KR20120067815A - 사이버 물리 시스템을 위한 사이버 센서 장치 및 방법 - Google Patents

사이버 물리 시스템을 위한 사이버 센서 장치 및 방법 Download PDF

Info

Publication number
KR20120067815A
KR20120067815A KR1020100129422A KR20100129422A KR20120067815A KR 20120067815 A KR20120067815 A KR 20120067815A KR 1020100129422 A KR1020100129422 A KR 1020100129422A KR 20100129422 A KR20100129422 A KR 20100129422A KR 20120067815 A KR20120067815 A KR 20120067815A
Authority
KR
South Korea
Prior art keywords
cyber
physical
sensing
data
sensor
Prior art date
Application number
KR1020100129422A
Other languages
English (en)
Inventor
손명희
전인걸
양영종
김원태
박승민
Original Assignee
한국전자통신연구원
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 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020100129422A priority Critical patent/KR20120067815A/ko
Publication of KR20120067815A publication Critical patent/KR20120067815A/ko

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/18Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

복수의 센서를 구비한 물리 시스템에서 일부의 센서가 동작하지 않는 경우에도 센서 기능을 수행할 수 있고, 센서 신뢰도를 유지할 수 있는 사이버 물리 시스템을 위한 사이버 센서 장치 및 방법이 개시된다. 사이버 센서 장치는 적어도 하나의 물리 센서로부터 제공된 물리 센싱 데이터에 대해 신뢰도 향상을 위한 필터링을 수행하여 적어도 하나의 필터링된 물리 센싱 데이터를 각각 제공하는 적어도 하나의 데이터 분석부와, 적어도 하나의 필터링된 물리 센싱 데이터에 기초하여 사이버 센싱값을 생성하는 상태 인식부 및 생성된 사이버 센싱값에 대한 정확도를 판단하는 인식 평가부를 포함한다. 따라서 다중 센서를 포함하는 물리 시스템에서 일부의 물리 센서가 동작하지 않는 경우에도 사이버 센싱값을 생성하여 센싱 기능을 수행할 수 있고, 생성된 사이버 센싱값의 정확도를 판단하여 보정함으로써 신뢰성을 유지시킬 수 있다.

Description

사이버 물리 시스템을 위한 사이버 센서 장치 및 방법{APPARATUS AND METHOD OF CYBER SENSOR FOR CYBER-PHYSICAL SYSTEM}
본 발명은 사이버 물리 시스템에 관한 것으로, 더욱 상세하게는 다중 센서를 포함하는 물리 시스템에 적용될 수 있는 사이버 물리 시스템을 위한 사이버 센서 장치 및 방법에 관한 것이다.
사이버 물리 시스템(CPS: Cyber-Physical System)은 대규모 센서, 액츄에이터를 가지는 물리 요소와 이를 실시간으로 제어하는 컴퓨팅 요소가 결합된 복합 시스템(system of system)으로, 센서, 제어로직 및 액츄에이터를 구비하는 대부분의 기존 제어 시스템들이 바로 CPS라고 할 수 있으나, 이러한 시스템들이 예전에 비하여 훨씬 복잡해지고, 제어하기 위한 인간의 논리력과 지능을 넘어서고 있기 때문에 복잡 시스템(Complex System)을 제어할 수 있는 CPS 기술이 요구되고 있다.
따라서, CPS 기술은 고신뢰성(Reliability), 실시간성(Real-time), 안전성(Safety), 자율성(Autonomy) 및 보안성(Security)을 보장하는 핵심적 요소 기술들을 요구한다. 결국, CPS를 통하여 달성하고자 하는 궁극적인 목표는 복잡한 물리 시스템을 단순화시켜 고장에 강하며 쉽게 제어할 수 있도록 하는 컴퓨팅 기술을 개발하는 것이다.
한편, 현재 제조되고 있는 대부분의 물리 센서는 각 센서마다 구동 드라이버가 탑재되어 소프트웨어적으로 제어되고 있다. 그러나, 다수의 센서로 구성된 시스템에서 특정 센서가 동작을 하지 않는 경우, 신뢰도 및 안전도에서 센서의 비중이 상대적으로 높은 자동화 무기/전투 시스템, 항공기, 자동차, 로봇 분야 등의 안전 필수 시스템(safety-critical system)에서는 치명적 결과를 초래할 수 있다.
따라서, 고신뢰성과 안전성을 요구하는 CPS에서 다수의 센서에 대한 고장 제어 및 운용 방법이 요구된다. 예를 들어, 군대에서 다수의 센서로 구성된 무기 시스템을 이용하여 작전을 수행하는 경우, 작전 도중 무기 시스템의 특정 센서에 고장이 발생하더라도 미리 설정된 범위 내의 정확도를 유지하면서 무기 시스템의 기능을 계속 수행할 수 있도록 센서가 관리되어야 한다.
따라서, 본 발명의 목적은 복수의 센서를 구비한 물리 시스템에서 일부의 센서가 동작하지 않는 경우에도 센서 기능을 수행할 수 있고, 센서 신뢰도를 유지할 수 있는 사이버 물리 시스템을 위한 사이버 센서 장치을 제공하는 것이다.
또한, 본 발명의 다른 목적은 복수의 센서를 구비한 물리 시스템에서 일부의 센서가 동작하지 않는 경우에도 센서 기능을 수행할 수 있고, 센서 신뢰도를 유지할 수 있는 사이버 물리 시스템을 위한 사이버 센서의 동작 방법을 제공하는 것이다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상술한 본 발명의 목적을 달성하기 위한 본 발명의 일 측면에 따른 사이버 센서 장치는, 적어도 하나의 물리 센서로부터 제공된 물리 센싱 데이터에 대해 신뢰도 향상을 위한 필터링을 수행하여 적어도 하나의 필터링된 물리 센싱 데이터를 각각 제공하는 적어도 하나의 데이터 분석부와, 적어도 하나의 필터링된 물리 센싱 데이터에 기초하여 사이버 센싱값을 생성하는 상태 인식부 및 생성된 상기 사이버 센싱값에 대한 정확도를 판단하는 인식 평가부를 포함한다.
상기 적어도 하나의 데이터 분석부는, 상기 적어도 하나의 물리 센서와 동일한 수로 구성되고, 각 데이터 분석부는 상기 적어도 하나의 물리 센서 중 해당 물리 센서로부터 제공된 물리 센싱 데이터에 대한 필터링을 수행할 수 있다.
상기 적어도 하나의 데이터 분석부는, 상기 적어도 하나의 물리 센싱 데이터 각각이 유효한 데이터의 범위로 수렴하도록 필터링을 수행할 수 있다.
상기 상태 인식부는 상기 적어도 하나의 필터링된 물리 센싱 데이터를, 계산지능 알고리즘을 통해 미리 생성된 사이버 센싱 모델에 적용하여 상기 사이버 센싱값을 생성할 수 있다.
상기 상태 인식부는 상기 생성된 사이버 센싱값을 상기 인식 평가부로부터 제공된 정확도 정보에 기초하여 보정하여 최종 사이버 센싱값을 생성할 수 있다.
상기 상태 인식부는 상기 적어도 하나의 데이터 분석부로부터 각각 제공된 물리 센싱 데이터들의 관계를 분석하고, 분석된 관계에 기초하여 상기 적어도 하나의 물리 센서들을 그룹화한 후, 그룹화한 물리 센서들에 상응하는 물리 센싱 데이터에 기초하여 상기 사이버 센싱값을 생성할 수 있다.
