KR20170048843A - System and method for detecting anomality using sensor data - Google Patents

System and method for detecting anomality using sensor data Download PDF

Info

Publication number
KR20170048843A
KR20170048843A KR1020150149445A KR20150149445A KR20170048843A KR 20170048843 A KR20170048843 A KR 20170048843A KR 1020150149445 A KR1020150149445 A KR 1020150149445A KR 20150149445 A KR20150149445 A KR 20150149445A KR 20170048843 A KR20170048843 A KR 20170048843A
Authority
KR
South Korea
Prior art keywords
steady state
model
actual
sensing values
steady
Prior art date
Application number
KR1020150149445A
Other languages
Korean (ko)
Other versions
KR102384742B1 (en
Inventor
주민식
강지훈
유효선
권순목
조성호
신계영
Original Assignee
삼성에스디에스 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성에스디에스 주식회사 filed Critical 삼성에스디에스 주식회사
Priority to KR1020150149445A priority Critical patent/KR102384742B1/en
Publication of KR20170048843A publication Critical patent/KR20170048843A/en
Application granted granted Critical
Publication of KR102384742B1 publication Critical patent/KR102384742B1/en

Links

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
    • G01D21/00—Measuring or testing not otherwise provided for
    • 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
    • G01D7/00—Indicating measured values

Abstract

Disclosed are a device and a method for detecting abnormality using sensor data. According to an embodiment of the present invention, the device for detecting abnormality of an object to be measured using a plurality of sensors comprises: a steady state model generating unit for obtaining a plurality of steady state sensing values from the one or more sensors in a steady state environment, and generating a steady state model from the steady state sensing values; an actual measurement model generating unit for obtaining a plurality of actual sensing values from the one or more sensors in an actual environment, and generating an actual measurement model from the actual sensing values; and a determination unit for determining whether the object to be measured is abnormal through comparison between the steady state model and the actual measurement model.

Description

센서 데이터를 이용한 이상 감지 장치 및 방법{SYSTEM AND METHOD FOR DETECTING ANOMALITY USING SENSOR DATA}TECHNICAL FIELD [0001] The present invention relates to an apparatus and method for detecting an anomaly using sensor data,

본 발명의 실시예들은 센서로부터 수집되는 데이터로부터 측정 대상의 이상 여부를 감지하기 위한 기술과 관련된다.Embodiments of the present invention relate to techniques for detecting an abnormality of a measurement object from data collected from a sensor.

최근 들어 가스 누출 탐지, 화재 감지 등 다양한 분야에서 여러 종류의 센서들이 사용되고 있다. 예를 들어 미세 가스 모니터링 시스템의 경우 측정하고자 하는 미세 가스에 반응하는 센서를 이용하여 미세 가스의 유출 여부를 탐지한다.Recently, various kinds of sensors have been used in various fields such as gas leakage detection and fire detection. For example, in the case of a micro gas monitoring system, a sensor responsive to a micro gas to be measured is used to detect the leakage of the micro gas.

이러한 센서의 경우 센싱 성능에 따라 가격 차이가 크게 나타난다. 센싱 성능이 높은 고감도의 센서의 경우 가격 또한 매우 고가이므로, 충분한 개수의 센서를 설치하기에는 비용 면에서 한계가 있다. 반대로 저가 센서의 경우에는 주변의 바람, 진동, 전압차, 온도, 습도 등의 외란을 센싱 데이터로 잘못 인식하는 문제가 있다. 특히 초 미세 가스 센서 등 고감도가 요구되는 센서들은 외란에 의한 거짓 알람(false alarm)의 비율이 실제 센싱 데이터보다 높아지는 경우도 존재하게 된다. 이에 따라 상대적으로 저가의 센서를 이용하면서도 외란의 영향을 최소화하기 위한 방안이 필요하게 되었다.In case of these sensors, price difference is large according to sensing performance. In the case of a high-sensitivity sensor with high sensing performance, the price is also very high, so there is a limit in terms of cost to install a sufficient number of sensors. On the other hand, in the case of a low-cost sensor, disturbances such as wind, vibration, voltage difference, temperature, and humidity around the sensor are mistakenly recognized as sensing data. Especially, sensors requiring high sensitivity such as ultrafine gas sensors have a case where the ratio of false alarm due to disturbance becomes higher than actual sensing data. Accordingly, a method for minimizing the influence of disturbance is required while using a relatively low-cost sensor.

대한민국 공개특허공보 제10-2005-0118068호 (2005. 12. 15.)Korean Patent Publication No. 10-2005-0118068 (December 15, 2005)

본 발명의 실시예들은 센서를 이용한 이상 감지 시스템에 있어 외란의 영향을 최소화하면서도 측정 대상의 이상을 조기에 감지하기 위한 수단을 제공하기 위한 것이다.Embodiments of the present invention are intended to provide means for early detection of an abnormality of a measurement object while minimizing the influence of disturbance in an anomaly detection system using a sensor.

예시적인 실시예에 따르면, 복수 개의 센서를 이용하여 측정 대상의 이상 여부를 판단하기 위한 장치로서, 정상 상태 환경에서, 상기 하나 이상의 센서로부터 복수의 정상 상태 센싱값을 획득하고, 상기 복수의 정상 상태 센싱값으로부터 정상 상태 모델을 생성하는 정상 상태 모델 생성부; 실제 환경에서, 상기 하나 이상의 센서로부터 복수의 실제 센싱값을 획득하고, 상기 복수의 실제 센싱값으로부터 실 측정 모델을 생성하는 실 측정 모델 생성부; 및 상기 정상 상태 모델 및 상기 실 측정 모델간의 비교를 통하여 상기 측정 대상의 이상 여부를 판단하는 판단부를 포함하는 이상 감지 장치가 제공된다. According to an exemplary embodiment, there is provided an apparatus for determining an abnormality of an object to be measured using a plurality of sensors, comprising: a plurality of steady state sensing values obtained from the at least one sensor in a steady state environment; A steady state model generating unit for generating a steady state model from the sensed values; A real measurement model generation unit that acquires a plurality of actual sensing values from the one or more sensors in an actual environment and generates a real measurement model from the plurality of actual sensing values; And a determination unit for determining whether the measurement object is abnormal through comparison between the steady-state model and the actual measurement model.

상기 정상 상태 모델은, 상기 실제 센싱값의 이상 여부를 판단하기 위한 임계값을 포함할 수 있다.The steady state model may include a threshold value for determining whether the actual sensing value is abnormal.

상기 정상 상태 모델 생성부는, 상기 복수의 정상 상태 센싱값에 대한 평균 및 표준편차로부터 상기 임계값을 계산할 수 있다.The steady state model generation unit may calculate the threshold value from an average and a standard deviation of the plurality of steady state sensing values.

상기 정상 상태 모델 생성부는, 상기 복수의 정상 상태 센싱값에 부트스트랩(bootstrap) 기법, 또는 KDE(Kernal Density Estinmation) 중 어느 하나를 적용함으로써 상기 임계값을 계산할 수 있다.The steady state model generation unit may calculate the threshold value by applying a bootstrap technique or KDE (Kernel Density Estimation) to the plurality of steady state sensing values.

상기 실 측정 모델은, 상기 복수의 실제 센싱값에 대한 이동평균값 또는 가중이동평균값을 포함할 수 있다.The actual measurement model may include a moving average value or a weighted moving average value for the plurality of actual sensing values.

상기 판단부는, 상기 정상 상태 모델 및 상기 실 측정 모델로부터 생성되는 단변량 관리도 또는 다변량 관리도를 이용하여 상기 실제 측정 대상의 이상 여부를 판단할 수 있다.The determination unit can determine whether the actual measurement target is abnormal by using the univariate control chart or the multivariate control chart generated from the steady-state model and the actual measurement model.

상기 판단부는, 상기 정상 상태 모델 및 상기 실 측정 모델 간의 차이를 누적한 값이 설정된 기준값을 초과하는 경우, 상기 측정 대상에 이상이 발생한 것으로 판단할 수 있다.The determination unit may determine that an abnormality has occurred in the measurement target when the accumulated value of the difference between the steady-state model and the actual measurement model exceeds a set reference value.

상기 판단부는, 상기 실 측정 모델로부터 생성한 지수가중이동평균 값이 상기 정상 상태 모델에 포함된 임계치를 초과하는 경우, 상기 측정 대상에 이상이 발생한 것으로 판단할 수 있다.The determination unit may determine that an abnormality has occurred in the measurement target when the exponentially weighted moving average value generated from the actual measurement model exceeds a threshold value included in the steady-state model.

다른 예시적인 실시예에 따르면, 측정 대상의 이상 여부를 판단하기 위한 방법으로서, 정상 상태 환경에서, 상기 하나 이상의 센서로부터 복수의 정상 상태 센싱값을 획득하고, 상기 복수의 정상 상태 센싱값으로부터 정상 상태 모델을 생성하는 단계; 실제 환경에서, 상기 하나 이상의 센서로부터 복수의 실제 센싱값을 획득하고, 상기 복수의 실제 센싱값으로부터 실 측정 모델을 생성하는 단계; 및 상기 정상 상태 모델 및 상기 실 측정 모델간의 비교를 통하여 상기 측정 대상의 이상 여부를 판단하는 단계를 포함하는 이상 감지 방법이 제공된다.According to another exemplary embodiment, there is provided a method for determining an abnormality of an object to be measured, comprising: obtaining, in a steady state environment, a plurality of steady state sensing values from the at least one sensor; Generating a model; Obtaining, in a real environment, a plurality of actual sensing values from the one or more sensors and generating a real measurement model from the plurality of actual sensing values; And determining whether the measurement object is abnormal through comparison between the steady-state model and the actual measurement model.

상기 정상 상태 모델은, 상기 실제 센싱값의 이상 여부를 판단하기 위한 임계값을 포함할 수 있다.The steady state model may include a threshold value for determining whether the actual sensing value is abnormal.

상기 임계값은, 상기 복수의 정상 상태 센싱값에 대한 평균 및 표준편차로부터 계산될 수 있다.The threshold may be calculated from an average and a standard deviation for the plurality of steady state sensing values.

상기 임계값은, 상기 복수의 정상 상태 센싱값에 부트스트랩(bootstrap) 기법, 또는 KDE(Kernal Density Estinmation) 중 어느 하나를 적용함으로써 계산될 수 있다.The threshold value may be calculated by applying either a bootstrap technique or KDE (Kernal Density Estimation) to the plurality of steady state sensing values.

상기 실 측정 모델은, 상기 복수의 실제 센싱값에 대한 이동평균값 또는 가중이동평균값을 포함할 수 있다.The actual measurement model may include a moving average value or a weighted moving average value for the plurality of actual sensing values.

상기 이상 여부를 판단하는 단계는, 상기 정상 상태 모델 및 상기 실 측정 모델로부터 생성되는 단변량 관리도 또는 다변량 관리도를 이용하여 상기 측정 대상의 이상 여부를 판단하도록 구성될 수 있다.The step of determining the abnormality may be configured to determine whether the measurement object is abnormal using the univariate control chart or the multivariate control chart generated from the steady-state model and the actual measurement model.

상기 이상 여부를 판단하는 단계는, 상기 정상 상태 모델 및 상기 실 측정 모델 간의 차이를 누적한 값이 설정된 기준값을 초과하는 경우, 상기 측정 대상에 이상이 발생한 것으로 판단할 수 있다.The step of determining the abnormality may determine that an abnormality has occurred in the measurement target when the accumulated value of the difference between the steady-state model and the actual measurement model exceeds a set reference value.

상기 이상 여부를 판단하는 단계는, 상기 실 측정 모델로부터 생성한 지수가중이동평균 값이 상기 정상 상태 모델에 포함된 임계치를 초과하는 경우, 상기 측정 대상에 이상이 발생한 것으로 판단할 수 있다.The step of determining the abnormality may determine that an abnormality has occurred in the measurement target when the exponentially weighted moving average value generated from the actual measurement model exceeds a threshold value included in the steady-state model.

다른 예시적인 실시예에 따르면, 하드웨어와 결합되어, 정상 상태 환경에서, 하나 이상의 센서로부터 복수의 정상 상태 센싱값을 획득하고, 상기 복수의 정상 상태 센싱값으로부터 정상 상태 모델을 생성하는 단계; 실제 환경에서, 상기 하나 이상의 센서로부터 복수의 실제 센싱값을 획득하고, 상기 복수의 센싱값으로부터 실 측정 모델을 생성하는 단계; 및 상기 정상 상태 모델 및 상기 실 측정 모델간의 비교를 통하여 측정 대상의 이상 여부를 판단하는 단계를 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램이 제공된다.According to another illustrative embodiment, in combination with hardware, in a steady state environment, obtaining a plurality of steady state sensing values from one or more sensors and generating a steady state model from the plurality of steady state sensing values; Obtaining, in a real environment, a plurality of actual sensed values from the at least one sensor and generating a real measurement model from the plurality of sensed values; And comparing the steady state model and the actual measurement model to determine whether an abnormality of the measurement object is present, the computer program stored in the computer readable recording medium.

개시되는 실시예들에 따르면, 센서를 이용한 이상 감지 시스템에 있어 상대적으로 센싱 성능이 떨어지는 저가의 센서를 이용하면서도 환경 외란의 영향을 최소화한 정확한 이상 감지 성능을 얻을 수 있다. 또한, 본 발명의 실시예들에 따르면 단순 임계치 기반의 종래기술에 비해 이상을 조기에 감지할 수 있다.According to the disclosed embodiments, it is possible to obtain accurate anomaly detection performance that minimizes the influence of environmental disturbance while using a low-cost sensor that is relatively inferior in sensing performance in an anomaly detection system using a sensor. In addition, according to the embodiments of the present invention, it is possible to detect abnormality earlier than the prior art based on the simple threshold.

도 1은 본 발명의 일 실시예에 따른 이상 감지 장치(100)의 구성을 설명하기 위한 블록도
도 2는 본 발명의 일 실시예에 따른 이상 감지 방법(200)을 설명하기 위한 흐름도1 is a block diagram for explaining a configuration of an anomaly detection apparatus 100 according to an embodiment of the present invention.
2 is a flowchart for explaining an anomaly detection method 200 according to an embodiment of the present invention.

이하, 도면을 참조하여 본 발명의 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.Hereinafter, specific embodiments of the present invention will be described with reference to the drawings. The following detailed description is provided to provide a comprehensive understanding of the methods, apparatus, and / or systems described herein. However, this is merely an example and the present invention is not limited thereto.

본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings. In the following description, well-known functions or constructions are not described in detail since they would obscure the invention in unnecessary detail. The following terms are defined in consideration of the functions of the present invention, and may be changed according to the intention or custom of the user, the operator, and the like. Therefore, the definition should be based on the contents throughout this specification. The terms used in the detailed description are intended only to describe embodiments of the invention and should in no way be limiting. Unless specifically stated otherwise, the singular form of a term includes plural forms of meaning. In this description, the expressions "comprising" or "comprising" are intended to indicate certain features, numbers, steps, operations, elements, parts or combinations thereof, Should not be construed to preclude the presence or possibility of other features, numbers, steps, operations, elements, portions or combinations thereof.

본 발명의 실시예들에 따른 이상 감지 장치는 하나 이상의 센서와 유선 또는 무선 네트워크를 통해 획득한 센싱값으로부터 측정 대상의 이상 발생 여부를 탐지하기 위한 장치를 의미한다. 이하의 설명에서는 편의를 위하여 이상 감지 장치가 하나 이상의 미세 가스 감지 센서를 이용하여 시설물 등의 가스 누출 여부를 탐지하기 위한 장치인 것으로 예시하여 설명하였으나, 본 발명의 실시예들은 특정 종류의 센서에 한정되는 것은 아니다. 즉, 본 발명의 실시예들은 다양한 종류의 센서를 이용한 이상 감지에 제한 없이 적용 가능함을 유의한다.The abnormality sensing apparatus according to embodiments of the present invention refers to an apparatus for detecting abnormality of a measurement object from at least one sensor and a sensing value acquired through a wired or wireless network. In the following description, the abnormality sensing apparatus is an apparatus for detecting whether or not gas leakage occurs in a facility or the like using one or more micro gas sensing sensors. However, the embodiments of the present invention are limited to specific types of sensors It is not. In other words, it should be noted that the embodiments of the present invention are applicable to anomaly detection using various kinds of sensors without limitation.

본 발명의 실시예들에서, 이상 감지 장치는 상대적으로 저가의 센서를 이용하여 상기 센싱값을 획득하도록 구성된다. 일반적으로 저가의 센서들은 고가의 센서 장비에 비하여 미세 단위에서의 정밀도가 떨어지고 외란(outer disturbance)의 영향을 민감하게 받는 경향이 있다. 예를 들어, 미세 가스 감지 센서의 경우 특히 저농도(ppb 단위)의 측정시 해당 센서의 값 중 약 50% 이상이 외란 요인에 의하여 변동성을 갖는 것으로 알려져 있다. 즉, 이 경우 센서에 의해 측정되는 이상 중 약 절반 이상이 거짓 경보(false alarm)에 해당하게 된다.In embodiments of the present invention, the anomaly sensing device is configured to acquire the sensing value using a relatively inexpensive sensor. Generally, inexpensive sensors tend to be sensitive to the influence of disturbance (outer disturbance) in precision in comparison with expensive sensor equipment. For example, in the case of a fine gas sensor, it is known that about 50% or more of the value of the sensor in the low concentration (ppb unit) measurement is affected by disturbance factors. That is, in this case, about half of the anomalies measured by the sensor correspond to a false alarm.

일반적으로 센서의 측정값은 다음과 같은 형태로 정의할 수 있다.In general, the measured values of the sensor can be defined as follows.

Figure pat00001
Figure pat00001

즉, 특정 시점(t)의 센서 측정값(Vt)은 측정 추정값(xt)과 측정 오차(εt)로 구성되어 있다. 측정 오차가 상대적으로 작은 고가의 센서의 경우 자체적인 측정 추정값 만으로도 측정 대상의 상태와 관련하여 어느 정도 신뢰성 있는 판정을 내릴 수 있다. 반면, 저가 센서의 경우 상대적으로 측정 오차의 비중이 크게 나타나므로 이의 영향을 줄이기 위한 방법들이 필요하게 된다. 이하에서는 저가 센서에서 발생할 수 있는 외란의 영향을 최소화할 수 있는 본 발명의 실시예들에 따른 이상 감지 장치의 구체적인 구성을 설명하기로 한다.That is, the sensor measurement value V t at a specific time t is composed of the measurement estimation value x t and the measurement error? T. In the case of an expensive sensor with a relatively small measurement error, it is possible to make a somewhat reliable determination with respect to the state of the measurement object with only its own measurement estimation value. On the other hand, in the case of the low-cost sensor, the proportion of the measurement error is relatively large, and methods for reducing the influence thereof are needed. Hereinafter, a specific configuration of the abnormality sensing apparatus according to the embodiments of the present invention which can minimize the influence of disturbance that may occur in the low-cost sensor will be described.

도 1은 본 발명의 일 실시예에 따른 이상 감지 장치(100)의 구성을 설명하기 위한 블록도이다. 도시된 바와 같이, 본 발명의 일 실시예에 따른 이상 감지 장치(100)는 정상 상태 모델 생성부(102), 실 측정 모델 생성부(104) 및 판단부(106)를 포함한다.1 is a block diagram illustrating a configuration of an anomaly detection apparatus 100 according to an embodiment of the present invention. As shown in the figure, the anomaly detection apparatus 100 according to an embodiment of the present invention includes a steady state model generation unit 102, a real measurement model generation unit 104, and a determination unit 106.

정상 상태 모델 생성부(102)는 정상 상태 환경에서 상기 하나 이상의 센서로부터 복수의 정상 상태 센싱값을 획득하고, 획득한 복수의 정상 상태 센싱값으로부터 정상 상태 모델을 생성한다. The steady state model generation unit 102 acquires a plurality of steady state sensing values from the at least one sensor in a steady state environment and generates a steady state model from the acquired plurality of steady state sensing values.

정상 상태 환경이란 측정 대상 및 외란이 존재하지 않는 환경을 의미한다. 예를 들어, 미세 가스 감지 센서의 경우 측정 대상인 미세 가스가 존재하지 않으며, 또한 바람, 진동, 전압차, 온도, 습도 등에 주변 요인에 의한 외란 또한 존재하지 않는 안정된 대기 상태 환경이 상기 정상 상태 환경에 해당한다. 즉, 상기 정상 상태 센싱값은 외부의 영향을 배제한 상태에서 센서 자체의 특성에 따라 생성되는 값을 의미한다. 또한, 실제 환경은 상기 정상 상태 환경과 대비되는 개념으로서, 측정 대상 및 외란의 영향이 존재하는 실제 측정 환경을 의미한다. 즉, 상기 하나 이상의 센서가 측정 대상의 감지를 위하여 실제로 현장에 설치된 경우, 해당 현장의 환경이 상기 실제 환경이 된다.The steady-state environment means an environment in which the object to be measured and disturbance do not exist. For example, in the case of a fine gas sensor, there is no fine gas to be measured, and a stable atmospheric environment in which there is no disturbance due to surrounding factors such as wind, vibration, voltage difference, . That is, the steady state sensing value means a value generated according to the characteristics of the sensor itself in the state in which the external influence is excluded. Also, the actual environment is a concept in contrast to the steady state environment, which means an actual measurement environment in which the influence of the measurement object and disturbance exists. That is, when the at least one sensor is actually installed in the field for sensing the measurement object, the environment of the corresponding field becomes the actual environment.

정상 상태 모델은 상기 하나 이상의 센서가 상기 실제 환경에서 측정한 센싱값의 이상 여부를 판단하기 위한 임계값을 포함할 수 있다. 일 실시예에서, 정상 상태 모델 생성부(102)는 일정 시간 간격으로 측정한 복수의 정상 상태 센싱값의 평균 및 표준편차로부터 상기 임계값을 계산할 수 있다. 예를 들어, 정상 상태 모델 생성부(102)는 상기 센싱값의 평균값에서 특정 상수값(C)과 상기 표준편차를 곱한 값을 더한 영역까지를 정상 영역으로, 이를 초과하는 영역을 이상 영역으로 규정할 수 있다. 이와 같이 평균과 표준편차를 이용한 방법은 상기 정상 상태 센싱값이 정규분포 등 미리 알려진 통계적 분포를 따른다고 가정할 때 이용 가능하다.The steady state model may include a threshold for determining whether the sensed value measured by the one or more sensors in the actual environment is abnormal. In one embodiment, the steady state model generation unit 102 may calculate the threshold value from the mean and standard deviation of a plurality of steady state sensing values measured at predetermined time intervals. For example, the steady state model generation unit 102 may define a steady state region up to a region obtained by adding a value obtained by multiplying a specific constant value (C) by the average value of the sensing values and the standard deviation, can do. The method using the mean and the standard deviation can be used when the steady state sensing value follows a known statistical distribution such as a normal distribution.

다른 실시예에서, 정상 상태 모델 생성부(102)는 상기 복수의 정상 상태 센싱값에 부트스트랩(bootstrap) 기법, 또는 KDE(Kernal Density Estinmation) 중 어느 하나를 적용함으로써 상기 임계값을 계산할 수 있다. 부트스트랩 기법 또는 KDE 기법 등의 비모수추정법은 정상 상태 데이터의 분포 형태가 기존에 알려진 통계적 분포를 따르지 않을 때 이용 가능한 방법이다. 예를 들어, 상기 정상 상태 센싱값의 분포가 평균을 기준으로 정규분포 형태를 가지는 것이 아니라 왜도가 높은 형태(예를 들어 left-skewed 등)를 가지는 경우가 존재할 수 있다. 이 경우에는 정규분포를 기반으로 임계값을 계산하는 것이 아니라 부트스트랩 기법 또는 KDE 기법 등의 비모수추정법을 활용하는 것이 더 정확한 결과를 얻을 수 있다.In another embodiment, the steady state model generation unit 102 may calculate the threshold value by applying either a bootstrap technique or a Kernel Density Estimation (KDE) to the plurality of steady state sensing values. The nonparametric estimation method, such as the bootstrap technique or the KDE technique, is available when the distribution of steady-state data does not follow a known statistical distribution. For example, there may be a case where the distribution of the steady-state sensing values has a shape with a high degree of distortion (for example, left-skewed, etc.) rather than a normal distribution shape based on an average. In this case, it is more accurate to use the non-parametric estimation method such as the bootstrap technique or the KDE technique instead of calculating the threshold based on the normal distribution.

부트스트랩 기법은 상기 정상 상태 센싱값으로부터 중복을 허용하면서 반복적으로 샘플을 무작위 추출(복원추출)하여 새로운 데이터셋을 구성(리샘플링)하여 상기 정상 상태 센싱값의 분포를 추정하는 방법이다. 또한 KDE 기법은 커널(kernel)을 사용하여 상기 정상 상태 센싱값의 분포를 추정하는 방법이다. 상기 부트스트랩 기법 및 상기 KDE 기법과 관련된 상세한 사항은 본 발명이 속하는 기술분야에서 잘 알려져 있는 사항인 바, 이하에서는 관련된 설명을 생략하기로 한다.The bootstrap method is a method of estimating the distribution of the steady state sensing values by constructing (resampling) a new data set by randomly extracting (extracting and extracting) samples repeatedly while permitting duplication from the steady state sensing value. Also, the KDE technique is a method of estimating the distribution of the steady state sensing values using a kernel. Details related to the bootstrapping technique and the KDE technique are well known in the technical field of the present invention, and a detailed description thereof will be omitted.

다음으로, 실 측정 모델 생성부(104)는 실제 환경에서 상기 하나 이상의 센서로부터 복수의 실제 센싱값을 획득하고, 상기 복수의 실제 센싱값으로부터 실 측정 모델을 생성한다.Next, the real measurement model generation unit 104 acquires a plurality of actual sensing values from the one or more sensors in an actual environment, and generates a real measurement model from the plurality of actual sensing values.

본 발명의 실시예들에서, 실 측정 모델 생성부(104)는 상기 실제 센싱값을 그대로 이용하는 것이 아니라 이동평균창(Moving Average Window)을 이용하여 상기 측정값을 일반화(generalization)함으로써 상기 실 측정 모델을 생성하도록 구성된다.In the embodiments of the present invention, the actual measurement model generation unit 104 may not generalize the actual sensing value but generalize the measurement value using a moving average window, .

전술한 바와 같이, 저가의 센서는 외란요인으로 인하여 수많은 잡음이 존재한다. 이로 인한 대표적인 문제는 실제 상태가 정상(in-control) 상태임에도 불구하고 측정값에서 이상치(outlier)가 생성됨으로써 거짓경보를 일으키게 되는 것이다. 수많은 거짓경보는 결국 측정 자체의 신뢰도를 저하시키기 되므로, 실제 이상 여부를 판단하기 전에 미리 최대한 외란 요인을 차단해 주는 것이 필요하다. 이를 위해, 본 발명의 실시예에서는 실제 센싱값을 그대로 이용하는 것이 아니라 이동평균창(Moving Average Window)을 이용하여 상기 실제 센싱값을 일반화(generalization)하게 된다.As described above, inexpensive sensors have a lot of noise due to disturbance factors. A typical problem with this is that even though the actual state is in-control, an outlier is generated in the measured value, causing a false alarm. Since many false alarms eventually degrade the reliability of the measurement itself, it is necessary to block the disturbance factors as much as possible before judging the actual abnormality. For this, in the embodiment of the present invention, rather than using the actual sensing value as it is, the actual sensing value is generalized using a moving average window.

일 실시예에서, 실 측정 모델 생성부(104)는 각 실제 센싱값 주변의 센싱값들의 이동평균값을 이용하여 상기 실 측정 모델을 구성할 수 있다. 예를 들어, 각 실제 센싱값의 앞뒤로 각각 2개의 값을 포함하여 이동평균값을 구할 경우, 상기 이동평균값은 다음의 수학식 2와 같이 계산될 수 있다.In one embodiment, the real measurement model generator 104 may construct the real measurement model using the moving average value of the sensing values around each actual sensing value. For example, if a moving average value is obtained by including two values before and after each actual sensing value, the moving average value may be calculated as shown in Equation (2).

Figure pat00002
Figure pat00002

(이때, V't는 이동평균값, Vt -2, Vt -1, Vt, Vt +1, Vt +2는 각각 t-2, t-1, t, t+1, t+2 시점에서의 센싱값)(Wherein, V 't is a moving average value, V t -2, -1 V t, V t, V t +1, +2 V t are each t-2, t-1, t, t + 1, t + 2)

이와 같이 센싱값의 이동평균값을 이용하여 실 측정 모델을 구성할 경우 각 센싱값의 측정 자체에서 오는 오차를 평균이 갖는 일반화(generalization)의 개념을 통해 상쇄시킬 수 있다.When the real measurement model is constructed using the moving average of the sensing values, the error from the measurement of each sensing value can be canceled by the concept of generalization having the average.

다른 실시예에서, 실 측정 모델 생성부(104)는 단순 이동평균이 아닌 가중이동평균값을 이용하여 상기 실 측정 모델을 구성할 수 있다. 이 경우 각각의 센싱값에 적절한 가중치를 부여함으로써 보다 정확한 실 측정 모델을 구성할 수 있다. 예를 들어, 상기 가중이동평균값은 다음의 수학식 3과 같이 계산될 수 있다. 이때 상기 가중치는 센싱 데이터의 성질 등을 고려하여 적절히 설정될 수 있다. In another embodiment, the real measurement model generation unit 104 can construct the real measurement model using the weighted moving average value rather than the simple moving average. In this case, more accurate real measurement models can be constructed by assigning appropriate weights to the respective sensing values. For example, the weighted moving average value may be calculated by Equation (3). In this case, the weight may be set appropriately in consideration of the nature of the sensing data.

Figure pat00003
Figure pat00003

(이때, V''t는 가중이동평균값, W1, W2, W3, W4, W5는 가중치)(Where V '' t is a weighted moving average value, W 1 , W 2 , W 3 , W 4 and W 5 are weights)

다음으로, 판단부(106)는 상기 정상 상태 모델 및 상기 실 측정 모델간의 비교를 통하여 상기 측정 대상의 이상 여부를 판단한다. 본 발명의 실시예들에서, 판단부(106)는 관리도 기법을 이용하여 측정 대상이 이상 상태인지의 여부를 판단하게 된다. 관리도 기법은 주로 생산 공정에서 해당 공정이 관리 상태(in-control state)에 있는지 여부를 판별하여 최종적으로 공정을 안정 상태로 유지하고 제품 품질의 균일화를 달성하기 위한 방법론이다. 즉, 본 발명의 실시예에서는 관리도의 주요 개념인 우연원인(chance cause)과 이상원인(assignable cause)을 센서 데이터가 갖고 있는 외란 변동(외란에 의한 센싱값의 변화) 및 이상 변동(측정 대상의 이상 발생에 따른 센싱값의 변화)에 대입함으로써, 정상 상태에서 측정한 센싱값을 기반으로 실제 센싱 값의 이상 여부를 판정하도록 구성된다.Next, the determination unit 106 determines whether the measurement object is abnormal through comparison between the steady-state model and the actual measurement model. In the embodiments of the present invention, the determination unit 106 determines whether or not the measurement object is in an abnormal state using the management chart technique. The control method is a methodology for determining whether the process is in an in-control state in the production process, and finally maintaining the process in a stable state and achieving equalization of the product quality. That is, in the embodiment of the present invention, the disturbance fluctuation (change in the sensing value due to the disturbance) and the abnormal fluctuation (the change in the sensed value due to the disturbance) of the sensor data as the chief cause and the assignable cause, A change in the sensing value according to the occurrence of the abnormality), thereby determining whether the actual sensing value is abnormal based on the sensing value measured in the steady state.

판단부(106)는 하나의 센서값을 이용한 단변량 관리도, 또는 복수 개의 센서값을 동시에 모니터링하는 다변량 관리도를 이용하여 상기 실제 센싱값의 이상 여부를 판단하도록 구성될 수 있다. 이때, 상기 단변량 관리도는 슈하트 x-bar 관리도, 측정 대상의 미세한 변동을 조기에 감지하는 누적합(CUSUM) 관리도 및 지수평활(EWMA) 관리도 등이 포함될 수 있다. 또한, 상기 다변량 관리도는 Hotelling's T2 관리도, M(multivariate)CUSUM, M(multivariate)EWMA 등을 이용할 수 있다.The determination unit 106 may be configured to determine whether the actual sensing value is abnormal using a univariate control chart using one sensor value or a multivariate chart that simultaneously monitors a plurality of sensor values. At this time, the univariate control chart may include a Schwartz x-bar chart, a cumulative sum (CUSUM) chart and an exponential smoothing (EWMA) chart to detect minute fluctuations of the measurement subject. Also, the multivariate control chart may be a Hotelling's T 2 chart, a multivariate CUSUM, and a multivariate (EWMA).

예를 들어, 판단부(106)가 누적합 관리도를 이용하여 측정 대상의 이상 여부를 판단하도록 구성될 경우, 판단부(106)는 상기 정상 상태 모델 및 상기 실 측정 모델 간의 차이를 누적하고 상기 누적값이 기 설정된 기준값을 초과하는 경우 측정 대상에 이상이 발생한 것으로 판단할 수 있다. 구체적으로, 판단부(106)는 상기 실 측정 모델과 정상 상태 모델 생성부(102)에서 계산한 임계치 간의 차이를 누적하도록 구성될 수 있다. 이와 같이 누적합 관리도를 이용하여 센싱값의 이상 여부를 판단할 경우, 센싱값 자체는 이상 발생 영역에 속하지 않더라도 센싱값들의 변화하는 흐름이 이상 발생 징후를 나타내는 경우 이를 보다 빠르게 감지할 수 있다. For example, when the determination unit 106 is configured to determine the abnormality of the measurement target using the cumulative sum chart, the determination unit 106 accumulates the difference between the steady-state model and the actual measurement model, If the value exceeds the predetermined reference value, it can be determined that an abnormality has occurred in the measurement target. Specifically, the determination unit 106 may be configured to accumulate the difference between the actual measurement model and the threshold value calculated by the steady-state model generation unit 102. When the sensed value is judged to be abnormal by using the cumulative sum chart, the sensed value itself can be detected more quickly when the flow of sensing values indicates an abnormality sign even if the sensed value itself does not belong to the abnormal occurrence area.

또한, 판단부(106)가 지수평활 관리도를 이용하여 측정 대상의 이상 여부를 판단하도록 구성될 경우, 판단부(106)는 상기 실 측정 모델로부터 지수가중이동평균을 계산하고, 상기 지수가중이동평균 값이 상기 정상 상태 모델에 포함된 임계치를 초과하는 경우, 상기 측정 대상에 이상이 발생한 것으로 판단할 수 있다.When the determination unit 106 is configured to determine an abnormality of the measurement object using the exponential smoothing chart, the determination unit 106 calculates an exponentially weighted moving average from the real measurement model, Value exceeds the threshold value included in the steady-state model, it can be determined that an abnormality has occurred in the measurement target.

일 실시예에서, 정상 상태 모델 생성부(102), 실 측정 모델 생성부(104) 및 판단부(106)를 포함하는 이상 감지 장치(100)는 하나 이상의 프로세서 및 그 프로세서와 연결된 컴퓨터 판독 가능 기록 매체를 포함하는 컴퓨팅 장치 상에서 구현될 수 있다. 컴퓨터 판독 가능 기록 매체는 프로세서의 내부 또는 외부에 있을 수 있고, 잘 알려진 다양한 수단으로 프로세서와 연결될 수 있다. 컴퓨팅 장치 내의 프로세서는 각 컴퓨팅 장치로 하여금 본 명세서에서 기술되는 예시적인 실시예에 따라 동작하도록 할 수 있다. 예를 들어, 프로세서는 컴퓨터 판독 가능 기록 매체에 저장된 명령어를 실행할 수 있고, 컴퓨터 판독 가능 기록 매체에 저장된 명령어는 프로세서에 의해 실행되는 경우 컴퓨팅 장치로 하여금 본 명세서에 기술되는 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.In one embodiment, the anomaly detection device 100 including the steady state model generation unit 102, the real measurement model generation unit 104, and the determination unit 106 includes one or more processors and a computer readable recording medium Media on a computing device. The computer readable recording medium may be internal or external to the processor, and may be coupled to the processor by any of a variety of well known means. A processor in the computing device may cause each computing device to operate in accordance with the exemplary embodiment described herein. For example, a processor may execute instructions stored on a computer-readable recording medium, and instructions stored on the computer readable recording medium may cause a computing device to perform operations in accordance with the exemplary embodiments described herein For example.

도 2는 본 발명의 일 실시예에 따른 이상 감지 방법(200)을 설명하기 위한 흐름도이다. 도 2에 도시된 방법은 예를 들어, 전술한 이상 감지 장치(100)에 의해 수행될 수 있다. 도시된 흐름도에서는 상기 방법을 복수 개의 단계로 나누어 기재하였으나, 적어도 일부의 단계들은 순서를 바꾸어 수행되거나, 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 도시되지 않은 하나 이상의 단계가 부가되어 수행될 수 있다.2 is a flowchart illustrating an anomaly detection method 200 according to an embodiment of the present invention. The method shown in Fig. 2 can be performed, for example, by the abnormality sensing apparatus 100 described above. In the illustrated flow chart, the method is described as being divided into a plurality of steps, but at least some of the steps may be performed in reverse order, combined with other steps, performed together, omitted, divided into detailed steps, One or more steps may be added and performed.

단계 202에서, 정상 상태 모델 생성부(102)는 정상 상태 환경에서 하나 이상의 센서로부터 복수의 정상 상태 센싱값을 획득하고, 상기 복수의 정상 상태 센싱값으로부터 정상 상태 모델을 생성한다.In step 202, the steady state model generation unit 102 acquires a plurality of steady state sensing values from one or more sensors in a steady state environment, and generates a steady state model from the plurality of steady state sensing values.

단계 204에서, 실 측정 모델 생성부(104)는 실제 환경에서 상기 하나 이상의 센서로부터 복수의 실제 센싱값을 획득하고, 상기 복수의 센싱값으로부터 실 측정 모델을 생성한다.In step 204, the real measurement model generation unit 104 acquires a plurality of actual sensing values from the one or more sensors in an actual environment, and generates a real measurement model from the plurality of sensing values.

단계 206에서, 판단부(106)는 상기 정상 상태 모델 및 상기 실 측정 모델간의 비교를 통하여 측정 대상의 이상 여부를 판단한다.In step 206, the determination unit 106 determines whether the measurement object is abnormal through comparison between the steady-state model and the actual measurement model.

한편, 본 발명의 실시예는 본 명세서에서 기술한 방법들을 컴퓨터상에서 수행하기 위한 프로그램, 및 상기 프로그램을 포함하는 컴퓨터 판독 가능 기록매체를 포함할 수 있다. 상기 컴퓨터 판독 가능 기록매체는 프로그램 명령, 로컬 데이터 파일, 로컬 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나, 또는 컴퓨터 소프트웨어 분야에서 통상적으로 사용 가능한 것일 수 있다. 컴퓨터 판독 가능 기록매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광 기록 매체, 및 롬, 램, 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 상기 프로그램의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함할 수 있다.On the other hand, an embodiment of the present invention may include a program for performing the methods described herein on a computer, and a computer-readable recording medium including the program. The computer-readable recording medium may include a program command, a local data file, a local data structure, or the like, alone or in combination. The media may be those specially designed and constructed for the present invention, or may be those that are commonly used in the field of computer software. Examples of computer-readable media include magnetic media such as hard disks, floppy disks and magnetic tape, optical recording media such as CD-ROMs and DVDs, and specifically configured to store and execute program instructions such as ROM, RAM, flash memory, Hardware devices. Examples of such programs may include machine language code such as those produced by a compiler, as well as high-level language code that may be executed by a computer using an interpreter or the like.

이상에서 본 발명의 대표적인 실시예들을 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is to be understood that the invention is not limited to the disclosed exemplary embodiments, but, on the contrary, . Therefore, the scope of the present invention should not be limited to the above-described embodiments, but should be determined by equivalents to the appended claims, as well as the appended claims.

100: 이상 감지 장치
102: 정상 상태 모델 생성부
104: 실 측정 모델 생성부
106: 판단부100: Abnormal detection device
102: steady state model generation unit
104: Actual measurement model generation unit
106:

Claims (17)

복수 개의 센서를 이용하여 측정 대상의 이상 여부를 판단하기 위한 장치로서,
정상 상태 환경에서, 상기 하나 이상의 센서로부터 복수의 정상 상태 센싱값을 획득하고, 상기 복수의 정상 상태 센싱값으로부터 정상 상태 모델을 생성하는 정상 상태 모델 생성부;
실제 환경에서, 상기 하나 이상의 센서로부터 복수의 실제 센싱값을 획득하고, 상기 복수의 실제 센싱값으로부터 실 측정 모델을 생성하는 실 측정 모델 생성부; 및
상기 정상 상태 모델 및 상기 실 측정 모델간의 비교를 통하여 상기 측정 대상의 이상 여부를 판단하는 판단부를 포함하는 이상 감지 장치.
An apparatus for determining an abnormality of an object to be measured using a plurality of sensors,
A steady state model generating unit for obtaining a plurality of steady state sensing values from the at least one sensor in a steady state environment and generating a steady state model from the plurality of steady state sensing values;
A real measurement model generation unit that acquires a plurality of actual sensing values from the one or more sensors in an actual environment and generates a real measurement model from the plurality of actual sensing values; And
And a determination unit for determining whether the measurement object is abnormal through comparison between the steady-state model and the actual measurement model.
청구항 1에 있어서,
상기 정상 상태 모델은, 상기 실제 센싱값의 이상 여부를 판단하기 위한 임계값을 포함하는, 이상 감지 장치.
The method according to claim 1,
Wherein the steady state model includes a threshold for determining whether the actual sensing value is abnormal.
청구항 2에 있어서,
상기 정상 상태 모델 생성부는,
상기 복수의 정상 상태 센싱값에 대한 평균 및 표준편차로부터 상기 임계값을 계산하는, 이상 감지 장치.
The method of claim 2,
The steady state model generation unit may include:
And calculates the threshold value from the mean and standard deviation for the plurality of steady state sensing values.
청구항 2에 있어서,
상기 정상 상태 모델 생성부는,
상기 복수의 정상 상태 센싱값에 부트스트랩(bootstrap) 기법, 또는 KDE(Kernal Density Estinmation) 중 어느 하나를 적용함으로써 상기 임계값을 계산하는, 이상 감지 장치.
The method of claim 2,
The steady state model generation unit may include:
Wherein the threshold value is calculated by applying a bootstrap technique or KDE (Kernel Density Estimation) to the plurality of steady state sensing values.
청구항 1에 있어서,
상기 실 측정 모델은, 상기 복수의 실제 센싱값에 대한 이동평균값 또는 가중이동평균값을 포함하는, 이상 감지 장치.
The method according to claim 1,
Wherein the actual measurement model includes a moving average value or a weighted moving average value for the plurality of actual sensing values.
청구항 1에 있어서,
상기 판단부는, 상기 정상 상태 모델 및 상기 실 측정 모델로부터 생성되는 단변량 관리도 또는 다변량 관리도를 이용하여 상기 실제 측정 대상의 이상 여부를 판단하는, 이상 감지 장치.
The method according to claim 1,
Wherein the determination unit determines whether the actual measurement target is abnormal using the univariate control chart or the multivariate control chart generated from the steady-state model and the actual measurement model.
청구항 6에 있어서,
상기 판단부는, 상기 정상 상태 모델 및 상기 실 측정 모델 간의 차이를 누적한 값이 설정된 기준값을 초과하는 경우, 상기 측정 대상에 이상이 발생한 것으로 판단하는, 이상 감지 장치.
The method of claim 6,
Wherein the determination unit determines that an abnormality has occurred in the measurement target when the accumulated value of the difference between the steady-state model and the actual measurement model exceeds a set reference value.
청구항 6에 있어서,
상기 판단부는, 상기 실 측정 모델로부터 생성한 지수가중이동평균 값이 상기 정상 상태 모델에 포함된 임계치를 초과하는 경우, 상기 측정 대상에 이상이 발생한 것으로 판단하는, 이상 감지 장치.
The method of claim 6,
Wherein the determination unit determines that an abnormality has occurred in the measurement target when the exponentially weighted moving average value generated from the real measurement model exceeds a threshold value included in the steady state model.
복수 개의 센서를 이용하여 측정 대상의 이상 여부를 판단하기 위한 방법으로서,
정상 상태 환경에서, 상기 하나 이상의 센서로부터 복수의 정상 상태 센싱값을 획득하고, 상기 복수의 정상 상태 센싱값으로부터 정상 상태 모델을 생성하는 단계;
실제 환경에서, 상기 하나 이상의 센서로부터 복수의 실제 센싱값을 획득하고, 상기 복수의 실제 센싱값으로부터 실 측정 모델을 생성하는 단계; 및
상기 정상 상태 모델 및 상기 실 측정 모델간의 비교를 통하여 상기 측정 대상의 이상 여부를 판단하는 단계를 포함하는 이상 감지 방법.
A method for determining an abnormality of an object to be measured using a plurality of sensors,
Obtaining a plurality of steady state sensing values from the one or more sensors in a steady state environment and generating a steady state model from the plurality of steady state sensing values;
Obtaining, in a real environment, a plurality of actual sensing values from the one or more sensors and generating a real measurement model from the plurality of actual sensing values; And
And determining whether the measurement object is abnormal through comparison between the steady-state model and the actual measurement model.
청구항 9에 있어서,
상기 정상 상태 모델은, 상기 실제 센싱값의 이상 여부를 판단하기 위한 임계값을 포함하는, 이상 감지 방법.
The method of claim 9,
Wherein the steady state model includes a threshold value for determining whether the actual sensing value is abnormal.
청구항 10에 있어서,
상기 임계값은, 상기 복수의 정상 상태 센싱값에 대한 평균 및 표준편차로부터 계산되는, 이상 감지 방법.
The method of claim 10,
Wherein the threshold is calculated from an average and a standard deviation for the plurality of steady state sensing values.
청구항 10에 있어서,
상기 임계값은, 상기 복수의 정상 상태 센싱값에 부트스트랩(bootstrap) 기법, 또는 KDE(Kernal Density Estinmation) 중 어느 하나를 적용함으로써 계산되는, 이상 감지 방법.
The method of claim 10,
Wherein the threshold value is calculated by applying either a bootstrap technique or a Kernel Density Estimation (KDE) to the plurality of steady state sensing values.
청구항 9에 있어서,
상기 실 측정 모델은, 상기 복수의 실제 센싱값에 대한 이동평균값 또는 가중이동평균값을 포함하는, 이상 감지 방법.
The method of claim 9,
Wherein the real measurement model includes a moving average value or a weighted moving average value for the plurality of actual sensing values.
청구항 9에 있어서,
상기 이상 여부를 판단하는 단계는,
상기 정상 상태 모델 및 상기 실 측정 모델로부터 생성되는 단변량 관리도 또는 다변량 관리도를 이용하여 상기 측정 대상의 이상 여부를 판단하도록 구성되는, 이상 감지 방법.
The method of claim 9,
Wherein the step of determining the abnormality comprises:
Wherein the abnormality detection unit is configured to determine whether the measurement object is abnormal using a univariate control chart or a multivariate control chart generated from the steady-state model and the actual measurement model.
청구항 14에 있어서,
상기 이상 여부를 판단하는 단계는,
상기 정상 상태 모델 및 상기 실 측정 모델 간의 차이를 누적한 값이 설정된 기준값을 초과하는 경우, 상기 측정 대상에 이상이 발생한 것으로 판단하는, 이상 감지 방법.
15. The method of claim 14,
Wherein the step of determining the abnormality comprises:
And determining that an abnormality has occurred in the measurement target when the accumulated value of the difference between the steady-state model and the actual measurement model exceeds a set reference value.
청구항 14에 있어서,
상기 이상 여부를 판단하는 단계는,
상기 실 측정 모델로부터 생성한 지수가중이동평균 값이 상기 정상 상태 모델에 포함된 임계치를 초과하는 경우, 상기 측정 대상에 이상이 발생한 것으로 판단하는, 이상 감지 방법.
15. The method of claim 14,
Wherein the step of determining the abnormality comprises:
And determines that an abnormality has occurred in the measurement target when the exponentially weighted moving average value generated from the actual measurement model exceeds a threshold value included in the steady state model.
하드웨어와 결합되어
정상 상태 환경에서, 하나 이상의 센서로부터 복수의 정상 상태 센싱값을 획득하고, 상기 복수의 정상 상태 센싱값으로부터 정상 상태 모델을 생성하는 단계;
실제 환경에서, 상기 하나 이상의 센서로부터 복수의 실제 센싱값을 획득하고, 상기 복수의 센싱값으로부터 실 측정 모델을 생성하는 단계; 및
상기 정상 상태 모델 및 상기 실 측정 모델간의 비교를 통하여 측정 대상의 이상 여부를 판단하는 단계를 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.Combined with hardware
In a steady state environment, obtaining a plurality of steady state sensing values from one or more sensors and generating a steady state model from the plurality of steady state sensing values;
Obtaining, in a real environment, a plurality of actual sensed values from the at least one sensor and generating a real measurement model from the plurality of sensed values; And
And determining whether the measurement object is abnormal through comparison between the steady-state model and the actual measurement model.
KR1020150149445A 2015-10-27 2015-10-27 System and method for detecting anomality using sensor data KR102384742B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150149445A KR102384742B1 (en) 2015-10-27 2015-10-27 System and method for detecting anomality using sensor data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150149445A KR102384742B1 (en) 2015-10-27 2015-10-27 System and method for detecting anomality using sensor data

Publications (2)

Publication Number Publication Date
KR20170048843A true KR20170048843A (en) 2017-05-10
KR102384742B1 KR102384742B1 (en) 2022-04-07

Family

ID=58743792

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150149445A KR102384742B1 (en) 2015-10-27 2015-10-27 System and method for detecting anomality using sensor data

Country Status (1)

Country Link
KR (1) KR102384742B1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200058696A (en) * 2018-11-20 2020-05-28 삼성중공업 주식회사 Apparatus for testing fault of monitoring sensor
CN114858205A (en) * 2021-02-03 2022-08-05 盟立自动化股份有限公司 Storage equipment and monitoring method thereof

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102578489B1 (en) 2022-07-12 2023-09-13 이재학 Digital transformation prediction system based on big data and machine learning

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002521201A (en) * 1998-07-21 2002-07-16 ドファスコ インコーポレイテッド A multivariate statistical model-based system for monitoring the operation of a continuous caster to detect the occurrence of impending breakouts
KR20050118068A (en) 2004-05-19 2005-12-15 휴먼렉스(주) Gas leakage prevention system and method using the same
JP2007139621A (en) * 2005-11-18 2007-06-07 Omron Corp Determination device, control program of determination device, and recording medium recording control program of determination device
JP2010096682A (en) * 2008-10-17 2010-04-30 Yokogawa Electric Corp Physical quantity measuring apparatus
JP5454671B2 (en) * 2010-02-26 2014-03-26 株式会社日立製作所 Failure cause diagnosis system and method
JP2014142697A (en) * 2013-01-22 2014-08-07 Hitachi Ltd Abnormality diagnostic method and device of the same

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002521201A (en) * 1998-07-21 2002-07-16 ドファスコ インコーポレイテッド A multivariate statistical model-based system for monitoring the operation of a continuous caster to detect the occurrence of impending breakouts
KR20050118068A (en) 2004-05-19 2005-12-15 휴먼렉스(주) Gas leakage prevention system and method using the same
JP2007139621A (en) * 2005-11-18 2007-06-07 Omron Corp Determination device, control program of determination device, and recording medium recording control program of determination device
JP2010096682A (en) * 2008-10-17 2010-04-30 Yokogawa Electric Corp Physical quantity measuring apparatus
JP5454671B2 (en) * 2010-02-26 2014-03-26 株式会社日立製作所 Failure cause diagnosis system and method
JP2014142697A (en) * 2013-01-22 2014-08-07 Hitachi Ltd Abnormality diagnostic method and device of the same

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200058696A (en) * 2018-11-20 2020-05-28 삼성중공업 주식회사 Apparatus for testing fault of monitoring sensor
CN114858205A (en) * 2021-02-03 2022-08-05 盟立自动化股份有限公司 Storage equipment and monitoring method thereof
CN114858205B (en) * 2021-02-03 2024-03-01 盟立自动化股份有限公司 Storage equipment and monitoring method thereof

Also Published As

Publication number Publication date
KR102384742B1 (en) 2022-04-07

Similar Documents

Publication Publication Date Title
Yi et al. Development of sensor validation methodologies for structural health monitoring: A comprehensive review
Li et al. Sensor fault detection with generalized likelihood ratio and correlation coefficient for bridge SHM
US10060831B2 (en) Method for assessing whether or not a measured value of a physical parameter of an aircraft engine is normal
Harmouche et al. Incipient fault amplitude estimation using KL divergence with a probabilistic approach
Harrou et al. An improved multivariate chart using partial least squares with continuous ranked probability score
US20120296605A1 (en) Method, computer program, and system for performing interpolation on sensor data for high system availability
RU2766106C1 (en) Detection of emergency situations
US20210116331A1 (en) Anomaly analysis method, program, and system
KR20190025474A (en) Apparatus and Method for Predicting Plant Data
Chai et al. Online incipient fault diagnosis based on Kullback‐Leibler divergence and recursive principle component analysis
KR20170048843A (en) System and method for detecting anomality using sensor data
CN114492629A (en) Abnormality detection method, abnormality detection device, electronic apparatus, and storage medium
JP6989398B2 (en) Failure diagnostic device, failure diagnosis method, and failure diagnosis program
US11009431B2 (en) Failure mode specifying system, failure mode specifying method, and program
JP2010276339A (en) Method and device for diagnosis sensor
US8145145B2 (en) Self evaluating transmitter
WO2018198267A1 (en) Causal relationship learning method, program, device, and abnormality analysis system
Mendler et al. On the probability of localizing damages based on mode shape changes
Shi et al. Set‐membership identification technique for structural damage based on the dynamic responses with noises
CN115059634A (en) Fault diagnosis method and device for air blowing equipment and electronic equipment
JP7239022B2 (en) Time series data processing method
US11228606B2 (en) Graph-based sensor ranking
US10316690B2 (en) Method for validation of an investigated sensor and corresponding machine
US10929776B2 (en) Thermally-compensated prognostic-surveillance technique for critical assets in outdoor environments
Mao et al. Rapid structural condition assessment using transmissibility with quantified confidence for decision making

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E90F Notification of reason for final refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant