KR20190110354A - Method for detecting location of abnormal state based on machine learning, learning method for detecting location of abnormal state - Google Patents

Method for detecting location of abnormal state based on machine learning, learning method for detecting location of abnormal state Download PDF

Info

Publication number
KR20190110354A
KR20190110354A KR1020180032228A KR20180032228A KR20190110354A KR 20190110354 A KR20190110354 A KR 20190110354A KR 1020180032228 A KR1020180032228 A KR 1020180032228A KR 20180032228 A KR20180032228 A KR 20180032228A KR 20190110354 A KR20190110354 A KR 20190110354A
Authority
KR
South Korea
Prior art keywords
abnormal state
point
learning
sensors
state occurrence
Prior art date
Application number
KR1020180032228A
Other languages
Korean (ko)
Other versions
KR102048519B1 (en
Inventor
박철진
이유진
김형진
이미림
Original Assignee
한양대학교 산학협력단
홍익대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한양대학교 산학협력단, 홍익대학교 산학협력단 filed Critical 한양대학교 산학협력단
Priority to KR1020180032228A priority Critical patent/KR102048519B1/en
Publication of KR20190110354A publication Critical patent/KR20190110354A/en
Application granted granted Critical
Publication of KR102048519B1 publication Critical patent/KR102048519B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

Disclosed are a method for detecting a point of an abnormal state occurrence capable of providing improved detection performance by using fewer sensors based on machine learning, and a learning method for detecting an abnormal state occurrence point. The method for detecting an abnormal state occurrence point based on machine learning comprises the steps of: receiving sensing values of a plurality of sensors, installed at different points and detecting an abnormal state of an installation point; and determining an abnormal state occurrence point by using a statistical value for the sensing value, an abnormal state detection time difference value between the sensors, and learning data. The learning data is data for which an abnormal state occurrence point with respect to a reference statistical value and a reference abnormal state detection time difference value is learned.

Description

기계 학습 기반의 이상 상태 발생 지점 탐지 방법 및 이상 상태 발생 지점의 탐지를 위한 학습 방법{METHOD FOR DETECTING LOCATION OF ABNORMAL STATE BASED ON MACHINE LEARNING, LEARNING METHOD FOR DETECTING LOCATION OF ABNORMAL STATE}METHOD FOR DETECTING LOCATION OF ABNORMAL STATE BASED ON MACHINE LEARNING, LEARNING METHOD FOR DETECTING LOCATION OF ABNORMAL STATE}

본 발명은 기계 학습 기반의 이상 상태 발생 지점 탐지 방법 및 이상 상태 발생 지점의 탐지를 위한 학습 방법에 관한 것으로서, 더욱 상세하게는 센서 네트워크의 센싱값을 학습 데이터로 이용하는 기계 학습 기반의 이상 상태 발생 지점 탐지 방법 및 이상 상태 발생 지점의 탐지를 위한 학습 방법에 관한 것이다. The present invention relates to a method for detecting an abnormal state occurrence point based on machine learning and a learning method for detecting an abnormal state occurrence point, and more particularly, to an abnormal state occurrence point based on machine learning using sensing values of a sensor network as learning data. The present invention relates to a detection method and a learning method for detecting an abnormal state occurrence point.

현재 다양한 분야에서 센서가 활용되고 있으며, 미세 기술의 발달과 함께 점점 더 센서의 활용도는 높아질 것으로 예상된다. 이러한 센서를 이용하여 특정 환경이나 장소 또는 프로세스에서 이상 상태가 발생한 지점 등을 탐지하는 다양한 연구들이 진행되고 있다.Sensors are currently being used in various fields, and the utilization of sensors is expected to increase with the development of fine technology. Various studies are being conducted to detect the point where an abnormal condition occurs in a specific environment, place or process using such a sensor.

예컨대, 대한민국 공개특허 제2014-0026822호는 센서를 이용하여 원전 기기의 이상 상태를 탐지하며, 대한민국 공개특허 제2013-0090657호는 원격지 단말기의 이상 상태를 탐지한다.For example, Korean Patent Publication No. 2014-0026822 detects an abnormal condition of a nuclear power plant using a sensor, and Korean Patent Publication No. 2013-0090657 detects an abnormal condition of a remote terminal.

이상 상태 탐지의 대상이 되는 범위가 넓을 경우, 이상 상태 발생 지점에 대한 탐지 정확도가 떨어질 수 있으며, 이를 보완하기 위해 센서의 개수를 증가시킬 경우 비용이 증가하는 문제가 있다. When the range of the abnormal state detection target is wide, the detection accuracy of the abnormal state occurrence point may be reduced, and the cost increases when the number of sensors is increased to compensate for this.

본 발명은 기계 학습에 기반하여, 보다 적은 센서를 이용하면서 향상된 탐지 성능을 제공할 수 있는 이상 상태 발생 지점 탐지 방법 및 이상 상태 발생 지점의 탐지를 위한 학습 방법을 제공하기 위한 것이다.An object of the present invention is to provide an abnormal state occurrence point detection method and a learning method for detection of an abnormal state occurrence point that can provide improved detection performance while using fewer sensors based on machine learning.

상기한 목적을 달성하기 위한 본 발명의 일 실시예에 따르면, 서로 다른 지점에 설치되며, 설치 지점의 이상 상태를 감지하는 복수의 센서의 센싱값을 입력받는 단계; 및 상기 센싱값에 대한 통계값, 상기 센서 사이의 이상 상태 감지 시간 차이값 및 학습 데이터를 이용하여, 이상 상태 발생 지점을 결정하는 단계를 포함하며, 상기 학습 데이터는 레퍼런스 통계값 및 레퍼런스 이상 상태 감지 시간 차이값에 대한 이상 상태 발생 지점이 학습된 데이터인 기계 학습 기반의 이상 상태 발생 지점 탐지 방법이 제공된다.According to an embodiment of the present invention for achieving the above object, the step of receiving a sensing value of a plurality of sensors which are installed at different points, detecting the abnormal state of the installation point; And determining an abnormal state occurrence point by using a statistical value for the sensing value, an abnormal state detection time difference value between the sensors, and learning data, wherein the learning data includes a reference statistical value and a reference abnormal state detection. A method for detecting an abnormal state occurrence point based on machine learning, in which an abnormal state occurrence point for a time difference value is learned, is provided.

또한 상기한 목적을 달성하기 위한 본 발명의 다른 실시예에 따르면, 서로 다른 지점에 설치되며, 설치 지점의 이상 상태를 감지하는 복수의 센서의 레퍼런스 센싱값을 입력받는 단계; 상기 센서 사이의 레퍼런스 이상 상태 감지 시간 차이값을 입력받는 단계; 및 상기 레퍼런스 센싱값에 대한 통계값 및 상기 레퍼런스 이상 상태 감지 시간 차이값에 대한 이상 상태 발생 지점을 학습하는 단계를 포함하는 이상 상태 발생 지점의 탐지를 위한 학습 방법이 제공된다.In addition, according to another embodiment of the present invention for achieving the above object, the step of receiving a reference sensing value of a plurality of sensors which are installed at different points, detecting the abnormal state of the installation point; Receiving a reference abnormal state detection time difference value between the sensors; And learning a statistical value with respect to the reference sensing value and an abnormal state occurrence point with respect to the reference abnormal state detection time difference value.

또한 상기한 목적을 달성하기 위한 본 발명의 또 다른 실시예에 따르면, 서로 다른 지점에 설치되며, 설치 지점의 이상 상태를 감지하는 복수의 센서의 센싱값의 레퍼런스 통계값을 입력받는 단계; 상기 센서 사이의 레퍼런스 이상 상태 감지 시간 차이값을 입력받는 단계; 및 상기 레퍼런스 통계값 및 상기 센서로부터 획득환 레퍼런스 이상 상태 감지 시간 차이값에 대한 이상 상태 발생 지점을 학습하는 단계를 포함하는 이상 상태 발생 지점의 탐지를 위한 학습 방법이 제공된다.In addition, according to another embodiment of the present invention for achieving the above object, the step of receiving a reference statistical value of the sensing value of the plurality of sensors which are installed at different points, detecting the abnormal state of the installation point; Receiving a reference abnormal state detection time difference value between the sensors; And learning an abnormal state occurrence point with respect to the reference statistical value and the acquired reference abnormal state detection time difference value from the sensor.

본 발명에 따르면, 적은 센서를 이용하여 이상 상태 발생 지점을 탐지할 수 있으며, 센서가 설치되지 않은 지점에 대해서도 이상 상태 발생 여부를 판단할 수 있다.According to the present invention, it is possible to detect an abnormal state occurrence point using fewer sensors, and it is possible to determine whether an abnormal state occurs even for a point where the sensor is not installed.

본 발명에 따르면, 이상 상태 발생 후보 지점을 센서의 위치에 따라 서로 다른 그룹으로 학습하여 서로 다른 분류 모델을 생성함으로써, 학습 효과를 높일 수 있다. According to the present invention, the learning effect can be enhanced by learning different abnormality occurrence candidate points in different groups according to the position of the sensor and generating different classification models.

도 1은 본 발명의 일실시예에 따른 기계 학습 기반의 이상 상태 발생 지점 탐지 장치를 설명하기 위한 도면이다.
도 2는 본 발명의 일실시예에 따른 센서 위치와 이상 상태 발생 후보 지점을 도시하는 도면이다.
도 3은 오염 물질에 대한 센싱값을 나타내는 도면이다.
도 4는 본 발명의 일실시예에 따른 기계 학습 기반의 이상 상태 발생 지점 탐지 방법을 설명하기 위한 흐름도이다.
도 5는 본 발명의 일실시에에 따른 이상 상태 발생 지점의 탐지를 위한 학습 방법을 설명하기 위한 도면이다.1 is a view for explaining an abnormal state occurrence point detection apparatus based on machine learning according to an embodiment of the present invention.
2 is a diagram illustrating a sensor position and an abnormal state occurrence candidate point according to an embodiment of the present invention.
3 is a diagram illustrating a sensing value for a pollutant.
4 is a flowchart illustrating a method for detecting an abnormal state occurrence point based on machine learning according to an embodiment of the present invention.
5 is a view for explaining a learning method for detecting an abnormal state occurrence point according to an embodiment of the present invention.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. As the invention allows for various changes and numerous embodiments, particular embodiments will be illustrated in the drawings and described in detail in the written description. However, this is not intended to limit the present invention to specific embodiments, it should be understood to include all modifications, equivalents, and substitutes included in the spirit and scope of the present invention. In describing the drawings, similar reference numerals are used for similar elements.

이하에서, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings.

도 1은 본 발명의 일실시예에 따른 기계 학습 기반의 이상 상태 발생 지점 탐지 장치를 설명하기 위한 도면이며, 도 2는 본 발명의 일실시예에 따른 센서 위치와 이상 상태 발생 후보 지점을 도시하는 도면이다. 그리고 도 3은 오염 물질에 대한 센싱값을 나타내는 도면이다.1 is a diagram illustrating an apparatus for detecting an abnormal state occurrence point based on machine learning according to an embodiment of the present invention, and FIG. 2 illustrates a sensor position and an abnormal state occurrence candidate point according to an embodiment of the present invention. Drawing. 3 is a diagram illustrating a sensing value for a pollutant.

본 발명에 따른 이상 상태 발생 지점 탐지 장치는 센서의 센싱값 및 학습 데이터를 이용하여 이상 상태 발생 지점 후보 지점 중에서, 이상 상태 발생 지점을 결정한다. 도 2에서 검은색 동그라미가 이상 상태 발생 지점 후보 지점을 나타내며, 원형 동그라미가 센서를 나타낸다. 도 2에서는 2개의 센서(26, 53)가 이용되는 경우가 도시되나, 실시예에 따라서 센서의 개수 및 이상 상태 발생 후보 지점은 다양하게 결정될 수 있다.The abnormal state occurrence point detection apparatus according to the present invention determines the abnormal state occurrence point among the abnormal state occurrence point candidate points by using the sensing value and the learning data of the sensor. In FIG. 2, black circles indicate abnormal state occurrence point candidate points, and circular circles indicate sensors. In FIG. 2, two sensors 26 and 53 are used, but the number of sensors and a candidate point for occurrence of an abnormal state may be variously determined according to an embodiment.

일실시예로서, 이상 상태 발생 지점은 수질 오염이 발생한 지점, 교통 사고가 발생한 지점 또는 공장 프로세스에서의 이상 상태 발생 지점 등일 수 있으며, 본 발명은 물의 흐름, 교통 흐름, 프로세스의 진행 흐름과 같이 특정 방향성을 나타내는 환경에 적용될 수 있다. As an example, the abnormal state occurrence point may be a point where water pollution occurs, a traffic accident occurs, or an abnormal state occurrence point in a factory process, etc. The present invention is a specific method such as water flow, traffic flow, process flow, etc. It can be applied to an environment showing directionality.

본 발명이 수질 오염 발생 지점을 탐지하는데 이용될 경우, 센서들은 강물에 설치되고 센싱값은 예를 들어 오염 물질의 농도 등에 대응될 수 있다. 또는 본 발명이 교통 사고 발생 지점을 탐지하는데 이용될 경우, 센서들은 도로 주위에 설치되고 센싱값은 차량의 속도나 차량 밀도 등에 대응될 수 있다. 또는 본 발명이 공장 프로세스에서의 이상 상태 발생 지점을 탐지하는데 이용될 경우, 센서들은 공정 라인 주위에 설치되고 센싱값은 공정 처리 시간이나 처리 속도 등에 대응될 수 있다.When the present invention is used to detect the point of occurrence of water pollution, the sensors are installed in the river and the sensing value may correspond to, for example, the concentration of the pollutant. Alternatively, when the present invention is used to detect a traffic accident occurrence point, sensors may be installed around a road and a sensing value may correspond to a vehicle speed or vehicle density. Alternatively, when the present invention is used to detect an abnormal state occurrence point in a factory process, sensors may be installed around a process line and a sensing value may correspond to a process processing time or a processing speed.

본 발명에 따른 이상 상태 발생 지점 탐지 장치는 학습 데이터를 이용하여, 이상 상태 발생 지점을 탐지하므로, 이상 상태 발생 지점을 결정하기에 앞서, 기계 학습을 먼저 수행한다. 이상 상태 발생 지점 탐지 장치는 센서의 센싱값을 이용하여 이상 상태 발생 지점에 대한 기계 학습을 수행하는데, 시계열 데이터인 센싱값은 그 양이 매우 많으므로, 센싱값으로부터 특징값을 추출하여 기계 학습을 수행한다.Since the abnormal state occurrence point detection apparatus according to the present invention detects the abnormal state occurrence point using the training data, the machine learning is first performed before determining the abnormal state occurrence point. The abnormal state occurrence point detection device performs the machine learning on the abnormal state occurrence point by using the sensing value of the sensor. Since the sensing value, which is a time series data, has a large amount, the feature value is extracted from the sensing value to perform the machine learning. Perform.

도 1을 참조하면, 본 발명에 따른 이상 상태 발생 지점 탐지 장치는 특징값 추출부(110), 이상 상태 판단부(120) 및 이상 상태 학습부(130)를 포함한다.Referring to FIG. 1, the apparatus for detecting an abnormal state occurrence point according to the present invention includes a feature value extractor 110, an abnormal state determiner 120, and an abnormal state learner 130.

특징값 추출부(110)는 서로 다른 지점에 설치되며, 설치 지점의 이상 상태를 감지하는 복수의 센서(25, 26)의 센싱값으로부터 기계 학습을 위한 레퍼런스 특징값 및 이상 상태 발생 지점 결정을 위한 특징값을 추출한다. 이 때 이용되는 센싱값은 미리 설정된 이상 상태 감지 범위에 포함되는 값들일 수 있으며, 도 3에서 임계값(310) 이상의 센싱값들일 수 있다. 임계값은 잡음인 센서의 특성 등에 따라 설정될 수 있다.The feature value extractor 110 is installed at different points, and determines the reference feature value for the machine learning and the abnormal state occurrence point from the sensing values of the plurality of sensors 25 and 26 for detecting the abnormal state of the installation point. Extract feature values. In this case, the sensing values used may be values included in a preset abnormal state detection range, and may be sensing values greater than or equal to the threshold value 310 in FIG. 3. The threshold may be set according to the characteristics of the sensor, which is noise.

특징값 추출부(110)는 일실시예로서, 센싱값에 대한 통계값 및 센서 사이의 이상 상태 감지 시간 차이값을, 특징값으로서 추출할 수 있으며, 통계값은 평균, 분산, 왜도(skewness) 및 첨도(kurtosis) 중 적어도 하나를 포함할 수 있다.The feature value extractor 110 may extract, as a feature, a difference value of an abnormal state detection time between a statistical value and a sensor for a sensing value as a feature value, and the statistical value is an average, variance, skewness. ) And kurtosis.

그리고 학습에 이용되는 레퍼런스 특징값과 이상 상태 발생 지점 결정을 위한 특징값은 서로 대응된다. 예컨대, 레퍼런스 특징값으로서, 분산, 왜도, 첨도 및 이상 상태 감지 시간 차이값이 추출된다면, 이상 상태 발생 시점을 결정하기 위해 분산, 왜도, 첨도 및 이상 상태 감지 시간 차이값이 추출될 수 있다.The reference feature value used for learning and the feature value for determining an abnormal state occurrence point correspond to each other. For example, if the variance, skewness, kurtosis, and abnormal state detection time difference values are extracted as reference feature values, the variance, skewness, kurtosis, and abnormal state detection time difference values may be extracted to determine when an abnormal state occurs. .

센서는 서로 다른 지점에 설치되기 때문에, 센서 사이에서 이상 상태를 감지하는 시간에 차이가 발생하며, 센서의 이상 상태 감지 시점은 센싱값이 임계값(310)을 초과하기 시작한 시점일 수 있다. 그리고 이상 상태 감지 시간 차이값은 센싱값이 임계값(310)을 초과하기 시작한 시점에서의 센서 사이의 차이값에 대응된다. 센서가 3개 이상인 경우에는, 이웃한 센서 사이에서의 이상 상태 감지 시간 차이값, 즉 2개의 이상 상태 감지 시간 차이값이 특징값으로 이용된다.Since the sensors are installed at different points, a difference occurs in the time of detecting an abnormal state between the sensors, and the time of detecting the abnormal state of the sensor may be a time when the sensing value starts to exceed the threshold 310. The abnormal state detection time difference value corresponds to the difference value between the sensors when the sensing value starts to exceed the threshold value 310. When there are three or more sensors, an abnormal state detection time difference value between neighboring sensors, that is, two abnormal state detection time difference values is used as a feature value.

이상 상태 학습부(120)는 레퍼런스 통계값 및 레퍼런스 이상 상태 감지 시간 차이값에 대한 이상 상태 발생 지점을 학습한다. 즉, 이상 상태 학습부(120)는 센서의 설치 지점 및 센서의 설치 지점 이외에 미리 설정된 이상 상태 발생 후보 지점 중에서 적어도 하나의 후보 지점에서 이상 상태가 발생하였을 때의 레퍼런스 통계값 및 레퍼런스 이상 상태 감지 시간 차이값이, 어떠한 특성을 나타내는지 학습하는 것이다. 이 때 이용되는 레퍼런스 특징값은 시뮬레이션을 통해 얻어지거나 또는 실제 센서가 설치된 지역에서 관측된 데이터를 통해 얻어질 수 있다.The abnormal state learning unit 120 learns an abnormal state occurrence point with respect to the reference statistical value and the reference abnormal state detection time difference value. That is, the abnormal state learning unit 120 detects the reference statistics and the reference abnormal state detection time when the abnormal state occurs at least one candidate point among the preset abnormal state occurrence candidate points in addition to the sensor installation point and the sensor installation point. It is to learn what characteristics the difference value represents. Reference feature values used in this case can be obtained through simulation or data observed in the area where the actual sensor is installed.

센싱값의 통계값 그리고 이상 상태 감지 시간 차이값은 이상 상태 발생 후보 지점 중 어느 지점에서 이상 상태가 발생하느냐에 따라서 달라지기 때문에, 이러한 특징값들이 학습에 이용될 수 있다.Since the statistical value of the sensing value and the difference between the abnormal state detection time depend on which of the abnormal state occurrence candidate points occurs, these feature values can be used for learning.

이상 상태 학습부(120)는 다양한 기계 학습 알고리즘을 이용하여 학습을 수행할 수 있으며, 일실시예로서 랜덤 포레스트 알고리즘을 이용할 수 있다.The abnormal state learning unit 120 may perform learning using various machine learning algorithms, and may use a random forest algorithm as an embodiment.

이상 상태 판단부(130)는 센싱값에 대한 통계값, 센서 사이의 이상 상태 감지 시간 차이값 및 학습 데이터를 이용하여, 이상 상태 발생 지점을 결정한다.The abnormal state determination unit 130 determines the abnormal state occurrence point by using the statistical value of the sensing value, the difference in the abnormal state detection time between the sensors, and the training data.

예컨대, 도 2의 제4지점(4)에 이상 상태가 발생하였을 때의 레퍼런스 특징값이, 이상 상태 발생 지점 결정을 위해 입력된 특징값과 유사할 경우, 이상 상태 판단부(130)는 제4지점(4)을 이상 상태 발생 지점으로 결정할 수 있다. 또는 도 2의 제10지점(10) 및 제17지점(17)에 이상 상태가 발생하였을 때의 이상 상태가 발생하였을 때의 레퍼런스 특징값이, 이상 상태 발생 지점 결정을 위해 입력된 특징값과 유사할 경우, 이상 상태 판단부(130)는 제10지점(10) 및 제17지점(17)을 이상 상태 발생 지점으로 결정할 수 있다.For example, when the reference characteristic value when the abnormal state occurs at the fourth point 4 of FIG. 2 is similar to the feature value input for determining the abnormal state occurrence point, the abnormal state determination unit 130 may perform a fourth operation. The point 4 can be determined as an abnormal state occurrence point. Alternatively, the reference characteristic value when the abnormal state occurs when the abnormal state occurs at the tenth point 10 and the seventeenth point 17 of FIG. 2 is similar to the characteristic value input for determining the abnormal state occurrence point. In this case, the abnormal state determination unit 130 may determine the tenth point 10 and the seventeenth point 17 as the abnormal state occurrence point.

결국, 전술된 예시에서 이상 상태 판단부(130)는 2개의 센서를 이용하여 50여개 이상 상태 후보 지점 중에서 어느 후보 지점이 이상 상태 발생 지점인지를 판단할 수 있다. 이로부터 본 발명에 따르면, 적은 센서를 이용하여 이상 상태 발생 지점을 탐지할 수 있으며, 센서가 설치되지 않은 지점에 대해서도 이상 상태 발생 여부를 판단할 수 있음을 알 수 있다. As a result, in the above-described example, the abnormal state determination unit 130 may determine which candidate point among about 50 or more state candidate points is an abnormal state occurrence point by using two sensors. From this, according to the present invention, it can be seen that an abnormal state occurrence point can be detected using fewer sensors, and it is possible to determine whether or not an abnormal state occurs even at a point where the sensor is not installed.

한편, 이상 상태 학습부(120)는 학습을 수행할 때, 이상 상태 발생 후보 지점 전체에 대해 학습을 수행할 수 있다. 예컨대, 이상 상태 학습부(120)는 이상 상태 발생 후보 지점 중에서, 입력된 레퍼런스 통계값 및 레퍼런스 이상 상태 감지 시간 차이값에 대응되는 후보 지점과 그렇지 않은 나머지 후보 지점 모두에 서로 다른 레이블(label)을 할당하여 학습을 수행할 수 있는 것이다.Meanwhile, when the abnormal state learning unit 120 performs the learning, the abnormal state learning unit 120 may learn the entire abnormal state occurrence candidate point. For example, the abnormal state learning unit 120 may assign different labels to both the candidate point corresponding to the input reference statistical value and the reference abnormal state detection time difference value and other remaining candidate points among the abnormal state occurrence candidate points. Can be assigned to perform learning.

이 경우, 학습양이 많아져 학습 효과가 낮아질 수 있으므로, 이상 상태 학습부(120)는 일실시예로서, 센서의 위치에 따라서, 이상 상태 발생 후보 지점을 그룹핑하여 학습을 수행할 수 있다. 이 때, 센서는 미리 설정된 방향성에 기반하여 설치되는 것이 바람직하다.In this case, since the learning amount increases, the learning effect may be lowered. As an example, the abnormal state learning unit 120 may perform learning by grouping the abnormal state occurrence candidate points according to the position of the sensor. At this time, the sensor is preferably installed based on a predetermined direction.

도 2에 도시된 바와 같이, 강물이 화살표 방향으로 흐르며, 센서가 이러한 방향성에 기반하여 설치된 상황에서, 제1센서(26)가 제2센서(53)보다 먼저 이상 상태를 감지한 경우, 제1센서(26)보다 앞에 위치한 후보 지점(1 내지 25, 27, 28)에서 이상 상태가 발생한 것으로 예측할 수 있다. 그리고 도 2의 상황에서 제1센서(26)는 이상 상태를 감지하지 못하고 제1센서(26)보다 뒤에 위치한 제2센서(53)만이 이상 상태를 감지한 경우에는 제1센서(26)와 제2센서(53) 사이의 후보 지점(29 내지 52)에서 이상 상태가 발생한 것으로 예측할 수 있다.As shown in FIG. 2, when the river flows in the direction of the arrow and the sensor is installed based on this orientation, when the first sensor 26 detects an abnormal state before the second sensor 53, the first It can be predicted that an abnormal state has occurred at candidate points 1 to 25, 27, and 28 located in front of the sensor 26. In the situation of FIG. 2, when the first sensor 26 does not detect an abnormal state and only the second sensor 53 located behind the first sensor 26 detects an abnormal state, the first sensor 26 and the first sensor 26 are detected. It can be predicted that an abnormal state has occurred at candidate points 29 to 52 between the two sensors 53.

따라서, 이상 상태 학습부(120)는 센서의 위치에 따라서 후보 지점을 나누어, 제1센서(26)의 앞에 위치한 후보 지점(1 내지 25, 27, 28)에 대한 이상 상태 발생 지점을 학습하고 제1센서(26)와 제2센서(53) 사이에 위치한 후보 지점(29 내지 52)에 대한 이상 상태 발생 지점을 학습할 수 있다. 이 때, 이상 상태 발생 후보 지점을 그룹핑하여 학습을 수행할 때 모두, 제1 및 제2센서에 대한 특징값이 레퍼런스 특징값으로서 이용된다.Accordingly, the abnormal state learning unit 120 divides the candidate points according to the positions of the sensors, learns the abnormal state occurrence points for the candidate points 1 to 25, 27, and 28 located in front of the first sensor 26. An abnormal state occurrence point for the candidate points 29 to 52 positioned between the first sensor 26 and the second sensor 53 may be learned. At this time, when performing learning by grouping abnormal state occurrence candidate points, the feature values for the first and second sensors are used as reference feature values.

그리고 이상 상태 판단부(130)는 이와 같이 후보 지점이 그룹핑되어 학습이 수행된 분류 모델 각각이 통합된 통합 모델을 이용하여 이상 상태 발생 지점을 탐지할 수 있다.In addition, the abnormal state determination unit 130 may detect the abnormal state occurrence point by using the integrated model in which the candidate points are grouped and the classification models in which the learning is performed are integrated.

결국 본 발명에 따르면, 이상 상태 발생 후보 지점을 센서의 위치에 따라 서로 다른 그룹으로 학습하여 서로 다른 분류 모델을 생성함으로써, 학습 효과를 높일 수 있다. After all, according to the present invention, by learning the abnormal state occurrence candidate point in different groups according to the position of the sensor to generate different classification models, it is possible to increase the learning effect.

도 4는 본 발명의 일실시예에 따른 기계 학습 기반의 이상 상태 발생 지점 탐지 방법을 설명하기 위한 흐름도이다.4 is a flowchart illustrating a method for detecting an abnormal state occurrence point based on machine learning according to an embodiment of the present invention.

본 발명에 따른 이상 상태 발생 지점 탐지 방법은 프로세서를 포함하는 컴퓨팅 장치에서 수행될 수 있으며, 도 4에서는 컴퓨팅 장치의 하나인 이상 상태 발생 지점 탐지 장치에서 수행되는 방법이 일실시예로서 설명된다.The abnormal state occurrence point detection method according to the present invention may be performed in a computing device including a processor. In FIG. 4, a method performed in the abnormal state occurrence point detection device, which is one of the computing devices, is described as an embodiment.

본 발명에 따른 이상 상태 발생 지점 탐지 장치는 서로 다른 지점에 설치되며, 설치 지점의 이상 상태를 감지하는 복수의 센서의 센싱값을 수신(S410) 즉, 입력받으며, 복수의 센서는 미리 설정된 방향성에 기반하여 설치되는 센서일 수 있다. The abnormal state occurrence point detection apparatus according to the present invention is installed at different points, and receives the sensing values of the plurality of sensors for detecting the abnormal state of the installation point (S410), that is, receives the plurality of sensors in a predetermined direction It may be a sensor installed based.

그리고 센싱값에 대한 통계값, 센서 사이의 이상 상태 감지 시간 차이값 및 학습 데이터를 이용하여, 이상 상태 발생 지점을 결정(S420)한다. 여기서, 학습 데이터는 레퍼런스 통계값 및 레퍼런스 이상 상태 감지 시간 차이값에 대한 이상 상태 발생 지점이 학습된 데이터이며, 이상 상태 발생 지점은 센서의 센서의 설치 지점 및 설치 지점 이외에 미리 설정된 후보 지점 중 적어도 하나일 수 있다. 학습 데이터의 생성 방법은 도 5에서 보다 자세히 설명된다.In operation S420, an abnormal state occurrence point is determined by using a statistical value of a sensing value, an abnormal state detection time difference value between sensors, and learning data. Here, the training data is data obtained by learning an abnormal state occurrence point for a reference statistical value and a reference abnormal state detection time difference value, and the abnormal state occurrence point is at least one of a preset candidate point in addition to the installation point and the installation point of the sensor of the sensor. Can be. The generation method of the training data is described in more detail with reference to FIG. 5.

이 때 통계값은 일실시예로서, 통계값은 평균, 분산, 왜도 및 첨도 중 적어도 하나를 포함할 수 있으며, 이상 상태 감지 시간 차이값은 센싱값이 임계값을 초과하기 시작한 시점에서의 차이값에 대응될 수 있다. In this case, the statistical value may be at least one of an average, variance, skewness, and kurtosis as an example, and the abnormal state detection time difference may be a difference when the sensing value exceeds the threshold. It can correspond to a value.

도 5는 본 발명의 일실시에에 따른 이상 상태 발생 지점의 탐지를 위한 학습 방법을 설명하기 위한 도면이다.5 is a view for explaining a learning method for detecting an abnormal state occurrence point according to an embodiment of the present invention.

본 발명에 따른 학습 방법은 프로세서를 포함하는 컴퓨팅 장치 예컨대, 전술된 이상 상태 발생 지점 탐지 장치나 또는 별도의 학습 장치에서 수행될 수 있으며, 도 5에서는 이상 상태 발생 지점 탐지 장치에서 수행되는 방법이 일실시예로서 설명된다.The learning method according to the present invention may be performed in a computing device including a processor, for example, the above-described abnormal state occurrence point detection device or a separate learning device. It is described as an example.

본 발명에 따른 이상 상태 발생 지점 탐지 장치는 서로 다른 지점에 설치되며, 설치 지점의 이상 상태를 감지하는 복수의 센서의 레퍼런스 센싱값, 센서 사이의 레퍼런스 이상 상태 감지 시간 차이값을 수신(S510) 즉, 입력받는다. 실시예에 따라서, 이상 상태 발생 지점 탐지 장치는 레퍼런스 센싱값에 대한 통계값을 입력받을 수도 있다.The abnormal state occurrence point detecting apparatus according to the present invention is installed at different points, and receives reference sensing values of a plurality of sensors for detecting an abnormal state of an installation point, and a reference abnormal state detection time difference value between the sensors (S510). , Input. According to an embodiment, the abnormal state occurrence point detection device may receive a statistical value of the reference sensing value.

이상 상태 발생 지점 탐지 장치는 레퍼런스 센싱값에 대한 통계값 및 레퍼런스 이상 상태 감지 시간 차이값에 대한 이상 상태 발생 지점을 학습(S520)한다.The abnormal state occurrence point detection apparatus learns a statistical value of the reference sensing value and an abnormal state occurrence point of the reference abnormal state detection time difference value (S520).

단계 S520에서, 이상 상태 발생 지점 탐지 장치는 이상 상태 발생 후보 지점을 센서의 위치에 따라서 서로 다른 그룹으로 나눠, 제1센서의 앞에 위치한 후보 지점에 대한 이상 상태 발생 지점을 학습하고, 제1센서보다 뒤에 위치한 제2센서와 제1센서 사이에 위치한 후보 지점에 대한 이상 상태 발생 지점을 학습할 수 있다. In operation S520, the abnormal state occurrence point detecting apparatus divides the abnormal state occurrence candidate point into different groups according to the position of the sensor, learns the abnormal state occurrence point for the candidate point located in front of the first sensor, The abnormal state occurrence point for the candidate point located between the second sensor located behind and the first sensor may be learned.

예컨대, 총 10개의 후보 지점이 존재하며, 제1센서 앞에 제1 내지 제5후보 지점이 존재하고, 제1센서와 제2센서 사이에 제6 내지 제10후보 지점이 존재한다면, 이상 상태 발생 지점 탐지 장치는 제1 및 제2센서로부터 얻어진 레퍼런스 센싱값에 대한 통계값 및 레퍼런스 이상 상태 감지 시간 차이값을 이용하여, 제1후보 지점 그룹인 제1 내지 제5후보 지점에 대한 이상 상태 발생 여부를 학습한다. 그리고 제1 및 제2센서로부터 얻어진 레퍼런스 센싱값에 대한 통계값 및 레퍼런스 이상 상태 감지 시간 차이값을 이용하여 제2후보 지점 그룹인 제6 내지 제10후보 지점에 대한 이상 상태 발생 여부를 학습한다.For example, if there are ten candidate points in total, and the first to fifth candidate points exist before the first sensor, and the sixth to tenth candidate points exist between the first sensor and the second sensor, an abnormal state occurrence point The detection apparatus determines whether an abnormal state occurs for the first to fifth candidate points, which are the first candidate point groups, by using the statistical value of the reference sensing values obtained from the first and second sensors and the difference in the reference abnormal state detection time. Learn. Then, whether the abnormal state occurs for the sixth to tenth candidate points, which are the second candidate point group, is learned using the statistical value of the reference sensing values obtained from the first and second sensors and the difference in the reference abnormal state detection time.

후보 지점 그룹의 개수와 그룹을 나누는 기준은, 센서 및 개수의 위치에 따라서 달라질 수 있다.The number of candidate point groups and the criteria for dividing the groups may vary according to the position of the sensor and the number.

앞서 설명한 기술적 내용들은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예들을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 하드웨어 장치는 실시예들의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The technical contents described above may be embodied in the form of program instructions that may be executed by various computer means and may be recorded in a computer readable medium. The computer readable medium may include program instructions, data files, data structures, etc. alone or in combination. Program instructions recorded on the media may be those specially designed and constructed for the purposes of the embodiments, or they may be of the kind well-known and available to those having skill in the computer software arts. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tape, optical media such as CD-ROMs, DVDs, and magnetic disks, such as floppy disks. Magneto-optical media, and hardware devices specifically configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine code generated by a compiler, but also high-level language code that can be executed by a computer using an interpreter or the like. The hardware device may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.

이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.In the present invention as described above has been described by the specific embodiments, such as specific components and limited embodiments and drawings, but this is provided to help a more general understanding of the present invention, the present invention is not limited to the above embodiments. For those skilled in the art, various modifications and variations are possible from these descriptions. Therefore, the spirit of the present invention should not be limited to the described embodiments, and all the things that are equivalent to or equivalent to the claims as well as the following claims will belong to the scope of the present invention. .

Claims (10)

서로 다른 지점에 설치되며, 설치 지점의 이상 상태를 감지하는 복수의 센서의 센싱값을 입력받는 단계; 및
상기 센싱값에 대한 통계값, 상기 센서 사이의 이상 상태 감지 시간 차이값 및 학습 데이터를 이용하여, 이상 상태 발생 지점을 결정하는 단계를 포함하며,
상기 학습 데이터는 레퍼런스 통계값 및 레퍼런스 이상 상태 감지 시간 차이값에 대한 이상 상태 발생 지점이 학습된 데이터인
기계 학습 기반의 이상 상태 발생 지점 탐지 방법.
Being installed at different points and receiving sensing values of a plurality of sensors for detecting an abnormal state of the installation point; And
Determining an abnormal state occurrence point by using a statistical value for the sensing value, an abnormal state detection time difference value between the sensors, and learning data;
The learning data is data in which an abnormal state occurrence point for a reference statistical value and a reference abnormal state detection time difference value is learned.
Machine learning-based point of failure detection.
제 1항에 있어서,
상기 통계값은
평균, 분산, 왜도 및 첨도 중 적어도 하나를 포함하는
기계 학습 기반의 이상 상태 발생 지점 탐지 방법.
The method of claim 1,
The statistical value is
Containing at least one of mean, variance, skewness, and kurtosis
Machine learning-based point of failure detection.
제 1항에 있어서,
상기 이상 상태 감지 시간 차이값은
상기 센싱값이 임계값을 초과하기 시작한 시점에서의 차이값인
기계 학습 기반의 이상 상태 발생 지점 탐지 방법.
The method of claim 1,
The abnormal state detection time difference is
Is a difference value when the sensing value starts to exceed a threshold
Machine learning-based point of failure detection.
제 1항에 있어서,
상기 이상 상태 발생 지점은
상기 센서의 설치 지점 및 상기 센서의 설치 지점 이외에 미리 설정된 후보 지점 중 적어도 하나인
기계 학습 기반의 이상 상태 발생 지점 탐지 방법.
The method of claim 1,
The abnormal state occurrence point is
At least one of a preset candidate point in addition to the installation point of the sensor and the installation point of the sensor
Machine learning-based point of failure detection.
제 1항에 있어서,
상기 복수의 센서는
미리 설정된 방향성에 기반하여 설치되는 센서인
기계 학습 기반의 이상 상태 발생 지점 탐지 방법.
The method of claim 1,
The plurality of sensors
Sensors that are installed based on preset directionality
Machine learning-based point of failure detection.
서로 다른 지점에 설치되며, 설치 지점의 이상 상태를 감지하는 복수의 센서의 레퍼런스 센싱값을 입력받는 단계;
상기 센서 사이의 레퍼런스 이상 상태 감지 시간 차이값을 입력받는 단계; 및
상기 레퍼런스 센싱값에 대한 통계값 및 상기 레퍼런스 이상 상태 감지 시간 차이값에 대한 이상 상태 발생 지점을 학습하는 단계
를 포함하는 이상 상태 발생 지점의 탐지를 위한 학습 방법.
Receiving reference sensing values of a plurality of sensors installed at different points and detecting abnormal states of the installation point;
Receiving a reference abnormal state detection time difference value between the sensors; And
Learning an abnormal state occurrence point of the statistical value of the reference sensing value and the difference of the reference abnormal state detection time;
Learning method for detection of abnormal state occurrence point comprising a.
제 6항에 있어서,
상기 이상 상태 발생 지점은
상기 센서의 설치 지점 및 상기 센서의 설치 지점 이외에 미리 설정된 후보 지점 중 적어도 하나인
기계 학습 기반의 이상 상태 발생 지점 탐지 방법.
The method of claim 6,
The abnormal state occurrence point is
At least one of a preset candidate point in addition to the installation point of the sensor and the installation point of the sensor
Machine learning-based point of failure detection.
제 7항에 있어서,
상기 복수의 센서는
미리 설정된 방향성에 기반하여 설치되는 센서인
이상 상태 발생 지점의 탐지를 위한 학습 방법.
The method of claim 7, wherein
The plurality of sensors
Sensors that are installed based on preset directionality
Learning method for detection of anomalies.
제 7항에 있어서,
상기 이상 상태 발생 지점을 학습하는 단계는
제1센서의 앞에 위치한 후보 지점에 대한 이상 상태 발생 지점을 학습하는 단계; 및
상기 제1센서보다 뒤에 위치한 제2센서와 상기 제1센서 사이에 위치한 후보 지점에 대한 이상 상태 발생 지점을 학습하는 단계
를 포함하는 이상 상태 발생 지점의 탐지를 위한 학습 방법.
The method of claim 7, wherein
Learning the abnormal state occurrence point is
Learning an abnormal state occurrence point for a candidate point located in front of the first sensor; And
Learning an abnormal state occurrence point for a candidate point located between a second sensor located behind the first sensor and the first sensor;
Learning method for detection of abnormal state occurrence point comprising a.
서로 다른 지점에 설치되며, 설치 지점의 이상 상태를 감지하는 복수의 센서의 센싱값의 레퍼런스 통계값을 입력받는 단계;
상기 센서 사이의 레퍼런스 이상 상태 감지 시간 차이값을 입력받는 단계; 및
상기 레퍼런스 통계값 및 상기 센서로부터 획득환 레퍼런스 이상 상태 감지 시간 차이값에 대한 이상 상태 발생 지점을 학습하는 단계
를 포함하는 이상 상태 발생 지점의 탐지를 위한 학습 방법.
Receiving reference statistical values of sensing values of a plurality of sensors installed at different points and detecting abnormal states of the installation points;
Receiving a reference abnormal state detection time difference value between the sensors; And
Learning an abnormal state occurrence point for the reference statistical value and the acquired reference abnormal state detection time difference value from the sensor;
Learning method for detection of abnormal state occurrence point comprising a.
KR1020180032228A 2018-03-20 2018-03-20 Method for detecting location of abnormal state based on machine learning, learning method for detecting location of abnormal state KR102048519B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180032228A KR102048519B1 (en) 2018-03-20 2018-03-20 Method for detecting location of abnormal state based on machine learning, learning method for detecting location of abnormal state

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180032228A KR102048519B1 (en) 2018-03-20 2018-03-20 Method for detecting location of abnormal state based on machine learning, learning method for detecting location of abnormal state

Publications (2)

Publication Number Publication Date
KR20190110354A true KR20190110354A (en) 2019-09-30
KR102048519B1 KR102048519B1 (en) 2019-11-25

Family

ID=68098708

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180032228A KR102048519B1 (en) 2018-03-20 2018-03-20 Method for detecting location of abnormal state based on machine learning, learning method for detecting location of abnormal state

Country Status (1)

Country Link
KR (1) KR102048519B1 (en)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210046149A (en) * 2019-10-18 2021-04-28 한양대학교 산학협력단 Method for detecting location of abnormal state based on machine learning, learning method for detecting location of abnormal state
KR102276801B1 (en) * 2021-02-25 2021-07-14 (주)알티엠 Method and apparatus for processing time series data based on machine learning
KR20210110448A (en) 2020-02-28 2021-09-08 현대자동차주식회사 An heating device in use with CNT

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3007657B2 (en) * 1990-07-09 2000-02-07 大阪瓦斯株式会社 Buried pipe detection method
KR100420717B1 (en) * 2001-05-03 2004-03-02 (주)동명기술공단종합건축사사무소 Method for detecting leakage of service water tube and its system
KR20140092385A (en) * 2011-12-07 2014-07-23 타카두 엘티디. System and method for identifying related events in a resource network monitoring system
KR101428913B1 (en) * 2012-12-28 2014-08-11 한국산업기술대학교산학협력단 Surveillance system for overheating state utilizing micro-size image array sensor

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3007657B2 (en) * 1990-07-09 2000-02-07 大阪瓦斯株式会社 Buried pipe detection method
KR100420717B1 (en) * 2001-05-03 2004-03-02 (주)동명기술공단종합건축사사무소 Method for detecting leakage of service water tube and its system
KR20140092385A (en) * 2011-12-07 2014-07-23 타카두 엘티디. System and method for identifying related events in a resource network monitoring system
KR101428913B1 (en) * 2012-12-28 2014-08-11 한국산업기술대학교산학협력단 Surveillance system for overheating state utilizing micro-size image array sensor

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210046149A (en) * 2019-10-18 2021-04-28 한양대학교 산학협력단 Method for detecting location of abnormal state based on machine learning, learning method for detecting location of abnormal state
KR20210110448A (en) 2020-02-28 2021-09-08 현대자동차주식회사 An heating device in use with CNT
US11718155B2 (en) 2020-02-28 2023-08-08 Hyundai Motor Company Heat generator using carbon nano tube composite material
KR102276801B1 (en) * 2021-02-25 2021-07-14 (주)알티엠 Method and apparatus for processing time series data based on machine learning

Also Published As

Publication number Publication date
KR102048519B1 (en) 2019-11-25

Similar Documents

Publication Publication Date Title
KR102048519B1 (en) Method for detecting location of abnormal state based on machine learning, learning method for detecting location of abnormal state
WO2021232229A1 (en) Virtual scene generation method and apparatus, computer device and storage medium
CN110222512B (en) Software vulnerability intelligent detection and positioning method and system based on intermediate language
US11444876B2 (en) Method and apparatus for detecting abnormal traffic pattern
EP3877906A1 (en) Systems and methods for evaluating perception system quality
KR20200072169A (en) Method and system for anomaly behavior detection using machine learning
US20160358088A1 (en) Sensor data confidence estimation based on statistical analysis
CN109145030B (en) Abnormal data access detection method and device
CN109547455A (en) Industrial Internet of Things anomaly detection method, readable storage medium storing program for executing and terminal
US20200380123A1 (en) Fast identification of trustworthy deep neural networks
JP2019159836A (en) Learning program, learning method and learning device
CN116135640A (en) Anti-collision early warning method and system for vehicle and vehicle
CN109688112A (en) Industrial Internet of Things unusual checking device
CN114207674A (en) Method and generator for generating disturbed input data for a neural network
KR102132077B1 (en) Facility data fault diagnosis system and method of the same
US10896252B2 (en) Composite challenge task generation and deployment
CN110817674B (en) Method, device and equipment for detecting step defect of escalator and storage medium
CN114008683A (en) Method for operating a driver assistance system of a vehicle and driver assistance system of a vehicle
CN110414233A (en) Malicious code detecting method and device
TWI636276B (en) Method of determining earthquake with artificial intelligence and earthquake detecting system
KR102328879B1 (en) Method and device for unsupervised learning to be used for detecting anomalistic web log under circumstance of unbalanced training data, and testing method and testing device using the same
CN109583590B (en) Data processing method and data processing device
US20200226257A1 (en) System and method for identifying activity in a computer system
CN111354019A (en) Visual tracking failure detection system based on neural network and training method thereof
Zou Flame image recognition detection based on improved YOLOv7

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant