KR20190108045A - 센서 디바이스 - Google Patents

센서 디바이스 Download PDF

Info

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
Application number
KR1020190019552A
Other languages
English (en)
Inventor
오광일
이재진
강태욱
김성은
박미정
박성모
변경진
이석호
임인기
한규승
Original Assignee
한국전자통신연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국전자통신연구원 filed Critical 한국전자통신연구원
Publication of KR20190108045A publication Critical patent/KR20190108045A/ko

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

센서 디바이스{SENSOR DEVICE}
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.
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

Claims (1)

  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.
KR1020190019552A 2018-03-13 2019-02-19 센서 디바이스 KR20190108045A (ko)

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)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021060906A1 (ko) * 2019-09-27 2021-04-01 송찰스기석 자가 발전식 센서, 이를 포함하는 모니터링 시스템

Cited By (2)

* Cited by examiner, † Cited by third party
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