KR20200014048A

KR20200014048A - 인공지능 데이터 분석기반 오염물질처리방법 및 인공지능 데이터 분석기반 오염물질처리장치

Info

Publication number: KR20200014048A
Application number: KR1020180089426A
Authority: KR
Inventors: 김승진
Original assignee: (주)휴엔릭스
Priority date: 2018-07-31
Filing date: 2018-07-31
Publication date: 2020-02-10
Also published as: KR102101902B1

Abstract

인공지능 데이터 분석기반 오염물질처리방법 및 인공지능 데이터 분석기반 오염물질처리장치가 제공된다. 오염물질처리방법은, 주처리모듈을 축소한 학습처리모듈로 유체 내 오염물질을 반복 처리하여 가동조건과 오염물질의 처리효율 간 기초데이터를 취득하는 단계, 데이터분석모듈로 기초데이터에서 이상값은 제거하고, 이상값이 제거된 기초데이터의 가동조건별 처리효율의 확률분포를 추출하여, 확률분포로부터 난수추출 방식으로 기초데이터보다 증가된 학습데이터를 생성하는 단계, 및 데이터분석모듈로 학습데이터로부터 가동조건과 처리효율 사이의 상관식을 결정하고, 상관식에 따라서 주처리모듈을 제어하는 단계를 포함한다.

Description

인공지능 데이터 분석기반 오염물질처리방법 및 인공지능 데이터 분석기반 오염물질처리장치{Method for treating pollutant based on A.I data analysis and apparatus for treating pollutant based on A.I data analysis}

본 발명은 오염물질처리방법 및 오염물질처리장치에 관한 것으로서, 더욱 상세하게는, 인공지능 데이터 분석기반 오염물질처리방법 및 인공지능 데이터 분석기반 오염물질처리장치에 관한 것이다.

오염물질은 여러 가지 다양한 경로로 생성된다. 연료의 연소, 기계장치의 마찰 등 여러 가지 물리 화학적 작용에 의해 오염물질이 생성될 수 있다. 특히 미세한 입자 형태로 공기와 같은 유체에 섞여 배출되는 오염물질은 유체와 함께 유동하며 확산되므로 생태계나 자연환경에 큰 영향을 끼칠 수 있다.

이러한 오염물질을 처리하기 위해 다양한 장치들이 개발되어 사용되고 있다. 미세 공극으로 오염물질을 걸러내는 필터 장치나, 흡착물질을 이용한 처리장치, 전기력을 이용하여 오염물질을 포집하거나 분해하는 장치 등 여러 가지 다양한 방식으로 오염물질을 처리할 수 있는 장치들이 사용되고 있다.

이러한 장치들 중에는 에너지를 소모하며 보다 능동적으로 오염물질을 처리하는 장치도 포함된다. 예를 들어, 전기력를 이용하는 처리장치(예, 대한민국공개특허공보 10-2010-0082478 등)의 경우 오염물질 처리를 위해 지속적으로 전기에너지를 소모한다. 소모되는 에너지의 양은 오염물질의 양이나 농도 또는 목표하는 처리효율 등에 따라서 달라질 수 있다.

그러나, 종래의 경우 사용된 에너지에 비해 장치의 처리효과가 만족스럽지 못한 문제 등이 있었다. 높은 처리효율을 유지하기 위해서는 불필요하게 많은 에너지가 소비되는 경우가 많았고, 처리효율을 적정 수준으로 낮추더라도 예상보다 많은 에너지가 소비되어 비효율적인 경우가 많았다. 또한, 오염물질의 분포나 농도 등 처리환경이 바뀌는 경우에도 이에 대응하지 못하고 비효율적으로 동작하는 문제 등이 있어 개선이 필요하였다.

대한민국공개특허공보 제10-2010-0082478호(2010. 7. 19), 명세서

본 발명의 과제는 이러한 문제를 해결하기 위한 것으로서, 효율적인 오염물질 처리가 가능한 인공지능 데이터 분석기반 오염물질처리방법을 제공하는 것이다. 아울러, 효율적인 오염물질 처리가 가능한 인공지능 데이터 분석기반 오염물질처리장치를 제공하는 것이다.

본 발명의 기술적 과제는 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

본 발명에 의한 인공지능 데이터 분석기반 오염물질처리방법은, (a) 주처리모듈을 1/n(n은 자연수)스케일로 축소한 학습처리모듈로 유체 내 오염물질을 반복 처리하여, 가동조건과 오염물질의 처리효율 간 기초데이터를 취득하는 단계; (b) 데이터분석모듈로 상기 기초데이터에서 이상값은 제거하고, 이상값이 제거된 상기 기초데이터의 가동조건별 처리효율의 확률분포를 추출하여, 상기 확률분포로부터 난수추출 방식으로 상기 기초데이터보다 증가된 학습데이터를 생성하는 단계; 및 (c) 데이터분석모듈로 상기 학습데이터로부터 가동조건과 처리효율 사이의 상관식을 결정하고, 상기 상관식에 따라서 상기 주처리모듈을 제어하는 단계를 포함한다.

(b) 단계의 상기 확률분포는 상기 기초데이터에서 얻어진 이산확률분포를 커브 피팅하여 생성한 연속확률분포일 수 있다.

(a) 단계의 상기 학습처리모듈은 서로 다른 가동조건으로 자동 변경되며 오염물질을 반복 처리하여 상기 기초데이터를 취득할 수 있다.

상기 기초데이터는 각 가동조건 별 수십 회 이하의 처리효율의 분포값을 가지며, 상기 학습데이터는 각 가동조건 별 수천 회 이상의 처리효율의 분포값을 가질 수 있다.

상기 학습처리모듈은, 상기 주처리모듈과 동일한 방식으로 오염물질을 처리하는 상기 주처리모듈의 미니어처로 형성되며 오염물질이 함유된 유체를 상기 주처리모듈로 공급하는 유체 유동로의 상기 주처리모듈 전단에 연결될 수 있다.

상기 학습처리모듈 및 상기 주처리모듈은 플라즈마를 이용하여 상기 오염물질을 처리할 수 있다.

상기 학습처리모듈은 상기 주처리모듈을 1/100스케일로 축소하여 형성할 수 있다.

본 발명에 의한 인공지능 데이터 분석기반 오염물질처리장치는, 오염물질이 함유된 유체가 유동하는 유체 유동로에 연결된 주처리모듈; 상기 유체 유동로의 상기 주처리모듈 전단에 연결되고 상기 주처리모듈이 1/n(n은 자연수)스케일로 축소된 형태로 형성되어 오염물질을 반복 처리하며 가동조건과 오염물질의 처리효율 간 기초데이터를 취득하는 학습처리모듈; 및 상기 학습처리모듈이 취득한 기초데이터로부터 상기 기초데이터보다 증가된 학습데이터를 생성하여 상기 학습데이터로부터 가동조건과 처리효율 사이의 상관식을 결정하는 데이터분석모듈을 포함하여, 상기 주처리모듈이 상기 상관식에 따라 제어된다.

상기 데이터분석모듈은, 상기 기초데이터에서 이상값은 제거하고, 이상값이 제거된 상기 기초데이터의 가동조건별 처리효율의 확률분포를 추출하여, 상기 확률분포로부터 난수추출 방식으로 상기 학습데이터를 생성할 수 있다.

상기 학습처리모듈은 상기 주처리모듈과 동일한 방식으로 상기 오염물질을 처리하는 상기 주처리모듈의 미니어처로 형성될 수 있다.

본 발명에 의하면, 에너지 낭비를 줄이고 변동하는 상황에 따라 매우 효율적으로 오염물질을 처리하는 것이 가능하다. 인공지능 데이터 분석 및 처리방식에 기반하여 빠른 시간에 처리목표(처리효율 등)에 적합한 가동조건(운전조건)을 도출하고 그에 따라 효율적으로 장치를 가동시킬 수 있다. 이를 통해 오염물질의 농도가 변화하거나 목표하는 처리효율 등이 바뀌는 등 상황이 변화하더라도 매우 정확한 조건으로 장치를 구동할 수 있으며 불필요한 에너지 소비는 최소화하면서 원하는 처리결과를 얻을 수 있다. 본 발명은 기존에 누적된 데이터 등이 제공되지 않은 새로운 상황에서도 신속하게 학습하여 적합한 가동조건으로 장치를 가동시킬 수 있어 여러 가지 다양한 설비 등에도 매우 효과적으로 적용이 가능하다.

도 1은 본 발명의 일 실시예에 의한 인공지능 데이터 분석기반 오염물질처리장치를 개념적으로 도시한 구성도이다.
도 2는 도 1의 오염물질처리장치의 학습처리모듈과 데이터분석모듈을 도시한 도면이다.
도 3은 도 2의 데이터분석모듈에서 진행되는 학습데이터의 생성과정과 그를 통한 상관식의 도출과정을 도식화한 도면이다.
도 4는 본 발명의 일 실시예에 의한 인공지능 데이터 분석기반 오염물질처리방법을 도시한 순서도이다.

본 발명의 이점 및 특징 그리고 그것들을 달성하기 위한 방법들은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 단지 청구항에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조부호는 동일 구성요소를 지칭한다.

이하, 도 1 내지 도 4를 참조하여 본 발명의 일 실시예에 의한 인공지능 데이터 분석기반 오염물질처리방법(이하, 오염물질처리방법) 및 인공지능 데이터 분석기반 오염물질처리장치(이하, 오염물질처리장치)에 대해 상세히 설명한다. 설명이 일관성 있고 명확하게 이해되도록, 먼저 본 발명의 일 실시예에 의한 오염물질처리장치에 대해 상세히 설명하고, 이를 바탕으로 오염물질처리방법에 대해 상세히 설명한다.

먼저 도 1 및 도 2를 참조하여, 본 발명의 일 실시예에 의한 인공지능 데이터 분석기반 오염물질 처리장치(이하, 오염물질처리장치)에 대해 상세히 설명한다. 도 1은 본 발명의 일 실시예에 의한 인공지능 데이터 분석기반 오염물질처리장치를 개념적으로 도시한 구성도이고, 도 2는 도 1의 오염물질처리장치의 학습처리모듈과 데이터분석모듈을 도시한 도면이다.

도 1 및 도 2를 참조하면, 본 발명의 일 실시예에 의한 오염물질처리장치(1)는 주처리모듈(10), 주처리모듈(10) 전단에서 오염물질을 반복 처리하며 관련된 상관 데이터(기초데이터)를 취득하는 학습처리모듈(20), 및 학습처리모듈(20)이 취득한 데이터를 분석, 처리, 연산하여 확장된 데이터(학습데이터)를 얻고 정확한 상관식을 결정하는 데이터분석모듈(30)을 포함한다. 주처리모듈(10)은 결정된 상관식에 의해 보다 정확하고 정밀하게 제어된다.

특히 학습처리모듈(20)은 단순한 오염물질의 샘플링 장치가 아니라 스스로 오염물질의 처리능력을 갖는 처리장치로 형성된다. 학습처리모듈(20)은 주처리모듈(10)이 일정 비율로 축소된 형태로 형성되어 오염물질을 반복 처리하며 주처리모듈(10)을 정확히 제어하기 위한 데이터를 상대적으로 짧은 시간에 얻는다. 또한 얻어진 데이터는 데이터분석모듈(30)로 전달되어 분석되고 이로부터 신뢰도 높은 데이터가 확대 생성되어 오염물질 처리와 관련된 정확한 상관식을 얻을 수 있다. 이와 같은 방식으로 결정된 상관식에 따라 주처리모듈(10)을 제어함으로써 에너지 낭비 없이 보다 정확한 가동조건으로 원하는 처리목표(처리효율 등)를 달성할 수 있다.

본 발명에 의한 오염물질처리장치(1)(인공지능 데이터 분석기반 오염물질처리장치)는 구체적으로 다음과 같이 구성된다. 오염물질처리장치(1)는 오염물질이 함유된 유체가 유동하는 유체 유동로(11)에 연결된 주처리모듈(10), 유체 유동로(11)의 주처리모듈(10) 전단에 연결되고 주처리모듈(10)이 1/n(n은 자연수)스케일로 축소된 형태로 형성되어 오염물질을 반복 처리하며 가동조건과 오염물질의 처리효율 간 기초데이터를 취득하는 학습처리모듈(20), 및 학습처리모듈(20)이 취득한 기초데이터로부터 기초데이터보다 증가된 학습데이터를 생성하여 학습데이터로부터 가동조건과 처리효율 사이의 상관식을 결정하는 데이터분석모듈(30)을 포함하여, 주처리모듈(10)이 상기 상관식에 따라 제어된다.

주처리모듈(10)과 학습처리모듈(20)은 도 1에 도시된 바와 같이 유체 유동로(11)에 함께 연결될 수 있다. 학습처리모듈(20)은, 주처리모듈(10)과 동일한 방식으로 오염물질을 처리하는 주처리모듈(10)의 미니어처로 형성될 수 있으며 오염물질이 함유된 유체를 주처리모듈(10)로 공급하는 유체 유동로(11)의 주처리모듈(10) 전단에 연결될 수 있다. 주처리모듈(10) 및 학습처리모듈(20)은 모두 오염물질을 처리하는 처리구조[플라즈마처리부(10a, 20a)]를 포함할 수 있으며 처리규모는 다르게 형성될 수 있다. 예를 들어 주처리모듈(10)은 유체 유동로(11)에 직접(또는 직렬) 연결될 수 있고, 학습처리모듈(20)은 주처리모듈(10) 전단의 유체 유동로(11)에 분기관(21) 등을 경유하여 간접(또는 병렬) 연결될 수 있다.

주처리모듈(10)과 학습처리모듈(20)은 각각 플라즈마처리부(10a, 20a) 외에 이를 제어하는 제어구조를 포함할 수 있다. 즉, 주처리모듈(10)과 학습처리모듈(20)은 예를 들어, 내부로 유체를 통과시키는 하우징(미도시), 하우징 내 방전이 가능하도록 배치되는 방전모듈(미도시) 등을 포함하는 플라즈마처리부(10a, 20a)와 같은 기계적 구조물과, 이를 제어하는 전자장비나 컴퓨터 장치 등으로 이루어진 제어구조(미도시)를 포함하여 형성될 수 있다. 제어구조는 예를 들어, 프로그램 가능한 제어장치(PLC: programmable logic controller)(미도시) 등을 포함할 수 있으며 특히 학습처리모듈(20)의 경우 프로그램 가능한 제어장치를 이용하여 플라즈마처리부(20a)에 전압을 인가하고 인가된 전압을 자동으로 변경하며 동작하도록 제어할 수 있다. 또한, 학습처리모듈(20)은 후술하는 센서부(도 2의 22 참조)에서 측정된 신호를 입출할 수 있는 저장장치와 전송장치(미도시)등을 포함하여 기초데이터를 취득하고 데이터분석모듈(30)로 전송해 줄 수 있다.

학습처리모듈(20) 및 주처리모듈(10)은 모두 플라즈마를 이용하여 오염물질을 처리할 수 있다. 학습처리모듈(20) 및 주처리모듈(10) 각각에는 서로 동일한 방식으로 작동하는 플라즈마처리부(10a, 20a)가 형성될 수 있다. 플라즈마처리부(10a, 20a)는 전력을 공급받아 플라즈마 방전을 생성하여 오염물질을 처리하는 구조일 수 있다. 예를 들어, 학습처리모듈(20)의 플라즈마처리부(20a)와 주처리모듈(10)의 플라즈마처리부(10a)는 서로 동일한 구조의 방전모듈(미도시)을 내장할 수 있으나 스케일 차이에 따라 내장된 방전모듈의 개수는 서로 다르게[학습처리모듈(20)에 내장된 방전모듈의 개수가 더 적게] 형성될 수 있다. 그러나 이와 같이 한정될 필요는 없으며 본 발명의 기술사상을 벗어나지 않는 한도 내에서 처리구조는 다양하게 변형될 수 있다. 또한 필요에 따라 그 밖의 다른 처리구조 등이 복합적으로 형성되는 것도 가능하다.

학습처리모듈(20)은 주처리모듈(10)이 1/n(n은 자연수)스케일로 축소되어 형성된 것일 수 있다. 학습처리모듈(20)은 예를 들어, 주처리모듈(10)을 1/100스케일로 축소하여 형성한 것일 수 있다. 이때, 1/n(n은 자연수)스케일로 축소되었다는 것은 동일한 방식으로 작동하되 처리규모를 1/n로 축소하였다는 의미일 수 있다. 따라서 반드시 외형이나 구조가 완전히 같아야 하는 것은 아니며 동등한 방식으로 작동 가능한 한도 내에서 여러 가지 형태로 주처리모듈(10)을 축소한 학습처리모듈(20)을 형성할 수 있다. 이와 같은 학습처리모듈(20)로 주처리모듈(10) 전단에서 오염물질을 처리하며 장치의 가동조건과 오염물질의 처리효율 간 상관데이터인 기초데이터를 취득할 수 있다.

학습처리모듈(20)은 유체 유동로(11)보다 폭이 좁은 분기관(21)을 통해 오염물질이 함유된 유체를 공급받을 수 있다. 분기관(21)의 직경이나 설치위치 등을 조정하거나 그 밖에 압력조절장치(미도시) 등을 활용하여 유체 유동로(11)의 유체 유동에 큰 영향을 미치지 않고 학습처리모듈(20)로 유체를 분기시켜 공급할 수 있다. 또한 온도 및 습도 등을 조절하는 조절장치(미도시)를 설치하여 분기관(21) 내 온도와 습도 등도 조절해 줄 수도 있다. 이를 통해 학습처리모듈(20)로 공급되는 유체의 유속, 온도, 습도 등의 기본 처리조건을 주처리모듈(10)에 공급되는 유체의 유속, 온도, 습도 등의 처리조건과 일치시키며 처리를 진행할 수 있다.

도 2에 도시된 바와 같이 학습처리모듈(20)의 전 후단[분기관(21) 상의 전 후단일 수 있다]에는 센서부(22)가 설치될 수 있다. 센서부(22)는 유체 내 오염물질 농도를 측정하는 농도센서를 포함하여 학습처리모듈(20) 전 후단의 농도변화를 파악할 수 있다. 이를 통해 처리효율(농도 변화를 백분율로 구한 것일 수 있다) 등 데이터를 취득할 수 있다. 필요에 따라 센서부(22)는 온도센서, 습도센서 등 다양한 센서를 포함하여 해당 양들을 함께 측정할 수 있다. 이를 통해 변화에 대응하거나 변화된 상황에 맞게 처리조건을 변경할 수 있다. 도시되지 않았지만, 이와 같은 센서들은 주처리모듈(도 1의 10참조)의 전 후단에도 설치될 수 있다.

학습처리모듈(20)은 서로 다른 가동조건으로 자동 변경되며 오염물질을 반복하여 처리할 수 있다. 이때 가동조건은 예를 들면, 플라즈마 방전을 위해 플라즈마처리부(20a)에 인가되는 서로 다른 전압값을 의미할 수 있다. 학습처리모듈(20)은 이러한 가동조건을 스스로 변경하며 오염물질을 반복 처리할 수 있다. 학습처리모듈(20)은 주처리모듈(10)과의 스케일차이에 따라 소모되는 전체전력량(예, 단위 시간당 전압×전류량)은 다를 수 있으나 각 가동조건에서 방전을 위해 인가되는 전압의 크기는 동일할 수 있다. 전술한 바와 같은 서로 동일한 방전모듈이 서로 다른 개수로 내장된 경우 등이 그러한 예일 수 있다. 따라서 가동조건과 관련된 데이터는 주처리모듈(10)에도 동등하게 적용될 수 있다. 그러나 필요에 따라 스케일차이를 감안하여 전력량 등을 환산하여 적용하는 등 간단한 변환식을 사용함으로써 데이터는 비례적으로 변환시켜 적용할 수도 있다.

학습처리모듈(20)은 유체 내 오염물질의 농도 등이 바뀌지 않더라도, 서로 다른 가동조건으로 능동적으로 조건을 변경하며 가동조건과 처리효율 간 상관 데이터(기초데이터)를 취득할 수 있다. 또한 유체 내 오염물질의 농도 등이 변경되는 등 처리상황이 바뀌는 경우에도, 대응하여 또 다른 가동조건으로 오염물질을 반복 처리하며 새로운 기초데이터를 취득할 수 있다. 학습처리모듈(20)은 특정 처리조건을 유지하는 대신, 서로 다른 처리조건으로 변경되며 가동조건과 처리효율 간 기초데이터를 빠르게 취득할 수 있다. 이와 같이 능동적, 적응적으로 취득된 가동조건과 처리효율의 데이터를 기초로 이를 확장하여 보다 정확한 상관식을 결정하고 주처리모듈(10)의 제어에 사용할 수 있다.

데이터분석모듈(30)은 이러한 학습처리모듈(20)이 취득한 가동조건과 처리효율 간 기초데이터를 입력 받고, 기초데이터보다 증가된 학습데이터를 생성하여, 학습데이터로부터 가동조건과 처리효율 사이의 상관식을 결정한다. 데이터분석모듈(30)은 하드웨어와 소프트웨어를 포함하는 일종의 컴퓨터로 형성될 수 있다. 데이터분석모듈(30)은 예를 들어, 하드웨어로 중앙연산장치(미도시), 중앙연산장치에서 수행하는 각종 연산이나 데이터분석 등을 가능하게 하는 프로그램과 데이터를 기록할 수 있는 저장장치(미도시), 데이터를 입출력할 수 있는 입출력장치 및 전송장치(미도시) 등을 포함하고, 소프트웨어로 하드웨어로 구동 가능한 데이터처리 가능한 프로그램을 포함할 수 있다. 데이터분석모듈(30)에 탑재되는 프로그램은 후술하는 데이터 처리가 가능한 하나 또는 하나 이상의 프로그램을 포함할 수 있으며 이는 통계 및 확률 분석 등의 기능을 갖는 것일 수 있다. 이러한 프로그램은 해당 기능을 갖는 것을 구입하여 사용하거나 목적에 맞게 제작하여 사용하는 것이 가능하다. 후술하는 데이터 처리와 데이터 입출력이 가능한 다양한 형태로 데이터분석모듈(30)을 구현할 수 있다.

구체적으로 데이터분석모듈은, 기초데이터에서 이상값은 제거하고, 이상값이 제거된 기초데이터의 가동조건별 처리효율의 확률분포를 추출하여, 상기 확률분포로부터 난수추출 방식으로 학습데이터를 생성할 수 있다. 이러한 학습데이터로부터 가동조건과 처리효율의 상관식을 결정하고, 상관식에 따라서 주처리모듈(10)을 제어할 수 있다. 최초에 학습처리모듈(20)로부터 취득된 기초데이터는 각 가동조건 별 수십 회 이하의 처리효율의 분포값을 가지나, 학습데이터는 각 가동조건 별 수천 회 이상의 처리효율의 분포값을 가질 수 있다. 따라서 학습데이터로부터 보다 정확한 상관식을 결정하여 주처리모듈(10)을 정확하고 정밀하게 제어할 수 있다. 이하, 본 발명의 일 실시예에 의한 오염물질처리방법을 통해 이에 대해 보다 상세히 설명한다.

이하, 도 1 내지 도 4를 참조하여 본 발명의 일 실시예에 의한 인공지능 데이터 분석기반 오염물질처리방법(이하, 오염물질처리방법)에 대해 상세히 설명한다. 도 3은 도 2의 데이터분석모듈에서 진행되는 학습데이터의 생성과정과 그를 통한 상관식의 도출과정을 도식화한 도면이고, 도 4는 본 발명의 일 실시예에 의한 인공지능 데이터 분석기반 오염물질처리방법을 도시한 순서도이다.

설명이 간결하고 명확하도록 앞서 설명한 부분에 대해서는 반복 설명하지 않으며 전술한 설명으로 대신한다. 이하 설명은 도 4의 순서도를 기본으로 다른 도면들을 함께 참조하는 방식으로 진행한다.

본 발명의 일 실시예에 의한 오염물질처리방법(인공지능 데이터 분석기반오염물질처리방법)은 다음과 같은 단계들을 포함한다. 오염물질처리방법은, 주처리모듈(10)을 1/n(n은 자연수)스케일로 축소한 학습처리모듈(20)로 유체 내 오염물질을 반복 처리하여, 가동조건과 오염물질의 처리효율 간 기초데이터를 취득하는 단계(S100), 데이터분석모듈(30)로 기초데이터에서 상대적으로 편차가 큰 이상값은 제거하고, 이상값이 제거된 기초데이터의 가동조건별 처리효율의 확률분포를 추출하여, 확률분포로부터 난수추출 방식으로 기초데이터보다 증가된 학습데이터를 생성하는 단계(S200), 및 데이터분석모듈(30)로 학습데이터로부터 가동조건과 처리효율 사이의 상관식을 결정하고(S300), 상기 상관식에 따라서 주처리모듈(10)을 제어하는 단계(S400)를 포함한다. 상관식을 변경하는 등 재설정이 필요한 경우(S500)에는 상기한 단계를 처음부터 다시 반복하여 진행할 수 있다.

이러한 오염물질처리방법은 전술한 바와 같은 오염물질처리장치(1)를 이용하여 수행할 수 있으며 이때 처리방법의 각 단계들은 오염물질처리장치(1)의 학습처리모듈(20), 데이터분석모듈(30), 및 후술하는 주처리모듈(10) 제어부(미도시)가 진행할 수 있다. 즉, 상기 S100 단계는, 주처리모듈을 1/n(n은 자연수)스케일로 축소한 학습처리모듈(20)이 유체 내 오염물질을 반복 처리하여, 가동조건과 오염물질의 처리효율 간 기초데이터를 취득할 수 있고, 상기 S200 단계는, 데이터분석모듈(30)이 상기 기초데이터에서 이상값은 제거하고, 이상값이 제거된 상기 기초데이터의 가동조건별 처리효율의 확률분포를 추출하여, 상기 확률분포로부터 난수추출 방식으로 상기 기초데이터보다 증가된 학습데이터를 생성할 수 있으며, 상기 S300 및 S400 단계는, 데이터분석모듈(30)이 상기 학습데이터로부터 가동조건과 처리효율 사이의 상관식을 결정하고, 상기 상관식에 따라서 상기 주처리모듈(10)을 제어하는 주처리모듈 제어부(후술하여 설명함)가 주처리모듈(10)을 제어할 수 있다.

상기한 학습처리모듈(20), 주처리모듈(10), 데이터분석모듈(30), 및 주처리모듈(10) 제어부는 바람직하게는 다음과 같이 이루어질 수 있다. 아래 설명은 전술한 학습처리모듈(20), 주처리모듈(10), 데이터분석모듈(30)에 대한 설명과 모순되지 않는 한도 내에서 상호 적용이 가능함은 물론이다.

‘학습처리모듈(20)’은 데이터 입력부(예, 키보드, 키패드, 데이터가 입력된 DB 등), 오염물질을 처리하는 오염물질 처리부(예, 방전모듈 등을 포함하는 전술한 플라즈마처리부 등의 처리구조), 오염물질 처리부에 의한 처리 전후의 오염물질 농도를 측정하는 측정부(예, 대기오염물질(악취 등) 측정센서 등 - 필요에 따라, 측정센서는 센서부 등의 형태로 처리모듈 외부에 별도로 형성하고 데이터 통신을 통해 측정값을 입력 받도록 형성하는 것도 가능), 측정부에서 측정된 데이터로부터 처리효율을 연산하는 연산부(예, 마이크로프로세서, CPU 등), 입력된 데이터와 연산부에서 연산된 오염물질의 처리효율 데이터로 이루어진 기초데이터를 저장하는 저장부(예, RAM, ROM 등), 기초데이터를 데이터분석모듈로 송신하는 데이터 송수신부(예, 모뎀 등) 등을 포함하여 이루어질 수 있다. 이 때, 오염물질을 처리하는 오염물질 처리부는 데이터 입력부에서 입력된 데이터(가동조건의 데이터를 포함할 수 있다)에 따라 오염물질을 처리할 수 있다. 이와 같은 오염물질 처리부는 데이터 입력부에서 입력된 데이터에 따라 가동조건을 조정하고 그에 따라 오염물질 처리부의 동작을 제어하는 학습처리모듈 제어부에 의해 제어될 수 있다. 학습처리모듈 제어부는 오염물질 처리부를 제어하는 제어구조를 포함할 수 있으며 학습처리모듈에 일체로 형성될 수도 있고 학습처리모듈과 별도로 형성되어 학습처리모듈에 데이터 통신이 가능하게 연결될 수도 있다. 오염물질 처리부는 학습처리모듈 제어부에서 송신되는 데이터(가동조건의 데이터를 포함할 수 있다)를 수신하는 데이터 송수신부(예, 모뎀 등)를 포함할 수 있고, 학습처리모듈 제어부는 데이터 입력부로부터 데이터를 수신하는 데이터 송수신부(예, 모뎀 등) 등을 포함하여 이루어질 수 있다.

'데이터분석모듈(30)'은 기초데이터를 수신하는 데이터 송수신부(예, 모뎀 등), 기초데이터보다 개수가 증가된 학습데이터를 생성하여 학습데이터로부터 가동조건과 처리효율 사이의 상관식을 연산하는 연산부(예, 마이크로프로세서, CPU 등), 기초데이터, 및 학습데이터를 저장하는 저장부(예, RAM, ROM 등), 및 주처리모듈(10)을 제어하는 주처리모듈 제어부에 상관식 데이터를 송신하는 데이터 송수신부(예, 모뎀 등) 등을 포함하여 이루어질 수 있다.

'주처리모듈(10)'은 오염물질 처리부(예, 방전모듈 등을 포함하는 전술한 플라즈마처리부 등의 처리구조)를 포함하고, 오염물질 처리부는 상관식에 따라 가동조건을 조정하고 그에 따라 오염물질 처리부의 동작을 제어하는 주처리모듈 제어부(미도시)에 의해 제어될 수 있다. 주처리모듈 제어부는 오염물질 처리부를 제어하는 제어구조를 포함할 수 있으며 주처리모듈(10)에 일체로 형성될 수도 있고 주처리모듈(10)과 별도로 형성되어 주처리모듈(10)에 데이터 통신이 가능하게 연결될 수도 있다. 오염물질 처리부는 주처리모듈 제어부에서 송신되는 데이터(산출된 가동조건의 데이터를 포함할 수 있다)를 수신하는 데이터 송수신부(예, 모뎀 등)를 포함할 수 있고, 주처리모듈 제어부는 데이터분석모듈로부터 데이터를 수신하는 데이터 송수신부(예, 모뎀 등), 목표 처리효율을 입력받는 입력부(예, 키보드, 키패드, 목표 효율이 입력된 DB 등), 상관식에 의해 목표 처리효율로부터 가동조건을 연산하는 연산부(예, 마이크로프로세서, CPU 등), 산출된 가동조건의 데이터를 오염물질 처리부에 송신하는 데이터 송수신부(예, 모뎀 등) 등을 포함하여 이루어질 수 있다.

각 단계에 대해 좀더 상세히 설명한다.

기초데이터는 전술한 것처럼 학습처리모듈(20)로부터 취득된다. 학습처리모듈(20)의 구체적인 구성과 배치 등은 전술한 바와 같다. 학습처리모듈(20)은 특히 주처리모듈(10)을 1/n(n은 자연수)스케일로 축소하여 형성한 것으로서 스스로 오염물질을 처리하는 능력을 갖는다. 이러한 학습처리모듈(20)로 전술한 바와 같이 유체 내 오염물질을 반복 처리하여, 가동조건과 오염물질의 처리효율 간 기초데이터를 취득할 수 있다(S100).

취득된 기초데이터는 예를 들어 도 3의 (a)와 같이 나타날 수 있다. 기초데이터는 가동조건과 각 가동조건에서 측정된 처리효율의 값을 포함하며 이를 도시된 바와 같은 분포로 나타낼 수 있다. 각 가동조건(도 3 그래프의 가로축 표시값)은 플라즈마 방전을 위해 인가되는 서로 다른 전압값에 해당할 수 있으며 예를 들어, 1번 조건으로부터 숫자가 증가할수록 전압값의 크기는 증가할 수 있다. 1번 조건은 5000kV, 2번 조건은 10000kV, 3번 조건은 15000kV, 4번 조건은 20000kV, 5번 조건은 25000kV의 전압값에 해당할 수 있다. 그러나 이는 예시적인 것으로 각 가동조건에 따라 대응하는 전압값의 크기나 변동폭은 필요에 따라 조정될 수 있다.

기초데이터는 이와 같이 각 가동조건에 대한 처리효율의 분포값을 포함한다. 기초데이터는 각 가동조건 별 수십 회 이하의 처리효율의 분포값을 가질 수 있다. 즉 학습처리모듈(20)은 가동조건과 처리효율 간 상관관계를 상대적으로 빠르게 확인하여 데이터화하기 위해, 각 가동조건 별 수십 회 이하(예, 10~90회일 수 있으며 바람직하게는 15~30회일 수 있다)로 처리를 반복 진행하며 그에 대응하여 각 가동조건 별로 수십 회 이하의 처리효율의 분포값을 취득할 수 있다. 도 3의 (a)는 이를 그래프로 도시한 예이다.

이러한 기초데이터에서 이상값[도 3 (a) 그래프의 X표시부분]은 데이터분석모듈(30)에서 제거된다. 이상값은 분포된 데이터에서 비정상으로 판단되는 값으로 정의할 수 있으며 예를 들어, 기준값으로부터의 편차가 허용 가능한 편차 이상으로 큰 값으로 계산될 수 있다. 기준값은 특정 가동조건에서 측정된 처리효율의 값 중 중앙값, 최빈값, 평균값 등 해당 분포를 대표하는 값으로 설정할 수 있고, 허용 가능한 편차의 범위는 필요에 따라 적절히 조정하여 계산할 수 있다. 이와 같은 이상값은 최고 및 최저의 양 극단값을 포함할 수 있다. 데이터분석모듈(30)은 전술한 바와 같이 데이터 처리 및 연산이 가능한 프로그램을 포함하는 컴퓨터장치 등으로 형성되어, 가동조건 별 기초데이터의 편차 등을 구하고 범위를 벗어난 데이터는 삭제하는 등의 방식으로 이러한 처리를 빠르게 진행할 수 있다.

이후, 데이터분석모듈(30)은 이상값이 제거된 기초데이터의 가동조건별 처리효율의 확률분포를 추출한다. 예를 들어, 도 3의 (b)와 같이 기초데이터로부터 개별 가동조건 각각에 대한 처리효율의 확률 분포값을 구하고 이로부터 다시 도 3의 (c)와 같은 확률분포를 추출할 수 있다[도 3의 (b), (c)에서 세로축은 가로축의 처리효율이 나타날 확률값에 해당할 수 있다]. 이와 같이 추출된 확률분포[도 3의 (c)]는 기초데이터에서 얻어진 이산확률분포[도 3의 (b)]를 커브 피팅하여 생성한 연속확률분포일 수 있다. 따라서 기초데이터에서 명확히 나타나지 않은 상관관계도 추출된 확률분포로부터 예측될 수 있다. 학습데이터는 추출된 확률분포로부터 생성되므로 이러한 예측을 반영한다. 도 3의 (b), (c)에는 (a)의 1번 가동조건에 대한 확률분포의 추출과정이 예시적으로 도시되었으며 이러한 과정은 서로 다른 가동조건 각각에 대해서 모두 진행될 수 있다. 확률분포의 추출 시 확률, 통계분석 등의 과정이 반영될 수 있다.

이후, 데이터분석모듈(30)은 추출된 확률분포[도 3의 (c)]로부터 다시 난수추출 방식으로 기초데이터보다 증가된 학습데이터를 생성한다. 즉, 추출된 확률분포의 범위 내에서 무작위로 값을 추출하여 상기 확률분포에 의해 정의된 새로운 데이터(학습데이터)를 생성할 수 있다. 예를 들어 확률분포의 가로축(처리효율의 값을 표시한 축일 수 있다)에 대해 구간을 설정하여 분할하고 분할된 각 구간에서 반복하여 추출과정을 진행할 수 있다. 학습데이터는 가동조건에 대한 처리효율의 분포를 반영하며 특히, 추출된 확률분포(연속확률분포일 수 있다)로부터 다시 난수추출 방식으로 재추출되어 데이터의 수가 크게 증가되므로 기초데이터에 비해 대폭 확장된 데이터 세트를 제공할 수 있다. 학습데이터는 확률분포로부터 전술한 반복된 추출과정(예, 수천 회 이상일 수 있으며, 바람직하게는 5000회 이상일 수 있다. 보다 바람직하게는 5000~30000회일 수 있다)을 진행할 수 있으며 그에 대응하여 각 가동조건 별 수천 회 이상의 처리효율의 분포값을 가질 수 있다. 이를 이용하여 보다 정확한 상관식을 도출할 수 있다. 도면 상에는 정규분포에 가까운 형태의 확률분포가 예시되었으나 이로써 한정될 필요는 없으며, 확률분포는 기초데이터의 분포에 따라 여러 가지 다른 형태로 추출될 수 있다. 따라서 그로부터 다시 학습데이터를 생성하여 기초데이터의 상관관계가 반영된 증가된 데이터 세트를 얻을 수 있다. 도 3의 (d)에 이러한 학습데이터의 생성방식을 개념적으로 도시하였다.

난수추출 과정은 추출된 확률분포의 일정 범위 안에서만 진행할 수도 있다. 예를 들어, 추출된 확률분포의 가로축 상에 적절한 하한과 상한을 정하고 그 사이의 범위에서만 난수추출을 진행함으로써 그 외부의 이상값(극단값을 포함하는 의미일 수 있다)으로 판단되는 데이터를 추가로 제거할 수 있다. 예를 들면, 하한과 상한은 확률분포 상에서 설정된 신뢰구간에 따라 바뀔 수 있고 설정된 신뢰구간의 범위 안에서만 난수추출 과정을 진행할 수 있다. 신뢰구간은 90%, 95%, 99% 등으로 필요에 따라 바꾸어 줄 수 있다. 또한, 전술한 바와 같이 추출된 확률분포의 가로축(처리효율의 값을 표시한 축일 수 있다)에 대해 구간을 설정하여 분할하고 추출과정을 진행하는 경우, 분할된 각 구간의 면적이 동일하게 되도록 설정할 수 있다. 즉, 추출된 확률분포에 따라서 분할된 각 구간의 형상은 다르게 형성될 수 있으나, 면적은 같게 조절하여 동일한 면적으로 분할된 각 구간으로부터 각각 균등하게 난수를 추출할 수 있다. 예를 들어, 전체 난수 추출 회수가 3만 회인 경우, 동일 면적으로 분할된 10개의 각 구간으로부터 각각 3000회씩 난수를 추출할 수 있다.

이와 같은 방식으로 기초데이터에서 이상값은 제거하고, 이상값이 제거된 기초데이터의 가동조건별 처리효율의 확률분포를 추출하여, 확률분포로부터 난수추출 방식으로 기초데이터보다 증가된 학습데이터를 생성할 수 있다(S200). 이때 난수추출 과정은 난수추출 프로그램 등에 의할 수 있으며 필요한 경우 추출방식을 변경하거나 새로 정의하여 진행할 수도 있다. 기초데이터의 상관관계는 확률분포의 추출과정을 통해 그대로 반영되고 확률분포로부터 난수추출을 통한 학습데이터의 확대생산을 통해서 기초데이터에서 제공되지 못했던 분포값들도 적정 범위 내에서 추가적으로 제공받을 수 있다. 이후, 이와 같은 학습데이터로부터 데이터분석모듈(30)로 가동조건과 처리효율 사이의 상관식을 결정한다(S300).

상관식은 회귀분석 등의 데이터 분석과정을 통해서 결정되는 회귀식일 수 있다. 기초데이터보다 대폭 증가된 학습데이터를 통해서 가동조건과 처리효율 간 상관관계가 더욱 정밀하게 나타나며 따라서 보다 정확한 상관식을 결정할 수 있다. 예를 들어, 상관식의 그래프는 도 3의 (e)에 예시된 바와 같이 도시될 수 있다. 도 3의 (e)에는 상관식의 그래프와 각 가동조건별 생성된 학습데이터의 분포가 함께 예시되었다. 이와 같이 학습데이터로부터 결정된 상관식은 최초 취득된 기초데이터로부터 결정 가능한 상관식과는 다른 양상을 나타낼 수 있으며 확대 생성된 학습데이터로부터 보다 정확한 상관관계를 드러낼 수 있다. 이러한 상관식에 따라서 주처리모듈(10)을 매우 정확하고 정밀하게 제어할 수 있다.

주처리모듈(10)은 이와 같이 결정된 상관식에 따라서 제어된다(S400). 상관식은 가동조건과 처리효율 간 상관관계를 나타내는 수식으로 예를 들면, 일차식[Y=aX+b, 여기서 Y는 처리효율, X는 가동조건(또는 가동조건에 해당하는 전압값일 수도 있다), a, b는 상수]으로 나타날 수 있다. 그러나 이로써 한정될 필요는 없으며 데이터의 분포나 분석방식 등에 따라서 일부 또는 전부가 다른 형태의 수식으로 나타날 수도 있다. 주처리모듈(10)은, 예를 들어, 결정된 상관식의 특정 처리효율을 목표로 설정하고, 대응하는 가동조건으로 주처리모듈(10)을 가동할 수 있으며 이를 통해 원하는 목표(특정 처리효율일 수 있다)를 달성할 수 있다. 특히 증가된 학습데이터로부터 상관식이 매우 정확하게 결정되므로 기초데이터에서 측정을 통해 제공되지 않은 가동조건과 처리효율 간 상관관계도 보다 정확히 예측되어 목적하는 결과를 효과적으로 얻어낼 수 있다. 이러한 제어를 통해 원하는 처리효율에 알맞은 정확한 가동조건으로 처리를 진행할 수 있으므로, 불필요하거나 과도한 가동조건의 설정 등에 의한 에너지소모를 크게 감소시킬 수 있다. 또한 본 명세서 상에서 설명하는 처리효율은 장치 전 후단의 오염물질 농도차를 백분율로 계산한 것일 수 있으므로, 단순히 처리효율로 한정되지 않고, 장치 후단의 오염물질 농도나, 처리 후 유체 내 남은 오염물질의 백분율 등으로 관련 변수를 적절히 설정하여 실질적으로 동등한 방식으로 제어할 수 있다. 이와 같은 과정을 통해 매우 효율적으로 오염물질을 처리할 수 있다.

한편, 결정된 상관식을 재조정하거나 새로운 시설에 장치를 적용하여 사용하는 경우 등 재설정이 필요한 경우(S500)에는 전술한 과정을 다시 진행할 수 있다. 이를 통해 변동된 상황에 알맞은 보다 최적화된 제어가 가능하다. 또한 본 발명은 전술한 것처럼 상대적으로 적은 수의 기초데이터를 빠르게 취득하고, 새로운 학습데이터를 생성하여 적응적으로 제어하는 것이 가능하므로, 변화된 상황에도 보다 신속하게 대응하여 매우 효율적으로 오염물질을 처리할 수 있다.

이상 첨부된 도면을 참조하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 또한 본 발명의 오염물질 처리장치 및 오염물질 처리방법 각각에서 언급된 사항은 서로 동일성 범위에서 상호 적용이 가능하다.

1: 오염물질처리장치 10: 주처리모듈
10a, 20a: 플라즈마처리부 11: 유체 유동로
20: 학습처리모듈 21: 분기관
22: 센서부 30: 데이터분석모듈

Claims

(a) 주처리모듈을 1/n(n은 자연수)스케일로 축소한 학습처리모듈로 유체 내 오염물질을 반복 처리하여, 가동조건과 오염물질의 처리효율 간 기초데이터를 취득하는 단계;
(b) 데이터분석모듈로 상기 기초데이터에서 이상값은 제거하고, 이상값이 제거된 상기 기초데이터의 가동조건별 처리효율의 확률분포를 추출하여, 상기 확률분포로부터 난수추출 방식으로 상기 기초데이터보다 증가된 학습데이터를 생성하는 단계; 및
(c) 데이터분석모듈로 상기 학습데이터로부터 가동조건과 처리효율 사이의 상관식을 결정하고, 상기 상관식에 따라서 상기 주처리모듈을 제어하는 단계를 포함하는 인공지능 데이터 분석기반 오염물질처리방법.
제1항에 있어서,
(b) 단계의 상기 확률분포는 상기 기초데이터에서 얻어진 이산확률분포를 커브 피팅하여 생성한 연속확률분포인 인공지능 데이터 분석기반 오염물질처리방법.
제1항에 있어서,
(a) 단계의 상기 학습처리모듈은 서로 다른 가동조건으로 자동 변경되며 오염물질을 반복 처리하여 상기 기초데이터를 취득하는 인공지능 데이터 분석기반 오염물질처리방법.
제1항에 있어서,
상기 기초데이터는 각 가동조건 별 수십 회 이하의 처리효율의 분포값을 가지며,
상기 학습데이터는 각 가동조건 별 수천 회 이상의 처리효율의 분포값을 가지는 인공지능 데이터 분석기반 오염물질처리방법.
제1항에 있어서,
상기 학습처리모듈은, 상기 주처리모듈과 동일한 방식으로 오염물질을 처리하는 상기 주처리모듈의 미니어처로 형성되며 오염물질이 함유된 유체를 상기 주처리모듈로 공급하는 유체 유동로의 상기 주처리모듈 전단에 연결되는 인공지능 데이터 분석기반 오염물질처리방법.
제5항에 있어서,
상기 학습처리모듈 및 상기 주처리모듈은 플라즈마를 이용하여 상기 오염물질을 처리하는 인공지능 데이터 분석기반 오염물질처리방법.
제1항에 있어서,
상기 학습처리모듈은 상기 주처리모듈을 1/100스케일로 축소하여 형성한 인공지능 데이터 분석기반 오염물질처리방법.
오염물질이 함유된 유체가 유동하는 유체 유동로에 연결된 주처리모듈;
상기 유체 유동로의 상기 주처리모듈 전단에 연결되고 상기 주처리모듈이 1/n(n은 자연수)스케일로 축소된 형태로 형성되어 오염물질을 반복 처리하며 가동조건과 오염물질의 처리효율 간 기초데이터를 취득하는 학습처리모듈; 및
상기 학습처리모듈이 취득한 기초데이터로부터 상기 기초데이터보다 증가된 학습데이터를 생성하여 상기 학습데이터로부터 가동조건과 처리효율 사이의 상관식을 결정하는 데이터분석모듈을 포함하여,
상기 주처리모듈이 상기 상관식에 따라 제어되는 인공지능 데이터 분석기반 오염물질처리장치.
제8항에 있어서,
상기 데이터분석모듈은, 상기 기초데이터에서 이상값은 제거하고, 이상값이 제거된 상기 기초데이터의 가동조건별 처리효율의 확률분포를 추출하여, 상기 확률분포로부터 난수추출 방식으로 상기 학습데이터를 생성하는 인공지능 데이터 분석기반 오염물질처리장치.
제8항에 있어서,
상기 학습처리모듈은 상기 주처리모듈과 동일한 방식으로 상기 오염물질을 처리하는 상기 주처리모듈의 미니어처로 형성되는 인공지능 데이터 분석기반 오염물질처리장치.
제10항에 있어서,
상기 학습처리모듈 및 상기 주처리모듈은 플라즈마를 이용하여 상기 오염물질을 처리하는 인공지능 데이터 분석기반 오염물질처리장치.