KR20190108045A - 센서 디바이스 - Google Patents
센서 디바이스 Download PDFInfo
- Publication number
- KR20190108045A KR20190108045A KR1020190019552A KR20190019552A KR20190108045A KR 20190108045 A KR20190108045 A KR 20190108045A KR 1020190019552 A KR1020190019552 A KR 1020190019552A KR 20190019552 A KR20190019552 A KR 20190019552A KR 20190108045 A KR20190108045 A KR 20190108045A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- sensor
- server
- sensor device
- weight
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
본 발명은 인공 신경 네트워크를 기반으로 센서 데이터 중 일부를 선별하는 센서 디바이스에 관한 것이다. 본 발명의 하나의 실시 예에 따른 센서 디바이스는 외부 신호를 감지하여 센서 데이터를 생성하도록 구성된 센서, 외부의 서버로부터 제공된 가중치 데이터를 기반으로 인공 신경망 알고리즘을 이용하여 상기 센서 데이터 중 선별 데이터를 분류하도록 구성된 데이터 분석기 및 상기 센서 데이터 중 상기 선별 데이터만을 상기 서버로 송신하도록 구성된 통신 모듈을 포함하고, 상기 가중치 데이터는 상기 서버에서 업데이트되어 상기 데이터 분석기로 전달된다.
Description
본 발명은 센서 디바이스에 관한 것으로써, 좀 더 상세하게는 인공 신경 네트워크를 기반으로 센서 데이터 중 일부를 선별하는 센서 디바이스에 관한 것이다.
센서 디바이스는 일반적으로 물리적인 크기가 매우 작고, 소모 전류가 매우 작다. 센서 디바이스는 가전 제품에서부터 공장의 기계, 자동차 등의 다양한 사물에 부착될 수 있다. 부착된 센서 디바이스를 통해 사물의 상태, 주변 환경 또는 주변 상황과 관련된 다양한 데이터가 수집될 수 있다. 수집된 정보는 서버로 제공될 수 있다. 서버는 제공된 정보로부터 사물 또는 주변 상황에 대한 예측이나 분석 등을 수행할 수 있고, 분석 결과로부터 다양한 정보를 제공할 수 있다.
하나의 사물에 다수개의 센서 디바이스가 부착되는 경우, 필요한 센서 디바이스의 개수는 크게 증가할 수 있다. 이에 비례하여 각각의 센서 디바이스에서 서버로 제공되는 데이터의 양도 크게 증가할 수 있다. 이에 따라, 서버에서 처리되어야 할 데이터의 양이 많아지고, 연산 병목 현상이 발생될 수 있기 때문에, 실시간으로 데이터를 분석하거나 다양한 정보를 제공하는 것이 힘들 수 있다.
본 발명은 상술된 기술적 과제를 해결하기 위한 것으로써, 본 발명의 목적은 센서 디바이스와 서버 사이의 데이터 트래픽(traffic)을 감소시키고 서버에서 연산 병목 현상을 방지할 수 있는 센서 디바이스를 제공하는 데 있다.
본 발명의 하나의 실시 예에 따른 센서 디바이스는 외부 신호를 감지하여 센서 데이터를 생성하도록 구성된 센서, 외부의 서버로부터 제공된 가중치 데이터를 기반으로 인공 신경망 알고리즘을 이용하여 상기 센서 데이터 중 선별 데이터를 분류하도록 구성된 데이터 분석기 및 상기 센서 데이터 중 상기 선별 데이터만을 상기 서버로 송신하도록 구성된 통신 모듈을 포함하고, 상기 가중치 데이터는 상기 서버에서 업데이트되어 상기 데이터 분석기로 전달된다.
본 발명의 실시 예에 따른 센서 디바이스는 서버로부터 학습된 가중치 데이터를 기반으로 센서 데이터 중 일부를 선별하고, 선별된 데이터를 서버로 제공할 수 있다. 이에 따라, 센서 디바이스와 서버 사이의 데이터 트래픽이 감소될 수 있다. 또한, 서버에서 학습이 수행되므로, 센서 디바이스는 저전력으로 동작할 수 있다.
도 1은 본 발명의 하나의 실시 예에 따른 센서 시스템의 예시적인 블록도를 보여준다.
도 2는 도 1의 센서 디바이스의 예시적인 블록도를 보여준다.