상기 인식 평가부는 상기 상태 인식부로부터 제공된 사이버 센싱값에 대해 통계적 분석을 수행하여 상기 정확도를 판단할 수 있다.
상기 사이버 센서 장치는 센싱 데이터 요청 신호에 상응하여 상기 적어도 하나의 물리 센서로부터 적어도 하나의 센서 신호를 획득하고, 획득한 상기 적어도 하나의 센서 신호를 물리 센싱 데이터로 변환한 후, 상기 적어도 하나의 물리 센싱 데이터를 제공하는 센서 인터페이스부 및 상기 센서 인터페이스부에 상기 센싱 데이터 요청 신호를 제공하고, 상기 적어도 하나의 물리 센싱 데이터를 상기 상태 인식부에 제공하는 상태 인식부를 더 포함할 수 있다.
상기 상태 인식부는 상기 제어부로부터 상기 적어도 하나의 물리 센싱 데이터를 제공받아 상기 적어도 하나의 데이터 분석부에 제공하고, 상기 적어도 하나의 데이터 분석부로부터 상기 적어도 하나의 필터링된 물리 센싱 데이터를 제공받을 수 있다.
상기 사이버 센서 장치는 상기 적어도 하나의 물리 센싱 데이터, 상기 사이버 센싱 데이터, 특정 상태 인식값, 상기 정확도 정보 중 적어도 하나의 정보가 저장되는 센싱 정보 데이터베이스를 더 포함할 수 있다.
또한, 본 발명의 다른 목적을 달성하기 위한 본 발명의 일 측면에 따른 사이버 센싱 방법은, 적어도 하나의 물리 센서로부터 적어도 하나의 물리 센싱 데이터를 획득하는 단계와, 상기 적어도 하나의 물리 센싱 데이터에 기초하여 사이버 센싱값을 생성하는 단계 및 상기 생성된 사이버 센싱값의 정확도를 분석하는 단계를 포함할 수 있다.
상기 사이버 센싱 단계는 상기 사이버 센싱값을 생성하는 단계 이전에, 상기 적어도 하나의 물리 센싱 데이터에 대해 신뢰도 향상을 위한 필터링을 수행하는 단계를 더 포함할 수 있다.
상기 적어도 하나의 물리 센싱 데이터에 기초하여 사이버 센싱값을 생성하는 단계는, 상기 적어도 하나의 물리 센싱 데이터들에 대한 관계를 분석하고, 분석된 관계에 기초하여 상기 적어도 하나의 물리 센서들을 그룹화하는 단계 및 그룹화한 물리 센서들에 해당하는 물리 센싱 데이터에 기초하여 상기 사이버 센싱값을 생성하는 단계를 포함할 수 있다.
상기 적어도 하나의 물리 센싱 데이터에 기초하여 사이버 센싱값을 생성하는 단계는, 상기 적어도 하나의 물리 센싱 데이터를, 계산지능 알고리즘을 통해 미리 생성된 사이버 센싱 모델에 적용하여 상기 사이버 센싱값을 생성할 수 있다.
상기 생성된 사이버 센싱값의 정확도를 분석하는 단계는, 상기 생성된 사이버 센싱값에 대해 통계적 분석을 수행하여 상기 정확도를 분석할 수 있다.
상기 사이버 센싱 방법은 상기 분석된 정확도에 기초하여 상기 생성된 사이버 센싱값을 보정하는 단계를 더 포함할 수 있다.
상기 사이버 센싱 방법은 상기 물리 센싱 데이터 및 상기 사이버 센싱값 중 적어도 하나를 저장하는 단계를 더 포함할 수 있다.
상술한 바와 같은 사이버 물리 시스템을 위한 사이버 센서 장치 및 방법에 따르면, 물리 센싱 데이터 상호간의 관계에 기초하여 물리 센서를 그룹화한 후, 그룹화된 물리 센서들로부터 제공된 물리 센싱 데이터에 기초하여 사이버 센싱 데이터를 생성한 후, 생성된 사이버 센싱 데이터의 정확도를 판단하고, 판단된 정확도에 기초하여 사이버 센싱값을 보정한다.
따라서, 다중 센서를 포함하는 물리 시스템에서 일부의 물리 센서가 동작하지 않는 경우에도 사이버 센싱값을 생성하여 센싱 기능을 수행할 수 있고, 생성된 사이버 센싱값의 정확도를 판단하여 보정함으로써 신뢰성을 유지시킬 수 있다.
특히, 본 발명의 일 실시예에 따른 사이버 센서 장치 및 방법에 따르면 하나의 물리 센서만 존재하는 경우에도 사이버 센서를 이용하여 센싱 기능을 수행함으로써 높은 신뢰도 및 안정성을 요구하는 CPS 시스템에 적용될 수 있다.
도 1은 본 발명의 일 실시예에 따른 사이버 센서 장치의 구성을 나타내는 블록도이다.
도 2는 본 발명의 일 실시예에 따른 사이버 센서 장치에서 수행되는 물리 센서 그룹화 과정을 설명하기 위한 개념도이다.
도 3은 본 발명의 일 실시예에 따른 사이버 센서 장치에서 수행되는 사이버 센싱 방법을 나타내는 흐름도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다.
그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
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 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가진 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 본 발명을 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.
도 1은 본 발명의 일 실시예에 따른 사이버 센서 장치의 구성을 나타내는 블록도이다.
도 1에서는, 3개의 물리 센서(10 내지 30)를 포함하는 CPS 시스템에서 3개의 물리 센서(10 내지 30)로부터 제공된 물리 센싱 데이터를 이용하여 상기 3개의 물리 센서로부터 센싱된 센싱값이 아닌 다른 센싱값을 생성하거나, 3개의 물리 센서 중 어느 하나의 물리 센서로부터 센싱된 센싱값을 이용하여 다른 2개의 물리 센서 중 적어도 하나의 물리 센서의 센싱값을 추정할 수 있는 사이버 센서 장치(100)를 예를 들어 도시하였다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 사이버 센서 장치(100)는 센서 인터페이스부(110), 제어부(120), 센싱 정보 데이터베이스(130), 상태 인식부(140), 인식 평가부(150), 적어도 하나의 데이터 분석부(160)를 포함한다.
센서 인터페이스부(110)는 적어도 하나의 물리 센서(10 내지 30)와 제어부(120) 사이에 연결되고, 제어부(120)로부터 제공된 센싱 데이터 요청 제어신호에 상응하여 적어도 하나의 물리 센서(10 내지 30)로부터 물리 센싱 데이터를 획득하여 제어부(120)에 제공한다.
예를 들어, 센서 인터페이스부(110)는 제어부(120)의 센싱 데이터 요청 제어신호에 상응하여 소정 시간에 광 센서, 초음파 센서 및 소리 센서로부터 광 센싱신호, 초음파 센싱 신호 및 소리 센싱 신호를 수신한 후, 이에 상응하는 광 센싱 데이터, 초음파 센싱 데이터 및 소리 센싱 데이터를 제어부(120)에 제공할 수 있고, 이를 위해 센싱된 아날로그 신호를 디지털 데이터로 변환하는 신호 변환 기능을 수행할 수 있다.
제어부(120)는 사이버 센서 장치(100)의 동작을 위한 전반적인 제어를 수행한다. 제어부(120)는 센서 인터페이스부(110)에 센싱 데이터 요청 제어신호를 제공하고, 센서 인터페이스부(110)로부터 제공된 적어도 하나의 센싱 데이터를 상태 인식부(140)에 제공한다. 또한, 제어부(120)는 센서 인터페이스부(110)로부터 제공된 적어도 하나의 센싱 데이터를 센싱 정보 데이터베이스(130)에 저장할 수도 있다.
센싱 정보 데이터베이스(SIB: Sensing Information Base)(130)는 제어부(120)로터 제공된 센싱 데이터를 저장하거나 상태 인식부(140)가 생성한 사이버 센싱값을 저장한다. 센싱 정보 데이터베이스(130)에 저장되는 데이터의 구조는 적어도 하나의 물리 센서로부터 센싱된 물리 센싱 데이터와, 상태 인식부(140)로부터 생성된 사이버 센싱 데이터(또는 사이버 센싱값)와, 거리, 장애물 유무 또는 궤도 추적 등과 같은 특정 상태 인식값과, 사이버 센싱값의 정확도 평가값인 인식 결과 평가값을 포함할 수 있다.
상태 인식부(140)는 제어부(120)로부터 제공된 적어도 하나의 물리 센싱 데이터를 해당 데이터 분석부(160)에 제공하고, 상기 적어도 하나의 센싱 데이터 분석부(160)로부터 각각 제공된 필터링된 물리 센싱 데이터에 기초하여 사이버 센싱값을 생성한다. 여기서, 사이버 센싱값(또는 사이버 센싱 데이터)은 적어도 하나의 물리 센서로부터 센싱된 센싱값에 기초하여 상기 적어도 하나의 물리 센서가 아닌 다른 물리 센서의 센싱값을 산출한 것을 의미한다.
예를 들어, 상태 인식부(140)는 제1 내지 제3 데이터 분석부(161 내지 165)로부터 각각 제공된 필터링된 광 센싱값, 필터링된 초음파 센싱값 및 필터링된 소리 센싱값에 기초하여 특정 목표물과의 거리값을 생성하거나, 필터링된 광 센싱값 및 필터링된 초음파 센싱값 만을 이용하여 소리 센싱값을 생성할 수 있다.
상태 인식부(140)가 사이버 센싱값을 생성하는 방법에는 다양한 방법이 사용될 수 있다. 예를 들어, 각 물리 센서의 필터링된 물리 센싱 데이터를 이용하여 계산지능 알고리즘을 수행한 후, 그 결과에 기초하여 사이버 센싱 모델을 생성하고, 생성된 사이버 센싱 모델을 이용하여 상기 적어도 하나의 데이터 분석부(161 내지 165)로부터 제공된 필터링된 물리 센싱 데이터에 상응하는 사이버 센싱값을 생성할 수 있다. 예를 들어, 사전에 필터링된 광 센싱값 및 필터링된 소리 센싱값을 이용하여 거리값을 산출하기 위한 계산지능 알고리즘으로 RBFNN(Radial Basis Function Neural Network)을 수행하여 거리값에 대한 사이버 센싱 모델을 생성한 후, 적어도 하나의 데이터 분석부(160)로부터 제공된 필터링된 광 센싱값 및 필터링된 소리 센싱값을 상기 거리값에 대한 사이버 센싱 모델에 적용하여 거리값에 대한 사이버 센싱값을 생성할 수 있다.
또한, 상태 인식부(140)는 물리 센서의 센싱값이나 물리 센서의 종류에 의존하는 서로 다른 상황에서 생성된 사이버 센싱값에 대한 정확도를 판단하기 위해 생성된 사이버 센싱값을 인식 평가부(150)에 제공하고, 인식 평가부(150)로부터 제공된 인식 결과 평가정보에 기초하여 생성된 사이버 센싱값을 보정한다. 예를 들어, 상태 인식부(140)가 생성한 거리에 대한 사이버 센싱값이 5미터 이고, 인식 평가부(150)로부터 제공된 정확도가 95퍼센트인 경우, 상태 인식부(140)는 상기 사이버 센싱값인 5미터에 정확도 95퍼센트를 적용하여 최종적으로 보정된 사이버 센싱값을 생성할 수 있다.
또한, 상태 인식부(140)는 상기한 바와 같은 사이버 센싱값 생성 과정에서 지능형 알고리즘을 이용하여 적어도 하나의 데이터 분석부(160)로부터 제공된 필터링된 센싱 데이터들의 관계(예를 들면, 친밀도)를 분석하고, 분석된 관계에 기초하여 물리 센서를 그룹화한 후, 그룹화된 물리 센서에 해당하는 필터링된 센싱 데이터를 이용하여 사이버 센싱값을 생성하는 사이버 센서의 기능을 수행할 수 있다.
예를 들어, 물리 센서가 광 센서, 소리 센서 및 온도 센서로 구성되고, 거리에 대한 사이버 센싱값을 생성하는 경우, 상태 인식부(140)는 필터링된 광 센싱 데이터, 필터링된 소리 센싱 데이터 및 필터링된 온도 센싱 데이터 상호간의 친밀도를 분석한 후, 친밀도가 높은 광 센서와 소리 센서를 그룹으로 설정한 후, 설정된 그룹에 해당하는 필터링된 광 센싱 데이터 및 필터링된 소리 센싱 데이터를 이용하여 거리에 대한 사이버 센싱 데이터를 생성할 수 있다.
인식 평가부(150)는 상태 인식부(140)로부터 제공된 사이버 센싱값에 대한 정확도를 판단하고, 판단된 정확도값을 의미하는 인식결과 평가정보를 상태 인식부(140)에 제공한다. 여기서, 인식 평가부(150)는 통계적 분석 방법을 통해 사이버 센싱값의 정확도를 평가할 수 있다. 예를 들어, 인식 평가부(150)는 표준편차를 이용하여 사이버 센싱값의 정확도를 평가할 수 있다.
복수의 데이터 분석부(160)는 상태 인식부(140)로부터 제공된 센싱 데이터에 대한 필터링을 수행한 후, 필터링된 센싱 데이터를 상태 인식부(140)에 제공한다. 여기서, 상기 필터링은 상태 인식부(140)에서 신뢰도가 높은 사이버 센싱값을 센싱하기 위한 전처리 과정으로, 예를 들어 물리 센서가 센싱한 센싱 데이터가 유효한 데이터의 범위로 수렴하도록 불필요한 노이즈를 제거하는 과정을 포함할 수 있다.
복수의 데이터 분석부(160)는 물리 센서의 개수와 동일한 수로 구성될 수 있고, 각각의 데이터 분석부(161 내지 165)는 해당 물리 센서의 물리 센싱 데이터에 대한 필터링을 수행할 수 있다. 예를 들어, 도 1에 도시한 바와 같이 물리 센서가 제1 물리 센서(10), 제2 물리 센서(20) 및 제3 물리 센서(30)로 구성된 경우, 복수의 데이터 분석부(160)는 제1 데이터 분석부(161), 제2 데이터 분석부(163) 및 제3 데이터 분석부(165)로 구성될 수 있고, 제1 데이터 분석부(161)는 제1 물리 센서(10)의 물리 센싱 데이터를, 제2 데이터 분석부(163)는 제2 물리 센서(20)의 물리 센싱 데이터를, 제3 데이터 분석부(165)는 제3 물리 센서(30)의 물리 센싱 데이터를 각각 상태 인식부(140)로부터 제공받고 제공받은 센싱 데이터에 대한 필터링을 수행한다.
도 1에서는 3개의 물리 센서로부터 센싱된 센싱값에 기초하여 사이버 센싱값을 생성하는 것으로 예를 들어 도시하였으나, 물리 센서의 개수는 한정되지 않으며, 이에 따라 사이버 센서 장치(100)에 포함되는 데이터 분석부의 수도 한정되지 않는다.
도 2는 본 발명의 일 실시예에 따른 사이버 센서 장치에서 수행되는 물리 센서 그룹화과정을 설명하기 위한 개념도이다.
도 2에서는 사이버 센서 장치가 서로 다른 6개의 물리 센서(201 내지 206)로부터 제공된 센싱 데이터에 기초하여 물리 센서를 그룹화하여 사이버 센서(211 내지 214)로 매핑하고, 각 사이버 센서가 그룹화된 물리 센서들의 센싱 데이터를 이용하여 사이버 센싱값을 생성하는 것을 예를 들어 도시하였다.
도 2에서 사이버 센서 CS1(211) 및 사이버 센서 CS2(212)는 각각 거리값1 및 거리값2을 생성하고, 사이버 센서 CS3(213)은 물체 유무값을 생성하고, 사이버 센서 CS4(214)는 궤적값을 생성하는 것으로 가정한다.
도 2를 참조하면, 사이버 센서 장치는 서로 다른 물리 센서들(210 내지 206)로부터 지속적으로 입력되는 물리 센싱 데이터들을 수집하고, 물리 센싱 데이터들간의 연관성을 판단하여 그룹화할 물리 센서를 결정한 후, 결정된 물리 센서별로 사이버 센서로 매핑한 후, 각 사이버 센서는 그룹화된 물리 센서의 센싱 데이터들에 기초하여 사이버 센싱값을 생성한다.
예를 들어, 사이버 센서 장치는 도 2에 도시한 바와 같이 물리 센서로부터 수집된 물리 센싱 데이터의 연관성에 기초하여 물리 센서 PS1(201) 및 PS2(202)를 그룹화하여 사이버 센서 CSV1(211)로 매핑하고, 물리 센서 PS1(201), PS3(203) 및 PS4(204)를 그룹화하여 사이버 센서 CSV2(212)로 매핑하며, 물리 센서 PS3(203), PS4(204) 및 PS5(205)를 그룹화하여 사이버 센서 CSV3(213)로 매핑하고, 물리 센서 PS5(205) 및 PS6(206)을 그룹화하여 사이버 센서 CSV4(214)로 매핑한다.
도 2에서 사이버 센서 CSV1(211)가 생성한 거리값1과 사이버 센서 CSV2(212)가 생성한 거리값2는 서로 정확도가 다를 수 있으나, 물리적인 거리 센서가 없는 경우에도 거리값을 생성하는 사이버 센서로 사용될 수 있음을 보여준다.
도 2에 도시한 물리 센서의 그룹화 및 사이버 센서의 기능은 도 1에 도시한 상태 인식부에 의해 수행될 수 있다.
N(N은 1이상의 자연수)개의 물리 센서와 하나의 사이버 센서의 N:1 관계에서, 물리 센서의 개수 N이 클수록 사이버 센서에 의해 생성되는 사이버 센싱값이 정확할 수 있다. 또한, N이 작고 물리 센서의 종류에 따라 사이버 센서에 의해 생성된 사이버 센싱값의 정확도가 떨어질 수 있으나, 도 1에 도시한 인식 평가부를 통해 정확도를 판단하고, 판단된 정확도에 기초하여 사이버 센싱값을 보정하여 CPS에 제공함으로써 사이버 센서 또는 사이버 센싱값의 신뢰도를 향상시킬 수 있다.
도 3은 본 발명의 일 실시예에 따른 사이버 센서 장치에서 수행되는 사이버 센싱 방법을 나타내는 흐름도이다.
도 3을 참조하면, 먼저 사이버 센서 장치는 적어도 하나의 물리 센서로부터 물리 센싱 데이터를 획득한다(단계 310). 여기서, 획득한 물리 센싱 데이터는 센싱 정보 데이터베이스에 저장될 수 있다.
이후, 사이버 센서 장치는 획득한 적어도 하나의 물리 센싱 데이터에 대한 필터링을 수행한다(단계 320). 여기서, 물리 센싱 데이터에 대한 필터링은 상태 인식부에서 신뢰도가 높은 사이버 센싱값을 센싱하기 위한 전처리 과정으로, 예를 들어 물리 센서가 센싱한 센싱 데이터가 유효한 데이터의 범위로 수렴하도록 불필요한 노이즈값을 제거할 수 있다.
이후, 사이버 센서 장치는 필터링된 적어도 하나의 물리 센싱 데이터에 대한 관계(예를 들면, 친밀도)를 분석하고, 분석된 관계에 기초하여 적어도 하나의 물리 센서를 그룹화하여 각 물리 센서 그룹을 사이버 센서로 매핑한다(단계 330). 여기서, 사이버 센서 장치는 지능형 알고리즘을 이용하여 필터링된 적어도 하나의 물리 센싱 데이터들 상호간의 친밀도를 분석하고, 분석된 친밀도에 기초하여 물리 센서를 그룹화할 수 있다. 또한, 그룹화 정보 및/또는 사이버 센서 정보는 센싱 정보 데이터베이스에 저장될 수 있다.
이후, 사이버 센서 장치의 사이버 센서는 해당 그룹의 필터링된 물리 센서 데이터에 기초하여 사이버 센싱값을 생성한다(단계 340). 여기서, 사이버 센서는 계산지능 알고리즘(예를 들면, RBFNN: Radial Basis Function Neural Network)의 수행을 통해 미리 생성된 사이버 센싱 모델에 상기 해당 그룹의 필터링된 물리 센서 데이터를 적용하여 사이버 센싱값을 생성할 수 있다.
이후, 사이버 센서 장치는 생성된 사이버 센싱값의 정확도를 분석한다(단계 350). 여기서, 사이버 센서 장치는 통계적 분석 방법을 통해 사이버 센싱값의 정확도를 분석할 수 있다.
이후, 사이버 센서 장치는 분석된 정확도에 기초하여 단계 350에서 생성된 사이버 센싱값을 보정하여 최종 사이버 센싱값을 생성한다(단계 360). 여기서, 생성된 최종 사이버 센싱값은 센싱 정보 데이터베이스에 저장될 수 있다.
이상 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100 : 사이버 센서 장치 110 : 센서 인터페이스부
120 : 제어부 130 : 센싱 정보 데이터베이스
140 : 상태 인식부 150 : 인식 평가부
160 : 데이터 분석부 161 : 제1 데이터 분석부
163 : 제2 데이터 분석부 165 : 제3 데이터 분석부

Claims (17)

  1. 적어도 하나의 물리 센서로부터 제공된 물리 센싱 데이터에 대해 신뢰도 향상을 위한 필터링을 수행하여 적어도 하나의 필터링된 물리 센싱 데이터를 각각 제공하는 적어도 하나의 데이터 분석부;
    적어도 하나의 필터링된 물리 센싱 데이터에 기초하여 사이버 센싱값을 생성하는 상태 인식부; 및
    생성된 상기 사이버 센싱값에 대한 정확도를 판단하는 인식 평가부를 포함하는 사이버 센서 장치.
  2. 제1항에 있어서, 상기 적어도 하나의 데이터 분석부는,
    상기 적어도 하나의 물리 센서와 동일한 수로 구성되고, 각 데이터 분석부는 상기 적어도 하나의 물리 센서 중 해당 물리 센서로부터 제공된 물리 센싱 데이터에 대한 필터링을 수행하는 것을 특징으로 하는 사이버 센서 장치.
  3. 제1항에 있어서, 상기 적어도 하나의 데이터 분석부는,
    상기 적어도 하나의 물리 센싱 데이터 각각이 유효한 데이터의 범위로 수렴하도록 필터링을 수행하는 것을 특징으로 하는 사이버 센서 장치.
  4. 제1항에 있어서, 상기 상태 인식부는
    상기 적어도 하나의 필터링된 물리 센싱 데이터를, 계산지능 알고리즘의 수행을 통해 미리 생성된 사이버 센싱 모델에 적용하여 상기 사이버 센싱값을 생성하는 것을 특징으로 하는 사이버 센싱 장치.
  5. 제1항에 있어서, 상기 상태 인식부는
    상기 생성된 사이버 센싱값을 상기 인식 평가부로부터 제공된 정확도 정보에 기초하여 보정하여 최종 사이버 센싱값을 생성하는 것을 특징으로 하는 사이버 센싱 장치.
  6. 제1항에 있어서, 상기 상태 인식부는
    상기 적어도 하나의 데이터 분석부로부터 각각 제공된 물리 센싱 데이터들의 관계를 분석하고, 분석된 관계에 기초하여 상기 적어도 하나의 물리 센서들을 그룹화한 후, 그룹화한 물리 센서들에 상응하는 물리 센싱 데이터에 기초하여 상기 사이버 센싱값을 생성하는 것을 특징으로 하는 사이버 센싱 장치.
  7. 제1항에 있어서, 상기 인식 평가부는
    상기 상태 인식부로부터 제공된 사이버 센싱값에 대해 통계적 분석을 수행하여 상기 정확도를 판단하는 것을 특징으로 하는 사이버 센싱 장치.
  8. 제1항에 있어서, 상기 사이버 센서 장치는
    센싱 데이터 요청 신호에 상응하여 상기 적어도 하나의 물리 센서로부터 적어도 하나의 센서 신호를 획득하고, 획득한 상기 적어도 하나의 센서 신호를 물리 센싱 데이터로 변환한 후, 상기 적어도 하나의 물리 센싱 데이터를 제공하는 센서 인터페이스부; 및
    상기 센서 인터페이스부에 상기 센싱 데이터 요청 신호를 제공하고, 상기 적어도 하나의 물리 센싱 데이터를 상기 상태 인식부에 제공하는 상태 인식부를 더 포함하는 것을 특징으로 하는 사이버 센싱 장치.
  9. 제8항에 있어서, 상기 상태 인식부는
    상기 제어부로부터 상기 적어도 하나의 물리 센싱 데이터를 제공받아 상기 적어도 하나의 데이터 분석부에 제공하고, 상기 적어도 하나의 데이터 분석부로부터 상기 적어도 하나의 필터링된 물리 센싱 데이터를 제공받는 것을 특징으로 하는 사이버 센싱 장치.
  10. 제1항에 있어서, 상기 사이버 센서 장치는
    상기 적어도 하나의 물리 센싱 데이터, 상기 사이버 센싱 데이터, 특정 상태 인식값, 상기 정확도 정보 중 적어도 하나의 정보가 저장되는 센싱 정보 데이터베이스를 더 포함하는 것을 특징으로 하는 사이버 센서 장치.
  11. 사이버 센서 장치의 사이버 센싱 방법에 있어서,
    적어도 하나의 물리 센서로부터 적어도 하나의 물리 센싱 데이터를 획득하는 단계;
    상기 적어도 하나의 물리 센싱 데이터에 기초하여 사이버 센싱값을 생성하는 단계; 및
    상기 생성된 사이버 센싱값의 정확도를 분석하는 단계를 포함하는 사이버 센싱 방법.
  12. 제11항에 있어서, 상기 사이버 센싱 단계는
    상기 사이버 센싱값을 생성하는 단계 이전에, 상기 적어도 하나의 물리 센싱 데이터에 대해 신뢰도 향상을 위한 필터링을 수행하는 단계를 더 포함하는 것을 특징으로 하는 사이버 센싱 방법.
  13. 제11항에 있어서, 상기 적어도 하나의 물리 센싱 데이터에 기초하여 사이버 센싱값을 생성하는 단계는,
    상기 적어도 하나의 물리 센싱 데이터들에 대한 관계를 분석하고, 분석된 관계에 기초하여 상기 적어도 하나의 물리 센서들을 그룹화하는 단계; 및
    그룹화한 물리 센서들에 해당하는 물리 센싱 데이터에 기초하여 상기 사이버 센싱값을 생성하는 단계를 포함하는 것을 특징으로 하는 사이버 센싱 방법.
  14. 제11항에 있어서, 상기 적어도 하나의 물리 센싱 데이터에 기초하여 사이버 센싱값을 생성하는 단계는,
    상기 적어도 하나의 물리 센싱 데이터를, 계산지능 알고리즘의 수행을 통해 미리 생성된 사이버 센싱 모델에 적용하여 상기 사이버 센싱값을 생성하는 것을 특징으로 하는 사이버 센싱 방법.
  15. 제11항에 있어서, 상기 생성된 사이버 센싱값의 정확도를 분석하는 단계는
    상기 생성된 사이버 센싱값에 대해 통계적 분석을 수행하여 상기 정확도를 분석하는 것을 특징으로 하는 사이버 센싱 방법.
  16. 제11항에 있어서, 상기 사이버 센싱 방법은
    상기 분석된 정확도에 기초하여 상기 생성된 사이버 센싱값을 보정하는 단계를 더 포함하는 것을 특징으로 하는 사이버 센싱 방법.
  17. 제11항에 있어서, 상기 사이버 센싱 방법은
    상기 물리 센싱 데이터 및 상기 사이버 센싱값 중 적어도 하나를 저장하는 단계를 더 포함하는 것을 특징으로 하는 사이버 센싱 방법.
KR1020100129422A 2010-12-16 2010-12-16 사이버 물리 시스템을 위한 사이버 센서 장치 및 방법 KR20120067815A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020100129422A KR20120067815A (ko) 2010-12-16 2010-12-16 사이버 물리 시스템을 위한 사이버 센서 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020100129422A KR20120067815A (ko) 2010-12-16 2010-12-16 사이버 물리 시스템을 위한 사이버 센서 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20120067815A true KR20120067815A (ko) 2012-06-26

Family

ID=46686735

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020100129422A KR20120067815A (ko) 2010-12-16 2010-12-16 사이버 물리 시스템을 위한 사이버 센서 장치 및 방법

Country Status (1)

Country Link
KR (1) KR20120067815A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9172552B2 (en) 2013-01-31 2015-10-27 Hewlett-Packard Development Company, L.P. Managing an entity using a state machine abstract
KR20200131604A (ko) * 2019-05-14 2020-11-24 충북대학교 산학협력단 사이버-물리 시스템의 상호 작용 명세 작성 및 협업간 안정성 검사 시스템 및 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9172552B2 (en) 2013-01-31 2015-10-27 Hewlett-Packard Development Company, L.P. Managing an entity using a state machine abstract
KR20200131604A (ko) * 2019-05-14 2020-11-24 충북대학교 산학협력단 사이버-물리 시스템의 상호 작용 명세 작성 및 협업간 안정성 검사 시스템 및 방법

Similar Documents

Publication Publication Date Title
KR102061810B1 (ko) 멀티모달 딥러닝 기반의 이종 센서 신호 처리를 위한 장치 및 방법
JP7105932B2 (ja) アプリケーション情報に関連する時系列ズデータに関する深層学習を使用した異常検出
Hussain et al. Sensor failure detection, identification, and accommodation using fully connected cascade neural network
CN109581871B (zh) 免疫对抗样本的工业控制系统入侵检测方法
CN105579922B (zh) 信息处理装置以及分析方法
SE531898C2 (sv) Metod och styrsystem för att styra en motor i en arbetsmaskin
KR102444442B1 (ko) 설비 고장 진단 장치 및 방법
Khalastchi et al. Online anomaly detection in unmanned vehicles
KR20190025474A (ko) 플랜트 데이터 예측 장치 및 방법
CN110991036B (zh) 航天器姿轨控系统故障案例库构建系统及构建方法
EP3250965B1 (en) Methods and systems for detecting, classifying and/or mitigating sensor error
CN104035431A (zh) 用于非线性过程监控的核函数参数的获取方法和系统
Yong et al. Unmanned aerial vehicle sensor data anomaly detection using kernel principle component analysis
US20230191606A1 (en) Collision detection method, computer-readable storage medium, and robot
US20170286841A1 (en) Monitoring device and monitoring method thereof, monitoring system, and recording medium in which computer program is stored
CN116153505A (zh) 基于医用压力传感器的危重病人体征智能识别方法及系统
KR20120067815A (ko) 사이버 물리 시스템을 위한 사이버 센서 장치 및 방법
KR102238472B1 (ko) 오차 보정 방법 및 센서 시스템
WO2021024246A4 (en) Methods and systems for improving asset operation based on identification of significant changes in sensor combinations in related events
CN116894211A (zh) 用于生成能由人类感知的解释性输出的系统及用于监控异常识别的方法和计算机程序
ES2905141T3 (es) Método para la monitorización de parques eólicos
CN103377096B (zh) 颗粒度可调的任务调度验证方法
US11138057B2 (en) Method for analyzing a cause of at least one deviation
US20210073685A1 (en) Systems and methods involving detection of compromised devices through comparison of machine learning models
Hangl et al. Autonomous skill-centric testing using deep learning

Legal Events

Date Code Title Description
WITN Withdrawal due to no request for examination