KR20190001781A

KR20190001781A - Method for detecting abnormal situation and system for performing the same

Info

Publication number: KR20190001781A
Application number: KR1020170081846A
Authority: KR
Inventors: 김익재; 조정현; 최희승; 남기표; 강기헌; 권태송
Original assignee: 한국과학기술연구원; 주식회사 휴먼아이씨티
Priority date: 2017-06-28
Filing date: 2017-06-28
Publication date: 2019-01-07
Also published as: KR101970619B1

Abstract

A system for detecting an abnormal situation comprises: a first sensing unit obtaining first sensor data from facility equipment; a first situation determination unit determining whether an abnormal situation occurs from the obtained first sensor data; a data for learning generation unit generating learning data from the obtained sensor data if it is determined that the abnormal situation has occurred; and a parameter for abnormal situation recognition learning unit updating a parameter for recognizing an abnormal situation through machine learning by using the data for learning. The first situation determination unit determines occurrence of next abnormal situation based on the parameter for abnormal situation recognition. The data for learning includes the sensor data obtained for a predetermined time range from the occurrence time of the abnormal situation.

Description

TECHNICAL FIELD [0001] The present invention relates to a method for detecting abnormal conditions and a system for performing the same,

본 출원은 일반적으로 비정상 상황을 검출하는 방법 및 이를 수행하기 위한 시스템에 관한 발명으로서, 보다 상세하게는 비정상 상황을 감지하고 이를 학습하여 향후 비정상 상황의 발생 여부를 검출하는 것과 관련 있다. The present invention relates generally to a method for detecting an abnormal situation and a system for performing the same, and more particularly relates to detecting and detecting an abnormal situation and detecting the occurrence of an abnormal situation in the future.

발전소, 공장에 설치된 설비 장치에 의해 수행되는 공정을 설계함에 있어, 설계자는 설비 장치의 능률 또는 작동 결과에 영향을 미치는 특정 상황(이하, “비정상 상황”이라고 지칭됨)을 고려하여 일련의 공정 단계들을 설계한다. 그러나 설계자가 공정 설계를 수행하는 과정에서 비정상 상황이 발생하지 않도록 최선을 다해 설계함에도 불구하고 설계자가 고려하지 못한 원인 또는 향후 발생하지 않을 것이라고 판단한 돌발 상황 등과 같은 이유로 설계 후 실제 공정이 가동되는 도중에 일련의 비정상 상황이 발생할 수 있다. In designing processes to be performed by facilities installed in power plants or factories, the designer must designate a series of process steps taking into account the specific situation (hereinafter referred to as "abnormal situation") affecting the efficiency of the equipment or the operation result . However, due to reasons such as unexpected reasons that designers did not consider, or unexpected situations that the designers did not consider to occur even though designers did their best to prevent abnormal situations in the process of performing the process design, An abnormal situation may occur.

이런 비정상 상황에 대처하기 위해, 비정상 상황의 발생을 감지하는 장치가 사용될 수 있다. 그러나 새로운 비정상 상황이 발생하는 경우, 이에 대한 데이터를 사용자가 직접 입력하는 것은 한계가 있다. To cope with such an abnormal situation, an apparatus for detecting the occurrence of an abnormal situation can be used. However, when a new abnormal situation occurs, there is a limit in that the user can directly input the data.

이러한 단점을 해결하기 위해, 기계 학습(machine learning) 알고리즘을 적용하여 비정상 상황의 발생을 검출하려는 시도가 있다. 도 1 은 기계 학습 알고리즘을 적용하여 비정상 상황을 검출하는 시스템에 관한 도면이다. In order to solve such a disadvantage, there is an attempt to detect the occurrence of an abnormal situation by applying a machine learning algorithm. 1 is a diagram of a system for detecting an abnormal situation by applying a machine learning algorithm.

도 1에 도시된 바와 같이, 감지 센싱부는 공정의 시작 시각(t_start)부터 종료 시각(t_end)까지 설비 장치로부터 센서 데이터(예를 들어, 영상, 음성, 화재, 온도, 습도, 압력 등)를 획득한다. 상황판단부가 비정상 상황의 발생을 감지하면, 발생 이전까지의 센서 데이터 모두를 기계 학습 알고리즘에 적용하여 그 결과를 바탕으로 비정상 상황의 발생을 감지하는 능력을 향상시킨다. 도 1에 도시된 바와 같이, 감지 센싱부가 공정 시작 시각(t_start)부터 종료 시각(t_end)까지 센서 데이터를 획득하는 도중 시각(t_b1, t_b2)에서 비정상 상황이 발생할 수 있다. 이 경우, 센서 데이터를 기초로 기계 학습을 하기 위해서는 범위(t_start~t_b1)를 갖는 감지 결과 데이터와 범위(t_b1~t_b2)를 갖는 감지 결과 데이터를 기계 학습 알고리즘에 적용해야 한다. 1, the detected sensing unit start time (t _start) from the end time (t _end) sensor data from up equipment device of the process (e.g., video, audio, smoke, temperature, humidity, pressure, etc.) . When the situation determination unit detects the occurrence of an abnormal situation, it applies all of the sensor data up to before the occurrence to the machine learning algorithm and improves the ability to detect the occurrence of an abnormal situation based on the result. As shown in FIG. 1, an abnormal situation may occur at the time of midway (t _b1 , t _b2 ) at which the sensed sensing unit acquires the sensor data from the process start time (t _start ) to the end time (t _end ). In this case, in order to perform the machine learning based on the sensor data, the detection result data having the range (t _start to t _b1 ) and the detection result data having the range (t _b1 to t _b2 ) must be applied to the machine learning algorithm.

그러나 일반적으로 비정상 상황의 발생 빈도가 정상 상황의 발생 빈도보다 상대적으로 적다. 그러므로 유의미한 학습 결과를 도출할 만큼의 기초 데이터를 확보한다면 확보된 데이터 중 불필요한 데이터(즉, 정상 상황에 관한 데이터)의 비중이 많다. 이로 인해, 기계 학습에 적용되는 센서 데이터 용량이 실질적으로 필요한 용량보다 상대적으로 많이 소모되고, 분석, 처리하는 과정에서도 시간이 많이 소모되는 문제가 있다. However, in general, the incidence of abnormal conditions is relatively less than the incidence of normal conditions. Therefore, if basic data sufficient for deriving a meaningful learning result is secured, unnecessary data (i.e., data relating to a normal situation) among the secured data is a large proportion. Therefore, there is a problem that the sensor data capacity applied to the machine learning is consumed relatively more than the actual required capacity, and the analysis and processing are also time-consuming.

또한, 비정상 상황의 발생을 판단했다는 것은 이미 비정상 상황이 발생했다는 것을 의미한다. 따라서, 비정상 상황을 감지함에도 불구하고 수행중인 공정 중지, 또는 설비 장치에 고장 발생을 방지할 수 없는 문제가 있다.In addition, judging the occurrence of an abnormal situation means that an abnormal situation has already occurred. Therefore, there is a problem that it is not possible to prevent the occurrence of a process stoppage in the process or a failure in the equipment, despite detecting an abnormal situation.

KR 10-2017-0022625 AKR 10-2017-0022625 A

비정상 상황의 검출 능력을 향상시키는데 실질적으로 요구되는 데이터를 이용하여 비정상 상황을 검출하는 방법 및 이를 수행하기 위한 시스템이 제공된다. There is provided a method of detecting an abnormal situation using data substantially required for improving the detection capability of an abnormal situation and a system for performing the same.

일 실시예에 따른 비정상 상황 검출 방법은, 설비 장치로부터 제1 센서 데이터를 획득하는 단계; 획득된 제1 센서 데이터로부터 비정상 상황의 발생 여부를 판단하는 단계; 비정상 상황의 발생이 판단되면, 획득된 센서 데이터로부터 학습용 데이터를 생성하는 단계; 상기 학습용 데이터를 이용하여 기계 학습을 통해 비정상 상황 인지용 파라미터를 업데이트하는 단계; 및 상기 비정상 상황 인지용 파라미터에 의해 다음 비정상 상황의 발생을 판단하는 단계를 포함하고, 상기 학습용 데이터는 비정상 상황의 발생 시각으로부터 일정 시간 범위 동안 획득된 센서 데이터를 포함할 수 있다. An abnormal situation detection method according to an embodiment includes: obtaining first sensor data from a facility apparatus; Determining whether an abnormal condition has occurred from the obtained first sensor data; Generating training data from the obtained sensor data if it is determined that an abnormal situation has occurred; Updating parameters for detecting an abnormal situation through machine learning using the learning data; And determining the occurrence of the next abnormal situation based on the abnormal condition recognition parameter, wherein the learning data may include sensor data obtained for a predetermined time range from the occurrence time of the abnormal condition.

상기 시간 범위는 상기 비정상 상황의 발생 시각 이전에 획득된 센서 데이터의 특징에 기초하여 결정될 수 있다. The time range may be determined based on the characteristics of the sensor data acquired before the occurrence time of the abnormal condition.

상기 방법은 상기 획득된 센서 데이터와 상이한 유형의 제2 센서 데이터를 획득하는 단계; 및 획득된 제2 센서 데이터로부터 비정상 상황의 발생 여부를 판단하는 단계를 더 포함할 수 있다. The method comprising: obtaining second sensor data of a different type than the obtained sensor data; And determining whether an abnormal condition has occurred from the obtained second sensor data.

상기 방법은 상기 제2 센서 데이터로부터 비정상 상황의 발생이 판단되기 이전에 상기 획득된 센서 데이터로부터 비정상 상황이 발생할 것이라고 판단된 경우, 경고를 발생시키는 단계를 더 포함할 수 있다. The method may further include generating an alert when it is determined that an abnormal situation will occur from the obtained sensor data before the occurrence of an abnormal situation is determined from the second sensor data.

상기 비정상 상황 인지용 파라미터는 SVM(support vector machine), SVDD(support vector data description), SVR(support vector regression), ANN(artificial neural network) 및 K 평균 클러스터링(K-means clustering) 알고리즘 중 적어도 하나에 의해 업데이트될 수 있다. The abnormal condition recognition parameter may include at least one of support vector machine (SVM), support vector data description (SVDD), support vector regression (SVR), artificial neural network (ANN), and K-means clustering algorithm Lt; / RTI >

상기 비정상 상황 인지용 파라미터는 일정 시간 간격(duration) 동안 축적된 복수의 학습용 데이터로부터 업데이트될 수 있다. The abnormal condition recognition parameter may be updated from a plurality of learning data accumulated for a predetermined time duration.

상기 비정상 상황 인지용 파라미터는 생성된 학습용 데이터로부터 실시간으로 업데이트될 수 있다. The abnormal condition recognition parameter may be updated in real time from the generated learning data.

비정상 상황이 발생한 이후 획득된 센서 데이터를 확률 모델에 적용하여 다음 비정상 상황이 발생할 확률을 산출하는 단계를 더 포함할 수 있다. And calculating the probability of occurrence of the next abnormal situation by applying the sensor data obtained after the occurrence of the abnormal condition to the probability model.

실시예들에 따른 컴퓨터로 판독 가능한 기록 매체에는 비정상 상황 검출 방법을 수행하기 위한 컴퓨터 프로그램이 기록될 수 있다.A computer program for performing the abnormal situation detection method may be recorded in the computer-readable recording medium according to the embodiments.

일 실시예에 따른 비정상 상황 검출 시스템은, 설비 장치로부터 제1 센서 데이터를 획득하는 제1 센싱부; 획득된 제1 센서 데이터로부터 비정상 상황의 발생 여부를 판단하는 제1 상황판단부; 비정상 상황의 발생이 판단되면, 획득된 센서 데이터로부터 학습용 데이터를 생성하는 학습용 데이터 생성부; 및 상기 학습용 데이터를 이용하여 기계 학습을 통해 비정상 상황 인지용 파라미터를 업데이트하는 비정상 상황 인지용 파라미터 학습부를 포함하고, 상기 제1 상황판단부는 상기 비정상 상황 인지용 파라미터에 의해 다음 비정상 상황의 발생을 판단하고, 상기 학습용 데이터는 비정상 상황의 발생 시각으로부터 일정 시간 범위 동안 획득된 센서 데이터를 포함할 수 있다. An abnormal situation detection system according to an embodiment includes a first sensing unit for acquiring first sensor data from a facility apparatus; A first situation determiner for determining whether an abnormal situation occurs from the obtained first sensor data; A learning data generation unit for generating learning data from the obtained sensor data if it is determined that an abnormal situation has occurred; And an abnormal condition recognition parameter learning unit for updating an abnormal condition recognition parameter through machine learning using the learning data, wherein the first situation determination unit judges occurrence of the next abnormal situation based on the abnormal condition recognition parameter And the learning data may include sensor data acquired for a certain period of time from the occurrence time of the abnormal situation.

상기 시스템은 상기 제1 센서 데이터와 상이한 유형의 제2 센서 데이터를 획득하는 제2 센싱부; 및 상기 제2 센서 데이터로부터 비정상 상황을 판단하는 제2 상황판단부를 더 포함할 수 있다. The system comprising: a second sensing unit for acquiring second sensor data of a different type from the first sensor data; And a second status determiner for determining an abnormal status from the second sensor data.

상기 시스템은 상기 제2 상황판단부가 비정상 상황의 발생을 판단하기 이전에 상기 제1 상황판단부가 비정상 상황이 발생할 것이라고 판단한 경우, 경고를 발생시키는 경고부를 더 포함할 수 있다. The system may further include a warning unit for generating a warning when the first situation determining unit determines that the abnormal situation will occur before the second situation determining unit determines that the abnormal condition occurs.

상기 시스템은 획득된 센서 데이터를 확률 모델에 적용하여 비정상 상황 발생 확률을 산출하는 가능성 산출부를 더 포함할 수 있다. The system may further include a possibility calculation unit for calculating an abnormality occurrence probability by applying the obtained sensor data to a probability model.

상기 비정상 상황 인지용 파라미터는 SVM(support vector machine), SVDD(support vector data description), SVR(support vector regression), ANN(artificial neural network) 및 K 평균 클러스터링(K-means clustering) 알고리즘 중 적어도 하나에 의해 업데이트될 수 있다.The abnormal condition recognition parameter may include at least one of support vector machine (SVM), support vector data description (SVDD), support vector regression (SVR), artificial neural network (ANN), and K-means clustering algorithm Lt; / RTI >

본 발명의 일 측면에 따른 비정상 상황 검출 방법 및 이를 수행하는 시스템을 이용하면, 비정상 상황이 발생할 때마다 일정 범위의 학습용 데이터를 이용하여 비정상 상황 인지용 파라미터를 업데이트하고, 업데이트된 비정상 상황 인지용 파라미터를 기초로 비정상 상황 판단 능력을 향상시킬 수 있다. According to an aspect of the present invention, there is provided a method for detecting an abnormal situation and a system for performing the same, the method comprising: updating an abnormal situation recognition parameter by using a certain range of learning data every time an abnormal situation occurs; It is possible to improve the abnormal situation judgment ability.

또한, 비정상 상황을 기계 학습하는 과정에 실질적으로 필요한, 비정상 상황이 발생한 시각으로부터 일정 범위의 데이터만을 활용하므로 보다 적은 용량으로 보다 빠른 속도로 비정상 상황을 기계 학습할 수 있어 효율적이다. In addition, since only a certain range of data is used from the time when an abnormal situation occurs, which is substantially required in the process of learning the abnormal situation, it is possible to learn the abnormal situation more rapidly at a smaller capacity.

나아가, 비정상 상황의 징조를 포착하여 비정상 상황의 발생을 사전에 경고할 수 있다. 이로 인해, 가동 중인 공정의 중지 및 고장을 방지하고, 중지된 공정이 다시 가동되기까지 발생하는 손해 및 수리 비용을 줄일 수 있다.Further, it is possible to catch the sign of the abnormal situation and warn in advance of the occurrence of the abnormal situation. This can prevent breakdowns and failures of the in-service process and reduce damage and repair costs incurred until the suspended process is restarted.

도 1은 종래의 비정상 상황을 기계 학습하는 시스템의 개념도를 개략적으로 도시한 도면이다.
도 2는 일 실시예에 따른 비정상 상황 검출 시스템의 블록 개념도이다.
도 3은 일 실시예에 따른 비정상 상황 검출 시스템에서 비정상 상황 인지용 파라미터를 업데이트하기 위해 사용되는 학습용 데이터를 개략적으로 도시한 도면이다.
도 4는 일 실시예에 따른 비정상 상황을 사전에 검출하여 경고를 발생시키는 비정상 상황 검출 시스템의 블록 개념도이다.
도 5는 일 실시예에 따른 비정상 상황 검출 방법의 흐름도이다.
도 6은 일 실시예에 따른 비정상 상황을 사전에 검출하여 경고를 발생시키는 비정상 상황 검출 방법의 흐름도이다.
상기 도면들은 단지 도시(illustration)의 목적을 위해서 본 발명의 다양한 실시예들을 묘사한다. 통상의 기술자는 본 명세서에 설명된 구조 및 방법의 대안적인 실시예가 본 명세서에 설명된 발명의 원리를 벗어나지 않고 사용될 수도 있다는 것을 다음의 설명으로부터 용이하게 인식할 수 있을 것이다.1 is a schematic view showing a conceptual diagram of a system for learning a conventional abnormal situation.
2 is a conceptual block diagram of an abnormal situation detection system according to an embodiment.
3 is a view schematically showing learning data used for updating an abnormal situation recognition parameter in an abnormal situation detection system according to an embodiment.
4 is a conceptual block diagram of an abnormal situation detection system that detects an abnormal situation in advance and generates a warning according to an embodiment.
5 is a flowchart of an abnormal situation detection method according to an embodiment.
6 is a flowchart of an abnormal situation detection method for detecting an abnormal situation in advance and generating an alarm according to an embodiment.
The figures depict various embodiments of the invention only for purposes of illustration. Those skilled in the art will readily appreciate from the following description that alternative embodiments of the structures and methods described herein may be used without departing from the principles of the invention described herein.

본 명세서에서 사용된 “비정상 상황”은, 설비 장치의 고장, 작동 중단 등 임의의 사정으로 인해 계획된 공정 결과에 영향을 미치는 일련의 상황을 지칭한다. As used herein, an "abnormal situation" refers to a set of circumstances that affects a planned process result due to any condition, such as a failure of a plant, an outage, or the like.

본 명세서에서 사용된 “비정상 상황에 관한 데이터”는, 예를 들어 사용자가 특정 상황을 비정상 상황이라고 입력한 정보, 비정상 상황이 발생한 시각 정보 또는 비정상 상황을 판단하는 임계치에 도달한 수치 정보 등을 포함하는 비정상 상황의 발생에 연관된 데이터를 지칭한다. “정상 상황에 관한 데이터”는 비정상 상황의 발생에 연관되지 않은 데이터를 지칭한다. As used herein, " data on an abnormal situation " includes, for example, information in which a user inputs a specific situation as an abnormal situation, time information in which an abnormal situation occurs, or numerical information that reaches a threshold for judging an abnormal situation Quot; refers to data associated with the occurrence of an abnormal situation. &Quot; Data on normal situation " refers to data not related to the occurrence of an abnormal situation.

이하에서, 도면을 참조하여 본 발명의 실시예들에 대하여 상세히 살펴본다. Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings.

도 2는 일 실시예에 따른 비정상 상황 검출 시스템(100)의 블록 개념도이다. 2 is a block conceptual diagram of an abnormal situation detection system 100 according to an embodiment.

일 실시예에서, 상기 시스템(100)은 센싱부(110), 상황판단부(130), 학습용 데이터 생성부(150) 및 비정상 상황 인지용 파라미터 학습부(이하, “학습부”)(170)를 포함한다. 상기 시스템(100)이 본 명세서에 서술되지 않은 다른 구성요소를 포함할 수도 있다는 것이 당업자에게 명백할 것이다. 또한, 상기 시스템(100)은, 네트워크 인터페이스 및 프로토콜, 데이터 엔트리를 위한 입력 장치, 및 디스플레이, 인쇄 또는 다른 데이터 표시를 위한 출력 장치를 포함하는, 본 명세서에 서술된 동작에 필요한 다른 하드웨어 요소를 포함한다.In one embodiment, the system 100 includes a sensing unit 110, a situation determination unit 130, a training data generation unit 150, and a parameter learning unit (hereinafter, " learning unit " . It will be apparent to those skilled in the art that the system 100 may include other components not described herein. The system 100 also includes other hardware elements necessary for the operations described herein, including network interfaces and protocols, input devices for data entries, and output devices for display, printing, or other data display do.

일 실시예에서, 센싱부(110) 는 설비 장치 또는 기자재를 실시간 센싱하여 센서 데이터를 획득한다. 센서 데이터는 센싱부의 유형에 따라 영상, 음성, 열, 온도, 습도, 압력 데이터 또는 이들의 조합일 수도 있다. 센서 데이터는 비정상 상황 인지용 파라미터와 비교·분석되어 비정상 상황의 발생을 판단하는데 이용될 수 있다. In one embodiment, the sensing unit 110 senses the facility device or equipment in real time to acquire sensor data. The sensor data may be image, voice, heat, temperature, humidity, pressure data, or a combination thereof depending on the type of sensing part. The sensor data can be used to determine the occurrence of an abnormal situation by comparing and analyzing the abnormal condition recognition parameter.

보다 구체적으로, 센서 데이터는 특징 벡터(f)로 지칭될 수도 있다. 특징 벡터는 복수의 특징값들을 포함하는 특징 세트를 표현한다. 특징값은 센싱부(110)가 설비 장치를 센싱하는 동안 설비 장치의 상태 변화로부터 발생한 데이터를 의미한다. 임의의 주어진 특징값은 정수, 부동 소수점, 또는 이진 값과 같은 수치일 수도 있거나, 또는 범주형(categorical)일 수도 있다. 공통 특징은 센싱부의 센서 데이터 값과 시각을 포함한다. 예를 들어, 센싱부(110)가 온도 센서를 포함하는 경우, 특징 벡터는 시각(time)과 해당 시각에서의 온도(K)를 포함한다. More specifically, the sensor data may be referred to as a feature vector f. The feature vector represents a feature set comprising a plurality of feature values. The characteristic value means data generated from a state change of the facility while the sensing unit 110 senses the facility. Any given feature value may be a numerical value such as an integer, floating point, or binary value, or it may be categorical. The common feature includes the sensor data value and time of the sensing unit. For example, when the sensing unit 110 includes a temperature sensor, the feature vector includes a time and a temperature K at the corresponding time.

센싱부(110)는 중력 센서, 지자기 센서, 모션 센서, 자이로 센서, 가속도 센서, 기울임 센서, 밝기 센서, 고도 센서, 후각 센서, 온도 센서, 뎁스 센서, 압력 센서, 밴딩 센서, 오디오 센서, 이미지 센서, 영상 센서, GPS 센서, 터치 센서 속도 센서 등의 다양한 센서들 중 하나 또는 이들의 조합을 포함할 수도 있다. The sensing unit 110 may include at least one of a gravity sensor, a geomagnetism sensor, a motion sensor, a gyro sensor, an acceleration sensor, a tilt sensor, a brightness sensor, an altitude sensor, an olfactory sensor, a temperature sensor, a depth sensor, , An image sensor, a GPS sensor, a touch sensor velocity sensor, and the like, or a combination thereof.

일 실시예에서, 상기 시스템(100)은 획득된 센서 데이터를 저장하는 저장부(120)를 더 포함할 수도 있다. 저장부(120)는 비일시적 컴퓨터 판독가능 저장 장치 및 데이터 액세스 및 검색을 위한 적절한 데이터베이스 관리 시스템을 사용하여 구현된다. In one embodiment, the system 100 may further include a storage unit 120 for storing acquired sensor data. The storage 120 is implemented using non-volatile computer readable storage devices and an appropriate database management system for data access and retrieval.

저장부(120)는 센싱부(110)에 의해 획득된 센서 데이터를 저장한다. 일 실시예에서, 저장부(120)는 학습용 데이터를 생성하기 전까지 센싱부(110)에 의해 감지된 센서 데이터를 임시로 저장할 수도 있다. 상기 실시예에서, 저장된 센서 데이터는 학습용 데이터 생성을 위해 사용된 경우 삭제될 수도 있다. 또는 비정상 상황이 오랜 시간 발생하지 않아 정상 상황에 관한 데이터로 인해 저장부(120)의 용량이 포화되는 경우, 저장부(120)는 저장 시각이 가장 오래된 센서 데이터를 기점으로 저장된 센서 데이터 일부를 삭제할 수도 있다. The storage unit 120 stores the sensor data acquired by the sensing unit 110. [ In one embodiment, the storage unit 120 may temporarily store the sensor data sensed by the sensing unit 110 until generating learning data. In the above embodiment, the stored sensor data may be deleted when used for generation of learning data. Or if the abnormal state is not generated for a long time and the capacity of the storage unit 120 is saturated due to the data related to the normal situation, the storage unit 120 deletes a part of the sensor data stored starting from the sensor data having the oldest storage time It is possible.

비일시적 컴퓨터 판독가능 저장 장치로 구성된 저장부(120)는 휘발성 메모리(미도시), 비휘발성 메모리(미도시) 및 외장형 메모리(미도시) 중 적어도 하나를 포함하여 구성될 수 있다. 예를 들어, 휘발성 메모리(310)는 읽기 전용 메모리(RAM) 또는 동기 동적 읽기 전용 메모리(synchronous DRAM, SDRAM), 2배속(double data rate, DDR) SDRAM, 또는 램버스 DRAM(RDRAM) 등과 같은 동적임의 접근 메모리(dynamic random access memory, DRAM) 중 어느 하나일 수도 있고, 비휘발성 메모리는 읽기 전용 메모리(ROM), 플래시 메모리 중 어느 하나일 수도 있으며, 외장형 메모리는 MMC형, SD형, 및 CF형 메모리 카드 중 어느 하나일 수도 있다. 일 실시예에서, 저장부(120)가 휘발성 메모리와 비휘발성 메모리를 포함할 수도 있다. 이 경우, 휘발성 메모리(예를 들어, 램)는 전원 차단 등으로 리셋이 수행될 경우에는 저장하고 있던 모든 데이터를 소실하게 되는 반면, 비휘발성 메모리(예를 들어, 롬)는 전원 공급이 차단되더라도 한번 저장한 데이터가 소실되지 않는다. 저장부(120)가 상이한 유형의 메모리를 포함하는 경우, 효율적인 데이터 저장 제어가 가능할 수도 있다. The storage unit 120 configured with non-volatile computer-readable storage may be configured to include at least one of volatile memory (not shown), non-volatile memory (not shown), and external memory (not shown). For example, volatile memory 310 may be a dynamic random access memory such as read only memory (RAM) or synchronous dynamic read-only memory (SDRAM), double data rate (DDR) SDRAM, or Rambus DRAM The nonvolatile memory may be any one of a read only memory (ROM) and a flash memory. The external memory may be an MMC type, an SD type, and a CF type memory Card. In one embodiment, the storage unit 120 may include volatile memory and non-volatile memory. In this case, the volatile memory (for example, a RAM) may lose all stored data when a reset is performed due to power-off or the like, while a nonvolatile memory (e.g., ROM) Once saved data is not lost. If the storage unit 120 includes different types of memory, efficient data storage control may be possible.

일부 실시예들에서, 저장부(120)가 일반 데이터베이스의 구성요소가 아니고, 여기에 명백하게 언급되지 않은 다른 데이터 저장소도 포함할 수도 있다는 것이 당업자에게는 명백할 것이다. 마이크로소프트 SQL 서버, 오라클, SAP, IBM DB2, 기타 등등과 같은 임의의 적절한 데이터베이스 관리 시스템을 사용하여 구현될 수도 있다. It will be apparent to those skilled in the art that, in some embodiments, the storage 120 is not a component of a generic database, and may include other data stores not explicitly mentioned herein. But may be implemented using any suitable database management system, such as Microsoft SQL Server, Oracle, SAP, IBM DB2, and so forth.

상황판단부(130)는 비정상 상황의 발생을 판단한다. 일 실시예에서, 상황판단부(130)는 획득된 센서 데이터를 설정된 임계치와 비교·분석하여 비정상 상황의 발생을 판단한다. The situation determination unit 130 determines occurrence of an abnormal situation. In one embodiment, the situation determination unit 130 compares and analyzes the obtained sensor data with a preset threshold value to determine occurrence of an abnormal situation.

임계치는 업데이트될 수도 있다. 아래에서 서술되는 바와 같이, 학습부에서 비정상 상황 인지용 파라미터가 (재)업데이트되면 임계치는 업데이트된 비정상 상황 인지용 파라미터로 (재)업데이트된다. 일 실시예에서, 상황판단부(130)는 획득된 센서 데이터를 업데이트된 임계치와 비교·분석하여 비정상 상황의 발생 여부를 판단한다. 비정상 상황 인지용 파라미터에 대해서는 아래의 학습부(170)에서 자세히 설명된다. The threshold value may be updated. As described below, when the parameter for abnormality recognition is (re) updated in the learning unit, the threshold is (re) updated with the parameter for the updated abnormality condition. In one embodiment, the situation determination unit 130 compares and analyzes the obtained sensor data with the updated threshold value to determine whether an abnormal situation occurs. Parameters for abnormal situation recognition are described in detail in the learning section 170 below.

또한, 임계치는 사용자에 의한 비정상 상황에 관한 데이터 입력에 의해 변경될 수도 있다. 일부 실시예들에서, 상황판단부(130)는 센서 데이터 값이 임계치 미만이더라도, 설비 장치의 작동이 중지된 경우 비정상 상황이 발생했다고 판단할 수도 있다.Further, the threshold value may be changed by data input regarding an abnormal situation by the user. In some embodiments, the situation determination unit 130 may determine that an abnormal situation has occurred when the operation of the facility apparatus is stopped even if the sensor data value is less than the threshold value.

일 실시예에서, 상황판단부(130)가 센서 데이터를 획득하여 비정상 상황의 발생을 판단할 때, 비정상 상황의 발생 시각(t_b1, t_b2, …, t_bn) 또한 결정한다. 상황판단부(130)는 결정된 비정상 상황의 발생 시각(t_b1, t_b2, …, t_bn)을 학습용 데이터 생성부(150)에 제공한다. In one embodiment, when the situation determination unit 130 acquires sensor data to determine occurrence of an abnormal situation, the occurrence time (t _b1 , t _b2 , ..., t _bn ) of the abnormal condition is also determined. The situation determination unit 130 provides the learning data generation unit 150 with the occurrence times (t _b1 , t _b2 , ..., t _bn ) of the determined abnormal situations.

학습용 데이터 생성부(150)는 획득된 센서 데이터로부터 학습용 데이터를 생성한다. 학습용 데이터는 학습부(170)에서 비정상 상황 인지용 파라미터를 생성하는데 이용된다. 학습용 데이터 생성부(150)는 생성된 학습용 데이터를 학습부(170)에 제공한다. The learning data generation unit 150 generates training data from the obtained sensor data. The learning data is used by the learning unit 170 to generate parameters for detecting an abnormal situation. The learning data generation unit 150 provides the generated learning data to the learning unit 170. [

일 실시예에서, 학습용 데이터 생성부(150)는 상황판단부(130)가 비정상 상황이 발생했다고 판단한 경우, 비정상 상황의 발생 시각(t_b1, t_b2, …, t_bn)과 비정상 상황의 발생 이전의 임의의 시각(t_a1, t_a2, …, t_an) 사이의 센서 데이터를 학습용 데이터로 생성한다(t_an<t_bn). 일 실시예에서, 비정상 상황 발생 이전의 임의의 시각(t_a1, t_a2, …, t_an)은 미리 설정된 시각일 수도 있다. 예를 들어, 시각(t_b1)에서 비정상 상황의 발생이 판단된 경우, 학습용 데이터 생성부(150)는 시각(t_b1)으로부터 5초 전 시각을 t_a1으로 결정하여 5초의 시간 범위(t_a1~t_b1)를 갖는 학습용 데이터를 생성할 수도 있다. 또는, 시각(t_b1)으로부터 일주일 전 시각을 t_a1으로 결정하여 일주일 시간 범위(t_a1~t_b1)를 갖는 학습용 데이터를 생성할 수도 있다.In one embodiment, when the situation determination unit 130 determines that an abnormal situation has occurred, the learning data generation unit 150 generates the abnormality occurrence time _tb1 , _tb2 , ..., _tbn and the occurrence of an abnormal situation Sensor data between the previous arbitrary times t _a1 , t _a2 , ..., t _an is generated as learning data (t _an <t _bn ). In one embodiment, any time (t _a1 , t _a2 , ..., t _an ) prior to the occurrence of the abnormal situation may be a predetermined time. For example, at time (t _b1) when the occurrence of abnormal situation is determined from, the training data producing unit 150 is time of 5 seconds time range to determine the five seconds before the time as t _a1 from the (t _b1) (t _a1 to < RTI ID _{= 0.0} &_gt; tl). < / RTI > Alternatively, it is also possible to generate the training data with the time (t _b1) one week prior to determining a time t _a1 in a week time span (t _a1 ~ t _b1) from.

도 3은 일 실시예에 따른 비정상 상황 검출 시스템(100)에서 비정상 상황 인지용 파라미터를 생성하기 위해 사용되는 학습용 데이터를 개략적으로 도시한 도면이다.3 is a view schematically showing learning data used for generating an abnormal situation recognition parameter in the abnormal situation detection system 100 according to an embodiment.

일 실시예에서 상기 시간 범위는 비정상 상황 발생 이전의 센서 데이터의 특징에 기초하여 결정될 수도 있다. 비정상 상황 발생 시각(t_b1, t_b2, …, t_bn)은 상수이므로, 시각(t_a1 _,t_a2 _,…, t_an)이 결정되면 학습용 데이터의 시간 범위 또한 결정된다. 시각(t_a1 _,t_a2 _,…, t_an)은 센싱부(110)에 의해 획득된 센서 데이터의 특징, 예를 들어 센서 데이터의 종류, 센서 데이터 값, 센서 데이터 값의 평균 및/또는 순간 변화량, 생성될 학습용 데이터의 예상 용량 등에 기초하여 결정될 수도 있다. In one embodiment, the time range may be determined based on the characteristics of the sensor data prior to the occurrence of the abnormal condition. Since the abnormal situation occurrence times t _b1 , t _b2 , ..., t _bn are constants, the time range of the training data is also determined when the time t _a1 _, t _a2 _, ..., t _an is determined. The time t _a1 _, t _a2 _, ..., t _an may be a characteristic of the sensor data acquired by the sensing unit 110, for example, the type of sensor data, the sensor data value, the average and / , An estimated capacity of the learning data to be generated, and the like.

도 3을 참조하면, 예를 들어, 센싱부(110)에 의해 획득된 센서 데이터가 온도 데이터이고, 시각(t_b1 _, t_b2 )에 비정상 상황이 발생한 경우, 온도(K) 변화량이 지속적으로 증가할 때, 최초로 증가한 시각을 시각(t_a1)으로 결정할 수도 있다. 또는, 시각(t_b1) 이전의 시각들 중 평균 온도(K) 변화량이 가장 큰 임의의 시각을 시각(t_a1)으로 결정할 수도 있다.Referring to FIG. 3, for example, when the sensor data acquired by the sensing unit 110 is temperature data and time _tb1 _, _tb2 (T _a1 ) at the time when the amount of change in the temperature K continuously increases when an abnormal situation occurs in the temperature (K). Alternatively, an arbitrary time with the largest change in the average temperature K among the times before the time t _b1 may be determined as the time t _a1 .

일 실시예에서, 학습용 데이터 생성부(150)는 저장부(120)에 저장된 센서 데이터로부터 학습용 데이터를 생성할 수도 있다. In one embodiment, the learning data generation unit 150 may generate learning data from the sensor data stored in the storage unit 120. [

학습부(170)는 학습용 데이터 생성부(150)에서 생성된 학습용 데이터로부터 비정상 상황 인지용 파라미터를 업데이트한다. 비정상 상황 인지용 파라미터는 상황판단부(130)의 임계치에 연관된다. 비정상 상황 인지용 파라미터가 업데이트되면 임계치 또한 업데이트된다. 학습부(170)는 비정상 상황 인지용 파라미터를 상기 시스템(100) 내 다른 구성요소에 제공할 수도 있다. 일 실시예에서, 학습부(170)는 비정상 상황 인지용 파라미터를 상황판단부(130)에 제공할 수도 있다. The learning unit 170 updates the parameter for detecting the abnormal situation from the learning data generated by the learning data generation unit 150. [ The abnormal condition recognition parameter is related to the threshold value of the situation determination unit 130. [ When the parameter for abnormal situation recognition is updated, the threshold value is also updated. The learning unit 170 may provide the abnormal condition recognition parameter to other components in the system 100. [ In one embodiment, the learning unit 170 may provide the situation determination unit 130 with a parameter for detecting an abnormal situation.

일 실시예에서, 비정상 상황 인지용 파라미터는 SVM(support vector machine), SVDD(support vector data description), SVR(support vector regression), ANN(artificial neural network) 및 K-평균 클러스터링(K-means clustering) 알고리즘 중 적어도 하나에 의해 생성된다. In one embodiment, the parameters for anomaly detection are support vector machine (SVM), support vector data description (SVDD), support vector regression (SVR), artificial neural network (ANN), and K- Algorithm. &Lt; / RTI >

일 예에서, 비정상 상황 인지용 파라미터는 SVM(support vector machine) 알고리즘에 학습용 데이터를 적용하여 생성될 수도 있다. SVM 알고리즘은 기계 학습의 분야 중 하나로서, 패턴 인식, 자료 분석을 위한 지도 학습 모델이며, 주로 분류와 회귀 분석을 위해 사용된다. 예를 들어, 두 카테고리 중 어느 하나에 속한 데이터의 집합이 주어졌을 때, SVM 알고리즘은 주어진 데이터 집합을 바탕으로 하여 새로운 데이터가 어느 카테고리에 속할지 판단하는 비확률적 이진 선형 분류 모델을 생성할 수 있다. 이는 주어진 데이터들을 두 개의 클래스로 분류하는 선형 초평면(hyperplane)을 찾음에 있어서, 해당 데이터와 가장 거리가 먼 초평면을 찾는 과정을 거쳐 수행된다. In one example, the abnormal condition recognition parameter may be generated by applying learning data to a support vector machine (SVM) algorithm. The SVM algorithm is one of the fields of machine learning. It is a map learning model for pattern recognition and data analysis. It is mainly used for classification and regression analysis. For example, given a set of data belonging to one of two categories, the SVM algorithm can generate a non-stochastic binary linear classification model that determines, based on a given set of data, have. In searching for a linear hyperplane that classifies given data into two classes, it is performed by finding a hyperplane that is farthest from the data.

보다 상세하게는, SVM 알고리즘은 데이터들을 분리할 수 있는 수많은 후보 평면들 가운데 마진(margin)이 최대가 되는 초평면을 찾는다는 점에서 특징이 있다. 여기에서 마진이란, 초평면으로부터 각 점(데이터)에 이르는 거리의 최소 값을 지칭한다. SVM 알고리즘은 이러한 마진을 최대화하면서 각 점들을 두 클래스(1, -1)로 분류하기 위해, 클래스 1에 속하는 점들과의 거리 중 최소값과 클래스 -1에 속하는 점들과의 거리 중 최소값이 동일하도록 초평면을 위치시킨다. 이 초평면을 최대 마진 초평면(maximum-margin hyperplane)이라 한다. 최대 마진 초평면을 기초로, 현재 저장된 데이터들을 두 클래스로 분류하며(classification), 새로 입력된 데이터가 분류된 두 클래스 중 어디에 속하는지 판단한다(prediction).More specifically, the SVM algorithm is characterized in that it looks for a hyperplane with the largest margin among the many candidate planes that can separate data. Here, the margin refers to the minimum value of the distance from the hyperplane to each point (data). In order to classify each point into two classes (1, -1) while maximizing such a margin, the SVM algorithm sets the minimum value of the distance between the points belonging to class 1 and the points belonging to class- . This hyperplane is called the maximum-margin hyperplane. Based on the maximum margin hyperplane, classification of the currently stored data into two classes and prediction of which of the two classes the newly entered data belongs to.

상기 일 예의 경우, 시각(t_b1, t_b2, …, t_bn)에서 각각 생성된 학습용 데이터에 대해 SVM 기반의 클래스 분류 과정을 반복적으로 수행하여 복수의 비정상 상황을 계층적으로 클래스 별로 분류하며, 새롭게 획득된 센서 데이터(즉, t_bn 이후 획득된 센서 데이터)는 분류된 클래스 중 어디에 속하는지 판단한다. 학습부(170)는 이 과정에서 새롭게 획득된 센서 데이터로부터 발생한 기존 클래스와의 (예를 들어, 분류 에러(classification error), 손실 등에 기초한) 거리 차이를 실시간으로 반영하여 비정상 상황 인지용 파라미터를 업데이트한다. In the case of the above example, the SVM-based classifying process is repeatedly performed on the learning data generated at the time _tb1 , _tb2 , ..., _tbn to classify a plurality of abnormal situations hierarchically into classes, The newly acquired sensor data (i.e., sensor data acquired after t _bn ) determines which of the classified classes belongs. The learning unit 170 reflects the difference in distance with respect to the existing class (for example, based on classification error, loss, etc.) generated from the newly acquired sensor data in real time to update the parameter for detecting the abnormal situation do.

비정상 상황 인지용 파라미터는 이러한 분류 및 판단에 연관된 파라미터로서 기계학습 알고리즘에 따라 상이할 수 있고 특정 종류의 정보로 한정되지 않는다. 비정상 상황 인지용 파라미터는 상황판단부(130)의 임계치에 반영되어, 비정상 상황의 발생을 판단하는데 새로운 기준으로 사용된다. 따라서, 비정상 상황 인지용 파라미터가 업데이트되면, 상황판단부(130)의 비정상 상황 판단 능력 또한 업데이트된다. Parameters for abnormal condition recognition may differ depending on the machine learning algorithm as parameters associated with such classification and judgment, and are not limited to specific types of information. The abnormal condition recognition parameter is reflected in the threshold value of the situation determination unit 130 and is used as a new criterion for determining occurrence of an abnormal condition. Accordingly, when the abnormal condition recognition parameter is updated, the abnormal condition determination capability of the situation determination unit 130 is also updated.

다른 예에서, 클래스 분류 과정에 K 평균 클러스터링 알고리즘이 이용되고, 새로 입력된 데이터가 분류된 클래스 중 어디에 속하는지 판단하는 과정에는 회귀 분석(regression analysis) 알고리즘이 이용되는 것과 같이, 클래스 분류 과정에 적용되는 알고리즘과 새로 입력된 데이터가 분류된 클래스 중 어디에 속하는지 판단하는 과정에 적용되는 알고리즘이 상이할 수도 있다. In another example, the K average clustering algorithm is used in the class classification process, and the process of determining where the newly input data belongs to the classified class is applied to the class classification process as well as the regression analysis algorithm is used And the algorithms applied to the process of determining whether the newly input data belongs to the classified class may be different.

일부 실시예에서, 상기 시스템(100)은 학습용 데이터로부터 시간 별 비정상 상황이 발생할 가능성(likelihood)을 확률(이하, “확률(Pe)”)로 표현하는 가능성 산출부를 더 포함할 수도 있다. 가능성 산출부는 확률 모델에 비정상 상황이 발생한 시각(t_bn) 이후 임의의 시각(t_f, t_bn<t_f< t_bn+1)에서 획득한 센서 데이터를 적용하여 다음 비정상 상황이 발생할 확률을 정하기 위해 확률(Pe)을 산출한다. In some embodiments, the system 100 may further include a probability calculation unit that expresses likelihood of occurrence of a time-by-time anomaly from the training data as a probability (hereinafter, referred to as "probability Pe"). The probability calculator determines the probability of occurrence of the next abnormal situation by applying sensor data acquired at an arbitrary time (t _f , t _bn <t _f <t _{bn + 1} ) after the time (t _bn ) And calculates a risk probability Pe.

확률(Pe)을 산출하는 확률 모델은 다양한 통계 방법에 의해 모델링될 수도 있다. 통계 방법은 비-스플라인, 3차원 스플라인, 임의의 회귀 유형, (범주 및 이진 데이터용) 디랙 델타 함수(Dirac delta functions), 또는 이 방법의 임의의 조합을 포함하고, 이는 데이터를 피팅(fitting)하는데 사용된다. 가능성 산출부는 학습용 데이터 생성부(150)에서 생성된 학습용 데이터를 위의 통계 방법들 중 적어도 하나에 적용하여 피팅된 확률 모델을 모델링한다. 비정상 상황이 한번도 발생하지 않아 확률 모델이 생성되지 않은 경우, 가능성 산출부는 임의의 초기 값을 확률(P_e)(예를 들면, 0)로 산출할 수도 있다.The probability model for calculating probability (Pe) may be modeled by various statistical methods. The statistical methods include non-splines, three-dimensional splines, arbitrary regression types, Dirac delta functions (for category and binary data), or any combination of these methods, . The probability calculation unit applies the learning data generated by the learning data generation unit 150 to at least one of the above statistical methods to model the fitted probability model. If an abnormal situation has never occurred and a probability model has not been generated, the probability calculator may calculate an arbitrary initial value as a probability P _e (for example, 0).

특징 벡터(f)가 피팅된 확률 모델에 적용되는 경우, 특징 벡터(f)에 포함된 특징 값들은 전체 범위에 대해 제한될 수도 있다. 일부 실시예들에서, 특징 값은 범위를 0과 1사이로 제한하기 위해 정규화될 수도 있다. When the feature vector f is applied to the fitted probability model, the feature values included in the feature vector f may be limited for the entire range. In some embodiments, the feature value may be normalized to limit the range to between zero and one.

가능성 산출부는 산출된 확률(Pe)을 사용자 또는 다른 구성요소에 제공할 수 있다. 예를 들어 디스플레이에 확률(Pe) 수치를 포함하는 문자, 숫자 또는 이들의 조합을 디스플레이를 통해 표시할 수도 있다. The probability calculator may provide the calculated probability Pe to the user or other components. For example, letters, numbers, or combinations thereof may be displayed on the display, including probability (Pe) numbers.

도 4는 일 실시예에 따른 비정상 상황을 사전에 검출하여 경고를 발생시키는 비정상 상황 검출 시스템(100)의 블록 개념도이다. 상기 실시예에서, 상기 시스템(200)은 제2 센싱부(210), 제2 상황판단부(230), 경고부(240)를 더 포함한다. 4 is a block conceptual diagram of an abnormal situation detection system 100 that detects an abnormal situation in advance and generates a warning according to an embodiment. In this embodiment, the system 200 further includes a second sensing unit 210, a second situation determination unit 230, and a warning unit 240.

제2 센싱부(210)와 제2 상황판단부(230)는 설계자가 의도한 비정상 상황을 판단하는 기준을 제공하는 하나의 수단이다. 제2 센싱부(210)는 센싱부(110)와 같이 설비 장치로부터 센서 데이터를 실시간으로 획득한다. 제2 센싱부(210)에 의해 획득되는 센서 데이터(이하, “제2 센서 데이터”)의 종류는 센싱부(110)에 의해 획득되는 센서 데이터의 유형과는 상이하다. The second sensing unit 210 and the second situation determining unit 230 are one means for providing a criterion for determining an abnormal state intended by the designer. The second sensing unit 210 acquires sensor data in real time from the facility apparatus, such as the sensing unit 110. The type of sensor data (hereinafter referred to as " second sensor data ") acquired by the second sensing unit 210 is different from the type of sensor data acquired by the sensing unit 110. [

제2 상황판단부(230)는 획득된 제2 센서 데이터로부터 비정상 상황이 발생했는지 여부를 판단한다. 제2 상황판단부(230)는 획득된 제2 센서 데이터를 임계치와 비교·분석하여 임계치 이상인 경우 비정상 상황이 발생했다고 판단한다. 제2 상황판단부(230)는 비정상 상황이 발생한 시각 또한 결정할 수 있다. 상황판단부(130)와 제2 상황판단부(230)는 결정한 비정상 상황 발생 시각 데이터를 경고부(240)에 제공한다. The second situation determination unit 230 determines whether or not an abnormal condition has occurred from the obtained second sensor data. The second situation determiner 230 compares and analyzes the obtained second sensor data with a threshold value, and determines that an abnormal condition has occurred when the second sensor data is equal to or greater than the threshold value. The second situation determination unit 230 can also determine the time at which the abnormal situation occurred. The situation determination unit 130 and the second situation determination unit 230 provide the determined abnormal condition occurrence time data to the warning unit 240. [

경고부(240)는 제2 상황판단부(230)가 비정상 상황의 발생 여부를 판단하기 이전에 상황판단부(130)가 비정상 상황이 발생했다고 판단하는 경우, 이를 비정상 상황이 발생할 것이라고 사전에 검출한 것으로 판단한다. 일 실시예에서, 상황판단부(130)가 비정상 상황을 판단할 당시, 아직 제2 상황판단부(230)가 비정상 상황의 발생을 판단하지 않은 경우, 경고부(240)는 경고를 발생시킨다. 경고부가 경고를 제공하는 수단은 음성, 진동, 영상, 조명 또는 이들의 임의의 조합을 포함하는, 다양한 수단을 포함한다.When the second determining unit 230 determines that the abnormal condition has occurred before the abnormal condition is determined, the warning unit 240 determines that the abnormal condition occurs . In one embodiment, when the situation determination unit 130 determines the abnormal condition, if the second condition determination unit 230 has not yet determined the occurrence of the abnormal condition, the warning unit 240 generates a warning. Means of providing a warning additional warning include various means, including voice, vibration, image, illumination, or any combination thereof.

도 5는 일 실시예에 따른 비정상 상황 검출 방법(S100)의 흐름도이다. 5 is a flowchart of an abnormal situation detection method (S100) according to an embodiment.

일 실시예에 따른 비정상 상황 검출 방법(S100)은, 도 2에 도시된 시스템(100)과 실질적으로 동일한 구성에서 진행될 수도 있다. 따라서, 도 2에 도시된 시스템(100)의 구성요소와 동일한 구성요소는 동일한 도면부호를 부여하고, 반복되는 설명은 생략한다. 또한, 일 실시예에 따른 비정상 상황 검출 방법은 비정상 상황 검출을 수행하기 위한 컴퓨터 명령어를 포함하는 컴퓨터 프로그램으로 구현될 수도 있다. The abnormal state detection method (S100) according to one embodiment may be performed in substantially the same configuration as the system 100 shown in FIG. Therefore, the same components as those of the system 100 shown in FIG. 2 are denoted by the same reference numerals, and repeated descriptions are omitted. In addition, the method for detecting an abnormal situation according to an embodiment may be implemented as a computer program including computer instructions for performing an abnormal situation detection.

센싱부(110)는 기자재 또는 설비 장치로부터 센서 데이터를 획득한다(S110). 일 실시예에서, 저장부(120)는 센싱부(110)에 의해 획득된 센서 데이터를 저장할 수도 있다(S120). 센싱부(110)는 아래의 단계들(S130~S160)이 진행되는 것과는 독립적으로 실시간으로 센서 데이터를 획득한다. The sensing unit 110 acquires sensor data from the equipment or equipment (S110). In one embodiment, the storage unit 120 may store the sensor data acquired by the sensing unit 110 (S120). The sensing unit 110 acquires sensor data in real time independently of the following steps S130 to S160.

일 실시예에서, 저장부(120)는 획득된 센서 데이터를 저장할 수도 있다(S120).In one embodiment, the storage unit 120 may store the acquired sensor data (S120).

상황판단부(130)는 획득된 센서 데이터를 실시간으로 처리하여 비정상 상황의 발생을 판단한다(S130). 일 실시예에서, 상황판단부(130)는 획득된 실시간 데이터를 임계치와 실시간으로 비교·분석하여 비정상 상황이 발행하는지 여부를 판단한다(S130). 획득된 센서 데이터가 임계치 이상인 경우, 상황판단부(130)는 비정상 상황이 발생했다고 판단한다. 상황판단부(130)는 비정상 상황이 발생했다고 판단하는 경우, 비정상 상황 발생 시각을 결정한다(S135).The situation determination unit 130 processes the obtained sensor data in real time to determine occurrence of an abnormal situation (S130). In one embodiment, the situation determination unit 130 compares and analyzes the obtained real-time data with a threshold value in real time to determine whether an abnormal condition is issued (S130). If the obtained sensor data is equal to or greater than the threshold value, the situation determination unit 130 determines that an abnormal situation has occurred. If it is determined that an abnormal condition has occurred, the situation determination unit 130 determines the occurrence time of the abnormal condition (S135).

상황판단부(130)가 비정상 상황이 발생했다고 판단하는 경우, 학습용 데이터 생성부(150)는 비정상 상황 발생 시각을 기준으로 학습용 데이터를 생성한다(S150). 예를 들어, 시각(t_b1)에서 비정상 상황(이하, “제1 비정상 상황”)이 발생한 경우 학습용 데이터 생성부(150)는 범위(t_a1~t_b1)를 갖는 학습용 데이터(이하, “제1 학습용 데이터”)를 생성한다(S150). 일 실시예에서, 시각(t_a1)은 시각(t_b1) 이전에 획득된 센서 데이터에 기초하여 결정될 수도 있다. 예를 들어, 획득된 센서 데이터 수치의 변화량이 특정 시각(t, t<t_b1)을 기점으로 계속적으로 증가하면, 특정 시각(t)가 시각(t_a1)로 결정된다. When the situation determination unit 130 determines that an abnormal situation has occurred, the learning data generation unit 150 generates training data based on the abnormal situation occurrence time (S150). For example, at time (t _b1) an abnormal situation (hereinafter referred to as "a first abnormal condition"), the learning data having a training data generator 150 is in the range (t _a1 ~ t _b1) if occurred (hereinafter referred to in "The 1 learning data ") (S150). In one embodiment, the time t _a1 may be determined based on the sensor data obtained before the time t _b1 . For example, when the amount of change in the acquired sensor data value continuously increases from a specific time (t, t <t _b1 ), the specific time t is determined as time t _a1 .

학습부(170)는 제1 학습용 데이터로부터 비정상 상황 인지용 파라미터를 업데이트한다(S170). 학습부(170)는 비정상 상황 인지용 파라미터를 상황판단부(130)에 제공할 수도 있다. The learning unit 170 updates the parameter for detecting an abnormal situation from the first learning data (S170). The learning unit 170 may provide the situation determination unit 130 with a parameter for detecting an abnormal situation.

일 실시예에서, 비정상 상황 인지용 파라미터는 SVM(support vector machine), SVDD(support vector data description), SVR(support vector regression), ANN(artificial neural network) 및 K-평균 클러스터링(K-means clustering) 알고리즘 중 적어도 하나에 의해 업데이트된다(S170). In one embodiment, the parameters for anomaly detection are support vector machine (SVM), support vector data description (SVDD), support vector regression (SVR), artificial neural network (ANN), and K- Algorithm (S170).

학습부(170)는 다양한 처리 방식을 통해 학습용 데이터로부터 비정상 상황 인지용 파라미터를 업데이트한다(S170). 일 실시예에서, 학습부(170)는 일괄 처리 학습(batch learning) 방식으로 비정상 상황 인지용 파라미터를 생성할 수도 있다. 이 경우, 비정상 상황 학습부는 일정 시간 간격(duration)에서 생성된 m개의 학습용 비정상 상황 인지용 파라미터, 예를 들어, 제1 학습용 데이터(t_a1~t_b1), 제2 학습용 데이터(t_a2~t_b2), 제3 학습용 데이터(t_a3~t_b3), …, 제m 학습용 데이터(t_am, t_bm)를 일괄적으로 비정상 상황 인지용 파라미터를 생성하기 위한 알고리즘에 적용하여 비정상 상황 인지용 파라미터를 업데이트한다. The learning unit 170 updates parameters for detecting an abnormal situation from learning data through various processing methods (S170). In one embodiment, the learning unit 170 may generate a parameter for detecting an abnormal situation in a batch learning manner. In this case, the abnormal situation learning unit may include m learning abnormal condition recognition parameters generated for a predetermined time interval, for example, first learning data t _a1 to t _b1 , second learning data t _a2 to t _b2 ), third learning data ( _ta3 to _tb3 ), ... , And the mth learning data (t _am , t _bm ) are collectively applied to an algorithm for generating a parameter for detecting an abnormal situation, thereby updating the parameter for detecting the abnormal situation.

다른 실시예에서, 학습부(140)는 실시간 처리 학습(on-line learning) 방식으로 비정상 상황 인지용 파라미터를 업데이트할 수도 있다. 이 경우 학습부는 생성된 각 학습용 데이터((t_a1~t_b1), (t_a2~t_b2), …, (t_am, t_bm))를 실시간으로 비정상 상황 인지용 파라미터를 생성하기 위한 알고리즘에 적용하여 비정상 상황 인지용 파라미터를 업데이트한다. In another embodiment, the learning unit 140 may update parameters for detecting an abnormal situation in an on-line learning manner. In this case, the learning unit generates an algorithm for generating the parameters for recognizing the abnormal situation in real time for each of the generated learning data (t _a1 to t _b1 ), (t _a2 to t _b2 ), ..., (t _am , t _bm ) To update the parameter for detecting an abnormal situation.

일부 실시예에서, 가능성 산출부는 비정상 상황이 발생 시각(t_b1) 이후 획득된 센서 데이터를 확률 모델에 적용하여 다음 비정상 상황의 발생 확률을 산출한다. 시각(t_b1)에서 제1 비정상 상황이 발행한 경우, 가능성 산출부는 시각(t_b2)에서 제2 비정상 상황이 발생하기 전까지, 임의의 시각(t_f, t_b1< t_f < t_b2)에서 확률(Pe)을 산출한다. 단계(S150~S170)가 반복 수행되면 학습용 데이터가 재생성되므로, 확률 모델 또한 리모델링된다. In some embodiments, the probability calculator applies the sensor data acquired after the time of occurrence of the abnormal condition ( _tbl ) to the probability model to calculate the probability of occurrence of the next abnormal situation. When the first abnormal situation is issued at time (t _b1), likelihood calculation unit at the time (t _b2) a second until an abnormal situation occurs, an arbitrary time _{_{(t f, t b1 <t}} f <t b2) at And calculates the probability Pe. When the steps S150 to S170 are repeated, the learning data is regenerated, and therefore, the probability model is also remodeled.

그리고 업데이트된 비정상 상황 인지용 파라미터에 의해 다음 비정상 상황의 발생 여부가 판단된다(S190). 이후, 업데이트된 비정상 상황 인지용 파라미터에 기초하여 단계(S130~S170)를 반복한다. 보다 상세하게는, 상황판단부(130)는 비정상 상황 인지용 파라미터로 임계치를 업데이트하고, 시각(t_b1) 이후 센싱부(110)에 의해 획득한 센서 데이터와 비교·분석하여 시각(t_b1) 이후 비정상 상황(제2 비정상 상황)의 발생을 판단한다. Then, it is determined whether or not the next abnormal situation occurs according to the updated abnormal condition recognition parameter (S190). Thereafter, steps S130 to S170 are repeated based on the updated abnormality recognition parameter. More specifically, the status determination unit 130 updates the threshold value to the parameter for that the abnormal situation, and the time (t _b1) after the comparison and analysis of the sensor data acquired by the sensing unit (110), time (t _b1) Thereafter, the occurrence of an abnormal condition (second abnormal condition) is judged.

상황판단부(130)가 업데이트된 임계치를 통해 시각(t_b2, t_b1<t_b2)에서 비정상 상황(제2 비정상 상황)이 발생했다고 판단하는 경우 학습용 데이터 생성부(150)는 범위(t_a2~t_b2)를 갖는 학습용 데이터(제2 학습용 데이터)를 생성한다(S150). 일 실시예에서, 시각(t_a2)은 시각(t_b2) 이전의 센서 데이터의 특징에 기초하여 결정될 수도 있다. When the situation determination unit 130 determines that an abnormal situation (second abnormal situation) occurs at the time (t _b2 , t _b1 <t _b2 ) through the updated threshold value, the learning data generation unit 150 sets the range t _a2 to t _b2 ) (S150). In one embodiment, the time t _a2 may be determined based on the characteristics of the sensor data prior to time t _b2 .

학습부(170)는 제2 학습용 데이터로부터 비정상 상황 인지용 파라미터를 업데이트하고(S170), 상황판단부(130)는 상기 비정상 상황 인지용 파라미터에 기초하여 업데이트된 임계치를 기초로 시각(t_b2) 이후 임의의 시각(t_f)에서 다음 비정상 상황의 발생 여부를 판단한다(S130). Learning unit 170 first and updates the parameters for that the abnormal situation from the second learning data (S170), the situation determination unit 130 is time (t _b2) based on the updated threshold value based on a parameter for whether the abnormal situation Then, it is determined whether or not the next abnormal situation occurs at an arbitrary time (t _f ) (S 130).

이와 같이, 상기 시스템(100)은 비정상 상황의 발생 여부를 반복하여 판단하고, 비정상 상황의 발생할 때마다 반복하여 학습용 데이터가 생성되고, 생성된 학습용 데이터를 기초로 비정상 상황 인지용 파라미터가 재업데이트된다. As described above, the system 100 repeatedly determines whether or not an abnormal situation occurs, generates training data repeatedly each time an abnormal situation occurs, and re-updates the parameter for detecting an abnormal situation based on the generated training data .

도 6은 일 실시예에 따른 비정상 상황을 사전에 검출하여 경고를 발생시키는 비정상 상황 검출 방법(S100)의 흐름도이다. 상기 방법(S100)은 제2 센싱부(210)에 의해 제2 센서 데이터를 획득하는 단계(S210) 및 제2 상황판단부(230)가 비정상 상황의 발생 여부를 판단하는 단계를 더 포함한다. FIG. 6 is a flowchart of an abnormal situation detection method (S100) for detecting an abnormal situation in advance and generating an alarm according to an embodiment. The method S100 further includes a step S210 of obtaining the second sensor data by the second sensing unit 210 and a step of determining whether the second situation determination unit 230 generates an abnormal situation.

상기 시스템(200)은 센싱부(110)에 의해 센서 데이터를 획득하고(S110), 제2 센싱부(210)에 의해 상이한 유형의 제2 센서 데이터를 획득한다(S210). The system 200 acquires sensor data by the sensing unit 110 (S110), and acquires second sensor data of a different type by the second sensing unit 210 (S210).

상황판단부(130)는 센싱부(110)에 의해 획득된 센서 데이터(이하, “제1 센서 데이터”)로부터 비정상 상황의 발생을 판단한다(S130). 제2 상황판단부(230) 또한 제2 센싱부(210)에 의해 획득된 센서 데이터(이하 “제2 센서 데이터”)로부터 비정상 상황의 발생을 판단한다(S230). 일부 실시예들에서, 상황판단부(130)가 제1 센서 데이터와 제2 센서 데이터를 모두 비교 분석하여 비정상 상황의 발생을 판단할 수도 있다. The situation determination unit 130 determines occurrence of an abnormal situation from the sensor data (hereinafter, referred to as " first sensor data ") acquired by the sensing unit 110 (S130). The second situation determination unit 230 also determines the occurrence of an abnormal situation from the sensor data (hereinafter referred to as " second sensor data ") obtained by the second sensing unit 210 at step S230. In some embodiments, the situation determination unit 130 may compare and analyze both the first sensor data and the second sensor data to determine occurrence of an abnormal situation.

상황판단부(130)가 제1 센서 데이터로부터 비정상 상황의 발생을 판단하는 경우, 비정상 상황 발생 시각(t₁)을 결정하고(S135), 제2 상황판단부(233)가 제2 센서 데이터로부터 비정상 상황의 발생을 판단하는 경우, 비정상 상황 발생 시각(t₂)을 결정한다. 최초 비정상 상황이 발생하기 이전에는 상황판단부(130)가 결정한 시각(t₁)이 제2 상황판단부(230)가 결정한 시각(t₂)과 동일할 수도 있다. When the situation determination unit 130 determines occurrence of an abnormal situation from the first sensor data, the abnormal situation occurrence time t ₁ is determined (S135). When the second situation determination unit 233 determines from the second sensor data When the occurrence of an abnormal situation is determined, the occurrence time t _{2 of the} abnormal situation is determined. The time t ₁ determined by the situation determiner 130 may be the same as the time t ₂ determined by the second situation determiner 230 before the first abnormal situation occurs.

이후, 비정상 상황이 발생할 때마다 상황판단부(130)가 결정한 시각(t1)이 학습용 데이터 생성부(150)에 제공되면, 도 5에서 도시된 단계들(S150~S190)이 수행된다. 그 결과, t₁과 t₂가 서로 상이해질 수도 있다. Thereafter, when the time t1 determined by the situation determination unit 130 is provided to the learning data generation unit 150 every time an abnormal situation occurs, the steps S150 through S190 shown in FIG. 5 are performed. As a result, t ₁ and t ₂ may be different from each other.

일 실시예에서, 상기 방법(S100)은 비정상 상황의 발생을 사전에 검출하여 경고를 발생시키는 단계(S240)를 더 포함할 수도 있다. 경고부(240)는 제2 상황판단부(230)가 비정상 상황이 발생했다고 판단하기 이전에 상황판단부(130)이 비정상 상황이 발생했다고 판단하는 경우(t₁<t₂), 상황판단부(130)의 판단을 사전 검출로 판단하여 경고를 발생시킨다(S240). In one embodiment, the method (SlOO) may further comprise the step of detecting an occurrence of an abnormal situation in advance and generating an alarm (S240). The warning unit 240 may be configured such that when the situation determination unit 130 determines that an abnormal situation has occurred (t ₁ <t ₂ ) before the second situation determination unit 230 determines that an abnormal condition has occurred, The control unit 130 determines that the detection is a prior detection and generates a warning (S240).

상기 시스템(200)이 비정상 상황이 발생할 때마다 진행되는 과정은 도 5에 도시된 방법(S100)의 과정과 유사하므로, 자세한 설명은 생략한다. The process that occurs every time an abnormal situation occurs in the system 200 is similar to that of the method S100 shown in FIG. 5, and thus a detailed description thereof will be omitted.

이상에서 설명한 실시예들에 따른 비정상 상황 검출 방법은 적어도 부분적으로 컴퓨터 프로그램으로 구현되고 컴퓨터로 읽을 수 있는 기록매체에 기록될 수 있다. 실시예들에 따른 비정상 상황 검출 방법을 구현하기 위한 프로그램이 기록되고 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수도 있다. The method for detecting abnormal conditions according to the embodiments described above can be at least partially implemented in a computer program and recorded in a computer-readable recording medium. A program for implementing the abnormal state detection method according to embodiments is recorded, and the computer-readable recording medium includes all kinds of recording devices for storing data that can be read by a computer. Examples of the computer-readable recording medium include ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage, and the like. The computer readable recording medium may also be distributed over a networked computer system so that computer readable code is stored and executed in a distributed manner.

이상에서 살펴본 본 발명은 도면에 도시된 실시예들을 참고로 하여 설명하였으나, 이는 예시적인 것에 불과하며 당해 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 실시예의 변형이 가능하다는 점을 이해할 것이다. 그러나, 이와 같은 변형은 본 발명의 기술적 보호범위 내에 있다고 보아야 할 것이다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해서 정해져야 할 것이다.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 embodiments, but, on the contrary, is intended to cover various modifications and equivalent arrangements included within the spirit and scope of the appended claims. . However, it should be understood that such modifications are within the technical scope of the present invention. Accordingly, the true scope of the present invention should be determined by the technical idea of the appended claims.

110 : 센싱부
130 : 상황판단부
150 : 학습용 데이터 생성부
170 : 비정상 상황 인지용 파라미터 학습부
210 : 제2 센싱부
230 : 제2 상황판단부
240 : 경고부110: sensing unit
130:
150: training data generation unit
170: Parameter learning unit for detecting abnormal situation
210: second sensing unit
230: second situation determination unit
240: Warning part

Claims

A method for detecting an abnormal situation,
Obtaining first sensor data from a facility device;
Determining whether an abnormal condition has occurred from the obtained first sensor data;
Generating training data from the obtained sensor data if it is determined that an abnormal situation has occurred;
Updating parameters for detecting an abnormal situation through machine learning using the learning data; And
Determining whether or not a next abnormal situation occurs based on the abnormal condition recognition parameter,
Wherein the learning data includes sensor data acquired for a predetermined time period from an occurrence time of an abnormal situation.

The method according to claim 1,
Wherein the time range is determined based on the characteristics of the sensor data acquired before the occurrence time of the abnormal situation.

The method according to claim 1,
Obtaining second sensor data of a different type from the obtained sensor data; And
And determining whether an abnormal situation has occurred from the obtained second sensor data.

The method of claim 3,
Further comprising the step of generating a warning when it is determined from the second sensor data that an abnormal condition will occur from the obtained sensor data before the occurrence of the abnormal condition is determined.

The method according to claim 1,
The abnormal condition recognition parameter may include at least one of support vector machine (SVM), support vector data description (SVDD), support vector regression (SVR), artificial neural network (ANN), and K-means clustering algorithm And updating the abnormal state detecting means.

The method according to claim 1,
Wherein the abnormal condition recognition parameter is updated from a plurality of training data accumulated during a predetermined time duration.

The method according to claim 1,
And the abnormal condition recognition parameter is updated in real time from the generated learning data.

The method according to claim 1,
And applying the sensor data acquired after the occurrence of the abnormal situation to the probability model to calculate the probability of occurrence of the next abnormal situation.

9. A computer-readable recording medium having recorded thereon a computer program for performing the method for detecting an abnormal situation according to any one of claims 1 to 8.

An abnormal situation detection system, comprising:
A first sensing unit for acquiring first sensor data from the facility apparatus;
A first situation determiner for determining whether an abnormal situation occurs from the obtained first sensor data;
A learning data generation unit for generating learning data from the obtained sensor data if it is determined that an abnormal situation has occurred; And
And an abnormal condition recognition parameter learning unit for updating parameters for detecting an abnormal situation through machine learning using the learning data,
Wherein the first situation determination unit determines whether or not a next abnormal situation occurs based on the abnormal condition recognition parameter, and the learning data includes sensor data acquired for a predetermined time range from the occurrence time of the abnormal condition. Situation detection system.

11. The method of claim 10,
Wherein the time range is determined based on characteristics of the sensor data acquired before the occurrence time of the abnormal situation.

11. The method of claim 10,
A second sensing unit for acquiring second sensor data of a type different from the first sensor data; And
And a second status determination unit for determining an abnormal status from the second sensor data.

13. The method of claim 12,
Further comprising a warning unit for generating a warning when the first situation determining unit determines that the abnormal situation will occur before the second situation determining unit determines that the abnormal situation occurs.

11. The method of claim 10,
And a possibility calculating unit for calculating an abnormality occurrence probability by applying the obtained sensor data to a probability model.

11. The method of claim 10,
The abnormal condition recognition parameter may include at least one of support vector machine (SVM), support vector data description (SVDD), support vector regression (SVR), artificial neural network (ANN), and K-means clustering algorithm Wherein the abnormality detection system comprises: