KR20180116577A - 건물 시스템 진단 방법 및 장치 - Google Patents

건물 시스템 진단 방법 및 장치 Download PDF

Info

Publication number
KR20180116577A
KR20180116577A KR1020170049025A KR20170049025A KR20180116577A KR 20180116577 A KR20180116577 A KR 20180116577A KR 1020170049025 A KR1020170049025 A KR 1020170049025A KR 20170049025 A KR20170049025 A KR 20170049025A KR 20180116577 A KR20180116577 A KR 20180116577A
Authority
KR
South Korea
Prior art keywords
data
building system
learning model
building
noise
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
KR1020170049025A
Other languages
English (en)
Inventor
김영진
Original Assignee
선문대학교 산학협력단
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 선문대학교 산학협력단 filed Critical 선문대학교 산학협력단
Priority to KR1020170049025A priority Critical patent/KR20180116577A/ko
Publication of KR20180116577A publication Critical patent/KR20180116577A/ko
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/62—Control or safety arrangements characterised by the type of control or by internal processing, e.g. using fuzzy logic, adaptive control or estimation of values
    • F24F11/63—Electronic processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N99/005—

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

건물 시스템 진단 방법 및 장치가 제공된다. 일 실시예에 따른 건물 시스템 진단 방법은, 건물에 설치된 적어도 하나의 센서에서 센싱된 데이터를 수집하는 단계; 상기 수집된 데이터를 필터링하는 단계; 및 상기 필터링된 데이터와 학습 모델에서 계산된 예측값을 비교함으로써 빌딩 시스템 중 적어도 일부분의 이상을 검출하는 단계를 포함할 수 있다.

Description

건물 시스템 진단 방법 및 장치{METHOD AND APPARATUS FOR DIAGNOSING BUILDING SYSTEM}
아래 설명은, 건물 시스템 진단 방법 및 장치에 관한 것이다.
최근, 실내 쾌적한 온열환경 제공과 더불어 냉방 및 난방 에너지를 절감하기 위하여, 빌딩 시스템 분야에서는 다양한 첨단 기술 및 전략들이 개발되고 있고, 실제 일부 적용되고 있다.
수치해석모델, 보정 기법, 최적화 이론, 연동 플랫폼 기술 등을 이용한 시스템 운영은 데이터 모니터링 기반 휴리스틱 제어환경을 제공할 뿐만 아니라, 시뮬레이션 예측모델 기반의 실시간 자동제어환경을 제공할 수 있다.
하지만, 기존 건물은 시간이 경과할수록 센서 노이즈 또는 시스템 노후화로 인해 시스템 오류 및 오작동이 증대되며, 이는 초기 설계단계에서 의도된 첨단기술들의 능력을 저하시키는 주요 원인이 된다는 문제점이 있다.
일 실시예에 따르면, 데이터 필터링과 기계학습(Machine learning)을 이용한 시스템 오류 및 오작동 진단과 자동 경보 시스템을 제공할 수 있다.
일 실시예에 따르면, 기계학습 모델과 데이터 필터링(Data filtering) 기술을 연동하여 빌딩 시스템의 오류 및 오작동을 진단하고, 건물 관리자에게 실시간으로 진단된 정보를 알려줄 수 있다.
일 실시예에 따른, 건물 시스템 진단 방법은, 건물에 설치된 적어도 하나의 센서에서 센싱된 데이터를 수집하는 단계; 상기 수집된 데이터를 필터링하는 단계; 및 상기 필터링된 데이터와 학습 모델에서 계산된 예측값을 비교함으로써 빌딩 시스템 중 적어도 일부분의 이상을 검출하는 단계를 포함할 수 있다.
일 실시예에 따른, 상기 검출하는 단계는, 기정의된 임계값보다 상기 필터링된 데이터의 값과 상기 학습 모델에서 계산된 예측값 간의 차가 작을 경우, 이상이 없다고 판단 할 수 있다.
일 실시예에 따른, 상기 학습 모델에서 계산된 예측값은, 비정상 값을 포함하지 않은 정상적인 데이터일 수 있다.
일 실시예에 따른, 상기 검출하는 단계는, 기정의된 임계값보다 상기 필터링된 데이터의 값과 상기 학습 모델에서 계산된 예측값 간의 차가 크거나 같을 경우, 이상이 있다고 판단할 수 있다.
일 실시예에 따른, 상기 검출하는 단계는, 비선형 모델의 다변량 분석을 이용하여 상기 예측값을 계산할 수 있다.
일 실시예에 따른, 이상이 검출되지 않을 경우, 상기 수집된 데이터를 이용하여 상기 학습 모델을 학습시킬 수 있다.
일 실시예에 따른, 상기 필터링하는 단계는, 임계값을 기초로 상기 수집된 데이터의 노이즈를 식별할 수 있다.
일 실시예에 따른, 상기 필터링하는 단계는, 상기 수집된 데이터 중 비정상 신호를 분리함으로써 필터링할 수 있다.
일 실시예에 따른, 건물 시스템 진단 장치는, 빌딩 시스템으로부터 수집된 데이터의 노이즈를 제거하는 데이터 노이즈 제거부; 상기 수집된 데이터를 기초로 학습 모델을 구축하는 학습 모델 구축부; 및 상기 노이즈가 제거된 데이터와 상기 구축된 학습 모델의 예측 결과를 비교하는 데이터 및 예측 결과 비교부를 포함할 수 있다.
일 실시예에 따르면, 시뮬레이션 기반 예측 제어를 하는데 있어 그 능력을 현저히 감소시킬 수 있는, 부정확한 센싱 데이터와 오류를 가진 시스템들로부터 건물 유지관리 동안 자동으로 오류 및 오작동을 검출함으로써, 시스템의 성능품질을 확보할 수 있는 효과가 있다.
일 실시예에 따르면, 데이터 기반 기계학습을 통해 불확실성을 감소시킬 수 있고, 데이터 노이즈 제거를 통해 기계학습 모델의 강건성 확보할 수 있는 효과가 있다.
도 1은 일 실시예에 따른 건물 시스템 진단 방법을 나타내는 흐름도이다.
도 2는 일 실시예에 따른 건물 시스템 진단 방법을 나타내는 도면이다.
도 3은 일 실시예에 따른 건물 시스템 진단 장치를 나타내는 블록도이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 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.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 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.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 일 실시예에 따른 건물 시스템 진단 방법을 나타내는 흐름도이다.
건물 시스템 진단 방법은 기계학습 기반 방식으로서 센싱된 데이터와 확률적/통계적 처리 기법 또는 데이터 인버스 모델을 이용할 수 있다. 건물 시스템 진단 방법은 측정된 데이터만을 이용하여 인공지능 기반의 기계학습 모델들로서 인공신경망(ANN: Artificial Neural Network), 서포트 백터 머신(SVM: Support Vector Machine), 가우시안 프로세스(GP: Gaussian Process), 딥 러닝 등을 이용할 수 있다.
또한, 건물 시스템 진단 방법은 데이터 노이즈를 확률적/통계적 처리 방식으로서 주성분 분석(PCA: Principle Component Analysis), 웨이브릿 변환(Wavelet transform), 고속푸리에변환(FFT: Fast Fourier Transfer) 등을 이용하여 데이터를 필터링할 수도 있다. 건물 시스템 진단 방법은 규칙 중심 방법과 물리적 모델 기반 방법과 다르게, 시뮬레이션 전문가들의 주관적 지식과 가정에 따른 불확실성의 개입을 최소화 할 수 있다. 즉, 건물 시스템 진단 방법은 별도의 보정 작업이 필요하지 않고, 연산속도가 빠른 장점이 있다.
도 1을 참조하면, 건물 시스템 진단 장치가 수행하는 건물 시스템 진단 방법은 하기와 같은 단계를 포함할 수 있다.
단계(110)에서, 건물 시스템 진단 장치는 건물에 설치된 적어도 하나의 센서에서 센싱된 데이터를 수집할 수 있다. 이때, 건물에 설치된 BEMS(Building Energy Management System) 시스템은 BAS(Building Automation System)를 이용하여 센싱된 데이터를 건물 시스템 진단 장치에 전달할 수 있다.
단계(120)에서, 건물 시스템 진단 장치는 수집된 데이터를 필터링할 수 있다. 건물 시스템 진단 장치는 임계값을 기초로 수집된 데이터의 노이즈를 식별할 수 있다. 건물 시스템 진단 장치는 수집된 데이터 중 비정상 신호를 분리함으로써 필터링할 수도 있다.
단계(130)에서, 건물 시스템 진단 장치는 필터링된 데이터와 학습 모델에서 계산된 예측값을 비교함으로써 빌딩 시스템 중 적어도 일부분의 이상을 검출할 수 있다. 학습 모델에서 계산된 예측값은 비정상 값을 포함하지 않은 정상적인 데이터일 수 있다.
건물 시스템 진단 장치는 기정의된 임계값보다 필터링된 데이터의 값과 학습 모델에서 계산된 예측값 간의 차가 작을 경우, 이상이 없다고 판단할 수 있다. 이때, 건물 시스템 진단 장치는 이상이 검출되지 않을 경우, 수집된 데이터를 이용하여 학습 모델을 학습시킬 수도 있다.
건물 시스템 진단 장치는 기정의된 임계값보다 필터링된 데이터의 값과 학습 모델에서 계산된 예측값 간의 차가 크거나 같을 경우, 이상이 있다고 판단할 수 있다. 이때, 건물 시스템 진단 장치는 비선형 모델의 다변량 분석을 이용하여 예측값을 계산할 수도 있다.
경우에 따라서, 건물 시스템 진단 장치는 이상이 있다고 판단될 경우, 건물 시스템의 관리자 또는 건물 시스템 진단 장치와 무선 통신 등으로 연결된 사용자 단말에 건물 시스템의 이상 여부 또는 건물 시스템의 이상과 관련된 정보를 전송할 수도 있다. 건물 시스템의 이상과 관련된 정보는 건물 시스템의 센서에 관한 정보일 수도 있다.
도 2는 일 실시예에 따른 건물 시스템 진단 방법을 나타내는 도면이다.
도 2를 참조하면, 센서 노이즈 필터링과 기계학습 모델을 이용한 오류 및 오작동 검출 과정을 알 수 있다.
건물 시스템 진단 장치는 데이터 필터링 중 웨이브릿 변환방식과 기계학습 모델을 이용함으로써, 시스템의 오류 또는 오작동을 자동으로 검출할 수 있다.
건물 시스템 진단 장치는 BEMS(Building Energy Management System) 데이터에서 노이즈를 제거할 수 있다. 건물에 설치된 BEMS 시스템은 BAS(Building Automation System)를 이용하여 센싱된 데이터를 건물 시스템 진단 장치에 전달할 수 있다. 건물 시스템 진단 장치는 건물에 설치된 BEMS 또는 BAS 시스템으로부터 센싱된 데이터를 수신할 수 있다.
건물 시스템 진단 장치는 웨이브릿 변환 방법을 이용하여 수신된 데이터를 필터링할 수 있다. 이때, 건물 시스템 진단 장치는 웨이브릿 변환을 이용하여 수신된 데이터의 노이즈를 제거할 수도 있다.
건물 시스템 진단 장치는 웨이브릿 변환을 이용하여, 푸리에 변환과 달리 신호의 주파수 성분이 주기 시간 안에서 변화하는 비정상신호에 대해 고주파와 저주파 신호로 분리할 수 있다. 또한, 건물 시스템 진단 장치는 웨이브릿 변환을 이용하여, 기정의된 임계값을 기준으로 수신된 데이터의 노이즈를 식별할 수도 있다.
건물 시스템 진단 장치는 기계학습 모델 구축할 수 있다. 건물 시스템 진단 장치는 측정된 입력 또는 출력 데이터를 기반으로 기계학습 모델을 구축할 수 있다. 이때, 기계학습 모델은 인공신경망, 서포트 백터 머신, 가우시안 프로세스 등으로 구축될 수 있다. 건물 시스템 진단 장치는 딥 러닝 기반의 비선형 모델을 이용하여 다변량 분석을 할 수 있다. 입력 또는 출력 데이터는 과거 필터링된 센서 장치와 오류 및 오작동이 없는 시스템에 의해서 작성된 데이터를 이용하여 생성될 수도 있다. 즉, 구축된 기계학습 모델은 기저 모델일 수 있다. 기저 모델은 과거의 데이터를 이용한 기계학습 모델일 수 있다.
건물 시스템 진단 장치는 측정된 데이터와 기계학습 예측 결과를 비교할 수 있다. 건물 시스템 진단 장치는 현재 시스템에서 측정된 출력 데이터의 값과 과거 데이터에 의해 완성된 기저 모델에서 계산된 예측값을 비교할 수 있다.
이때, 건물 시스템 진단 장치는 기계학습의 오류 및 오작동이 없는 출력 예측값으로 계산된 값과 오류 및 오작동을 포함될 수도 있는 측정된 출력 데이터의 값을 비교할 수 있다. 즉, 기계학습에 의하여 출력된 예측 값은 오류 또는 오작동에 의하지 않고 출력된 값이고, 출력 데이터의 값은 오류 또는 오작동에 의하여 출력된 값일 수 있다.
건물 시스템 진단 장치는 측정된 출력 데이터의 값과 예측 결과인 예측값의 차이 및 잔차(Residual)를 기초로 오류 및 오작동을 판단하거나 검출할 수 있다. 예를 들어, 건물 시스템 진단 장치는 두 값의 차이 또는 잔차가 기정의된 오류 임계값(Threshold)보다 작을 경우, 오류 및 오작동이 미검출할 수 있다. 또한, 건물 시스템 진단 장치는 두 값의 차이 또는 잔차가 기정의된 오류 임계값보다 클 경우, 오류 및 오작동을 검출할 수 있다. 이때, 건물 시스템 진단 장치는 검출된 오류 및 오작동에 대한 경보를 건물 관리자에게 자동으로 통보할 수도 있다.
도 3은 일 실시예에 따른 건물 시스템 진단 장치를 나타내는 블록도이다.
도 3을 참조하면, 건물 시스템 진단 장치(300)는 데이터 노이즈 제거부(310), 학습 모델 구축부(320), 데이터 및 예측 결과 비교부(330)를 포함할 수 있다.
데이터 노이즈 제거부(310)는 빌딩 시스템으로부터 수집된 데이터의 노이즈를 제거할 수 있다. 데이터 노이즈 제거부(310)는 임계값을 기초로 수집된 데이터의 노이즈를 식별할 수 있다. 데이터 노이즈 제거부(310)는 수집된 데이터 중 비정상 신호를 분리함으로써 노이즈를 제거하거나 필터링할 수도 있다.
학습 모델 구축부(320)는 수집된 데이터를 기초로 학습 모델을 구축할 수 있다. 학습 모델 구축부(320)는 이상이 검출되지 않을 경우, 수집된 데이터를 이용하여 학습 모델을 학습시킬 수도 있다. 학습 모델은 기계학습 모델으로서 인공신경망, 서포트 백터 머신, 가우시안 프로세스 등으로 구축될 수 있다. 구축된 기계학습 모델은 기저 모델일 수 있다. 기저 모델은 과거의 데이터를 이용한 기계학습 모델일 수도 있다.
데이터 및 예측 결과 비교부(330)는 노이즈가 제거된 데이터와 구축된 학습 모델의 예측 결과를 비교할 수 있다. 데이터 및 예측 결과 비교부(330)는 노이즈가 제거된 데이터인 측정된 데이터와 구축된 학습 모델의 예측 결과인 기계학습 예측 결과를 비교할 수 있다. 데이터 및 예측 결과 비교부(330)는 현재 건물의 시스템에서 측정된 출력 데이터의 값과 과거 데이터에 의해 완성된 기저 모델에서 계산된 예측값을 비교할 수 있다.
데이터 및 예측 결과 비교부(330)는 노이즈가 제거된 데이터의 값과 구축된 학습 모델의 예측 결과의 값의 차이 또는 잔차를 기초로 오류 및 오작동을 판단하거나 검출할 수도 있다. 예를 들어, 데이터 및 예측 결과 비교부(330)는 두 값의 차이 또는 잔차가 기정의된 오류 임계값보다 작거나 같을 경우, 오류 및 오작동이 미검출할 수도 있다. 또한, 데이터 및 예측 결과 비교부(330)는 두 값의 차이 또는 잔차가 기정의된 오류 임계값보다 크거나 같을 경우, 오류 및 오작동을 검출할 수도 있다. 이때, 데이터 및 예측 결과 비교부(330)는 검출된 오류 및 오작동에 대한 정보 또는 경보를 건물 관리자에게 자동으로 통보할 수도 있다.
건물 시스템 진단 장치(300)는 BEMS, 기계학습, 필터링 방식을 이용하여 건물 시스템의 센서로부터 수집된 데이터의 오류 및 센서의 오작동을 검출할 수 있다는 장점이 있다. 건물 시스템 진단 장치(300)는 홈네트워크, WWW(world wide web)과 연동하여, 실시간 오류 및 오작동에 관한 정보를 자동으로 알람하는 시스템을 작동시킬 수 있다는 장점이 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(Arithmetic Logic Unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(Field Programmable Gate 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.
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.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 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.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 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.

Claims (9)

  1. 건물 시스템 진단 방법에 있어서,
    건물에 설치된 적어도 하나의 센서에서 센싱된 데이터를 수집하는 단계;
    상기 수집된 데이터를 필터링하는 단계; 및
    상기 필터링된 데이터와 학습 모델에서 계산된 예측값을 비교함으로써 빌딩 시스템 중 적어도 일부분의 이상을 검출하는 단계
    를 포함하는 건물 시스템 진단 방법.
  2. 제1항에 있어서,
    상기 검출하는 단계는,
    기정의된 임계값보다 상기 필터링된 데이터의 값과 상기 학습 모델에서 계산된 예측값 간의 차가 작을 경우, 이상이 없다고 판단하는 건물 시스템 진단 방법.
  3. 제1항에 있어서,
    상기 학습 모델에서 계산된 예측값은,
    비정상 값을 포함하지 않은 정상적인 데이터인, 건물 시스템 진단 방법.
  4. 제1항에 있어서,
    상기 검출하는 단계는,
    기정의된 임계값보다 상기 필터링된 데이터의 값과 상기 학습 모델에서 계산된 예측값 간의 차가 크거나 같을 경우, 이상이 있다고 판단하는 건물 시스템 진단 방법.
  5. 제1항에 있어서,
    상기 검출하는 단계는,
    비선형 모델의 다변량 분석을 이용하여 상기 예측값을 계산하는 건물 시스템 진단 방법.
  6. 제1항에 있어서,
    이상이 검출되지 않을 경우, 상기 수집된 데이터를 이용하여 상기 학습 모델을 학습시키는, 건물 시스템 진단 방법.
  7. 제1항에 있어서,
    상기 필터링하는 단계는,
    임계값을 기초로 상기 수집된 데이터의 노이즈를 식별하는 건물 시스템 진단 방법.
  8. 제1항에 있어서,
    상기 필터링하는 단계는,
    상기 수집된 데이터 중 비정상 신호를 분리함으로써 필터링하는 건물 시스템 진단 방법.
  9. 건물 시스템 진단 장치에 있어서,
    빌딩 시스템으로부터 수집된 데이터의 노이즈를 제거하는 데이터 노이즈 제거부;
    상기 수집된 데이터를 기초로 학습 모델을 구축하는 학습 모델 구축부; 및
    상기 노이즈가 제거된 데이터와 상기 구축된 학습 모델의 예측 결과를 비교하는 데이터 및 예측 결과 비교부
    를 포함하는 건물 시스템 진단 장치.
KR1020170049025A 2017-04-17 2017-04-17 건물 시스템 진단 방법 및 장치 Ceased KR20180116577A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170049025A KR20180116577A (ko) 2017-04-17 2017-04-17 건물 시스템 진단 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170049025A KR20180116577A (ko) 2017-04-17 2017-04-17 건물 시스템 진단 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20180116577A true KR20180116577A (ko) 2018-10-25

Family

ID=64131670

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170049025A Ceased KR20180116577A (ko) 2017-04-17 2017-04-17 건물 시스템 진단 방법 및 장치

Country Status (1)

Country Link
KR (1) KR20180116577A (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021040779A1 (en) * 2019-08-23 2021-03-04 Landmark Graphics Corporation Anomaly detection using hybrid autoencoder and gaussian process regression
KR20210046473A (ko) * 2019-10-18 2021-04-28 주식회사 케이티 건물 내의 환경을 제어하는 서버, 방법 및 컴퓨터 프로그램
KR20210074541A (ko) * 2019-12-12 2021-06-22 한국전자기술연구원 디지털 트윈 기반 Automotive Intelligence 지식베이스를 이용한 오류 탐지 및 형상화 방법
KR20210111502A (ko) * 2020-03-03 2021-09-13 권상인 예지정비장치 및 방법
CN113446703A (zh) * 2021-07-01 2021-09-28 宁波奥克斯电气股份有限公司 空调器噪音分析方法、装置、服务器及存储介质
CN113902588A (zh) * 2021-10-21 2022-01-07 应急管理部四川消防研究所 一种建筑结构健康管理平台及其实现方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021040779A1 (en) * 2019-08-23 2021-03-04 Landmark Graphics Corporation Anomaly detection using hybrid autoencoder and gaussian process regression
GB2597422A (en) * 2019-08-23 2022-01-26 Landmark Graphics Corp Anomaly detection using hybrid autoencoder and gaussian process regression
GB2597422B (en) * 2019-08-23 2023-06-14 Landmark Graphics Corp Anomaly detection using hybrid autoencoder and gaussian process regression
KR20210046473A (ko) * 2019-10-18 2021-04-28 주식회사 케이티 건물 내의 환경을 제어하는 서버, 방법 및 컴퓨터 프로그램
KR20240071361A (ko) * 2019-10-18 2024-05-22 주식회사 케이티 건물 내의 환경을 제어하는 서버, 방법 및 컴퓨터 프로그램
KR20210074541A (ko) * 2019-12-12 2021-06-22 한국전자기술연구원 디지털 트윈 기반 Automotive Intelligence 지식베이스를 이용한 오류 탐지 및 형상화 방법
KR20210111502A (ko) * 2020-03-03 2021-09-13 권상인 예지정비장치 및 방법
CN113446703A (zh) * 2021-07-01 2021-09-28 宁波奥克斯电气股份有限公司 空调器噪音分析方法、装置、服务器及存储介质
CN113902588A (zh) * 2021-10-21 2022-01-07 应急管理部四川消防研究所 一种建筑结构健康管理平台及其实现方法

Similar Documents

Publication Publication Date Title
KR20180116577A (ko) 건물 시스템 진단 방법 및 장치
US10992697B2 (en) On-board networked anomaly detection (ONAD) modules
US11487598B2 (en) Adaptive, self-tuning virtual sensing system for cyber-attack neutralization
US11120127B2 (en) Reconstruction-based anomaly detection
JP6896432B2 (ja) 故障予知方法、故障予知装置および故障予知プログラム
US10805329B2 (en) Autonomous reconfigurable virtual sensing system for cyber-attack neutralization
KR102434460B1 (ko) 기계학습 기반 예측 모델 재학습 장치 및 그 방법
WO2018104985A1 (ja) 異常分析方法、プログラムおよびシステム
US20150241853A1 (en) Initated test health management system and method
Yoshida et al. ARX and AFMM model-based on-line real-time data base diagnosis of sudden fault in AHU of VAV system
KR101797558B1 (ko) 데이터베이스 기반 인공지능형 스마트 밸브 제어 시스템
Zhang et al. Fault detection and diagnosis based on particle filters combined with interactive multiple-model estimation in dynamic process systems
US11747035B2 (en) Pipeline for continuous improvement of an HVAC health monitoring system combining rules and anomaly detection
KR20190025474A (ko) 플랜트 데이터 예측 장치 및 방법
JP7578678B2 (ja) ユーティリティシステム資産の効率的なｒｕｌ解析を促進するための無関係フィルタの使用
WO2014091952A1 (ja) センサ監視装置、センサ監視方法、及びセンサ監視プログラム
KR102241650B1 (ko) 딥러닝 기반의 화력 발전소 재과열기 튜브의 누설 감지 방법 및 이를 수행하는 장치
JP7344960B2 (ja) ベイジアンネットワークによるボイラーの運転データの監視方法及び装置
WO2018112352A1 (en) Techniques of automated fault detection and related systems and methods
CN112799898A (zh) 基于分布式故障检测的互联系统故障节点定位方法及系统
JP4635194B2 (ja) 異常検知装置
CA2766560A1 (en) Method of determining the influence of a variable in a phenomenon
WO2018085320A1 (en) Content-aware anomaly detection and diagnosis
CN101657770B (zh) 使用间断检测的机器状况监测
WO2018198267A1 (ja) 因果関係学習方法、プログラム、装置および異常分析システム

Legal Events

Date Code Title Description
A201 Request for examination
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20170417

PA0201 Request for examination
E902 Notification of reason for refusal
PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20180612

Patent event code: PE09021S01D

E90F Notification of reason for final refusal
PE0902 Notice of grounds for rejection

Comment text: Final Notice of Reason for Refusal

Patent event date: 20180928

Patent event code: PE09021S02D

PG1501 Laying open of application
E601 Decision to refuse application
PE0601 Decision on rejection of patent

Patent event date: 20181231

Comment text: Decision to Refuse Application

Patent event code: PE06012S01D

Patent event date: 20180928

Comment text: Final Notice of Reason for Refusal

Patent event code: PE06011S02I

Patent event date: 20180612

Comment text: Notification of reason for refusal

Patent event code: PE06011S01I