도 3은 도 2의 센서 디바이스가 선별 데이터를 분류하는 동작의 예시를 보여주는 순서도이다.
도 4는 도 1의 서버의 예시적인 블록도를 보여준다.
도 5는 도 4의 서버의 가중치 데이터를 업데이트하는 동작을 예시적으로 보여주는 순서도이다.
도 2는 도 1의 센서 디바이스의 예시적인 블록도를 보여준다.
도 3은 도 2의 센서 디바이스가 선별 데이터를 분류하는 동작의 예시를 보여주는 순서도이다.
도 4는 도 1의 서버의 예시적인 블록도를 보여준다.
도 5는 도 4의 서버의 가중치 데이터를 업데이트하는 동작을 예시적으로 보여주는 순서도이다.
이하, 첨부된 도면들을 참조하여 본 발명의 실시 예들이 상세하게 설명된다. 이하의 설명에서, 상세한 구성들 및 구조들과 같은 세부적인 사항들은 단순히 본 발명의 실시 예들의 전반적인 이해를 돕기 위하여 제공된다. 그러므로 본 발명의 기술적 사상 및 범위로부터의 벗어남 없이 본문에 기재된 실시 예들의 변형들은 통상의 기술자 의해 수행될 수 있다. 더욱이, 명확성 및 간결성을 위하여 잘 알려진 기능들 및 구조들에 대한 설명들은 생략된다. 본 명세서에서 사용된 용어들은 본 발명의 기능들을 고려하여 정의된 용어들이며, 특정 기능에 한정되지 않는다. 용어들의 정의는 상세한 설명에 기재된 사항을 기반으로 결정될 수 있다.
이하의 도면들 또는 상세한 설명에서의 모듈들은 도면에 도시되거나 또는 상세한 설명에 기재된 구성 요소 이외에 다른 것들과 연결될 수 있다. 모듈들 또는 구성 요소들 사이의 연결은 각각 직접적 또는 비직접적일 수 있다. 모듈들 또는 구성 요소들 사이의 연결은 각각 통신에 의한 연결이거나 또는 물리적인 접속일 수 있다.
상세한 설명에서 사용되는 모듈(module) 등의 용어를 참조하여 설명되는 구성 요소들은 소프트웨어, 또는 하드웨어, 또는 그것들의 조합의 형태로 구현될 수 있다. 예를 들어, 소프트웨어는 기계 코드, 펌웨어, 임베디드 코드, 및 애플리케이션 소프트웨어를 포함할 수 있다. 예를 들어, 하드웨어는 전기 회로, 전자 회로, 프로세서, 컴퓨터, 집적 회로, 집적 회로 코어들, 멤즈(Micro Electro Mechanical System; MEMS), 수동 소자, 또는 그것들의 조합을 포함할 수 있다.
다르게 정의되지 않는 한, 본문에서 사용되는 기술적 또는 과학적인 의미를 포함하는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 지닌 자에 의해 이해될 수 있는 의미를 갖는다. 일반적으로 사전에서 정의된 용어들은 관련된 기술 분야에서의 맥락적 의미와 동등한 의미를 갖도록 해석되며, 본문에서 명확하게 정의되지 않는 한, 이상적 또는 과도하게 형식적인 의미를 갖도록 해석되지 않는다.
도 1은 본 발명의 하나의 실시 예에 따른 센서 시스템(1000)의 예시적인 블록도를 보여준다. 도 1을 참조하면, 센서 시스템(1000)은 서버(10) 및 복수의 센서 디바이스들(100-800)을 포함할 수 있다.
센서 디바이스들(100-800) 각각은 하나의 사물에 부착되거나 서로 다른 사물에 부착될 수 있다. 또는 센서 디바이스들(100-800) 각각은 사물 또는 전자 장치에 포함될 수 있다. 즉, 센서 디바이스들(100-800) 각각은 데이터 감지를 위한 별도의 장치로 구현되거나 다양한 기능을 수행하는 사물 또는 전자 장치의 구성 요소로 구현될 수 있다.
센서 디바이스들(100-800)은 사물의 상태 또는 주변 환경과 관련된 다양한 데이터를 감지할 수 있다. 예를 들어, 센서 디바이스(100)는 공장의 기계에 부착되어 기계의 진동, 온도, 또는 습도 등을 감지할 수 있다. 센서 디바이스들(100-800)은 한 종류의 데이터뿐만 아니라 다양한 종류의 데이터를 감지할 수 있다. 예를 들어, 공장의 기계에 부착된 센서 디바이스(100)는 기계의 진동뿐만 아니라 온도 및 습도 등의 데이터를 감지할 수 있다.
센서 디바이스들(100-800)은 감지된 데이터(이하, 센서 데이터라 함) 중 특정 데이터(이하, 선별 데이터라 함)를 분류할 수 있다. 예시적으로, 센서 디바이스들(100-800)은 인공 신경 네트워크를 기반으로 센서 데이터 중 선별 데이터를 분류할 수 있다. 선별 데이터는 센서 데이터 중 노이즈 등이 제거된 일부 데이터일 수 있다. 즉, 선별 데이터는 센서 데이터 중 유의미한 데이터를 나타낼 수 있다. 센서 디바이스들(100-800) 각각은 선별 데이터를 서버(10)로 전송할 수 있다. 이에 따라, 센서 데이터 중 일부 데이터만이 서버(10)로 전송될 수 있다. 센서 디바이스들(100-800)은 유선 및/또는 무선 통신 경로를 이용하여 선별 데이터를 서버(10)로 전송할 수 있다.
서버(10)는 센서 디바이스들(100-800)로부터 선별 데이터를 수신할 수 있다. 서버(10)는 인공 신경 네트워크 또는 인공지능 알고리즘을 기반으로 선별 데이터에 대한 학습을 수행할 수 있다. 학습 결과, 인공 신경 네트워크 파라미터(parameter)인 가중치(weight) 데이터가 업데이트될 수 있다. 서버(10)는 업데이트된 가중치 데이터를 센서 디바이스들(100-800)로 제공할 수 있다. 센서 디바이스들(100-800)은 업데이트된 가중치 데이터를 기반으로 센서 데이터 중 선별 데이터를 분류할 수 있다.
상술한 바와 같이, 서버(10)는 선별 데이터에 대하여 학습을 통해 가중치 데이터를 업데이트하고 센서 디바이스들(100-800)은 업데이트된 가중치 데이터를 기반으로 센서 데이터 중 선별 데이터를 분류할 수 있다. 이 경우, 센서 디바이스들(100-800)은 직접 학습을 수행하지 않으므로 저전력으로 동작할 수 있다. 또한, 센서 디바이스들(100-800)로부터 서버(10)로 센서 데이터 전체가 전송되지 않고, 센서 데이터 일부인 선별 데이터가 전송되므로, 센서 디바이스들(100-800)과 서버(10) 사이의 데이터 트래픽(traffic)이 감소될 수 있다.
서버(10)는 선별 데이터를 기반으로 사물 또는 주변 상황과 관련된 다양한 분석 결과를 생성할 수 있다. 서버(10)는 분석 결과에 따라 사물 또는 센서 디바이스들(100-800)로 다양한 정보를 제공할 수 있다. 예를 들어, 서버(10)는 하나의 기계에 부착된 센서 디바이스들(100-800)로부터 전송된 진동 데이터를 기반으로 기계와 관련된 분석 결과를 생성할 수 있다. 기계의 진동이 임계값을 초과하는 경우, 서버(10)는 기계로 동작을 정지할 것을 명령할 수 있다.
서버(10)는 센서 디바이스들(100-800)로부터 유선 및/또는 무선 통신 경로를 통해 선별 데이터를 수신할 수 있다. 예를 들어, 서버(10)는 데스크톱, 랩톱, 워크스테이션, 클라우드(cloud) 등으로 구현될 수 있으나, 본 발명이 이에 한정되는 것은 아니다.
도 1에서는 센서 시스템(1000)이 8개의 센서 디바이스들(100-800)을 포함하는 것으로 도시되었으나, 본 발명이 이에 한정되는 것은 아니다. 예를 들어, 센서 시스템(1000)은 하나 이상의 센서 디바이스를 포함할 수 있다.
이하에서는, 설명의 편의를 위해, 센서 디바이스(100)를 기준으로 본 발명의 실시 예들에 따른 센서 디바이스의 구성 및 동작을 상세하게 설명할 것이다. 아래에서 설명되는 센서 디바이스(100)의 구성 및 동작은 도 1의 다른 센서 디바이스들(200-800)에 대해서도 적용될 수 있다.
도 2는 도 1의 센서 디바이스(100)의 예시적인 블록도를 보여준다. 도 2를 참조하면, 센서 디바이스(100)는 컨트롤러(110), 에너지 하베스터(120), 전기 에너지 저장 회로(130), 전원 관리 회로(140), 센서(150), 데이터 분석기(160) 및 통신 모듈(170)을 포함할 수 있다.
컨트롤러(110)는 센서 디바이스(100)의 구성 요소들의 동작을 제어할 수 있다. 예를 들어, 컨트롤러(110)는 제어 신호를 특정 구성 요소로 전달하여 특정 구성 요소의 동작을 제어할 수 있다.
에너지 하베스터(120)는 센서 디바이스(100) 주변의 에너지원을 이용하여 전기 에너지를 생산할 수 있다. 예를 들어, 에너지 하베스터(120)는 센서 디바이스(100)로 제공되는 무선 신호를 이용하여 전기 에너지를 생산할 수 있다. 즉, 에너지 하베스터(120)는 센서 디바이스(100)의 동작에 필요한 전원을 제공할 수 있다.
전기 에너지 저장 회로(130)는 에너지 하베스터(120)로부터 생성된 전기 에너지를 저장할 수 있다. 전원 관리 회로(140)는 전기 에너지 저장 회로(130)로부터 전원 신호를 제공받아 센서 디바이스(100)의 각 구성 요소로 전원을 공급할 수 있다. 예를 들어, 전원 관리 회로(140)는 컨트롤러(110), 센서(150), 데이터 분석기(160) 및 통신 모듈(170)로 전원을 공급할 수 있다. 전원 관리 회로(140)는 컨트롤러(110)로부터 제공된 전원 제어 신호에 응답하여 공급되는 전원을 조절할 수 있다. 예를 들어, 전원 관리 회로(140)는 전원 제어 신호에 응답하여 통신 모듈(170)로 공급되는 전원을 차단 또는 감소시킬 수 있다.
센서(150)는 센서 디바이스(100) 주변의 상황, 즉 외부 신호를 감지할 수 있다. 예를 들어, 센서(150)는 센서 디바이스(100)가 부착된 사물의 상태를 감지할 수 있다. 예를 들어, 센서(150)는 사물의 상태 또는 주변 상황과 관련된 데이터를 수집할 수 있는 다양한 종류의 센서들 중 하나 이상으로 구현될 수 있다.
센서(150)는 감지된 외부 신호를 기반으로 센서 데이터를 생성할 수 있다. 센서(150)는 센서 데이터를 컨트롤러(110)로 제공할 수 있다. 센서 데이터는 컨트롤러(110)를 통해 데이터 분석기(160)로 전달될 수 있다. 또는 센서 데이터는 컨트롤러(110)에 의해 전처리된 후 데이터 분석기(160)로 전달될 수 있다.
센서(150)는 컨트롤러(110)로부터 제공된 센서 제어 신호에 응답하여 동작할 수 있다. 예를 들어, 센서(150)는 센서 제어 신호에 응답하여 센서 데이터의 값을 보정할 수 있다. 이 경우, 센서(150)는 보정된 센서 데이터를 컨트롤러(110)로 제공할 수 있다.
데이터 분석기(160)는 인공 신경 네트워크를 기반으로 컨트롤러(110)로부터 제공된 센서 데이터를 분석할 수 있다. 이를 위해, 데이터 분석기(160)는 가중치 데이터 저장소(161), 데이터 선별 모듈(162) 전력 프로파일 생성 모듈(163) 및 센서 프로파일 생성 모듈(164)을 포함할 수 있다.
데이터 분석기(160)는 컨트롤러(110)로부터 가중치 데이터를 수신하고, 수신된 가중치 데이터를 가중치 데이터 저장소(161)에 저장할 수 있다. 이 경우, 가중치 데이터는 센서 디바이스(100) 외부(예를 들어, 서버(10))에서 학습된 가중치 데이터일 수 있다. 센서 디바이스(100) 외부에서 가중치 데이터가 업데이트되는 경우, 데이터 분석기(160)는 업데이트된 가중치 데이터를 컨트롤러(110)로부터 수신하고, 가중치 데이터 저장소(161)에 저장할 수 있다.
데이터 선별 모듈(162)은 가중치 데이터 저장소(161)에 저장된 가중치 데이터를 기반으로 딥 러닝(deep learning)을 수행하여 센서 데이터 중 선별 데이터를 분류할 수 있다. 이 경우, 데이터 선별 모듈(162)로부터 분류되는 선별 데이터는 센서 데이터 중 유의미한 데이터일 수 있다. 데이터 선별 모듈(162)의 동작에 따른 선별 데이터는 컨트롤러(110)로 제공될 수 있다.
전력 프로파일 생성 모듈(163)은 센서 데이터를 분석하여 센서 디바이스(100)의 전원 제어를 위한 전력 프로파일(profile)을 생성할 수 있다. 전력 프로파일은 센서 디바이스(100)의 각각의 구성 요소에 공급되는 전원 정보를 포함할 수 있다. 예를 들어, 전력 프로파일 생성 모듈(163)은 시간 또는 상황에 따라 통신 모듈(170)에 공급되는 전원이 달라지도록 전력 프로파일을 생성할 수 있다. 생성된 전력 프로파일은 컨트롤러(110)로 제공될 수 있다.
전력 프로파일 생성 모듈(163)은 인공 신경 네트워크를 기반으로 센서 데이터를 분석할 수 있다. 예를 들어, 전력 프로파일 생성 모듈(163)은 데이터 선별 모듈(162)에서 이용된 인공 신경 네트워크와 동일한 네트워크를 기반으로 센서 데이터를 분석할 수 있다. 또는, 전력 프로파일 생성 모듈(163)은 데이터 선별 모듈(162)에서 이용된 인공 신경 네트워크와 다른 별도의 네트워크를 기반으로 센서 데이터를 분석할 수 있다.
센서 프로파일 생성 모듈(164)은 센서 데이터를 분석하여 센서(150)의 동작을 제어하기 위한 센서 프로파일을 생성할 수 있다. 센서 프로파일은 센서(150)로부터 출력되는 센서 데이터의 값을 보정하기 위한 정보를 포함할 수 있다. 예를 들어, 센서 프로파일 생성 모듈(164)은 외부 요인에 의한 노이즈 등으로 달라질 수 있는 센서 데이터의 값이 보정되도록 센서 프로파일을 생성할 수 있다. 생성된 센서 프로파일은 컨트롤러(110)로 제공될 수 있다.
센서 프로파일 생성 모듈(164)은 인공 신경 네트워크를 기반으로 센서 데이터를 분석할 수 있다. 예를 들어, 센서 프로파일 생성 모듈(164)은 데이터 선별 모듈(162)에서 이용된 인공 신경 네트워크와 동일한 네트워크를 기반으로 센서 데이터를 분석할 수 있다. 또는, 센서 프로파일 생성 모듈(164)은 데이터 선별 모듈(162)에서 이용된 인공 신경 네트워크와 다른 별도의 네트워크를 기반으로 센서 데이터를 분석할 수 있다.
통신 모듈(170)은 서버(10)로 데이터를 전송하거나 서버(10)로부터 데이터를 수신할 수 있다. 통신 모듈(170)은 유선 및/또는 무선 통신을 통해 서버(10)와 데이터 통신을 수행할 수 있다. 통신 모듈(170)은 컨트롤러(110)로부터 선별 데이터를 수신하고, 수신된 선별 데이터를 서버(10)로 송신할 수 있다. 통신 모듈(170)은 서버(10)로부터 가중치 데이터를 수신하고, 수신된 가중치 데이터를 컨트롤러(110)로 전달할 수 있다.
컨트롤러(110)는 서버(10)로부터 학습을 통해 업데이트된 가중치 데이터를 통신 모듈(170)을 통해 수신할 수 있다. 컨트롤러(110)는 수신된 가중치 데이터를 데이터 분석기(160)에 제공할 수 있다. 이 경우, 데이터 선별 모듈(162)은 제공된 가중치 데이터를 기반으로 선별 데이터를 분류할 수 있다. 컨트롤러(110)는 데이터 분석기(160)로부터 선별 데이터를 수신하고, 수신된 선별 데이터를 통신 모듈(170)을 통해 서버(10)로 송신할 수 있다.
컨트롤러(110)는 데이터 분석기(160)로부터 전력 프로파일을 수신하고, 전력 프로파일을 기반으로 전원 제어 신호를 생성할 수 있다. 전원 제어 신호에 따라 전원 관리 회로(140)로부터 제공되는 전원이 제어되는 경우, 센서 디바이스(100)는 저전력으로 동작할 수 있다. 컨트롤러(110)는 데이터 분석기(160)로부터 센서 프로파일을 수신하고, 센서 프로파일을 기반으로 센서 제어 신호를 생성할 수 있다. 센서 제어 신호에 따라 센서(150)에서 센서 데이터의 값이 보정되는 경우, 보다 정확한 센서 데이터가 생성될 수 있다.
도 3은 도 2의 센서 디바이스(100)가 선별 데이터를 분류하는 동작의 예시를 보여주는 순서도이다. 도 2 및 도 3을 참조하면, S101 단계에서, 센서 디바이스(100)는 가중치 데이터를 수신할 수 있다. 이 경우, 가중치 데이터는 서버(10)의 학습 동작을 통해 업데이트된 가중치 데이터일 수 있다. S102 단계에서, 센서 디바이스(100)는 가중치 데이터를 기반으로 센서 데이터를 분석할 수 있다. 즉, 센서 디바이스(100)는 인공 신경 네트워크를 기반으로 딥 러닝을 수행하여 센서 데이터를 분석할 수 있다. S103 단계에서, 센서 디바이스(100)는 분석 결과에 따라 센서 데이터 중 선별 데이터를 분류할 수 있다. 도 2에서 설명한 바와 같이, 센서 디바이스(100)는 센서 데이터로부터 선별 데이터를 분류할 수 있을 뿐만 아니라, 분석 결과에 따라 전력 프로파일 및 센서 프로파일을 생성할 수 있다. S104 단계에서, 센서 디바이스(100)는 선별 데이터를 서버(10)로 전송할 수 있다.
도 3에서는 S102 단계 및 S103 단계가 별도로 단계로 설명되었으나, 본 발명은 이에 한정되지 않는다. 예를 들어, S102 단계 및 S103 단계는 하나의 단계로 통합될 수 있다. 이 경우, 센서 디바이스(100)는 센서 데이터에 대하여 가중치 데이터를 기반으로 딥 러닝을 수행하고, 딥 러닝 결과로서 선별 데이터를 출력할 수 있다.
상술한 바와 같이, 본 발명의 실시 예들에 따른 센서 디바이스(100)는 에너지 하베스팅(harvesting)을 통해 생성된 전원을 기반으로 동작하므로, 별도의 배터리를 포함하지 않을 수 있다. 또한, 외부의 서버(10)에서 학습되어 업데이트된 가중치 데이터를 기반으로 센서 데이터에 대한 선별이 이루어지므로, 센서 디바이스(100)는 가중치 데이터를 업데이트하기 위한 별도의 학습 동작을 수행하지 않을 수 있다. 따라서, 센서 디바이스(100)는 저전력으로 동작할 수 있다. 또한, 센서 데이터 전체가 서버(10)로 제공될 필요 없이, 선별 데이터만이 서버(10)로 제공될 수 있으므로, 센서 디바이스(100)와 서버(10) 사이의 데이터 트래픽이 감소될 수 있다.
이하에서는, 도 4 및 도 5를 참조하여 도 1의 서버(10)의 구성 및 동작을 상세하게 설명할 것이다.
도 4는 도 1의 서버(10)의 예시적인 블록도를 보여준다. 도 4를 참조하면, 서버(10)는 생성 네트워크 모듈(11) 및 감별 네트워크 모듈(12)을 포함할 수 있다. 생성 네트워크 모듈(11) 및 감별 네트워크 모듈(12)은 생성적 적대 신경망(GAN; Generative Adversarial Network) 알고리즘을 기반으로 동작할 수 있다. 즉, 생성 네트워크 모듈(11) 및 감별 네트워크 모듈(12)은 서로 경쟁적으로 학습을 수행할 수 있다.
생성 네트워크 모듈(11)은 미리 학습된 가중치 데이터를 기반으로 허구 데이터를 생성할 수 있다. 허구 데이터는 선별 데이터와 유사성을 가지는 데이터일 수 있다. 생성 네트워크 모듈(11)은 생성된 허구 데이터를 감별 네트워크 모듈(12)로 제공할 수 있다.
감별 네트워크 모듈(12)은 센서 디바이스(100)로부터 제공된 선별 데이터와 허구 데이터를 수신하고, 가중치 데이터를 기반으로 선별 데이터와 허구 데이터를 분석할 수 있다. 예를 들어, 감별 네트워크 모듈(12)은 허구 데이터와 선별 데이터의 오차를 분석할 수 있다. 감별 네트워크 모듈(12)은 분석 결과에 따라 생성 네트워크 모듈(11)로 가중치 업데이트 신호를 제공할 수 있다. 예를 들어, 가중치 데이터에 따라 허구 데이터와 선별 데이터의 유사도가 상대적으로 작은 것으로 분석되는 경우, 감별 네트워크 모듈(12)은 가중치 업데이트 신호를 제공할 수 있다. 가중치 데이터에 따라 허구 데이터와 선별 데이터의 유사도가 상대적으로 큰 것으로 분석되는 경우, 감별 네트워크 모듈(12)은 가중치 업데이트 신호를 제공하지 않을 수 있다.
생성 네트워크 모듈(11)은 감별 네트워크 모듈(12)로부터 가중치 업데이트 신호를 수신하는 경우, 가중치 데이터를 업데이트할 수 있다. 이후, 생성 네트워크 모듈(11)은 업데이트된 가중치 데이터를 기반으로 허구 데이터를 생성할 수 있다. 업데이트된 가중치 데이터를 기반으로 생성된 허구 데이터가 제공되는 경우, 감별 네트워크 모듈(12)은 업데이트된 가중치 데이터를 기반으로 선별 데이터와 허구 데이터를 분석할 수 있다.
감별 네트워크 모듈(12)로부터의 분석 결과, 가중치를 더 이상 업데이트할 필요가 없는 것으로 판단되는 경우, 감별 네트워크 모듈(12)은 업데이트된 가중치 데이터를 센서 디바이스(100)로 송신할 수 있다. 이에 따라, 센서 디바이스(100)는 서버(10)로부터 수신된 업데이트된 가중치 데이터를 기반으로 센서 데이터 중 선별 데이터를 분류할 수 있다.
도 5는 도 4의 서버(10)의 가중치 데이터를 업데이트하는 동작을 예시적으로 보여주는 순서도이다. 도 4 및 도 5를 참조하면, S11 단계에서, 서버(10)는 가중치 데이터를 기반으로 허구 데이터를 생성할 수 있다. 이 경우, 가중치 데이터는 미리 학습된 가중치 데이터일 수 있다. S12 단계에서, 서버(10)는 가중치 데이터를 기반으로 선별 데이터 및 허구 데이터를 분석할 수 있다. 예를 들어, 분석 결과로서, 선별 데이터 및 허구 데이터의 오차 값이 분석될 수 있다.
S13 단계에서, 서버(10)는 분석 결과에 따라 가중치 데이터를 업데이트할 수 있다. 예를 들어, 서버(10)는 분석된 오차 값에 따라 가중치 데이터를 업데이트할 수 있다. S14 단계에서, 서버(10)는 업데이트된 가중치 데이터를 센서 디바이스(100)로 전송할 수 있다. 예를 들어, 서버(10)는 업데이트된 가중치에 따라 허구 데이터를 생성하고, 선별 데이터와 새롭게 생성된 허구 데이터를 분석할 수 있다. 분석 결과, 가중치 데이터를 더 이상 업데이트하지 않아도 되는 것으로 판별되는 경우, 서버(10)는 업데이트된 가중치 데이터를 센서 디바이스(100)로 전송할 수 있다.
상술한 바와 같이, 본 발명의 실시 예에 따른 서버(10)는 인공 신경 네트워크를 기반으로 가중치 데이터를 업데이트할 수 있다. 이 경우, 서버(10)는 적대적 생성 네트워크를 기반으로 학습 동작을 수행할 수 있다. 서버(10)는 전체 센서 데이터 중 선별 데이터를 수신하고, 선별 데이터를 기반으로 학습을 수행하므로, 학습 동작을 빠르게 수행할 수 있다. 또한, 학습된 가중치 데이터의 신뢰성이 더 향상될 수 있다.
상술된 내용은 본 발명을 실시하기 위한 구체적인 실시 예들이다. 본 발명은 상술된 실시 예들뿐만 아니라, 단순하게 설계 변경되거나 용이하게 변경할 수 있는 실시 예들 또한 포함할 것이다. 또한, 본 발명은 실시 예들을 이용하여 용이하게 변형하여 실시할 수 있는 기술들도 포함될 것이다. 따라서, 본 발명의 범위는 상술된 실시 예들에 국한되어 정해져서는 안되며 후술하는 특허청구범위뿐만 아니라 이 발명의 특허청구범위와 균등한 것들에 의해 정해져야 할 것이다.
10: 서버
11: 생성 네트워크 모듈
12: 감별 네트워크 모듈
100: 센서 디바이스
110: 컨트롤러
120: 에너지 하베스터
130: 전기 에너지 저장 회로
140: 전원 관리 회로
150: 센서
160: 데이터 분석기
170: 통신 모듈
11: 생성 네트워크 모듈
12: 감별 네트워크 모듈
100: 센서 디바이스
110: 컨트롤러
120: 에너지 하베스터
130: 전기 에너지 저장 회로
140: 전원 관리 회로
150: 센서
160: 데이터 분석기
170: 통신 모듈
Claims (1)
- 외부 신호를 감지하여 센서 데이터를 생성하도록 구성된 센서;
외부의 서버로부터 제공된 가중치 데이터를 기반으로 인공 신경망 알고리즘을 이용하여 상기 센서 데이터 중 선별 데이터를 분류하도록 구성된 데이터 분석기; 및
상기 센서 데이터 중 상기 선별 데이터만을 상기 서버로 송신하도록 구성된 통신 모듈을 포함하고,
상기 가중치 데이터는 상기 서버에서 업데이트되어 상기 데이터 분석기로 전달되는 센서 디바이스.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180029423 | 2018-03-13 | ||
KR20180029423 | 2018-03-13 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20190108045A true KR20190108045A (ko) | 2019-09-23 |
Family
ID=68069196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190019552A KR20190108045A (ko) | 2018-03-13 | 2019-02-19 | 센서 디바이스 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20190108045A (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021060906A1 (ko) * | 2019-09-27 | 2021-04-01 | 송찰스기석 | 자가 발전식 센서, 이를 포함하는 모니터링 시스템 |
-
2019
- 2019-02-19 KR KR1020190019552A patent/KR20190108045A/ko active Search and Examination
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021060906A1 (ko) * | 2019-09-27 | 2021-04-01 | 송찰스기석 | 자가 발전식 센서, 이를 포함하는 모니터링 시스템 |
US11856344B2 (en) | 2019-09-27 | 2023-12-26 | Gentle Energy Corp. | Self-powered sensor, and monitoring system including same |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230131283A1 (en) | Method for generating universal learned model | |
US10726335B2 (en) | Generating compressed representation neural networks having high degree of accuracy | |
US20180330083A1 (en) | Anomaly forecasting and early warning generation | |
US10200240B2 (en) | Method for configuring an M2M system | |
Zhang et al. | Adaptive fault diagnosis and fault-tolerant control of MIMO nonlinear uncertain systems | |
US20210235543A1 (en) | Split predictions for iot devices | |
Ma et al. | Exploring edge computing for multitier industrial control | |
CN112884156A (zh) | 用于模型自适应的方法、设备和程序产品 | |
WO2021071794A1 (en) | Dynamic configuration of anomaly detection | |
US11847217B2 (en) | Methods and apparatus to provide and monitor efficacy of artificial intelligence models | |
EP3843338B1 (en) | Monitoring and analyzing communications across multiple control layers of an operational technology environment | |
CN115668084A (zh) | 诊断装置、服务器以及诊断方法 | |
EP3132321B1 (en) | Transforming failure samples using conditional models for machine condition monitoring | |
KR20190108045A (ko) | 센서 디바이스 | |
US20210405990A1 (en) | Method, device, and storage medium for deploying machine learning model | |
WO2018175600A1 (en) | Sample-specific sandbox configuration based on endpoint telemetry | |
Abdullahi et al. | Deep Learning Model for Cybersecurity Attack Detection in Cyber-Physical Systems | |
EP4145657A1 (en) | Protection device for closed-loop power distribution system, and artificial intelligence device | |
EP3254240A1 (en) | System and method for using artificial intelligence in making decisions | |
KR102439323B1 (ko) | 플랜트 상태 관리 시스템 | |
Scrimieri et al. | A k-nearest neighbour technique for experience-based adaptation of assembly stations | |
EP3668039A1 (en) | Sending terminal, sending method, information processing terminal, and information processing method | |
EP4191947A1 (en) | Blocking or allowing a file stream associated with a file based on an initial portion of the file | |
KR102153980B1 (ko) | 뉴럴 네트워크 칩 | |
EP3493002B1 (en) | System and method for identifying application layer behaviour |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination |