optimally generated according to an embodiment.
일실시예에 따른 사물인터넷 센서의 표준 프로파일정보(400)는 전압센서, 센싱 값, 예시를 나타낼 수 있다.
사물인터넷 센서의 표준 프로파일정보(400)는 센서에서 허용 가능한 센싱값을 가이드 하는 것으로서, 장치고유ID, 장치그룹ID, 수집시간, 최대값, 최소값, 기준값, 계측값, 이상횟수 등을 포함할 수 있다.The
도 5는 일실시예에 따른 사물인터넷 디바이스의 센싱 최적화 방법을 구체적으로 설명하는 도면이다.Figure 5 is a diagram specifically explaining a method for optimizing sensing of an Internet of Things device according to an embodiment.
일실시예에 따른 사물인터넷 디바이스의 센싱 최적화 방법은 장비에서 수집한 센싱데이터를 사물인터넷 디바이스를 통해 수신할 수 있다(단계 501).A method for optimizing sensing of an Internet of Things device according to an embodiment may receive sensing data collected from equipment through an Internet of Things device (step 501).
일실시예에 따른 사물인터넷 디바이스의 센싱 최적화 방법은 수신된 센싱데이터에 대해 인공지능 알고리즘을 적용하여 표준 프로파일정보를 생성할 수 있다(단계 502).The sensing optimization method for an Internet of Things device according to an embodiment may generate standard profile information by applying an artificial intelligence algorithm to the received sensing data (step 502).
일례로, 표준 프로파일정보는 수신된 센싱데이터로부터 분석된 최대치, 최소치, 이상치, 또는 결측치 중에서 적어도 하나를 기반으로 산출될 수 있다.For example, standard profile information may be calculated based on at least one of the maximum value, minimum value, outlier value, or missing value analyzed from the received sensing data.
또한, 표준 프로파일정보를 생성하기 위해, 수신된 센싱데이터의 이상치 및 결측치를 보정하고, 보정된 센싱데이터와, 인공지능 알고리즘을 이용하여 학습한 표준데이터를 비교연산하여 최적치를 계산할 수 있다. 또한, 계산된 최적치를 반영하여 표준 프로파일정보를 생성할 수 있다.Additionally, in order to generate standard profile information, outliers and missing values of the received sensing data can be corrected, and the optimal value can be calculated by comparing the corrected sensing data and standard data learned using an artificial intelligence algorithm. Additionally, standard profile information can be generated by reflecting the calculated optimal value.
한편, 표준 프로파일정보를 생성하기 위해서는, 보정된 센싱데이터와 표준데이터를 비교연산하여 테스트 데이터 세트를 생성할 수 있다.Meanwhile, in order to generate standard profile information, a test data set can be generated by comparing the corrected sensing data and standard data.
생성된 테스트 데이터 세트에 대해, MSE, MAE, RMSE, R-squared 중에서 적어도 하나 이상의 회귀분석 성능 평가법에 기반하는 모델 평가 기준을 적용하여 성능을 평가하고, 평가된 성능이 기준치를 통과한 경우에만, 상기 표준 프로파일정보를 생성할 수 있다.For the generated test data set, performance is evaluated by applying model evaluation criteria based on at least one regression analysis performance evaluation method among MSE, MAE, RMSE, and R-squared, and only when the evaluated performance passes the standard, The standard profile information can be created.
최적치를 계산하기 위해서는, 칼만필터 알고리즘 또는 확률통계 알고리즘 중에서 적어도 하나의 알고리즘을 이용하여, 최적치를 계산할 수 있다.In order to calculate the optimal value, at least one algorithm among the Kalman filter algorithm or the probability statistical algorithm can be used to calculate the optimal value.
일실시예에 따른 사물인터넷 디바이스의 센싱 최적화 방법은 생성된 표준 프로파일정보가 반영된 펌웨어를 생성할 수 있다(단계 503).The method for optimizing sensing of an Internet of Things device according to an embodiment can generate firmware that reflects the generated standard profile information (step 503).
일실시예에 따른 사물인터넷 디바이스의 센싱 최적화 방법은 생성된 펌웨어를 OTA(Over the air) 방식으로 상기 사물인터넷 디바이스에 설치되도록 제어할 수 있다(단계 504).The method for optimizing the sensing of an Internet of Things device according to an embodiment can control the generated firmware to be installed on the Internet of Things device using an OTA (Over the air) method (step 504).
OTA는 ESP모듈의 메모리 중 일부분을 임시공간으로 사용하고 와이파이로 업데이트 명령이 들어오면 신규 펌웨어 이미지를 받아 기존 펌웨어에 업데이트 하는 방식으로 동작할 수 있다. 이런 OTA 관련 동작을 하는 기본적인 코드가 필요하며, 단계 504 등에서 코드가 생성되고 신규 펌웨어를 전송하고, 업데이트를 확인하는 일련의 설치 과정이 진행될 수 있다.OTA uses a portion of the ESP module's memory as a temporary space and can operate by receiving a new firmware image and updating the existing firmware when an update command is received via Wi-Fi. Basic code for these OTA-related operations is required, and in
결국, 본 발명을 이용하면, 센서의 가격 및 제조사에 따라 발생하는 센싱 오차를 줄일 수 있다. 또한, 사물인터넷 디바이스를 하나씩 찾아다니면서 펌웨어를 직접 설치하는데 따른 자원 낭비를 줄일 수 있다.Ultimately, by using the present invention, sensing errors that occur depending on the price and manufacturer of the sensor can be reduced. In addition, it is possible to reduce the waste of resources caused by searching for IoT devices one by one and installing firmware directly.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The device described above may be implemented with hardware components, software components, and/or a combination of hardware components and software components. For example, devices and components described in embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable array (FPA), It may be implemented using one or more general-purpose or special-purpose computers, such as a programmable logic unit (PLU), microprocessor, or any other device capable of executing and responding to instructions. A processing device may execute an operating system (OS) and one or more software applications that run on the operating system. Additionally, a processing device may access, store, manipulate, process, and generate data in response to the execution of software. For ease of understanding, a single processing device may be described as being used; however, those skilled in the art will understand that a processing device includes multiple processing elements and/or multiple types of processing elements. It can be seen that it may include. For example, a processing device may include a plurality of processors or one processor and one controller. Additionally, other processing configurations, such as parallel processors, are possible.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.Software may include a computer program, code, instructions, or a combination of one or more of these, which may configure a processing unit to operate as desired, or may be processed independently or collectively. You can command the device. Software and/or data may be used by any type of machine, component, physical device, virtual equipment, computer storage medium or device to be interpreted by or to provide instructions or data to a processing device. , or may be permanently or temporarily embodied in a transmitted signal wave. Software may be distributed over networked computer systems and thus stored or executed in a distributed manner. Software and data may be stored on one or more computer-readable recording media.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, etc., singly or in combination. Program instructions recorded on the medium may be specially designed and configured for the embodiment or may be known and available to those skilled in the art of computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks. -Includes optical media (magneto-optical media) and hardware devices specifically configured to store and execute program instructions, such as ROM, RAM, flash memory, etc. Examples of program instructions include machine language code, such as that produced by a compiler, as well as high-level language code that can be executed by a computer using an interpreter, etc. The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.Although the embodiments have been described with limited drawings as described above, various modifications and variations can be made by those skilled in the art from the above description. For example, the described techniques are performed in a different order than the described method, and/or components of the described system, structure, device, circuit, etc. are combined or combined in a different form than the described method, or other components are used. Alternatively, appropriate results may be achieved even if substituted or substituted by an equivalent.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents of the claims also fall within the scope of the claims described below.
Claims (13)
상기 수신된 센싱데이터에 대해 인공지능 알고리즘을 적용하여 표준 프로파일정보를 생성하는 인공지능 처리부;
상기 생성된 표준 프로파일정보가 반영된 펌웨어를 생성하는 펌웨어 생성부; 및
상기 생성된 펌웨어를 상기 사물인터넷 디바이스에 설치되도록 제어하는 펌웨어 설치제어부;를 포함하되,
상기 표준 프로파일정보는,
상기 수신된 센싱데이터로부터 분석된 최대치, 최소치, 이상치, 또는 결측치 중에서 적어도 하나를 기반으로 산출되는 상기 사물인터넷 디바이스의 최적 센싱범위를 포함하는 것을 특징으로 하는 사물인터넷 디바이스의 센싱 최적화 시스템.A sensing data receiver that receives sensing data collected from equipment through an Internet of Things device;
an artificial intelligence processing unit that generates standard profile information by applying an artificial intelligence algorithm to the received sensing data;
a firmware generator that generates firmware reflecting the generated standard profile information; and
Includes a firmware installation control unit that controls the generated firmware to be installed on the Internet of Things device,
The standard profile information is,
A sensing optimization system for an Internet of Things device, comprising an optimal sensing range of the Internet of Things device calculated based on at least one of maximum, minimum, outlier, or missing values analyzed from the received sensing data.
상기 인공지능 처리부는,
상기 수신된 센싱데이터의 이상치 및 결측치를 보정하고,
상기 보정된 센싱데이터와, 상기 인공지능 알고리즘을 이용하여 학습한 표준데이터를 비교연산하여 최적치를 계산하며,
상기 계산된 최적치를 반영하여 상기 표준 프로파일정보를 생성하는 것을 특징으로 하는 사물인터넷 디바이스의 센싱 최적화 시스템.According to paragraph 1,
The artificial intelligence processing unit,
Correcting outliers and missing values of the received sensing data,
Compare and calculate the corrected sensing data and standard data learned using the artificial intelligence algorithm to calculate the optimal value,
A sensing optimization system for an Internet of Things device, characterized in that the standard profile information is generated by reflecting the calculated optimal value.
상기 인공지능 처리부는,
칼만필터 알고리즘 또는 확률통계 알고리즘 중에서 적어도 하나의 알고리즘을 이용하여, 상기 최적치를 계산하는 사물인터넷 디바이스의 센싱 최적화 시스템.According to paragraph 3,
The artificial intelligence processing unit,
A sensing optimization system for an Internet of Things device that calculates the optimal value using at least one algorithm from the Kalman filter algorithm or the probability statistical algorithm.
상기 인공지능 처리부는,
상기 수신된 센싱데이터에 대해, 데이터 증식 과정을 통해 상기 표준데이터를 생성하는 것을 특징으로 하는 사물인터넷 디바이스의 센싱 최적화 시스템.According to paragraph 3,
The artificial intelligence processing unit,
A sensing optimization system for an Internet of Things device, characterized in that the standard data is generated for the received sensing data through a data multiplication process.
상기 인공지능 처리부는,
상기 보정된 센싱데이터와, 상기 표준데이터를 비교연산하여 테스트 데이터 세트를 생성하고,
상기 생성된 테스트 데이터 세트에 대해 모델 평가 기준을 적용하여 성능을 평가하며,
상기 평가된 성능이 기준치를 통과한 경우에만, 상기 표준 프로파일정보를 생성하는 사물인터넷 디바이스의 센싱 최적화 시스템.According to paragraph 3,
The artificial intelligence processing unit,
Generating a test data set by comparing and calculating the corrected sensing data and the standard data,
Performance is evaluated by applying model evaluation criteria to the generated test data set,
A sensing optimization system for an Internet of Things device that generates the standard profile information only when the evaluated performance passes the standard value.
상기 모델 평가 기준은 MSE, MAE, RMSE, R-squared 중에서 적어도 하나 이상의 회귀분석 성능 평가법에 기반하는 것을 특징으로 하는 사물인터넷 디바이스의 센싱 최적화 시스템.According to clause 6,
The model evaluation standard is a sensing optimization system for Internet of Things devices, characterized in that it is based on at least one regression analysis performance evaluation method among MSE, MAE, RMSE, and R-squared.
상기 펌웨어 설치제어부는,
상기 생성된 펌웨어를 OTA(Over the air) 방식으로 상기 사물인터넷 디바이스에 설치되도록 제어하는 것을 특징으로 하는 사물인터넷 디바이스의 센싱 최적화 시스템.According to paragraph 1,
The firmware installation control unit,
A sensing optimization system for Internet of Things devices, characterized in that the generated firmware is controlled to be installed on the Internet of Things devices in an OTA (Over the air) method.
상기 수신된 센싱데이터에 대해 인공지능 알고리즘을 적용하여 표준 프로파일정보를 생성하는 단계;
상기 생성된 표준 프로파일정보가 반영된 펌웨어를 생성하는 단계; 및
상기 생성된 펌웨어를 OTA(Over the air) 방식으로 상기 사물인터넷 디바이스에 설치되도록 제어하는 단계;를 포함하되,
상기 표준 프로파일정보는,
상기 수신된 센싱데이터로부터 분석된 최대치, 최소치, 이상치, 또는 결측치 중에서 적어도 하나를 기반으로 산출되는 상기 사물인터넷 디바이스의 최적 센싱범위를 포함하는 것을 특징으로 하는 사물인터넷 디바이스의 센싱 최적화 방법.Receiving sensing data collected from equipment through an Internet of Things device;
Generating standard profile information by applying an artificial intelligence algorithm to the received sensing data;
Generating firmware reflecting the generated standard profile information; and
Including controlling the generated firmware to be installed on the Internet of Things device in an OTA (Over the air) manner,
The standard profile information is,
A sensing optimization method for an Internet of Things device, comprising an optimal sensing range of the Internet of Things device calculated based on at least one of maximum, minimum, outlier, or missing values analyzed from the received sensing data.
상기 표준 프로파일정보를 생성하는 단계는,
상기 수신된 센싱데이터의 이상치 및 결측치를 보정하는 단계;
상기 보정된 센싱데이터와, 상기 인공지능 알고리즘을 이용하여 학습한 표준데이터를 비교연산하여 최적치를 계산하는 단계; 및
상기 계산된 최적치를 반영하여 상기 표준 프로파일정보를 생성하는 단계
를 포함하는 사물인터넷 디바이스의 센싱 최적화 방법.According to clause 9,
The step of generating the standard profile information is,
Correcting outliers and missing values of the received sensing data;
Comparing and calculating the corrected sensing data and standard data learned using the artificial intelligence algorithm to calculate an optimal value; and
Generating the standard profile information by reflecting the calculated optimal value
A sensing optimization method for IoT devices including.
상기 보정된 센싱데이터와, 상기 인공지능 알고리즘을 이용하여 학습한 표준데이터를 비교연산하여 최적치를 계산하는 단계는,
칼만필터 알고리즘 또는 확률통계 알고리즘 중에서 적어도 하나의 알고리즘을 이용하여, 상기 최적치를 계산하는 단계
를 포함하는 사물인터넷 디바이스의 센싱 최적화 방법.According to clause 11,
The step of calculating the optimal value by comparing the corrected sensing data and the standard data learned using the artificial intelligence algorithm is,
Calculating the optimal value using at least one algorithm selected from the Kalman filter algorithm or the probability statistical algorithm.
A sensing optimization method for IoT devices including.
상기 표준 프로파일정보를 생성하는 단계는,
상기 보정된 센싱데이터와, 상기 표준데이터를 비교연산하여 테스트 데이터 세트를 생성하는 단계;
상기 생성된 테스트 데이터 세트에 대해, MSE, MAE, RMSE, R-squared 중에서 적어도 하나 이상의 회귀분석 성능 평가법에 기반하는 모델 평가 기준을 적용하여 성능을 평가하는 단계; 및
상기 평가된 성능이 기준치를 통과한 경우에만, 상기 표준 프로파일정보를 생성하는 단계
를 더 포함하는 사물인터넷 디바이스의 센싱 최적화 방법.
According to clause 11,
The step of generating the standard profile information is,
Comparing the corrected sensing data and the standard data to generate a test data set;
Evaluating performance by applying model evaluation criteria based on at least one regression analysis performance evaluation method among MSE, MAE, RMSE, and R-squared to the generated test data set; and
Generating the standard profile information only when the evaluated performance passes the standard value.
A method for optimizing sensing of an Internet of Things device further comprising:
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210173485A KR102658008B1 (en) | 2021-12-07 | 2021-12-07 | Sensing optimization system and method of IoT devices using artificial intelligence technology |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210173485A KR102658008B1 (en) | 2021-12-07 | 2021-12-07 | Sensing optimization system and method of IoT devices using artificial intelligence technology |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230085381A KR20230085381A (en) | 2023-06-14 |
| KR102658008B1 true KR102658008B1 (en) | 2024-04-17 |
Family
ID=86745088
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210173485A KR102658008B1 (en) | 2021-12-07 | 2021-12-07 | Sensing optimization system and method of IoT devices using artificial intelligence technology |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102658008B1 (en) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010086206A (en) | 2008-09-30 | 2010-04-15 | Yokogawa Electric Corp | Setting device and field network system |
| JP2018088157A (en) * | 2016-11-29 | 2018-06-07 | マクセル株式会社 | Detection recognizing system |
| KR101974455B1 (en) | 2017-12-22 | 2019-05-03 | 인천대학교 산학협력단 | Apparatus for Modeling and Optimization of Features Selection in Big Data based Social Internet of Things and method thereof |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180050001A (en) * | 2016-11-04 | 2018-05-14 | 김형만 | Firmware upgrade system and method for IoT |
| KR102461631B1 (en) * | 2018-09-12 | 2022-10-31 | 삼성에스디에스 주식회사 | Method and apparatus for compensating a missing value in data |
| KR102238472B1 (en) | 2019-04-16 | 2021-04-09 | 광주과학기술원 | Method for correcting error and sensor system |
| KR102531645B1 (en) * | 2020-02-24 | 2023-05-11 | 주식회사 마키나락스 | Computer program for performance testing of models |
| KR102310602B1 (en) | 2021-06-17 | 2021-10-14 | 주식회사 인피닉 | Method for correcting difference of multiple sensors, and computer program recorded on record-medium for executing method therefor |
-
2021
- 2021-12-07 KR KR1020210173485A patent/KR102658008B1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010086206A (en) | 2008-09-30 | 2010-04-15 | Yokogawa Electric Corp | Setting device and field network system |
| JP2018088157A (en) * | 2016-11-29 | 2018-06-07 | マクセル株式会社 | Detection recognizing system |
| KR101974455B1 (en) | 2017-12-22 | 2019-05-03 | 인천대학교 산학협력단 | Apparatus for Modeling and Optimization of Features Selection in Big Data based Social Internet of Things and method thereof |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230085381A (en) | 2023-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| USRE48574E1 (en) | Systems and methods for estimating a return time | |
| US12031837B2 (en) | Method and device for updating map | |
| KR102459736B1 (en) | How to upgrade autonomous driving system, autonomous driving system and on-vehicle device | |
| US8751414B2 (en) | Identifying abnormalities in resource usage | |
| US20160282872A1 (en) | System and method of monitoring an industrial plant | |
| US8989945B2 (en) | System validation | |
| US11363426B1 (en) | Systems and methods for verifying reliability of sensor data received from mobile devices | |
| KR20190090738A (en) | Method and apparatus for predicting user behavior | |
| KR20140111396A (en) | Sensor monitoring apparatus, sensor monitoring method and recording medium for the same | |
| CN114819134A (en) | Method, apparatus and computer program product for updating a machine learning model | |
| Zimmermann et al. | An adaptive system for autonomous driving | |
| KR102658008B1 (en) | Sensing optimization system and method of IoT devices using artificial intelligence technology | |
| KR102602273B1 (en) | System and method for recognizing dynamic anomalies of multiple livestock equipment in a smart farm system | |
| CN109739232A (en) | Barrier method for tracing, device, car-mounted terminal and storage medium | |
| US20170208445A1 (en) | Notification system and method of environment abnormality | |
| CN112128950A (en) | Machine room temperature and humidity prediction method and system based on multiple model comparisons | |
| US20210072975A1 (en) | Vehicle ecu flash programming | |
| US11887409B2 (en) | Device health code broadcasting on mixed vehicle communication networks | |
| US20220371530A1 (en) | Device-level fault detection | |
| KR102261155B1 (en) | Method and apparatus for controlling a vehicle using two virtual sensors | |
| KR102075831B1 (en) | Method and Apparatus for Object Matching between V2V and Radar Sensor | |
| CN111857113B (en) | Positioning method and positioning device for movable equipment | |
| KR101945213B1 (en) | Active fault management system and providing method thereof | |
| KR102689133B1 (en) | License plate recognizer for automatically controlling recognition of license plate and alignment of camerar and thereof operation method | |
| US20230328482A1 (en) | Systems and methods for determining mobile device status |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |