KR20200027088A - 인공신경망을 이용한 멀티모달 센서 이상 감지 장치 및 방법 - Google Patents

인공신경망을 이용한 멀티모달 센서 이상 감지 장치 및 방법 Download PDF

Info

Publication number
KR20200027088A
KR20200027088A KR1020180102713A KR20180102713A KR20200027088A KR 20200027088 A KR20200027088 A KR 20200027088A KR 1020180102713 A KR1020180102713 A KR 1020180102713A KR 20180102713 A KR20180102713 A KR 20180102713A KR 20200027088 A KR20200027088 A KR 20200027088A
Authority
KR
South Korea
Prior art keywords
state
sensors
neural network
artificial neural
output signal
Prior art date
Application number
KR1020180102713A
Other languages
English (en)
Inventor
이병옥
Original Assignee
엠텍비젼 주식회사
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 엠텍비젼 주식회사 filed Critical 엠텍비젼 주식회사
Priority to KR1020180102713A priority Critical patent/KR20200027088A/ko
Priority to PCT/KR2018/010654 priority patent/WO2020045720A1/ko
Publication of KR20200027088A publication Critical patent/KR20200027088A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)

Abstract

본 발명은 인공신경망을 이용한 멀티모달 센서 이상 감지 장치에 관한 것으로, 측정 영역 내의 분석물을 측정하고 출력 신호를 생성하는 복수의 센서로 구성된 멀티모달 센서부; 및 상기 멀티모달 센서부를 통해 상기 출력 신호를 입력 받아 상기 복수의 센서의 신규(정상) 상태, 노후 상태, 고장 상태 중 적어도 어느 하나에 따른 상기 출력 신호의 특징(패턴)을 추출하고, 상기 추출된 출력 신호의 특징(패턴)에 대하여 학습으로 훈련된 인공신경망을 이용하여 상기 복수의 센서의 상태를 분석하는 분석부;를 포함한다.

Description

인공신경망을 이용한 멀티모달 센서 이상 감지 장치 및 방법{Multi-modal sensor fault detection device and method using artificial neural network}
본 발명은 인공신경망을 이용한 멀티모달 센서 이상 감지 장치 및 방법에 관한 것이다.
일반적으로 산업시설의 경우 고장이 발생하면, 계통 사고에 의한 대규모 정전, 유독가스 노출 등의 큰 사고로 이어져 큰 손실이 불가피하므로, 산업시설의 모니터링은 사고를 미연에 방치하는 측면에서 매우 중요하다.
이런 산업시설에 모니터링을 하는 기술로는 차량 또는 도보로 이동하며 이상 유무를 육안으로 점검/감시하거나, CCTV를 설치 운영해 모니터링하는 방법을 사용하다 최근들어 여러 센서로 구성된 멀티모달 센서를 산업시설에 설치해 분석물을 모니터링하는 방법이 주로 사용되고 있다.
이러한 멀티모달 센서를 이용한 분석물 모니터링의 종래기술로는 한국 등록특허공보 제10-1079846호가 있다.
그러나 종래기술은 멀티모달 센서를 이용해 산업시설의 상황을 실시간 감시함으로써, 안전성을 향상하고 유지 관리를 효율화하여 사고를 미연에 방지할 수 있지만, 이를 위한 멀티모달 센서의 이상을 감지할 수 없어 멀티모달 센서 중 하나가 이상이 생겼을 경우 정확한 상황을 감지할 수 없는 문제점이 있다.
이러한 문제점을 해결하기 위한 멀티 센서 시스템이 진단 방법 및 장치의 종래기술로는 일본 공개특허공보 제1998-019614호가 있다.
그러나 종래기술은 센서의 출력변수를 비교해 이상을 진단하지만, 센서마다 출력변수가 틀려 비교할 출력변수가 많기 때문에 비숙지자의 경우 변수의 조합이 어려우며, 잘못된 조합을 이용하여 이상을 판별하는 경우에는 오진할 문제점이 있다.
본 발명이 해결하고자 하는 기술적 과제는, 멀티모달 센서를 이용해 산업시설의 상황을 실시간 감시하는데 있어, 멀티모달 센서의 이상을 미리 감지해 멀티모달 센서 중 이상이 발생한 센서를 고장전에 미리 교체할 수 있도록 하는 것이다.
본 발명이 해결하고자 하는 다른 기술적 과제는, 복수의 동일한 센서 또는 이종 센서로 이루어진 멀티모달 센서의 다양한 출력변수에 대해 학습된 인공신경망을 이용해 정확하고 신속하게 멀티모달 센서의 이상을 감지할 수 있도록 하는 것이다.
상기와 같은 기술적 과제를 해결하기 위해, 본 발명의 바람직한 일 측면에 따르면, 측정 영역 내의 분석물을 측정하고 출력 신호를 생성하는 복수의 센서로 구성된 멀티모달 센서부; 및 상기 멀티모달 센서부를 통해 상기 출력 신호를 입력 받아 상기 복수의 센서의 신규(정상) 상태, 노후 상태 및 고장 상태 중 적어도 어느 하나에 따른 상기 출력 신호의 특징(패턴)을 추출하고, 상기 추출된 출력 신호의 특징(패턴)에 대하여 학습된 인공신경망을 이용하여 상기 복수의 센서의 상태를 분석하는 분석부;를 포함하는 인공신경망을 이용한 멀티모달 센서 이상 감지 장치를 제공할 수 있다.
여기서, 상기 출력 신호의 특징(패턴)은 상기 인공신경망을 학습시키기 위한 변수로, 상기 변수는 상기 복수의 센서의 상기 신규(정상) 상태, 상기 노후 상태 및 상기 고장 상태 중 적어도 어느 하나에 따른 측정거리, 상기 분석물 농도, 전압, 저항, 전류, 시간, 전기전도도 변화량, 압력 변화량, 흡수강도, 상대 흡수도 및 파장 중 적어도 어느 하나일 수 있다.
또한, 상기 측정 영역 내의 온도와 습도를 측정하는 온도/습도 측정부;를 더 포함하되, 상기 분석부는 상기 온도/습도 측정부를 통해 측정한 상기 온도와 습도를 더 입력 받아 상기 복수의 센서의 상기 신규(정상) 상태, 상기 노후 상태, 상기 고장 상태, 상기 온도 및 상기 습도 중 적어도 어느 하나에 따른 상기 출력 신호의 특징(패턴)을 추출하고, 상기 추출된 출력 신호의 특징(패턴)에 대하여 학습된 인공신경망을 이용하여 상기 복수의 센서의 상태를 분석할 수 있다.
여기서, 상기 출력 신호의 특징(패턴)은 상기 인공신경망을 학습시키기 위한 변수로, 상기 변수는 상기 복수의 센서의 상기 신규(정상) 상태, 상기 노후 상태, 상기 고장 상태, 상기 온도 및 상기 습도 중 적어도 어느 하나에 따른 측정거리, 상기 분석물 농도, 전압, 저항, 전류, 시간, 전기전도도 변화량, 압력 변화량, 흡수강도, 상대 흡수도 및 파장 중 적어도 어느 하나일 수 있다.
여기서, 상기 멀티모달 센서부의 상기 복수의 센서는 2개 이상의 동일한 센서이거나 이종 센서일 수 있다.
본 발명의 바람직한 다른 측면에 따르면, 인공신경망을 이용한 멀티모달 센서 이상 감지 장치의 이상 감지 방법에 있어서, 복수의 센서로 구성된 멀티모달 센서부가 측정 영역 내의 분석물을 측정하고 출력 신호를 생성하는 단계; 분석부가 상기 멀티모달 센서부로부터 상기 출력 신호를 입력 받아 상기 복수의 센서의 신규(정상) 상태, 노후 상태 및 고장 상태 중 적어도 어느 하나에 따른 상기 출력 신호의 특징(패턴)을 추출하는 단계; 및 상기 분석부가 상기 추출된 출력 신호의 특징(패턴)에 대하여 학습된 인공신경망을 이용하여 상기 복수의 센서의 상태를 분석하는 단계;를 포함하는 인공신경망을 이용한 멀티모달 센서 이상 감지 방법을 제공할 수 있다.
본 발명의 바람직한 또 다른 측면에 따르면, 인공신경망을 이용한 멀티모달 센서 이상 감지 장치의 이상 감지 방법에 있어서, 복수의 센서로 구성된 멀티모달 센서부가 검출 영역 내의 분석물을 측정하고 출력 신호를 생성하는 단계; 온도/습도 측정부가 상기 측정 영역 내의 온도와 습도를 검출하는 단계; 분석부가 상기 멀티모달 센서부와 상기 온도/습도 측정부로부터 상기 출력 신호와 상기 측정한 상기 온도와 상기 습도를 입력 받아 상기 복수의 센서의 신규(정상) 상태, 노후 상태, 고장 상태, 상기 온도 및 상기 습도 중 적어도 어느 하나에 따른 상기 출력 신호의 특징(패턴)을 추출하는 단계; 및 상기 분석부가 상기 추출된 출력 신호의 특징(패턴)에 대하여 학습된 인공신경망을 이용하여 상기 복수의 센서의 상태를 분석하는 단계;를 포함하는 인공신경망을 이용한 멀티모달 센서 이상 감지 방법을 제공할 수 있다.
본 발명은 멀티모달 센서를 이용해 산업시설의 상황을 실시간 감시하는데 있어, 멀티모달 센서의 이상을 미리 감지해 멀티모달 센서 중 이상이 발생한 센서를 고장전에 미리 교체할 수 있어 안전성을 향상하고 유지 관리를 효율화하여 사고를 미연에 방지할 수 있는 효과가 있다.
또한, 복수의 동일한 센서 또는 이종 센서로 이루어진 멀티모달 센서의 다양한 출력변수에 대해 학습된 인공신경망을 이용해 정확하고 신속하게 멀티모달 센서의 이상을 감지할 수 있어 사용편의성이 향상되며, 멀티모달 센서의 관리 및 추후 검사시점을 결정할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 인공신경망을 이용한 멀티모달 센서 이상 감지 장치의 구성도이다.
도 2a 및 도 2b는 본 발명의 일 실시예에 따른 인공신경망을 이용한 멀티모달 센서 이상 감지 장치가 분석한 복수의 센서의 신규(정상) 상태, 노후 상태 및 고장 상태에 따른 출력 신호의 특징(패턴) 중 측정거리를 나타낸 그래프이다.
도 3a 및 도 3b는 본 발명의 일 실시예에 따른 인공신경망을 이용한 멀티모달 센서 이상 감지 장치가 분석한 복수의 센서의 신규(정상) 상태, 노후 상태에 따른 출력 신호의 특징(패턴) 중 분석물 농도와 측정거리를 나타낸 그래프이다.
도 4a 및 도 4b는 본 발명의 일 실시예에 따른 인공신경망을 이용한 멀티모달 센서 이상 감지 장치가 분석한 복수의 센서의 신규(정상) 상태, 노후 상태, 온도, 습도에 따른 출력 신호의 특징(패턴) 중 분석물 농도를 나타낸 그래프이다.
도 5a 및 도 5b는 본 발명의 일 실시예에 따른 인공신경망을 이용한 멀티모달 센서 이상 감지 장치가 분석한 복수의 센서의 신규(정상) 상태, 노후 상태 및 고장 상태에 따른 출력 신호의 특징(패턴) 중 전압과 전압에 따른 분석물 농도를 나타낸 그래프이다.
도 6a 및 도 6b는 본 발명의 일 실시예에 따른 인공신경망을 이용한 멀티모달 센서 이상 감지 장치가 분석한 복수의 센서의 신규(정상) 상태, 노후 상태 및 고장 상태에 따른 출력 신호의 특징(패턴) 중 분석물 농도와 분석물 농도에 따른 전류를 나타낸 그래프이다.
도 7a 및 도 7b는 본 발명의 일 실시예에 따른 인공신경망을 이용한 멀티모달 센서 이상 감지 장치가 분석한 복수의 센서의 신규(정상) 상태, 노후 상태 및 고장 상태에 따른 출력 신호의 특징(패턴) 중 저항과 저항에 따른 분석물 농도를 나타낸 그래프이다.
도 8a 및 도 8b는 본 발명의 일 실시예에 따른 인공신경망을 이용한 멀티모달 센서 이상 감지 장치가 분석한 복수의 센서의 신규(정상) 상태, 노후 상태 및 고장 상태에 따른 출력 신호의 특징(패턴) 중 파장과 파장에 따른 흡수강도를 나타낸 그래프이다.
도 9a 및 도 9b는 본 발명의 일 실시예에 따른 인공신경망을 이용한 멀티모달 센서 이상 감지 장치가 분석한 복수의 센서의 신규(정상) 상태, 노후 상태 및 고장 상태에 따른 출력 신호의 특징(패턴) 중 전기전도도 변화량과 압력 변화량을 나타낸 그래프이다.
도 10은 본 발명의 일 실시예에 따른 인공신경망을 이용한 멀티모달 센서 이상 감지 장치가 분석한 복수의 센서의 신규(정상) 상태, 노후 상태에 따른 출력 신호의 특징(패턴) 중 파장과 상대흡수도를 나타낸 그래프이다.
도 11은 본 발명의 다른 실시예에 따른 인공신경망을 이용한 멀티모달 센서 이상 감지방법에 순서도이다.
도 12는 본 발명의 또 다른 실시예에 따른 인공신경망을 이용한 멀티모달 센서 이상 감지방법에 순서도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 해당 구성요소들은 이와 같은 용어들에 의해 한정되지는 않는다. 이 용어들은 하나의 구성요소들을 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 '연결되어' 있다거나, 또는 '접속되어' 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 '직접 연결되어' 있다거나, '직접 접속되어' 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, '포함한다' 또는 '가지다' 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
도 1은 본 발명의 일 실시예에 따른 인공신경망을 이용한 멀티모달 센서 이상 감지 장치의 구성도이다.
도 1을 참조하면, 인공신경망을 이용한 멀티모달 센서 이상 감지 장치(100)는 멀티모달 센서부(110), 분석부(120) 및 출력부(130)를 포함한다.
멀티모달 센서부(110)는 복수의 센서로 구성되어 측정 영역 내의 분석물을 측정하고 출력 신호를 생성한다.
멀티모달 센서부(110)의 복수의 센서는 2개 이상의 동일한 센서 또는 이종 센서로 구성될 수 있다.
분석부(120)는 유무선 네트워크를 통해 연결된 멀티모달 센서부(110)를 통해 출력 신호를 입력 받아 복수의 센서의 신규(정상) 상태, 노후 상태 및 고장 상태 중 적어도 어느 하나에 따른 출력 신호의 특징(패턴)을 추출하고, 추출된 출력 신호의 특징(패턴)에 대하여 학습된 인공신경망을 이용하여 복수의 센서의 상태를 분석한다.
분석부(120)에 의해 추출된 출력 신호의 특징(패턴)은 인공신경망을 학습시키기 위한 변수이며, 변수는 복수의 센서의 신규(정상) 상태, 노후 상태 및 고장 상태 중 적어도 어느 하나에 따른 측정거리, 분석물 농도, 전압, 저항, 전류, 시간, 전기전도도 변화량, 압력 변화량, 흡수강도, 상대 흡수도 및 파장 중 적어도 어느 하나일 수 있으며, 인공신경망은 분류학습, 딥러닝 등의 방법으로 학습될 수 있다.
출력부(130)는 분석부(120)가 분석한 분석물의 출력 신호 특징(패턴) 및 복수의 센서의 상태를 출력한다.
인공신경망을 이용한 멀티모달 센서 이상 감지 장치(100)는 온도/습도 측정부(140)를 더 포함할 수 있다.
온도/습도 측정부(140)는 측정 영역 내의 온도와 습도를 측정해 유무선 네트워크로 연결된 분석부(130)에 측정한 온도와 습도를 제공한다.
분석부(130)는 온도/습도 측정부(140)를 통해 측정한 온도와 습도를 더 입력 받아 복수의 센서의 신규(정상) 상태, 노후 상태, 고장 상태, 온도 및 습도 중 적어도 어느 하나에 따른 상기 출력 신호의 특징(패턴)을 추출하고, 추출된 출력 신호의 특징(패턴)에 대하여 학습된 인공신경망을 이용하여 복수의 센서의 상태를 분석할 수 도 있다.
이때, 인공신경망을 학습시키기 위한 변수는 복수의 센서의 신규(정상) 상태, 노후 상태, 고장 상태, 온도 및 습도 중 적어도 어느 하나에 따른 측정거리, 분석물 농도, 전압, 저항, 전류, 시간, 전기전도도 변화량, 압력 변화량, 흡수강도, 상대 흡수도 및 파장 중 적어도 어느 하나일 수 있다. 여기서, 복수의 센서를 이종 센서를 사용해 가스의 농도를 측정할 경우 일반적으로 가스를 구성하는 원소의 구성비를 판단하여 검출하고자 하는 가스의 농도를 측정하기 때문에 원소 구성이 비슷한 가스의 경우, 같은 원소를 포함하고 있어 출력 신호의 특징(패턴)이 서로 상관성을 보이기 때문에 이 출력 신호에 특징(패턴)의 상관성을 변수로 사용할 수 도 있다.
도 2a 및 도 2b는 본 발명의 일 실시예에 따른 인공신경망을 이용한 멀티모달 센서 이상 감지 장치가 분석한 복수의 센서의 신규(정상) 상태, 노후 상태 및 고장 상태에 따른 출력 신호의 특징(패턴) 중 측정거리를 나타낸 그래프이다. 도 2a는 멀티모달 센서부(110)의 복수의 센서가 신규(정상) 상태 센서, 노후 상태 및 고장 상태에 따른 출력 신호의 특징(패턴) 중 측정거리를 나타낸 그래프이며, 도 2b는 멀티모달 센서부(110)의 복수의 센서가 신규(정상) 상태 센서, 노후 상태 및 고장 상태에 따른 출력 신호의 특징(패턴) 중 시간과 측정거리를 나타낸 그래프이다.
도 2a를 참조하면, 동일한 분석물 농도, 온도, 습도를 가진 조건에서 멀티모달 센서부(110)의 복수의 센서를 동일한 센서를 사용했을 경우 측정거리가 같게 나와야 하지만, 센서가 노후가 될수록 측정거리가 적어지기 때문에 분석부(120)가 센서의 출력 신호를 입력받아 출력 신호의 측정거리 특징(패턴)을 추출해 학습하여 어느 센서가 신규(정상) 상태인지 노후 상태 또는 고장 상태인지 분석한다.
도 2b를 참조하면, 신규(정상) 상태 센서의 경우 분석부(120)가 시간이 지나도 분석물을 측정할 수 있는 측정거리가 같게 나오는 것으로 분석하지만, 노후 상태가 진행될수록 센서의 성능이 저하되어 분석물을 측정할 수 있는 측정거리가 적어질 것이며, 노후 상태가 상당히 지속된 경우 어느 순간 측정값이 나오지 않는 것을 분석할 수 있어, 분석부(120)가 어느 센서의 노후 상태가 어느 정도 진행이 되었고, 언제 수명이 다하는지 예측한다.
도 3a 및 도 3b는 본 발명의 일 실시예에 따른 인공신경망을 이용한 멀티모달 센서 이상 감지 장치가 분석한 복수의 센서의 신규(정상) 상태, 노후 상태에 따른 출력 신호의 특징(패턴) 중 분석물 농도와 측정거리를 나타낸 그래프이다. 도 3a는 복수의 센서를 동일한 센서를 사용했을 때 동일한 분석물 농도, 온도와 습도를 가진 조건에서 설치 위치가 다를 때 각 센서가 검출할 수 있는 측정거리에 분석물이 노출될 경우 복수의 센서가 모두 신규(정상) 상태 일 때 분석물 농도와 측정거리에 따른 출력 신호 특징(패턴)을 클러스팅 한 창으로 나타난 그래프이며, 도 3b는 복수의 센서를 동일한 센서를 사용했을 때 동일한 분석물 농도, 온도와 습도를 가진 조건에서 설치 위치가 다를 때 각 센서가 검출할 수 있는 측정거리에 분석물이 노출될 경우 센서가 신규(정상) 상태와 노후 상태인 센서에 분석물 농도와 측정거리에 따른 출력 신호 특징(패턴)을 클러스팅 한 창으로 나타난 그래프이다.
도 3a를 참조하면, 멀티모달 센서부(110)의 복수의 센서가 동일한 센서이므로 신규(정상) 상태일 때는 성능이 같기 때문에, 복수의 센서가 측정한 신호를 분석부(120)가 분석한 결과 클러스팅 한 창의 크기가 같아 서로 중첩된 모습을 보인다.
도 3b를 참조하면, 멀티모달 센서부(110)의 복수의 센서가 동일한 센서이므로 성능이 같아야 하지만, 노후 상태가 진행될수록 센서의 성능이 저하되어 분석물을 측정할 수 있는 측정거리와 분석물 농도값이 달라져 복수의 센서가 측정한 신호를 분석부(120)가 분석한 클러스팅 한 창의 크기를 바탕으로 어느 센서의 노후 상태가 어느 정도 진행이 되었고, 언제 수명이 다하는지 예측한다.
도 4a 및 도 4b는 본 발명의 일 실시예에 따른 인공신경망을 이용한 멀티모달 센서 이상 감지 장치가 분석한 복수의 센서의 신규(정상) 상태, 노후 상태, 온도, 습도에 따른 출력 신호의 특징(패턴) 중 분석물 농도를 나타낸 그래프이다. 도 4a는 동일한 분석물 농도를 가진 조건에서 복수의 센서가 신규(정상) 상태일 때와 복수의 센서의 노후 상태 정도에 따른 출력 신호 특징(패턴) 중 온도에 따른 분석물 농도를 나타낸 그래프이며, 도 4b는 동일한 분석물 농도를 가진 조건에서 복수의 센서가 신규(정상) 상태일 때와 복수의 센서의 노후 상태 정도에 따른 출력 신호 특징(패턴) 중 습도에 따른 분석물 농도를 나타낸 그래프이다.
도 4a를 참조하면, 분석물의 농도는 온도에 영향을 받게 되는데, 노후 상태가 진행될수록 센서의 성능이 저하되어 온도에 대한 영향이 신규(정상) 상태 센서와 노후 상태 센서가 다른 것을 바탕으로 분석부(120)가 어느 센서의 노후 상태가 어느 정도 진행이 되었고, 언제 수명이 다하는지 예측한다.
도 4b를 참조하면, 분석물의 농도는 습도에 영향을 받게 되는데, 노후 상태가 진행될수록 센서의 성능이 저하되어 습도에 대한 영향이 신규(정상) 상태 센서와 노후 상태 센서가 다른 것을 바탕으로 분석부(120)가 어느 센서의 노후 상태가 어느 정도 진행이 되었고, 언제 수명이 다하는지 예측한다.
도 5a 및 도 5b는 본 발명의 일 실시예에 따른 인공신경망을 이용한 멀티모달 센서 이상 감지 장치가 분석한 복수의 센서의 신규(정상) 상태, 노후 상태 및 고장 상태에 따른 출력 신호의 특징(패턴) 중 전압과 전압에 따른 분석물 농도를 나타낸 그래프이다. 도 5a는 멀티모달 센서부(110)의 복수의 센서가 신규(정상) 상태 센서, 노후 상태 및 고장 상태에 따른 전압을 나타낸 그래프이며, 도 5b는 멀티모달 센서부(110)의 복수의 센서가 신규(정상) 상태 센서, 노후 상태 및 전압에 따른 분석물 농도를 나타낸 그래프이다.
도 5a를 참조하면, 동일한 분석물 농도, 온도, 습도를 가진 조건에서 멀티모달 센서부(110)의 복수의 센서를 동일한 센서를 사용했을 경우 센서에 걸리는 전압이 노후가 될수록 적게 걸리기 때문에 분석부(130)가 센서의 출력 신호를 입력받아 출력 신호의 전압 특징(패턴)을 추출해 학습하여 어느 센서가 신규(정상) 상태인지 노후 상태 또는 고장 상태인지 분석한다.
도 5b를 참조하면, 분석물의 농도는 전압에 영향을 받게 되는데, 노후 상태가 진행될수록 센서의 성능이 저하되어 센서에 걸리는 전압이 적어는 것을 바탕으로 분석부(120)가 어느 센서의 노후 상태가 어느 정도 진행이 되었고, 언제 수명이 다하는지 예측한다.
도 6a 및 도 6b는 본 발명의 일 실시예에 따른 인공신경망을 이용한 멀티모달 센서 이상 감지 장치가 분석한 복수의 센서의 신규(정상) 상태, 노후 상태 및 고장 상태에 따른 출력 신호의 특징(패턴) 중 분석물 농도와 분석물 농도에 따른 전류를 나타낸 그래프이다. 도 6a는 멀티모달 센서부(110)의 복수의 센서가 신규(정상) 상태 센서, 노후 상태 및 고장 상태에 따른 분석물 농도를 나타낸 그래프이며, 도 6b는 멀티모달 센서부(110)의 복수의 센서가 신규(정상) 상태 센서, 노후 상태 및 전류에 따른 분석물 농도를 나타낸 그래프이다.
도 6a를 참조하면, 동일한 분석물 농도, 온도, 습도를 가진 조건에서 멀티모달 센서부(110)의 복수의 센서를 동일한 센서를 사용했을 경우 성능이 같기 때문에 분석물 농도가 같게 나와야 하지만, 센서가 노후가 될수록 성능이 저하되기 때문에 분석부(120)가 센서의 출력 신호를 입력받아 출력 신호의 분석물 농도 특징(패턴)을 추출해 학습하여 어느 센서가 신규(정상) 상태인지 노후 상태 또는 고장 상태인지 분석한다.
도 6b를 참조하면, 분석물 농도에 따라 발생하는 전류의 양이 변하게 되는데, 노후 상태가 진행될수록 센서의 성능이 저하되어 측정된 분석물 농도가 적어 전류의 양도 적은 것을 바탕으로 분석부(120)가 어느 센서의 노후 상태가 어느 정도 진행이 되었고, 언제 수명이 다하는지 예측한다.
도 7a 및 도 7b는 본 발명의 일 실시예에 따른 인공신경망을 이용한 멀티모달 센서 이상 감지 장치가 분석한 복수의 센서의 신규(정상) 상태, 노후 상태 및 고장 상태에 따른 출력 신호의 특징(패턴) 중 저항과 저항에 따른 분석물 농도를 나타낸 그래프이다. 도 7a는 멀티모달 센서부(110)의 복수의 센서가 신규(정상) 상태 센서, 노후 상태 및 고장 상태에 따른 저항을 나타낸 그래프이며, 도 7b는 멀티모달 센서부(110)의 복수의 센서가 신규(정상) 상태 센서, 노후 상태 및 저항에 따른 분석물 농도를 나타낸 그래프이다.
도 7a를 참조하면, 동일한 분석물 농도, 온도, 습도를 가진 조건에서 멀티모달 센서부(110)의 복수의 센서를 동일한 센서를 사용했을 경우 센서의 저항이 노후가 될수록 크게 되기 때문에 분석부(130)가 센서의 출력 신호를 입력받아 출력 신호의 저항 특징(패턴)을 추출해 학습하여 어느 센서가 신규(정상) 상태인지 노후 상태 또는 고장 상태인지 분석한다.
도 7b를 참조하면, 분석물의 농도는 저항에 영향을 받게 되는데, 노후 상태가 진행될수록 센서의 성능이 저하되어 센서의 저항이 커지는 것을 바탕으로 분석부(120)가 어느 센서의 노후 상태가 어느 정도 진행이 되었고, 언제 수명이 다하는지 예측한다.
도 8a 및 도 8b는 본 발명의 일 실시예에 따른 인공신경망을 이용한 멀티모달 센서 이상 감지 장치가 분석한 복수의 센서의 신규(정상) 상태, 노후 상태 및 고장 상태에 따른 출력 신호의 특징(패턴) 중 파장과 파장에 따른 흡수강도를 나타낸 그래프이다. 도 8a는 멀티모달 센서부(110)의 복수의 센서가 신규(정상) 상태 센서, 노후 상태 및 고장 상태에 따른 파장을 나타낸 그래프이며, 도 8b는 멀티모달 센서부(110)의 복수의 센서가 신규(정상) 상태 센서, 노후 상태 및 파장에 따른 흡수강도를 나타낸 그래프이다.
도 8a를 참조하면, 동일한 분석물 농도, 온도, 습도를 가진 조건에서 멀티모달 센서부(110)의 복수의 센서를 동일한 파장을 가지는 광원센서를 사용했을 경우 노후가 될수록 광원센서의 출력이 낮아져 파장이 작게 되기 때문에 분석부(130)가 센서의 출력 신호를 입력받아 출력 신호의 파장 특징(패턴)을 추출해 학습하여 어느 센서가 신규(정상) 상태인지 노후 상태 또는 고장 상태인지 분석한다.
도 8b를 참조하면, 신규(정상) 상태 센서와 센서의 노후 상태 정도에 따라 파장이 달라지고, 흡수강도도 작아지는 것을 바탕으로 분석부(120)가 어느 센서의 노후 상태가 어느 정도 진행이 되었고, 언제 수명이 다하는지 예측한다.
도 9a 및 도 9b는 본 발명의 일 실시예에 따른 인공신경망을 이용한 멀티모달 센서 이상 감지 장치가 분석한 복수의 센서의 신규(정상) 상태, 노후 상태 및 고장 상태에 따른 출력 신호의 특징(패턴) 중 전기전도도 변화량과 압력 변화량을 나타낸 그래프이다. 도 9a는 멀티모달 센서부(110)의 복수의 센서가 신규(정상) 상태 센서, 노후 상태 및 고장 상태에 따른 전기전도도 변화량을 나타낸 그래프이며, 도 9b는 멀티모달 센서부(110)의 복수의 센서가 신규(정상) 상태 센서, 노후 상태 및 고장 상태에 따른 압력 변화량을 나타낸 그래프이다.
도 9a를 참조하면, 동일한 분석물 농도, 온도, 습도를 가진 조건에서 멀티모달 센서부(110)의 복수의 센서를 동일한 반도체식 가스센서를 사용했을 경우, 반도체식 가스 센서는 세라믹 반도체 표면에 가스가 접촉했을 때 일어나는 전기전도도의 변화량을 측정하는데 동일한 센서를 사용했을 경우 성능이 같기 때문에 전기전도도의 변화량이 같게 나와야 하지만, 센서가 노후가 될수록 성능이 저하되기 때문에 분석부(120)가 센서의 출력 신호를 입력받아 전기전도도 변화량 특징(패턴)을 추출해 학습하여 어느 센서가 신규(정상) 상태인지 노후 상태 또는 고장 상태인지 분석한다.
도 9b를 참조하면, 동일한 분석물 농도, 온도, 습도를 가진 조건에서 멀티모달 센서부(110)의 복수의 센서를 가스 분자가 특정 파장의 광 대개 적외선을 흡수하는 특성을 이용하여 가스 분자가 광을 흡수 시 열적으로 들뜬 상태가 되어 팽창할 때 발생하는 압력 변화량을 정밀한 마이크로폰으로 측정하는 방식의 동일한 센서로 사용했을 경우 성능이 같기 때문에 압력 변화량이 같게 나와야 하지만, 센서가 노후가 될수록 성능이 저하되기 때문에 분석부(120)가 센서의 출력 신호를 입력받아 출력 신호의 압력 변화량 특징(패턴)을 추출해 학습하여 어느 센서가 신규(정상) 상태인지 노후 상태 또는 고장 상태인지 분석한다.
도 10은 본 발명의 일 실시예에 따른 인공신경망을 이용한 멀티모달 센서 이상 감지 장치가 분석한 복수의 센서의 신규(정상) 상태, 노후 상태에 따른 출력 신호의 특징(패턴) 중 파장과 상대흡수도를 나타낸 그래프이다. 도 10(a)는 동일한 분석물 농도, 온도, 습도를 가진 조건에서 멀티모달 센서부(110)의 복수의 센서가 일산화탄소(CO) 센서와 이산화탄소(CO2) 센서로 이종 센서일 경우 신규(정상) 상태일 때 파장과 상대흡수도를 나타낸 그래프이며, 도 10(b)는 동일한 분석물 농도, 온도, 습도를 가진 조건에서 멀티모달 센서부(110)의 복수의 센서가 일산화탄소(CO) 센서와 이산화탄소(CO2) 센서로 이종 센서일 경우 노후 상태일 때 파장과 상대흡수도를 나타낸 그래프이다.
도 10(a) 및 도 10(b)를 참조하면, 이산화탄소(CO2) 센서의 상대흡수도가 도 10(a)의 신규(정상) 상태보다 도 10(b)의 노후 상태가 낮기 때문에 분석부(120)는 이산화탄소(CO2) 센서가 노후 상태인 것으로 분석한다.
도 11은 본 발명의 다른 실시예에 따른 인공신경망을 이용한 멀티모달 센서 이상 감지방법에 순서도이다.
도 11을 참조하면, S1110단계에서는 복수의 센서로 구성된 멀티모달 센서부(110)가 측정 영역 내의 분석물을 측정하고 출력 신호를 생성한다.
S1120단계에서는 분석부(120)가 멀티모달 센서부(110)로부터 출력 신호를 입력 받아 복수의 센서의 신규(정상) 상태, 노후 상태 및 고장 상태 중 적어도 어느 하나에 따른 출력 신호의 특징(패턴)을 추출한다.
S1130단계에서는 분석부(120)가 추출된 출력 신호의 특징(패턴)에 대하여 학습된 인공신경망을 이용하여 복수의 센서의 상태를 분석한다. 여기서, 분석부(120)는 분석한 결과를 출력부(130)로 전송해 출력부(130)가 분석부(120)에서 분석한 결과를 출력할 수 있다.
도 12는 본 발명의 또 다른 실시예에 따른 인공신경망을 이용한 멀티모달 센서 이상 감지방법에 순서도이다.
S1210단계에서는 복수의 센서로 구성된 멀티모달 센서부(110)가 검출 영역 내의 분석물을 측정하고 출력 신호를 생성한다.
S1220단계에서는 온도/습도 측정부(140)가 측정 영역 내의 온도와 습도를 검출한다.
S1230단계에서는 분석부(120)가 멀티모달 센서부(110)와 온도/습도 측정부(140)로부터 출력 신호와 측정한 온도와 습도를 입력 받아 온도, 습도, 복수의 센서의 신규(정상) 상태, 노후 상태, 고장 상태 중 적어도 어느 하나에 따른 출력 신호의 특징(패턴)을 추출한다.
S940단계에서는 분석부(120)가 추출된 출력 신호의 특징(패턴)에 대하여 학습된 인공신경망을 이용하여 복수의 센서의 상태를 분석한다. 여기서, 분석부(120)는 분석한 결과를 출력부(130)로 전송해 출력부(130)가 분석부(120)에서 분석한 결과를 출력할 수 있다.
이상에서 본 발명에 따른 실시 예들이 설명되었으나, 이는 예시적인 것에 불과하며, 본 발명의 속하는 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 범위의 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호범위는 다음의 청구범위에 의해서 정해져야할 것이다.
110 : 멀티모달 센서부 120 : 분석부
130 : 출력부 140 : 온도/습도 측정부

Claims (9)

  1. 측정 영역 내의 분석물을 측정하고 출력 신호를 생성하는 복수의 센서로 구성된 멀티모달 센서부; 및
    상기 멀티모달 센서부를 통해 상기 출력 신호를 입력 받아 상기 복수의 센서의 신규(정상) 상태, 노후 상태 및 고장 상태 중 적어도 어느 하나에 따른 상기 출력 신호의 특징(패턴)을 추출하고, 상기 추출된 출력 신호의 특징(패턴)에 대하여 학습된 인공신경망을 이용하여 상기 복수의 센서의 상태를 분석하는 분석부;를 포함하는 것
    을 특징으로 하는 인공신경망을 이용한 멀티모달 센서 이상 감지 장치.
  2. 제1항에 있어서,
    상기 출력 신호의 특징(패턴)은 상기 인공신경망을 학습시키기 위한 변수로, 상기 변수는 상기 복수의 센서의 상기 신규(정상) 상태, 상기 노후 상태 및 상기 고장 상태 중 적어도 어느 하나에 따른 측정거리, 상기 분석물 농도, 전압, 저항, 전류, 시간, 전기전도도 변화량, 압력 변화량, 흡수강도, 상대 흡수도 및 파장 중 적어도 어느 하나인 것
    을 특징으로 하는 인공신경망을 이용한 멀티모달 센서 이상 감지 장치.
  3. 제1항에 있어서,
    상기 측정 영역 내의 온도와 습도를 측정하는 온도/습도 측정부;를 더 포함하되,
    상기 분석부는 상기 온도/습도 측정부를 통해 측정한 상기 온도와 습도를 더 입력 받아 상기 복수의 센서의 상기 신규(정상) 상태, 상기 노후 상태, 상기 고장 상태, 상기 온도 및 상기 습도 중 적어도 어느 하나에 따른 상기 출력 신호의 특징(패턴)을 추출하고, 상기 추출된 출력 신호의 특징(패턴)에 대하여 학습된 인공신경망을 이용하여 상기 복수의 센서의 상태를 분석하는 것
    을 특징으로 하는 인공신경망을 이용한 멀티모달 센서 이상 감지 장치.
  4. 제3항에 있어서,
    상기 출력 신호의 특징(패턴)은 상기 인공신경망을 학습시키기 위한 변수로, 상기 변수는 상기 복수의 센서의 상기 신규(정상) 상태, 상기 노후 상태, 상기 고장 상태, 상기 온도 및 상기 습도 중 적어도 어느 하나에 따른 측정거리, 상기 분석물 농도, 전압, 저항, 전류, 시간, 전기전도도 변화량, 압력 변화량, 흡수강도, 상대 흡수도 및 파장 중 적어도 어느 하나인 것
    을 특징으로 하는 인공신경망을 이용한 멀티모달 센서 이상 감지 장치.
  5. 제1항에 있어서,
    상기 멀티모달 센서부의 상기 복수의 센서는 2개 이상의 동일한 센서이거나 이종 센서인 것
    을 특징으로 하는 인공신경망을 이용한 멀티모달 센서 이상 감지 장치.
  6. 인공신경망을 이용한 멀티모달 센서 이상 감지 장치의 이상 감지 방법에 있어서,
    복수의 센서로 구성된 멀티모달 센서부가 측정 영역 내의 분석물을 측정하고 출력 신호를 생성하는 단계;
    분석부가 상기 멀티모달 센서부로부터 상기 출력 신호를 입력 받아 상기 복수의 센서의 신규(정상) 상태, 노후 상태, 고장 상태 중 적어도 어느 하나에 따른 상기 출력 신호의 특징(패턴)을 추출하는 단계; 및
    상기 분석부가 상기 추출된 출력 신호의 특징(패턴)에 대하여 학습된 인공신경망을 이용하여 상기 복수의 센서의 상태를 분석하는 단계;를 포함하는 것
    을 특징으로 하는 인공신경망을 이용한 멀티모달 센서 이상 감지 방법.
  7. 제6항에 있어서,
    상기 출력 신호의 특징(패턴)은 상기 인공신경망을 학습시키기 위한 변수로, 상기 변수는 상기 복수의 센서의 상기 신규(정상) 상태, 상기 노후 상태 및 상기 고장 상태 중 적어도 어느 하나에 따른 측정거리, 상기 분석물 농도, 전압, 저항, 전류, 시간, 전기전도도 변화량, 압력 변화량, 흡수강도, 상대 흡수도 및 파장 중 적어도 어느 하나인 것
    을 특징으로 하는 인공신경망을 이용한 멀티모달 센서 이상 감지 장치.
  8. 인공신경망을 이용한 멀티모달 센서 이상 감지 장치의 이상 감지 방법에 있어서,
    복수의 센서로 구성된 멀티모달 센서부가 검출 영역 내의 분석물을 측정하고 출력 신호를 생성하는 단계;
    온도/습도 측정부가 상기 측정 영역 내의 온도와 습도를 검출하는 단계;
    분석부가 상기 멀티모달 센서부와 상기 온도/습도 측정부로부터 상기 출력 신호와 상기 측정한 상기 온도와 상기 습도를 입력 받아 상기 복수의 센서의 신규(정상) 상태, 노후 상태, 고장 상태 중 적어도 어느 하나에 따른 상기 출력 신호의 특징(패턴)을 추출하는 단계; 및
    상기 분석부가 상기 추출된 출력 신호의 특징(패턴)에 대하여 학습된 인공신경망을 이용하여 상기 복수의 센서의 상태를 분석하는 단계;를 포함하는 것
    을 특징으로 하는 인공신경망을 이용한 멀티모달 센서 이상 감지 방법.
  9. 제8항에 있어서,
    상기 출력 신호의 특징(패턴)은 상기 인공신경망을 학습시키기 위한 변수로, 상기 변수는 상기 복수의 센서의 상기 신규(정상) 상태, 상기 노후 상태, 상기 고장 상태, 상기 온도 및 상기 습도 중 적어도 어느 하나에 따른 측정거리, 상기 분석물 농도, 전압, 저항, 전류, 시간, 전기전도도 변화량, 압력 변화량, 흡수강도, 상대 흡수도 및 파장 중 적어도 어느 하나인 것
    을 특징으로 하는 인공신경망을 이용한 멀티모달 센서 이상 감지 장치.
KR1020180102713A 2018-08-30 2018-08-30 인공신경망을 이용한 멀티모달 센서 이상 감지 장치 및 방법 KR20200027088A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020180102713A KR20200027088A (ko) 2018-08-30 2018-08-30 인공신경망을 이용한 멀티모달 센서 이상 감지 장치 및 방법
PCT/KR2018/010654 WO2020045720A1 (ko) 2018-08-30 2018-09-12 인공신경망을 이용한 멀티모달 센서 이상 감지 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180102713A KR20200027088A (ko) 2018-08-30 2018-08-30 인공신경망을 이용한 멀티모달 센서 이상 감지 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20200027088A true KR20200027088A (ko) 2020-03-12

Family

ID=69643139

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180102713A KR20200027088A (ko) 2018-08-30 2018-08-30 인공신경망을 이용한 멀티모달 센서 이상 감지 장치 및 방법

Country Status (2)

Country Link
KR (1) KR20200027088A (ko)
WO (1) WO2020045720A1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220042687A (ko) * 2020-09-28 2022-04-05 김학철 순환 신경망(rnn)을 이용한 스마트팜 센서의 고장여부 판단방법
KR102427631B1 (ko) * 2021-12-10 2022-08-01 한화시스템 주식회사 열상감시장비 상태 확인장치 및 방법
KR102427630B1 (ko) * 2021-12-10 2022-08-01 한화시스템 주식회사 열상감시장비 고장시점 예측장치 및 방법

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022075543A1 (ko) * 2020-10-05 2022-04-14 서울대학교 산학협력단 멀티모달센서를 이용한 이상탐지 방법 및 이를 수행하기 위한 컴퓨팅 장치

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19980012758U (ko) * 1996-08-28 1998-06-05 이대원 고장표시가능한 온도측정장치
JP2005251185A (ja) * 2004-02-05 2005-09-15 Toenec Corp 電気設備診断システム
KR101144213B1 (ko) * 2009-11-19 2012-05-11 (주)인디스디앤아이 가공배전선로 전력설비의 불량 점검을 위한 초음파 검출장치
US9568461B2 (en) * 2012-12-31 2017-02-14 Mastinc Multi-modal fluid condition sensor platform and system therefor
KR101499674B1 (ko) * 2014-02-25 2015-03-09 주식회사 휘성 진단부분 촬영이 가능한 전력설비의 절연열화 진단장치

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220042687A (ko) * 2020-09-28 2022-04-05 김학철 순환 신경망(rnn)을 이용한 스마트팜 센서의 고장여부 판단방법
KR102427631B1 (ko) * 2021-12-10 2022-08-01 한화시스템 주식회사 열상감시장비 상태 확인장치 및 방법
KR102427630B1 (ko) * 2021-12-10 2022-08-01 한화시스템 주식회사 열상감시장비 고장시점 예측장치 및 방법

Also Published As

Publication number Publication date
WO2020045720A1 (ko) 2020-03-05

Similar Documents

Publication Publication Date Title
KR20200027088A (ko) 인공신경망을 이용한 멀티모달 센서 이상 감지 장치 및 방법
CN109186813B (zh) 一种温度传感器自检装置及方法
JP4308437B2 (ja) センサの性能確認装置および方法
EP1581880B1 (en) Classification of deviations in a process
Li et al. Sensor fault detection with generalized likelihood ratio and correlation coefficient for bridge SHM
US11428658B2 (en) Gas sensing device and method for operating a gas sensing device
SE0101526D0 (sv) System, apparatus and method for diagnosing flow processes
KR20210091737A (ko) 비정상 기계 성능의 자동화된 분석
JP2007248089A (ja) 自己診断型自動分析装置
KR102419687B1 (ko) IoT를 기반으로 하는 이상 탐지 방법 및 그 장치
KR102407112B1 (ko) 딥러닝 기반 모델링을 통한 미량오염물질 정밀검출 장치 및 방법
US20150053861A1 (en) Interference-compensating NDIR Gas Sensor for Measuring Acetylene
CN101329271A (zh) 工业在线近红外光谱检测装置
KR20220007538A (ko) 가스들의 혼합물에서 하나 이상의 가스를 감지하기 위한 가스 감지 디바이스
Steiner et al. A support vector regression-based approach towards decentralized fault diagnosis in wireless structural health monitoring systems
US11002133B2 (en) Multigas multisensor redundant Mudlogging system
Dmitrzak et al. Identification of defected sensors in an array of amperometric gas sensors
US20200278332A1 (en) Method and test device for testing a gas sensor, and system consisting of a gas sensor and a test device
Wang et al. Self-repairing infrared electronic nose based on ensemble learning and PCA fault diagnosis
CN108139348B (zh) 制冷剂分析仪及其使用方法
Schober et al. An IoT-Based Anomaly Detection and Identification Approach for Gas Sensor Networks
Wide et al. An air-quality sensor system with fuzzy classification
Schober et al. Gas Discrimination Analysis of Neural Network Algorithms for a Graphene-Based Electronic Nose
KR102286814B1 (ko) 가중 거리 자기 연상 양방향 커널 회귀에서 최적 시간 커널을 서치하는 장치 및 그 방법
Padilla et al. Poisoning fault diagnosis in chemical gas sensor arrays using multivariate statistical signal processing and structured residuals generation

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application