KR20200071796A - Apparatus for measuring air quality and system therefor - Google Patents
Apparatus for measuring air quality and system therefor Download PDFInfo
- Publication number
- KR20200071796A KR20200071796A KR1020180151260A KR20180151260A KR20200071796A KR 20200071796 A KR20200071796 A KR 20200071796A KR 1020180151260 A KR1020180151260 A KR 1020180151260A KR 20180151260 A KR20180151260 A KR 20180151260A KR 20200071796 A KR20200071796 A KR 20200071796A
- Authority
- KR
- South Korea
- Prior art keywords
- concentration
- fine dust
- concentrations
- unit
- air
- Prior art date
Links
- 238000005259 measurement Methods 0.000 claims abstract description 132
- 238000012545 processing Methods 0.000 claims abstract description 48
- 230000005260 alpha ray Effects 0.000 claims abstract description 33
- 230000005250 beta ray Effects 0.000 claims abstract description 33
- 238000000149 argon plasma sintering Methods 0.000 claims abstract description 24
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 238000010801 machine learning Methods 0.000 claims abstract description 5
- 239000000428 dust Substances 0.000 claims description 121
- 238000013527 convolutional neural network Methods 0.000 claims description 37
- 238000000034 method Methods 0.000 claims description 29
- 238000004891 communication Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 7
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 claims description 5
- 229910052709 silver Inorganic materials 0.000 claims description 5
- 239000004332 silver Substances 0.000 claims description 5
- 238000013500 data storage Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims 2
- 238000004364 calculation method Methods 0.000 claims 1
- 239000013618 particulate matter Substances 0.000 abstract description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 6
- 239000002245 particle Substances 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000004094 preconcentration Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005865 ionizing radiation Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000010419 fine particle Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000010561 standard procedure Methods 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
- G01N15/0205—Investigating particle size or size distribution by optical means
- G01N15/0211—Investigating a scatter or diffraction pattern
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Emergency Management (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Dispersion Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
Description
본 발명은 공기질 측정 장치 및 시스템에 관한 것으로서, 더욱 상세하게는 공기 중에 포함된 미세먼지의 양을 측정하기 용이한 공기질 측정 장치 및 시스템에 관한 것이다.The present invention relates to an air quality measuring device and system, and more particularly to an air quality measuring device and system that is easy to measure the amount of fine dust contained in the air.
대기 중의 입자상 오염물질(particulate matter; PM)은 다양한 종류의 화학적 성질을 갖는 미립자이다. 특히, 직간접적으로 인체에 해로운 영향을 주는 미세먼지는 인위적인 산업활동에 의해 발생되는 입자가 대부분을 차지한다.Particulate matter (PM) in the atmosphere is fine particles having various kinds of chemical properties. Particularly, fine dust, which directly or indirectly affects the human body, occupies most of particles generated by artificial industrial activities.
미세먼지는 눈에 보이지 않을 만큼 미세한 입자의 먼지로, 지름 10㎛ 이하의 먼지를 말하며, 크기에 따라 PM10의 미세먼지, PM2.5의 초미세먼지, PM1,0의 극초미세먼지으로 구분한다. PM(Particulate Matter)이란 ‘입자상 물질(대기 중에 떠다니는 고체 또는 액체 상태의 미세 입자)’이라는 뜻으로 PM10은 입자의 크기가 지름 10㎛ 이하, PM2.5는 지름 2.5㎛ 이하, PM1.0은 지름 1.0㎛ 이하의 먼지이다. 극초미세먼지의 경우 폐포와 혈관에 더 잘 침투하여 건강에 영향이 더 클 수 있어, 관심이 고조되고 있다.Fine dust is dust that is invisibly fine and refers to dust with a diameter of 10 µm or less, and is classified into PM10 fine dust, PM2.5 ultrafine dust, and PM1,0 ultrafine dust according to size. PM (Particulate Matter) means'particulate matter (solid or liquid fine particles floating in the air)'. PM10 has a particle size of 10㎛ or less, PM2.5 has a diameter of 2.5㎛ or less, and PM1.0 is It is dust with a diameter of 1.0 µm or less. In the case of ultra-fine dust, the alveoli and blood vessels can penetrate better and have a greater impact on health.
대기오염 공정시험기준에 따르면 대기환경 중 미세먼지를 측정하는 표준법으로 베타선흡수법과 중량농도법을 명시하고 있다.According to the air pollution process test standards, the beta-ray absorption method and the weight concentration method are specified as standard methods for measuring fine dust in the air environment.
베타선흡수법은 베타선원으로부터 방출된 베타선이 공기필터 위에 채취된 먼지를 통과할때 흡수되는 베타선의 상대적인 세기를 측정하여 미세먼지의 질량농도를 측정하는 방법이다. 간접법이 가지는 측정방법상의 한계로 인해 정확한 질량값을 도출해내기 위해서는 중량법과 비교검증단계를 거쳐야 하는 단점을 지니고 있다.The beta ray absorption method is a method of measuring the mass concentration of fine dust by measuring the relative intensity of beta rays absorbed when beta rays emitted from a beta source pass through dust collected on an air filter. Due to limitations in the measurement method of the indirect method, it has the disadvantage of having to go through the weight method and the comparative verification step to derive an accurate mass value.
중량농도법은 대기환경 중 PM10 혹은 PM2.5의 질량 농도를 측정하는 방법 중 하나이다. 시료채취기를 사용하여 대기 중 미세먼지 시료를 채취하고, 채취 전, 후 필터의 무게 차이를 질량농도로 계산한다. 중량농도법은 오랜 시간 시료를 포집해야 하는 불편함과, 채취 중의 농도변화를 파악할 수 없는 한계를 지니고 있다.The weight concentration method is one of methods for measuring the mass concentration of PM10 or PM2.5 in the atmospheric environment. Using a sampler, samples of fine dust in the air are collected, and the difference in weight between the filters before and after collection is calculated as the mass concentration. The weight concentration method has the inconvenience of collecting samples for a long time, and has limitations in that it is impossible to grasp the concentration change during collection.
위에서 언급한 표준법은 아니지만, 시료를 채취하지 않은 상태에서 직독할 수 있는 광산란법도 일반적으로 많이 사용되고 있다.Although not the standard method mentioned above, the light scattering method that can be read directly without taking a sample is also generally used.
광산란법은 대기 중에 부유하고 있는 입자상 물질(PM)에 빛을 조사하면 입자에 의해 산란되게 되는데, 이때 물리적 성질이 동일한 입자상 물질의 빛을 조사하면 산란광의 양은 질량농도에 비례하게 된다는 원리를 이용하여 입자상 물질의 양을 측정하는 기술이다.In the light scattering method, when light is irradiated to particulate matter (PM) suspended in the atmosphere, it is scattered by particles. At this time, when light of particulate matter having the same physical properties is irradiated, the amount of scattered light is proportional to the mass concentration. It is a technique to measure the amount of particulate matter.
광산란을 이용하는 방법 중에는 세 개의 파장을 가지는 광원을 이용하여 산란입자량을 측정하는 네펠로미터법과 레이저와 같은 단일 파장이나 LED에서 발생하는 단일 파장에 가까운 광원을 이용하여 산란입자량을 측정하는 스펙트로미터법이 있다.Among the methods using light scattering, a nephelometer method for measuring the amount of scattered particles using a light source having three wavelengths and a spectrometer method for measuring the amount of scattered particles using a single wavelength such as a laser or a light source close to a single wavelength generated from an LED. There is this.
광산란법은 미세먼지로 인해 빛의 산란정도를 개수로 변환하고 계산되는 중량값을 이용하는 부분에 있어 외부 환경 변화에 따른 정확성이 감소하는 한계가 존재한다. 특히, 수분의 정확도를 감소시키는 외부환경 요인 중에서도 제일 큰 영향을 미친다.In the light scattering method, there is a limitation in that accuracy is reduced due to changes in the external environment in the part of converting the degree of light scattering to a number due to fine dust and using the calculated weight value. In particular, it has the greatest impact among external environmental factors that reduce the accuracy of moisture.
최근들어, 공기에 포함된 수분의 정확도를 높여 미세먼지에 대한 정확한 농도를 측정하기 위한 연구가 진행 중에 있다.Recently, research is underway to increase the accuracy of the moisture contained in the air to measure the exact concentration of fine dust.
본 발명의 목적은, 공기 중에 포함된 미세먼지의 양을 측정하기 용이한 공기질 측정 장치 및 시스템을 제공함에 있다.An object of the present invention is to provide an air quality measuring device and system that is easy to measure the amount of fine dust contained in the air.
또한, 본 발명의 목적은, 광산란 방식 및 방사선 방식을 적용하여 공기 중에 포함된 수분의 양 및 미세먼지의 양을 측정하고, 딥 러닝 방식에 따라 오차를 보정하여 정확한 미세먼지의 양을 측정하기 용이한 공기질 측정 장치 및 시스템을 제공함에 있다.In addition, the object of the present invention is to measure the amount of moisture and fine dust contained in the air by applying a light scattering method and a radiation method, and correct the error according to a deep learning method to easily measure the amount of fine dust. An air quality measuring device and system are provided.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.The objects of the present invention are not limited to the above-mentioned objects, and other objects and advantages of the present invention not mentioned can be understood by the following description, and will be more clearly understood by embodiments of the present invention. In addition, it will be readily appreciated that the objects and advantages of the present invention can be realized by means of the appended claims and combinations thereof.
본 발명에 따른 공기질 측정 장치는, 부유 미립자가 필터링된 공기에 광을 방출하여 산란된 산란광을 기반으로 제1 전류를 측정하는 광산란 측정부, 상기 공기에 알파선을 방출하여 전리된 제2 전류를 측정하는 알파선 전리측정부, 상기 공기에 베타선을 방출하여 전리된 제3 전류를 측정하는 베타선 전리측정부 및 기준챔버의 공기, 미세먼지 및 수분의 농도를 이용하여 산출하여 설정된 제1 내지 제3 비례상수 세트값을 기반으로, 상기 제1 내지 제3 전류에 대한 상기 미세먼지의 제1 농도 및 수분의 제2 농도를 결정하고, 상기 제1 및 제2 농도의 측정 오차를 머신러닝/딥러닝 연산하여 상기 미세먼지의 최종 농도를 결정하는 데이터 처리부를 포함할 수 있다.The air quality measuring device according to the present invention is a light scattering measurement unit that measures the first current based on the scattered light scattered by emitting light in the air in which suspended particulates are filtered, and measures the ionized second current by emitting alpha rays to the air The alpha-ray ionization measurement unit, a beta-ray ionization measurement unit that emits beta rays to the air to measure the ionized third current, and a first to third proportional constant set by calculating using concentrations of air, fine dust and moisture in the reference chamber Based on the set value, the first concentration of the fine dust for the first to third currents and the second concentration of moisture are determined, and the measurement error of the first and second concentrations is calculated by machine learning/deep learning It may include a data processing unit for determining the final concentration of the fine dust.
상기 데이터 처리부는, 상기 제1 내지 제3 전류 및 상기 제1 내지 제3 비례상수 세트값을 저장하는 데이터 저장부, 상기 제1 내지 제3 전류 및 상기 제1 내지 제3 비례상수 세트값을 기반으로, 상기 제1 내지 제3 전류에 대한 상기 제1 및 제2 농도를 결정하는 농도 결정부 및 상기 제1 및 제2 농도의 측정 오차를 딥러닝 연산하여 상기 미세먼지의 최종 농도를 측정하는 농도 측정부를 포함할 수 있다.The data processor is based on the data storage unit storing the first to third currents and the first to third proportional constant set values, and the first to third currents and the first to third proportional constant set values. As a concentration, a concentration determination unit for determining the first and second concentrations for the first to third currents and a deep learning operation for measuring errors of the first and second concentrations to measure the final concentration of the fine dust It may include a measuring unit.
상기 농도 결정부는, 상기 제1 내지 제3 전류를 아래의 다중 선형 회귀식을 이용하여 분석하여 상기 제1 및 제2 농도를 연산할 수 있다.The concentration determining unit may calculate the first and second concentrations by analyzing the first to third currents using the following multiple linear regression equation.
상기 농도 측정부는, 이전 입력된 미세먼지의 제1 이전 농도들 및 수분의 제2 이전 농도들을 기반으로 컨볼루션 신경망(Convolutional Neural Network, CNN)에 대하여 상기 미세먼지의 제1 예측농도 및 상기 수분의 제2 예측 농도를 출력하는 CNN 학습 처리부, 현재 시점 이전에 입력된 미세먼의 제1 이전 시점 농도들 및 수분의 제2 이전 시점 농도들을 설정된 tanh 함수에 적용하여 상기 현재 시점에서 상기 미세먼지의 제3 예측농도 및 상기 수분의 제4 예측 농도를 출력하는 LSTM 학습 처리부 및 상기 제1 내지 제4 예측농도과, 상기 제1 및 제2 농도를 비교하여 상기 측정 오차를 연산하고, 상기 측정 오차만큼 상기 제2 농도를 보정하여 상기 제1 농도가 최종적으로 보정된 상기 미세먼지의 최종 농도를 결정하는 오차보정부를 포함할 수 있다.The concentration measurement unit, based on the first previous concentrations of the previously input fine dust and the second previous concentrations of moisture, based on the convolutional neural network (CNN), the first predicted concentration of the fine dust and the moisture The CNN learning processing unit outputting the second predicted concentration, applying the first previous viewpoint concentrations of the fine dust input before the current viewpoint and the second previous viewpoint concentrations of the moisture to the set tanh function to remove the fine dust at the current viewpoint. 3 LSTM learning processing unit outputting the predicted concentration and the fourth predicted concentration of the moisture, and the first to fourth predicted concentrations, and comparing the first and second concentrations to calculate the measurement error, and calculate the measurement error by the measurement error. 2 It may include an error correction to determine the final concentration of the fine dust is the first concentration is corrected by correcting the concentration.
본 발명에 따른 공기질 측정 장치는, 상기 미세먼지의 최종 농도가 설정된 기준 농도보다 높으면 알림 메시지를 생성하는 메시지 생성부 및 상기 알림 메시지 생성 시, 상기 알림 메시지를 표시하는 표시부를 더 포함할 수 있다.The apparatus for measuring air quality according to the present invention may further include a message generating unit generating a notification message when the final concentration of the fine dust is higher than a preset reference concentration, and a display unit displaying the notification message when the notification message is generated.
본 발명에 따른 공기질 측정 장치는, 상기 알림 메시지를 기 설정된 이동 단말기로 송신하는 통신부를 더 포함할 수 있다.The apparatus for measuring air quality according to the present invention may further include a communication unit transmitting the notification message to a preset mobile terminal.
상기 통신부는, 상기 제1 및 제2 이전 농도들과, 상기 제1 및 제2 이전 시점 농도들을 인접한 다른 공기질 측정장치들 및 데이터 서버들로부터 수신할 수 있다.The communication unit may receive the first and second pre-concentrations and the first and second pre-concentration concentrations from adjacent air quality measuring devices and data servers.
본 발명에 따른 공기질 측정 시스템은, 측정 영역에서 미세먼지의 농도를 측정하는 공기질 측정 장치 및 복수의 다른 공기질 측정 장치 각각으로부터 송신된 농도 데이터들을 수신하고, 상기 공기질 측정 장치로 상기 농도 데이터들을 송신하는 데이터 베이스 서버를 포함하고, 상기 공기질 측정 장치는, 상기 농도 데이터들 중 상기 측정 영역에 인접한 제1 및 제2 측정 영역에 해당되는 제1 및 2 특정 농도 데이터를 추출하고, 상기 제1 및 제2 특정 농도 데이터 각각에 포함된 상기 미세먼지의 제1 및 제2 특정 농도와 상기 미세먼지의 농도 사이의 제1 및 제2 농도 차이값 중 적어도 하나가 설정된 기준 농도값 범위에 속하지 않으면, 상기 제1 및 제2 특정 농도 사이의 차이값과 상기 미세먼지의 농도에 대한 측정 오차를 기반으로 상기 미세먼지의 최종 농도를 결정할 수 있다.The air quality measurement system according to the present invention receives concentration data transmitted from each of a plurality of different air quality measurement devices and an air quality measurement device for measuring the concentration of fine dust in a measurement area, and transmits the concentration data to the air quality measurement device Including a database server, the air quality measuring device, the first and second specific concentration data corresponding to the first and second measurement areas adjacent to the measurement area among the concentration data, and extracts, the first and second If at least one of the first and second concentration difference values between the first and second specific concentrations of the fine dust and the concentration of the fine dust included in each of the specific concentration data does not fall within the set reference concentration value range, the first And a final concentration of the fine dust based on a difference between the second specific concentration and a measurement error for the concentration of the fine dust.
상기 공기질 측정 장치는, 상기 측정 영역에서 부유 미립자가 필터링된 공기에 광을 방출하여 산란된 산란광을 기반으로 제1 전류를 측정하는 광산란 측정부, 상기 공기에 알파선을 방출하여 전리된 제2 전류를 측정하는 알파선 전리측정부, 상기 공기에 베타선을 방출하여 전리된 제3 전류를 측정하는 베타선 전리측정부 및 기준챔버 내의 공기, 미세먼지 및 수분의 농도를 산출하여 설정된 제1 내지 제3 비례상수 세트값을 기반으로, 상기 제1 내지 제3 전류에 대한 상기 미세먼지의 제1 농도 및 수분의 제2 농도를 결정하고, 상기 제1 및 제2 농도의 오차를 머신러닝/딥러닝 연산하여 상기 미세먼지의 농도에 대한 측정 오차를 결정하며, 상기 농도 데이터들 중 상기 제1 및 2 특정 농도 데이터를 추출하고, 상기 제1 및 제2 특정 농도 데이터 각각에 포함된 상기 미세먼지의 제1 및 제2 특정 농도와 상기 미세먼지의 농도 사이의 제1 및 제2 농도 차이값이 설정된 기준 농도값 범위에 속하지 않으면, 상기 제1 및 제2 특정 농도 사이의 차이값과 상기 측정 오차를 기반으로 상기 미세먼지의 최종 농도를 결정하는 데이터 처리부를 포함할 수 있다.The air quality measuring device, the light scattering measurement unit for measuring the first current based on the scattered light scattered by emitting light to the air is filtered in the measurement region, the second current ionized by emitting alpha rays to the air Alpha ray ionization measurement unit to measure, beta ray ionization measurement unit to measure the ionized third current by emitting beta rays to the air, and a set of first to third proportional constants calculated by calculating concentrations of air, fine dust and moisture in the reference chamber Based on a value, the first concentration of the fine dust and the second concentration of moisture for the first to third currents are determined, and the error of the first and second concentrations is machine-learned/deep-learned to calculate the fine Determining the measurement error for the concentration of dust, extracting the first and second specific concentration data among the concentration data, and the first and second of the fine dust included in each of the first and second specific concentration data If the first and second concentration difference values between the specific concentration and the concentration of the fine dust do not fall within the set reference concentration value range, the fine dust is based on the difference between the first and second specific concentration values and the measurement error. It may include a data processing unit for determining the final concentration of.
상기 데이터 처리부는, 상기 제1 내지 제3 전류 및 상기 제1 내지 제3 비례상수 세트값을 저장하는 데이터 저장부, 상기 제1 내지 제3 전류 및 상기 제1 내지 제3 비례상수 세트값을 기반으로, 상기 제1 내지 제3 전류에 대한 상기 제1 및 제2 농도를 결정하는 농도 결정부, 상기 제1 및 제2 농도의 오차를 딥러닝 연산하여 상기 측정 오차를 결정하는 오차 결정부, 상기 제1 및 2 특정 농도 데이터를 추출하고, 상기 제1 및 제2 농도 차이값이 상기 기준 농도값 범위에 속하는지 여부를 판단하는 농도 판단부 및 상기 제1 및 제2 농도 차이값이 상기 기준 농도값 범위에 속하지 않으면, 상기 제1 및 제2 특정 농도 사이의 차이값과 상기 측정 오차를 기반으로 상기 미세먼지의 최종 농도를 결정하는 농도 측정부를 포함할 수 있다.The data processor is based on the data storage unit storing the first to third currents and the first to third proportional constant set values, and the first to third currents and the first to third proportional constant set values. As, a concentration determination unit for determining the first and second concentrations for the first to third currents, an error determination unit for determining the measurement error by deep learning the errors of the first and second concentrations, the A concentration determination unit for extracting first and second specific concentration data and determining whether the first and second concentration difference values fall within the reference concentration value range, and the first and second concentration difference values are the reference concentrations If it does not fall within the value range, a concentration measurement unit may determine a final concentration of the fine dust based on a difference between the first and second specific concentrations and the measurement error.
상기 농도 결정부는, 상기 제1 내지 제3 전류를 아래의 다중 선형 회귀식을 이용하여 분석하여 상기 제1 및 제2 농도를 연산할 수 있다.The concentration determining unit may calculate the first and second concentrations by analyzing the first to third currents using the following multiple linear regression equation.
여기서, IL은 제1 전류, Iα는 제2 전류, Iβ는 제3 전류, A는 공기의 농도값, P는 미세먼지의 제1 농도, W는 수분의 제2 농도, Ka1, Ka2, Ka3 각각은 광, 알파선, 베타선 방출시 공기 농도에 비례하여 설정된 전류의 크기를 나타낸 제1 비례상수 세트값, Kp1, Kp2, Kp3는 광, 알파선, 베타선 방출 시 공기 농도에 비례하여 설정된 전류의 크기를 나타낸 제2 비례상수 세트값, Kw1, kw2, Kw3는 광, 알파선, 베타선 방출 시 수분 농도에 비례하여 설정된 전류의 크기를 나타낸 제3 비례상수 세트값이다.Here, IL is the first current, Iα is the second current, Iβ is the third current, A is the concentration value of air, P is the first concentration of fine dust, W is the second concentration of moisture, Ka1, Ka2, Ka3, respectively The first set of proportional constants that show the magnitude of the current set in proportion to the air concentration when emitting silver light, alpha ray, beta ray, and Kp1, Kp2, and Kp3 indicate the amount of current set in proportion to the air concentration when emitting light, alpha ray, beta ray The second proportional constant set value, Kw1, kw2, Kw3 is the third proportional constant set value showing the magnitude of the current set in proportion to the moisture concentration when emitting light, alpha rays, beta rays.
상기 오차 결정부는, 이전 입력된 미세먼지의 제1 이전 농도들 및 수분의 제2 이전 농도들을 기반으로 컨볼루션 신경망(Convolutional Neural Network, CNN)에 대하여 상기 미세먼지의 제1 예측농도 및 상기 수분의 제2 예측 농도를 출력하는 CNN 학습 처리부, 현재 시점 이전에 입력된 미세먼지의 제1 이전 시점 농도들 및 수분의 제2 이전 시점 농도들을 설정된 tanh 함수에 적용하여 상기 현재 시점에서 상기 미세먼지의 제3 예측농도 및 상기 수분의 제4 예측 농도를 출력하는 LSTM 학습 처리부 및 상기 제1 내지 제4 예측농도과, 상기 제1 및 제2 농도를 비교 연산하여 상기 측정 오차를 결정하는 결정부를 포함할 수 있다.The error determination unit is based on the first previous concentrations of the previously input fine dust and the second previous concentrations of moisture, based on the convolutional neural network (CNN), the first predicted concentration of the fine dust and the moisture The CNN learning processing unit outputting the second predicted concentration, applying the first previous viewpoint concentrations of the fine dust input before the current viewpoint and the second previous viewpoint concentrations of the moisture to the set tanh function to remove the fine dust at the current viewpoint. 3 An LSTM learning processing unit for outputting the predicted concentration and the fourth predicted concentration of the moisture, and a determining unit for determining the measurement error by comparing and calculating the first to fourth predicted concentrations and the first and second concentrations .
상기 농도 측정부는, 상기 제1 및 제2 농도 차이값이 상기 기준 농도값 범위에 속하지 않으면, 상기 제1 및 제2 특정 농도 사이의 차이값에 상기 측정 오차를 가감한 오차값을 연산하고, 상기 제1 및 제2 특정 농도의 평균 농도값에 상기 오차값을 가감하여 상기 미세먼지의 최종 농도를 결정할 수 있다.The concentration measurement unit calculates an error value obtained by adding or subtracting the measurement error to a difference value between the first and second specific concentrations when the first and second concentration difference values do not fall within the reference concentration value range. The final concentration of the fine dust may be determined by adding or subtracting the error value to the average concentration values of the first and second specific concentrations.
상기 농도 측정부는, 상기 제1 및 제2 농도 차이값이 상기 기준 농도값 범위에 속하면, 상기 미세먼지의 농도에 상기 측정 오차를 가감하여 상기 미세먼지의 최종 농도를 결정할 수 있다.The concentration measurement unit may determine the final concentration of the fine dust by adding or subtracting the measurement error to the concentration of the fine dust when the first and second concentration difference values fall within the reference concentration value range.
상기 공기질 측정 장치는, 상기 미세먼지의 최종 농도가 설정된 기준 농도보다 높으면 알림 메시지를 생성하는 메시지 생성부 및 상기 알림 메시지 생성 시, 상기 알림 메시지를 표시하는 표시부를 더 포함할 수 있다.The air quality measuring device may further include a message generating unit for generating a notification message when the final concentration of the fine dust is higher than a preset reference concentration, and a display unit for displaying the notification message when the notification message is generated.
상기 공기질 측정 장치는, 상기 알림 메시지를 기 설정된 이동 단말기로 송신하고, 상기 데이터베이스 서버로부터 송신된 상기 농도 데이터들을 수신하는 통신부를 더 포함할 수 있다.The apparatus for measuring air quality may further include a communication unit that transmits the notification message to a preset mobile terminal and receives the concentration data transmitted from the database server.
본 발명에 따른 공기질 측정 장치 및 시스템은 공기로 광, 알파선 및 베타선을 방출하여 측정한 제1 내지 제3 전류를 머신러닝/딥러닝 연산하여 측정 오차가 보정된 미세먼지의 최종 농도를 측정할 수 있음으로써, 미세먼지의 농도를 정확하게 측정할 수 있는 이점이 있다.The apparatus and system for measuring air quality according to the present invention can measure the final concentration of fine dust whose measurement error is corrected by performing machine learning/deep learning on the first to third currents measured by emitting light, alpha rays, and beta rays into the air. By having, there is an advantage that can accurately measure the concentration of fine dust.
상술한 효과와 더불어 본 발명의 구체적인 효과는 이하 발명을 실시하기 위한 구체적인 사항을 설명하면서 함께 기술한다. In addition to the above-described effects, the concrete effects of the present invention will be described together while describing the specific matters for carrying out the invention.
도 1은 본 발명에 따른 공기질 측정 장치의 제어 구성을 나타낸 제어 블록도이다.
도 2는 도 1에 나타낸 광산란 측정부에 대한 일 예를 나타낸 도이다.
도 3은 도 1에 나타낸 알파선 및 베타선 전리측정부에 대한 일 예를 나타낸 도이다.
도 4는 본 발명에 따른 공기질 측정 장치의 동작 방법을 나타낸 순서도이다.
도 5는 본 발명에 따른 공기질 측정 시스템을 간략하게 나타낸 시스템도이다.
도 6은 도 5에 나타낸 공기질 측정 장치의 제어 구성을 나타낸 제어 블록도이다.1 is a control block diagram showing a control configuration of an air quality measuring apparatus according to the present invention.
2 is a view showing an example of the light scattering measurement unit shown in FIG. 1.
FIG. 3 is a diagram showing an example of the alpha-ray and beta-ray ionization measurement units illustrated in FIG. 1.
Figure 4 is a flow chart showing the operation method of the air quality measuring apparatus according to the present invention.
5 is a system diagram briefly showing an air quality measurement system according to the present invention.
FIG. 6 is a control block diagram showing a control configuration of the air quality measuring device shown in FIG. 5.
본 명세서 및 특허청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여, 본 발명의 기술적 사상에 부합되는 의미와 개념으로 해석되어야만 한다. 또한, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 하나의 실시예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.The terms or words used in the present specification and claims should not be interpreted as being limited to ordinary or dictionary meanings, and the inventor may appropriately define the concept of terms in order to explain his or her invention in the best way. Based on the principle that it can be, it should be interpreted as meanings and concepts consistent with the technical spirit of the present invention. In addition, the embodiments shown in the embodiments and the drawings shown in the present specification are only one of the most preferred embodiments of the present invention, and do not represent all of the technical spirit of the present invention, and can be replaced at the time of application. It should be understood that there may be various equivalents and variations.
이하, 본 발명의 실시예에 따른 공기질 측정 장치에 관하여 도면을 참조하여 상세하게 설명하도록 한다.Hereinafter, an air quality measuring apparatus according to an embodiment of the present invention will be described in detail with reference to the drawings.
도 1은 본 발명에 따른 공기질 측정 장치의 제어 구성을 나타낸 제어 블록도, 도 2는 도 1에 나타낸 광산란 측정부에 대한 일 예를 나타낸 도, 및 도 3은 도 1에 나타낸 알파선 및 베타선 전리측정부에 대한 일 예를 나타낸 도이다.1 is a control block diagram showing a control configuration of an air quality measuring apparatus according to the present invention, FIG. 2 is a view showing an example of a light scattering measurement unit shown in FIG. 1, and FIG. 3 is an alpha ray and a beta ray ionization measurement shown in FIG. 1 It is a diagram showing an example of wealth.
도 1 내지 도 3을 참조하면, 공기질 측정 장치(100)는 광산란 측정부(110), 알파선 전리측정부(120), 베타선 전리측정부(130) 및 데이터 처리부(140)를 포함할 수 있다.1 to 3, the air
광산란 측정부(110)는 광원에서 발생되는 광자선(이하, '광'으로 칭함)을 공기, 미세먼지, 수분 등에 의해 산란되어 수광부에 도달하는 산란광을 기반으로 제1 전류(IL)를 측정한다.The light
여기서, 도 2는 광산란 측정부(110)에서 공기, 미세먼지, 수분 등 산란광의 정도를 나타낸 도이며, 제1 전류(IL)의 크기는 부유물질의 농도에 비례할 수 있다.Here, FIG. 2 is a diagram showing the degree of scattered light such as air, fine dust, and moisture in the light
알파선 전리측정부(120)는 알파선을 방출하는 알파선원을 이용할 수 있다. 또한, 베타선 전리측정부(130)는 베타선을 방출하는 베타선원을 이용할 수 있다.The alpha ray
여기서, 전리 방사선인 알파선 및 베타선이 공기 또는 물질에서 진행하는 평균거리를 비정(range)이라 하며, 상기 비정은 전리 방사선의 에너지와 투과하는 물질의 성질(원자량, 분자량, 밀도, 온도 등)에 따라 그 크기가 다를 수 있다.Here, the average distance that the alpha and beta rays, which are ionizing radiation, travels in the air or the material is called a range, and the amorphousness depends on the energy of the ionizing radiation and the properties of the material (atomic mass, molecular weight, density, temperature, etc.). The size can be different.
또한, 상기 전리 방사선은 물질을 이온화시키는 전리작용(ionization)이 있는데, 알파선과 베타선은 그 에너지에 따라 전리 정도가 다르다. 또한 전리시키는 물질의 종류에 따라서도 그 정도가 다를 수 있다.In addition, the ionizing radiation has ionization to ionize substances, and the degree of ionization differs depending on the energy of alpha rays and beta rays. In addition, the degree may vary depending on the type of material to be ionized.
도 3은 알파선 전리측정부(120) 및 베타선 전리측정부(130)에서 공기, 미세먼지, 수분 등 산란광의 정도를 나타낸 도이며, 제2 및 제3 전류(Iα, Iβ)의 크기는 부유물질의 농도에 비례할 수 있다.3 is a diagram showing the degree of scattered light such as air, fine dust, and moisture in the alpha ray
데이터 처리부(140)는 저장부(141), 농도 결정부(143), 농도 측정부(145), 메시지 생성부(147) 및 표시부(149)를 포함할 수 있다.The
저장부(141)는 광산란 측정부(110)에서 측정된 제1 전류(IL), 알파선 전리 측정부(120)에서 측정된 제2 전류(Iα) 및 베타선 측정부(130)에서 측정된 제3 전류(Iβ)를 저장할 수 있다. 저장부(141)는 농도 결정부(143)에서 기준챔버 내의 공기, 미세먼지 및 수분의 농도를 산출하여 설정된 제1 내지 제3 비례상수 세트값(Q1 내지 Q3)를 저장할 수 있다.The
농도 결정부(143)는 제1 내지 제3 전류(IL, Iα, Iβ)를 아래의 다중 선형 회귀식을 이용하여 제1 및 제2 농도를 결정할 수 있다.The
여기서, 상기 제1 농도는 미세먼지의 농도이며, 상기 제2 농도는 수분의 농도일 수 있다. 이외에, 공기의 농도를 결정할 수 있다.Here, the first concentration may be a concentration of fine dust, and the second concentration may be a concentration of moisture. In addition, the concentration of air can be determined.
여기서, IL은 제1 전류, Iα는 제2 전류, Iβ는 제3 전류, A는 공기의 농도값, P는 미세먼지의 제1 농도, W는 수분의 제2 농도, Ka1, Ka2, Ka3 각각은 광, 알파선, 베타선 방출시 공기 농도에 비례하여 설정된 전류의 크기를 나타낸 제1 비례상수 세트값(Q1), Kp1, Kp2, Kp3는 광, 알파선, 베타선 방출 시 공기 농도에 비례하여 설정된 전류의 크기를 나타낸 제2 비례상수 세트값(Q2), Kw1, kw2, Kw3는 광, 알파선, 베타선 방출 시 수분 농도에 비례하여 설정된 전류의 크기를 나타낸 제3 비례상수 세트값(Q3)이다.Here, IL is the first current, Iα is the second current, Iβ is the third current, A is the concentration value of air, P is the first concentration of fine dust, W is the second concentration of moisture, Ka1, Ka2, Ka3, respectively The first proportional constant set value (Q1) showing the magnitude of the current set in proportion to the air concentration when emitting silver light, alpha ray, beta ray, Kp1, Kp2, Kp3 is the current set in proportion to the air concentration when emitting light, alpha ray, beta ray The second proportional constant set value (Q2) showing the magnitude, Kw1, kw2, and Kw3 is the third proportional constant set value (Q3) showing the magnitude of the current set in proportion to the moisture concentration when emitting light, alpha rays, beta rays.
공기, 미세먼지 그리고 수분의 농도를 각각 제어할 수 있는 기준 챔버(standard chamber)에서 각각의 농도에 따른 제1 내지 제3 비례상수 세트값(Q1 내지 Q3)의 평균값과 측정 오차를 농도 측정부(145)에서 딥러닝 연산을 통하여 연산할 수 있다.In the standard chamber that can control the concentrations of air, fine dust, and moisture, the concentration measurement unit measures the average value and measurement error of the first to third proportional constant set values (Q1 to Q3) according to the respective concentrations. 145) through deep learning.
농도 측정부(145)는 CNN 학습 처리부(152), LSTM 학습 처리부(154) 및 오차 보정부(156)를 포함할 수 있다.The
CNN 학습 처리부(152)는 이전 입력된 미세먼지의 제1 이전 농도들 및 수분의 제2 이전 농도들을 컨볼루션 신경망(Convolutional Neural Network, CNN)에서 사용하는 예측 모형에서 사용 가능한 형태로 전처리한 후, 입력 데이터에서 발생된 결측값(Missing Value)를 임의의 값(실험 환경에서는 0)으로 대체하고 CNN 모형에서 처리할 수 있도록 행렬 형태로 분할한 후 각 행렬의 유사도에 따른 군집을 할당할 수 있다.The CNN
CNN 학습 처리부(152)는 전처리 과정에서 제공되는 행렬데이터와 군집결과를 이용하여 CNN 신경망을 학습할 수 있다. 이후, CNN 학습 처리부(152)는 시험 데이터를 입력받아 CNN 분류 값을 산출한다. The CNN
결과적으로, CNN 학습 처리부(152)는 상기 미세먼지의 제1 예측농도 및 상기 수분의 제2 예측 농도에 대한 CNN 분류 값을 출력할 수 있다.As a result, the CNN
LSTM 학습 처리부(154)는 현재 시점 이전에 입력된 미세먼의 제1 이전 시점 농도들 및 수분의 제2 이전 시점 농도들을 설정된 tanh 함수에 적용하여 상기 현재 시점에서 상기 미세먼지의 제3 예측농도 및 상기 수분의 제4 예측 농도를 출력할 수 있다.The LSTM
LSTM 학습 처리부(154)는 LSTM 신경망에 현재 시점 이전에 입력된 미세먼의 제1 이전 시점 농도들 및 수분의 제2 이전 시점 농도들 입력받아 예측을 수행하고 실제 값과 비교를 통해 신경망의 가중치(weight)를 조정하는 학습을 수행하여, LSTM 예측값, 즉 상기 미세먼지의 제3 예측농도 및 상기 수분의 제4 예측 농도를 산출할 수 있다.The LSTM
오차 보정부(156)는 상기 제1 내지 제4 예측농도과, 상기 제1 및 제2 농도를 비교하여 상기 측정 오차를 연산하고, 상기 측정 오차만큼 상기 제2 농도를 보정하여 상기 제1 농도가 최종적으로 보정된 상기 미세먼지의 최종 농도(mk)를 결정할 수 있다.The
즉, 오차 보정부(156)는 상기 제1 내지 제4 예측농도과, 상기 제1 및 제2 농도를 활용하여 회귀분석을 수행하여 상술한 [수학식 1]의 다중선형회귀식을 산출할 수 있다.That is, the
오차 보정부(156)는 예측 모형의 성능을 비교하기 위해서 각각의 상기 제1 내지 제4 예측농도과, 상기 제1 및 제2 농도를 비교하여 측정 오차를 산출할 수 있다.The
이후, 오차 보정부(156)는 상기 측정 오차만큼 상기 제2 농도를 보정하여 상기 제1 농도가 최종적으로 보정된 상기 미세먼지의 최종 농도(mk)를 결정할 수 있다.Thereafter, the
또한, 오차 보정부(156)는 [수학식 1]에 나타낸 다중선형회귀식을 상기 측정 오차를 적용하여 교정할 수 있다.Further, the
메시지 생성부(147)는 농도 측정부(145)에서 측정된 상기 미세먼지의 최종 농도(mk)가 설정된 기준 농도보다 높으면 알림 메시지(mm)를 생성할 수 있다.The
즉, 메시지 생성부(147)는 최종 농도(mk)가 상기 기준 농도보다 높으면 경고에 해당되는 알림 메시지(mm)를 생성하고, 최종 농도(mk)가 상기 기준 농도보다 낮으면 최종 농도(mm)를 출력할 수 있다.That is, the
표시부(149)는 메시지 생성부(147)에서 출력된 알림 메시지(mm) 및 최종 농도(mk) 중 적어도 하나를 표시할 수 있다.The
본 발명에 따른 공기질 측정장치는 통신부(150)를 더 포함할 수 있다.The air quality measuring apparatus according to the present invention may further include a
통신부(150)는 알림 메시지(mm) 및 최종 농도(mk) 중 적어도 하나를 설정된 이동 단말기, 다른 공기질 측정장치들 및 데이터 서버들로 송신할 수 있다. 통신부(150)는 상기 제1 및 제2 이전 농도들과, 상기 제1 및 제2 이전 시점 농도들을 인접한 다른 공기질 측정장치들 및 데이터 서버들로부터 수신할 수 있다.The
도 4는 본 발명에 따른 공기질 측정 장치의 동작 방법을 나타낸 순서도이다.Figure 4 is a flow chart showing the operation method of the air quality measuring apparatus according to the present invention.
도 4를 참조하면, 공기질 측정 장치(100)의 광산란 측정부(110)는 광원에서 발생되는 광자선(이하, '광'으로 칭함)을 공기, 미세먼지, 수분 등에 의해 산란되어 수광부에 도달하는 산란광을 기반으로 제1 전류(IL)를 측정할 수 있다(S210).Referring to FIG. 4, the light
이후, 알파선 전리측정부(120)는 알파선을 방출하는 알파선원을 이용하여, 공기, 미세먼지, 수분 등 산란광의 정도에 대한 제2 전류(Iα)를 측정할 수 있다(S220).Thereafter, the alpha ray
베타선 전리측정부(130)는 베타선을 방출하는 베타선원을 이용하여, 공기, 미세먼지, 수분 등 산란광의 정도에 대한 제3 전류(Iβ)를 측정할 수 있다(S230).The beta ray ionization measurement unit 130 may measure a third current Iβ for the degree of scattered light such as air, fine dust, and moisture using a beta ray source emitting a beta ray (S230).
데이터 처리부(140)는 광산란 측정부(110)에서 측정된 제1 전류(IL), 알파선 전리 측정부(120)에서 측정된 제2 전류(Iα) 및 베타선 측정부(130)에서 측정된 제3 전류(Iβ)를 저장할 수 있다(S240).The
데이터 처리부(140)는 제1 내지 제3 전류(IL, Iα, Iβ) 및 기 설정된 제1 내지 제3 비례상수 세트값(Q1 내지 Q3)을 이용하여 제1 및 제2 농도를 결정할 수 있다(S250).The
여기서, 상기 제1 농도는 미세먼지의 농도이며, 상기 제2 농도는 수분의 농도일 수 있다.Here, the first concentration may be a concentration of fine dust, and the second concentration may be a concentration of moisture.
데이터 처리부(140)는 이전 입력된 미세먼지의 제1 이전 농도들 및 수분의 제2 이전 농도들을 컨볼루션 신경망(Convolutional Neural Network, CNN)에서 사용하는 예측 모형에서 사용 가능한 형태로 전처리한 후, 상기 미세먼지의 제1 예측농도 및 상기 수분의 제2 예측 농도에 대한 CNN 분류 값을 출력할 수 있다(S260).The
데이터 처리부(140)는 현재 시점 이전에 입력된 미세먼의 제1 이전 시점 농도들 및 수분의 제2 이전 시점 농도들을 설정된 tanh 함수에 적용하여 상기 현재 시점에서 상기 미세먼지의 제3 예측농도 및 상기 수분의 제4 예측 농도를 출력할 수 있다(S270).The
데이터 처리부(140)는 상기 제1 내지 제4 예측농도과, 상기 제1 및 제2 농도를 비교하여 상기 측정 오차를 연산하고, 상기 측정 오차만큼 상기 제2 농도를 보정하여 상기 제1 농도가 최종적으로 보정된 상기 미세먼지의 최종 농도(mk)를 결정할 수 있다(S280).The
데이터 처리부(140)는 농도 측정부(145)에서 측정된 상기 미세먼지의 최종 농도(mk)가 설정된 기준 농도보다 높은지 판단하고(S290), 최종 농도(mk)가 설정된 기준 농도보다 높으면 알림 메시지(mm)를 생성할 수 있다(S300).The
또한, 데이터 처리부(140)는 최종 농도(mk)가 상기 기준 농도보다 낮으면 최종 농도(mm)를 출력할 수 있다(S310).Also, the
데이터 처리부(140)는 알림 메시지(mm) 및 최종 농도(mk) 중 적어도 하나를 표시할 수 있다(S320).The
데이터 처리부(140)는 알림 메시지(mm) 및 최종 농도(mk) 중 적어도 하나를 설정된 이동 단말기, 다른 공기질 측정장치들 및 데이터 서버들로 송신할 수 있다(S320).The
도 5는 본 발명에 따른 공기질 측정 시스템을 간략하게 나타낸 시스템도, 및 도 6은 도 5에 나타낸 공기질 측정 장치의 제어 구성을 나타낸 제어 블록도이다.5 is a system diagram briefly showing an air quality measurement system according to the present invention, and FIG. 6 is a control block diagram showing a control configuration of the air quality measurement device shown in FIG. 5.
도 5 및 도 6을 참조하면, 공기질 측정 시스템(400)은 공기질 측정 장치(500) 및 데이터 베이스 서버(600)를 포함할 수 있다.Referring to FIGS. 5 and 6, the air
공기질 측정 장치(500)는 광산란 측정부(510), 알파선 전리측정부(520), 베타선 전리측정부(530) 및 데이터 처리부(540)를 포함할 수 있다.The air
본 실시예에 따른 광산란 측정부(510), 알파선 전리측정부(520), 베타선 전리측정부(530) 및 데이터 처리부(540)의 기능은 도 1 내지 도 4의 광산란 측정부(110), 알파선 전리측정부(120), 베타선 전리측정부(130) 및 데이터 처리부(140)의 기능에 각각 대응될 수 있다. 이에, 중복되는 설명은 생략한다.The functions of the light
데이터 처리부(540)는 저장부(541), 농도 결정부(543), 오차 결정부(545), 농도 판단부(547) 및 농도 측정부(549)를 포함할 수 있다.The
저장부(541)는 광산란 측정부(510)에서 측정된 제1 전류(IL), 알파선 전리 측정부(520)에서 측정된 제2 전류(Iα), 베타선 측정부(530)에서 측정된 제3 전류(Iβ), 그리고, 농도 결정부(543)에서 기준챔버 내의 공기, 미세먼지 및 수분의 농도를 산출하여 설정된 제1 내지 제3 비례상수 세트값(Q1 내지 Q3)를 저장할 수 있다.The
저장부(541)는 데이터베이스 서버(600)로부터 복수의 다른 공기질 측정 장치 각각으로부터 송신된 농도 데이터들을 저장할 수 있다.The
농도 결정부(543)는 제1 내지 제3 전류(IL, Iα, Iβ)를 위에 언급한 [수학식 1]에 따른 다중 선형 회귀식을 이용하여 제1 및 제2 농도를 결정할 수 있다.The
오차 결정부(545)는 CNN 학습 처리부(552), LSTM 학습 처리부(554) 및 결정부(556)를 포함할 수 있다.The
CNN 학습 처리부(552)는 이전 입력된 미세먼지의 제1 이전 농도들 및 수분의 제2 이전 농도들을 컨볼루션 신경망(Convolutional Neural Network, CNN)에서 사용하는 예측 모형에서 사용 가능한 형태로 전처리한 후, 입력 데이터에서 발생된 결측값(Missing Value)를 임의의 값(실험 환경에서는 0)으로 대체하고 CNN 모형에서 처리할 수 있도록 행렬 형태로 분할한 후 각 행렬의 유사도에 따른 군집을 할당할 수 있다.The CNN
CNN 학습 처리부(552)는 전처리 과정에서 제공되는 행렬데이터와 군집결과를 이용하여 CNN 신경망을 학습할 수 있다. 이후, CNN 학습 처리부(552)는 시험 데이터를 입력받아 CNN 분류 값을 산출한다. The CNN
결과적으로, CNN 학습 처리부(552)는 상기 미세먼지의 제1 예측농도 및 상기 수분의 제2 예측 농도에 대한 CNN 분류 값을 출력할 수 있다.As a result, the CNN
LSTM 학습 처리부(554)는 현재 시점 이전에 입력된 미세먼의 제1 이전 시점 농도들 및 수분의 제2 이전 시점 농도들을 설정된 tanh 함수에 적용하여 상기 현재 시점에서 상기 미세먼지의 제3 예측농도 및 상기 수분의 제4 예측 농도를 출력할 수 있다.The LSTM
즉, LSTM 학습 처리부(554)는 LSTM 신경망에 현재 시점 이전에 입력된 미세먼의 제1 이전 시점 농도들 및 수분의 제2 이전 시점 농도들 입력받아 예측을 수행하고 실제 값과 비교를 통해 신경망의 가중치(weight)를 조정하는 학습을 수행하여, LSTM 예측값, 즉 상기 미세먼지의 제3 예측농도 및 상기 수분의 제4 예측 농도를 산출한다.That is, the LSTM
결정부(556)는 상기 제1 내지 제4 예측농도과, 상기 제1 및 제2 농도를 비교 연산하여 상기 측정 오차를 결정할 수 있다.The
농도 판단부(547)는 데이터베이스 서버(600)로부터 수신한 상기 농도 데이터들 중 측정 영역에 인접한 제1 및 제2 측정 영역에 해당되는 제1 및 제2 특정 농도 데이터를 추출할 수 있다.The
이후, 농도 판단부(547)는 상기 제1 및 제2 특정 농도 데이터 각각에 포함된 미세먼지의 제1 및 제2 특정 농도와 상기 미세먼지의 농도에 해당되는 상기 제1 농도 사이의 제1 및 제2 농도 차이값을 연산하고, 상기 제1 및 제2 농도 차이값이 설정된 기준 농도값 범위에 속하는지 판단할 수 있다.Subsequently, the
농도 측정부(549)는 농도 판단부(547)의 판단 결과, 상기 제1 및 제2 농도 차이값이 상기 기준 농도값 범위에 속하는 것으로 판단하면, 상기 제1 농도에 상기 측정 오차를 가감하여 상기 미세먼지의 최종 농도(mk)를 결정할 수 있다.When the
또한, 농도 측정부(549)는 농도 판단부(547)의 판단 결과, 상기 제1 및 제2 농도 차이값이 상기 기준 농도값 범위에 속하지 않은 것으로 판단하면, 상기 제1 및 제2 특정 농도 사이의 차이값에 상기 측정 오차를 가감하여 오차값을 연산할 수 있다.In addition, when the
이후, 농도 측정부(549)는 상기 제1 및 제2 특정 농도의 평균 농도값에 상기 오차값을 가감하여 상기 미세먼지의 최종 농도(mk)를 결정할 수 있다.Thereafter, the
또한, 공기질 측정 장치(500)는 메시지 생성부(560), 표시부(570) 및 통신부(580)을 더 포함할 수 있다.In addition, the air
메시지 생성부(560)는 농도 측정부(549)에서 측정된 상기 미세먼지의 최종 농도(mk)가 설정된 기준 농도보다 높으면 알림 메시지(mm)를 생성할 수 있다.The
즉, 메시지 생성부(560)는 최종 농도(mk)가 상기 기준 농도보다 높으면 경고에 해당되는 알림 메시지(mm)를 생성하고, 최종 농도(mk)가 상기 기준 농도보다 낮으면 최종 농도(mm)를 출력할 수 있다.That is, the
표시부(570)는 메시지 생성부(560)에서 출력된 알림 메시지(mm) 및 최종 농도(mk) 중 적어도 하나를 표시할 수 있다.The
통신부(580)는 알림 메시지(mm) 및 최종 농도(mk) 중 적어도 하나를 설정된 이동 단말기, 다른 공기질 측정장치들 및 데이터 서버들로 송신할 수 있다.The
또한, 통신부(150)는 데이터베이스 서버(600)와 통신을 수행하여, 데이터베이스 서버(600)로부터 복수의 다른 공기질 측정 장치 각각으로부터 송신된 상기 농도 데이터들을 수신하여, 저장부(541)로 전달할 수 있다.In addition, the
그리고, 통신부(580)는 최종 농도(mk)를 데이터 베이스 서버(600)로 송신할 수 있다.Then, the
데이터베이스 서버(600)는 공기질 측정 장치(500)로부터 최종 농도(mk)를 수신할 수 있으며, 복수의 다른 공기질 측정 장치 각각으로부터 송신된 농도 데이터들을 수신하며, 공기질 측정 장치(500)로 송신할 수 있다.The
전술된 실시예는 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로 이해되어야 하며, 본 발명의 범위는 전술된 상세한 설명보다는 후술될 특허청구범위에 의해 나타내어질 것이다. 그리고 후술될 특허청구범위의 의미 및 범위는 물론, 그 등가개념으로부터 도출되는 모든 변경 및 변형 가능한 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.It should be understood that the above-described embodiments are illustrative and non-limiting in all respects, and the scope of the present invention will be indicated by the following claims rather than the above detailed description. And it should be interpreted that the meaning and scope of the claims to be described later, as well as all alterable and deformable forms derived from the equivalent concept, are included in the scope of the present invention.
110: 광산란 측정부
120: 알파선 전리측정부
130: 베타선 전리측정부
140: 데이터 처리부110: light scattering measurement unit
120: alpha ray ionization measurement unit
130: beta ray ionization measurement unit
140: data processing unit
Claims (9)
복수의 다른 공기질 측정 장치 각각으로부터 송신된 농도 데이터들을 수신하고, 상기 공기질 측정 장치로 상기 농도 데이터들을 송신하는 데이터 베이스 서버를 포함하고,
상기 공기질 측정 장치는,
상기 농도 데이터들 중 상기 측정 영역에 인접한 제1 및 제2 측정 영역에 해당되는 제1 및 2 특정 농도 데이터를 추출하고, 상기 제1 및 제2 특정 농도 데이터 각각에 포함된 상기 미세먼지의 제1 및 제2 특정 농도와 상기 미세먼지의 농도 사이의 제1 및 제2 농도 차이값 중 적어도 하나가 설정된 기준 농도값 범위에 속하지 않으면, 상기 제1 및 제2 특정 농도 사이의 차이값과 상기 미세먼지의 농도에 대한 측정 오차를 기반으로 상기 미세먼지의 최종 농도를 결정하는, 공기질 측정 시스템.Air quality measuring device for measuring the concentration of fine dust in the measurement area; And
And a database server receiving concentration data transmitted from each of a plurality of different air quality measuring devices, and transmitting the concentration data to the air quality measuring device,
The air quality measuring device,
Among the concentration data, first and second specific concentration data corresponding to the first and second measurement areas adjacent to the measurement area are extracted, and the first of the fine dust included in each of the first and second specific concentration data is extracted. And a difference between the first and second specific concentrations and the fine dust if at least one of the first and second concentration difference values between the second specific concentration and the concentration of the fine dust does not fall within the set reference concentration value range. Air quality measurement system, to determine the final concentration of the fine dust based on the measurement error for the concentration of.
상기 공기질 측정 장치는,
상기 측정 영역에서 부유 미립자가 필터링된 공기에 광을 방출하여 산란된 산란광을 기반으로 제1 전류를 측정하는 광산란 측정부;
상기 공기에 알파선을 방출하여 전리된 제2 전류를 측정하는 알파선 전리측정부;
상기 공기에 베타선을 방출하여 전리된 제3 전류를 측정하는 베타선 전리측정부; 및
기준챔버 내의 공기, 미세먼지 및 수분의 농도를 산출하여 설정된 제1 내지 제3 비례상수 세트값을 기반으로, 상기 제1 내지 제3 전류에 대한 상기 미세먼지의 제1 농도 및 수분의 제2 농도를 결정하고, 상기 제1 및 제2 농도의 오차를 머신러닝/딥러닝 연산하여 상기 미세먼지의 농도에 대한 측정 오차를 결정하며, 상기 농도 데이터들 중 상기 제1 및 2 특정 농도 데이터를 추출하고, 상기 제1 및 제2 특정 농도 데이터 각각에 포함된 상기 미세먼지의 제1 및 제2 특정 농도와 상기 미세먼지의 농도 사이의 제1 및 제2 농도 차이값이 설정된 기준 농도값 범위에 속하지 않으면, 상기 제1 및 제2 특정 농도 사이의 차이값과 상기 측정 오차를 기반으로 상기 미세먼지의 최종 농도를 결정하는 데이터 처리부를 포함하는, 공기질 측정 시스템.According to claim 1,
The air quality measuring device,
A light scattering measurement unit measuring a first current based on the scattered light scattered by emitting light to the air in which the suspended particulates are filtered in the measurement area;
An alpha ray ionization measuring unit that measures the ionized second current by emitting an alpha ray into the air;
A beta-ray ionization measuring unit that measures the ionized third current by emitting beta-rays to the air; And
Based on the first to third proportional constant set values calculated by calculating concentrations of air, fine dust, and moisture in the reference chamber, the first concentration of the fine dust and the second concentration of moisture for the first to third currents Determine the measurement error for the concentration of the fine dust by determining the error between the first and second concentrations by machine learning/deep learning, extracting the first and second specific concentration data from the concentration data, , If the first and second concentration difference values between the first and second specific concentrations of the fine dust and the concentrations of the fine dust included in each of the first and second specific concentration data do not fall within the set reference concentration value range , A data processing unit for determining a final concentration of the fine dust based on the difference between the first and second specific concentrations and the measurement error.
상기 데이터 처리부는,
상기 제1 내지 제3 전류 및 상기 제1 내지 제3 비례상수 세트값을 저장하는 데이터 저장부;
상기 제1 내지 제3 전류 및 상기 제1 내지 제3 비례상수 세트값을 기반으로, 상기 제1 내지 제3 전류에 대한 상기 제1 및 제2 농도를 결정하는 농도 결정부;
상기 제1 및 제2 농도의 오차를 딥러닝 연산하여 상기 측정 오차를 결정하는 오차 결정부;
상기 제1 및 2 특정 농도 데이터를 추출하고, 상기 제1 및 제2 농도 차이값이 상기 기준 농도값 범위에 속하는지 여부를 판단하는 농도 판단부; 및
상기 제1 및 제2 농도 차이값이 상기 기준 농도값 범위에 속하지 않으면, 상기 제1 및 제2 특정 농도 사이의 차이값과 상기 측정 오차를 기반으로 상기 미세먼지의 최종 농도를 결정하는 농도 측정부를 포함하는, 공기질 측정 시스템.According to claim 2,
The data processing unit,
A data storage unit that stores the first to third currents and the first to third proportional constant set values;
A concentration determining unit determining the first and second concentrations of the first to third currents based on the first to third currents and the first to third proportional constant set values;
An error determination unit to determine the measurement error by deep learning an error of the first and second concentrations;
A concentration determination unit for extracting the first and second specific concentration data and determining whether the first and second concentration difference values fall within the reference concentration value range; And
If the first and second concentration difference values do not fall within the reference concentration value range, the concentration measurement unit determines the final concentration of the fine dust based on the difference between the first and second specific concentrations and the measurement error. Including, air quality measurement system.
상기 농도 결정부는, 상기 제1 내지 제3 전류를 아래의 다중 선형 회귀식을 이용하여 분석하여 상기 제1 및 제2 농도를 연산하는, 공기질 측정 장치;
여기서, IL은 제1 전류, Iα는 제2 전류, Iβ는 제3 전류, A는 공기의 농도값, P는 미세먼지의 제1 농도, W는 수분의 제2 농도, Ka1, Ka2, Ka3 각각은 광, 알파선, 베타선 방출시 공기 농도에 비례하여 설정된 전류의 크기를 나타낸 제1 비례상수 세트값, Kp1, Kp2, Kp3는 광, 알파선, 베타선 방출 시 공기 농도에 비례하여 설정된 전류의 크기를 나타낸 제2 비례상수 세트값, Kw1, kw2, Kw3는 광, 알파선, 베타선 방출 시 수분 농도에 비례하여 설정된 전류의 크기를 나타낸 제3 비례상수 세트값이다.The method of claim 3,
The concentration determining unit may calculate the first and second concentrations by analyzing the first to third currents using the following multiple linear regression equation;
Here, IL is the first current, Iα is the second current, Iβ is the third current, A is the concentration value of air, P is the first concentration of fine dust, W is the second concentration of moisture, Ka1, Ka2, Ka3, respectively The first proportional constant set value indicating the magnitude of the current set in proportion to the air concentration when emitting silver light, alpha ray, beta ray, Kp1, Kp2, Kp3 represents the magnitude of the current set in proportion to the air concentration when emitting light, alpha ray, beta ray The second proportional constant set value, Kw1, kw2, Kw3 is the third proportional constant set value showing the magnitude of the current set in proportion to the moisture concentration when emitting light, alpha rays, beta rays.
상기 오차 결정부는,
이전 입력된 미세먼지의 제1 이전 농도들 및 수분의 제2 이전 농도들을 기반으로 컨볼루션 신경망(Convolutional Neural Network, CNN)에 대하여 상기 미세먼지의 제1 예측농도 및 상기 수분의 제2 예측 농도를 출력하는 CNN 학습 처리부;
현재 시점 이전에 입력된 미세먼지의 제1 이전 시점 농도들 및 수분의 제2 이전 시점 농도들을 설정된 tanh 함수에 적용하여 상기 현재 시점에서 상기 미세먼지의 제3 예측농도 및 상기 수분의 제4 예측 농도를 출력하는 LSTM 학습 처리부; 및
상기 제1 내지 제4 예측농도과, 상기 제1 및 제2 농도를 비교 연산하여 상기 측정 오차를 결정하는 결정부를 포함하는, 공기질 측정 시스템.The method of claim 3,
The error determination unit,
The first predicted concentration of the fine dust and the second predicted concentration of the moisture for a convolutional neural network (CNN) based on the first previous concentrations of the previously input fine dust and the second previous concentrations of moisture A CNN learning processing unit for outputting;
The third predicted concentration of the fine dust and the fourth predicted concentration of the water at the current time by applying the first previous time concentrations of the fine dust input before the current time and the second previous time concentrations of the moisture to the set tanh function. LSTM learning processing unit for outputting; And
And a determining unit determining the measurement error by comparing and calculating the first to fourth predicted concentrations and the first and second concentrations.
상기 농도 측정부는, 상기 제1 및 제2 농도 차이값이 상기 기준 농도값 범위에 속하지 않으면, 상기 제1 및 제2 특정 농도 사이의 차이값에 상기 측정 오차를 가감한 오차값을 연산하고, 상기 제1 및 제2 특정 농도의 평균 농도값에 상기 오차값을 가감하여 상기 미세먼지의 최종 농도를 결정하는, 공기질 측정 시스템.The method of claim 3,
The concentration measurement unit calculates an error value obtained by adding or subtracting the measurement error to a difference value between the first and second specific concentrations when the first and second concentration difference values do not fall within the reference concentration value range. The air quality measurement system determines the final concentration of the fine dust by adding or subtracting the error value to the average concentration values of the first and second specific concentrations.
상기 농도 측정부는, 상기 제1 및 제2 농도 차이값이 상기 기준 농도값 범위에 속하면, 상기 미세먼지의 농도에 상기 측정 오차를 가감하여 상기 미세먼지의 최종 농도를 결정하고,
상기 공기질 측정 장치는,
상기 미세먼지의 최종 농도가 설정된 기준 농도보다 높으면 알림 메시지를 생성하는 메시지 생성부;
상기 알림 메시지 생성 시, 상기 알림 메시지를 표시하는 표시부; 및
상기 알림 메시지를 기 설정된 이동 단말기로 송신하고, 상기 데이터베이스 서버로부터 송신된 상기 농도 데이터들을 수신하는 통신부를 더 포함하는, 공기질 측정 시스템.The method of claim 3,
The concentration measurement unit determines the final concentration of the fine dust by adding or subtracting the measurement error to the concentration of the fine dust when the first and second concentration difference values fall within the reference concentration value range,
The air quality measuring device,
A message generating unit generating a notification message when the final concentration of the fine dust is higher than a set reference concentration;
A display unit that displays the notification message when the notification message is generated; And
And a communication unit transmitting the notification message to a preset mobile terminal and receiving the concentration data transmitted from the database server.
상기 공기에 알파선을 방출하여 전리된 제2 전류를 측정하는 알파선 전리측정부;
상기 공기에 베타선을 방출하여 전리된 제3 전류를 측정하는 베타선 전리측정부; 및
기준챔버 내의 공기, 미세먼지 및 수분의 농도를 산출하여 설정된 제1 내지 제3 비례상수 세트값을 기반으로, 상기 제1 내지 제3 전류에 대한 상기 미세먼지의 제1 농도 및 수분의 제2 농도를 결정하고, 상기 제1 및 제2 농도의 측정 오차를 머신러닝/딥러닝 연산하여 상기 미세먼지의 최종 농도를 결정하는 데이터 처리부를 포함하고,
상기 데이터 처리부는,
상기 제1 내지 제3 전류 및 상기 제1 내지 제3 비례상수 세트값을 저장하는 데이터 저장부;
상기 제1 내지 제3 전류 및 상기 제1 내지 제3 비례상수 세트값을 기반으로, 상기 제1 내지 제3 전류에 대한 상기 제1 및 제2 농도를 결정하는 농도 결정부; 및
상기 제1 및 제2 농도의 측정 오차를 딥러닝 연산하여 상기 미세먼지의 최종 농도를 측정하는 농도 측정부를 포함하고,
상기 농도 결정부는, 상기 제1 내지 제3 전류를 아래의 다중 선형 회귀식을 이용하여 분석하여 상기 제1 및 제2 농도를 연산하는, 공기질 측정 장치;
여기서, IL은 제1 전류, Iα는 제2 전류, Iβ는 제3 전류, A는 공기의 농도값, P는 미세먼지의 제1 농도, W는 수분의 제2 농도, Ka1, Ka2, Ka3 각각은 광, 알파선, 베타선 방출시 공기 농도에 비례하여 설정된 전류의 크기를 나타낸 제1 비례상수 세트값, Kp1, Kp2, Kp3는 광, 알파선, 베타선 방출 시 공기 농도에 비례하여 설정된 전류의 크기를 나타낸 제2 비례상수 세트값, Kw1, kw2, Kw3는 광, 알파선, 베타선 방출 시 수분 농도에 비례하여 설정된 전류의 크기를 나타낸 제3 비례상수 세트값이다.A light scattering measurement unit for measuring a first current based on the scattered light scattered by emitting light in the air where the suspended particulates are filtered;
An alpha ray ionization measuring unit that measures the ionized second current by emitting an alpha ray into the air;
A beta-ray ionization measuring unit that measures the ionized third current by emitting beta-rays to the air; And
Based on the first to third proportional constant set values calculated by calculating concentrations of air, fine dust, and moisture in the reference chamber, the first concentration of the fine dust and the second concentration of moisture for the first to third currents And a data processing unit to determine the final concentration of the fine dust by machine learning/deep learning calculation of measurement errors of the first and second concentrations,
The data processing unit,
A data storage unit for storing the first to third currents and the first to third proportional constant set values;
A concentration determining unit determining the first and second concentrations of the first to third currents based on the first to third currents and the first to third proportional constant set values; And
It includes a concentration measuring unit for measuring the final concentration of the fine dust by deep learning the measurement error of the first and second concentration,
The concentration determining unit, the air quality measurement device for calculating the first and second concentration by analyzing the first to third currents using the following multiple linear regression equation;
Here, IL is the first current, Iα is the second current, Iβ is the third current, A is the concentration value of air, P is the first concentration of fine dust, W is the second concentration of moisture, Ka1, Ka2, Ka3, respectively The first proportional constant set value indicating the magnitude of the current set in proportion to the air concentration when emitting silver light, alpha ray, beta ray, Kp1, Kp2, Kp3 represents the magnitude of the current set in proportion to the air concentration when emitting light, alpha ray, beta ray The second proportional constant set value, Kw1, kw2, Kw3 is the third proportional constant set value showing the magnitude of the current set in proportion to the moisture concentration when emitting light, alpha rays, beta rays.
상기 농도 측정부는,
이전 입력된 미세먼지의 제1 이전 농도들 및 수분의 제2 이전 농도들을 기반으로 컨볼루션 신경망(Convolutional Neural Network, CNN)에 대하여 상기 미세먼지의 제1 예측농도 및 상기 수분의 제2 예측 농도를 출력하는 CNN 학습 처리부;
현재 시점 이전에 입력된 미세먼지의 제1 이전 시점 농도들 및 수분의 제2 이전 시점 농도들을 설정된 tanh 함수에 적용하여 상기 현재 시점에서 상기 미세먼지의 제3 예측농도 및 상기 수분의 제4 예측 농도를 출력하는 LSTM 학습 처리부; 및
상기 제1 내지 제4 예측농도과, 상기 제1 및 제2 농도를 비교하여 상기 측정 오차를 연산하고, 상기 측정 오차만큼 상기 제2 농도를 보정하여 상기 제1 농도가 최종적으로 보정된 상기 미세먼지의 최종 농도를 결정하는 오차보정부를 포함하는, 공기질 측정 장치.The method of claim 8,
The concentration measurement unit,
The first predicted concentration of the fine dust and the second predicted concentration of the moisture for a convolutional neural network (CNN) based on the first previous concentrations of the previously input fine dust and the second previous concentrations of moisture A CNN learning processing unit for outputting;
The third predicted concentration of the fine dust and the fourth predicted concentration of the water at the current time by applying the first previous time concentrations of the fine dust input before the current time and the second previous time concentrations of the moisture to the set tanh function. LSTM learning processing unit for outputting; And
The first to fourth predicted concentrations are compared with the first and second concentrations to calculate the measurement error, and the second concentration is corrected by the measurement error, so that the first concentration is finally corrected. An air quality measuring device comprising an error correction to determine the final concentration.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180151260A KR102148812B1 (en) | 2018-11-29 | 2018-11-29 | Apparatus for measuring air quality and system therefor |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180151260A KR102148812B1 (en) | 2018-11-29 | 2018-11-29 | Apparatus for measuring air quality and system therefor |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200071796A true KR20200071796A (en) | 2020-06-22 |
| KR102148812B1 KR102148812B1 (en) | 2020-08-28 |
Family
ID=71142396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180151260A KR102148812B1 (en) | 2018-11-29 | 2018-11-29 | Apparatus for measuring air quality and system therefor |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102148812B1 (en) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220001972A (en) * | 2020-06-30 | 2022-01-06 | 울산과학기술원 | System and Method for Precision Detecting of Micro-Pollutants using Deep Learning based Modelling |
| KR102393536B1 (en) * | 2020-12-07 | 2022-05-03 | 주식회사 아림사이언스 | Apparatus having auto correction algorism for measuring air quality and system therefor |
| KR20220059817A (en) * | 2020-11-03 | 2022-05-10 | 건국대학교 산학협력단 | Particulate matter level estimation method and apparatus |
| KR20220095982A (en) * | 2020-12-30 | 2022-07-07 | 주식회사 바티에 | Deep Learning-Based High Precision Radon Monitoring System and Its Method |
| KR20220128105A (en) * | 2021-03-12 | 2022-09-20 | 한국과학기술원 | Method and apparatus for monitoring fine dust concentration |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210146593A (en) * | 2020-05-27 | 2021-12-06 | 주식회사 아림사이언스 | Apparatus for measuring air quality and system therefor |
| KR102229385B1 (en) * | 2021-01-13 | 2021-03-18 | 주식회사 필라스크리에이션 | Automatic fine dust measurement device having function of humidity correction through peltier element type dehumidification |
| KR102500555B1 (en) * | 2021-07-22 | 2023-02-17 | 주식회사 공감센서 | Method and system of correcting ultrafine particle value for dust measuring device using light scattering on particles |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110121810A (en) * | 2010-05-03 | 2011-11-09 | 건국대학교 산학협력단 | System for compensating measurement data of particle and method therefor |
| KR101168948B1 (en) * | 2010-10-22 | 2012-08-02 | 주식회사 에이피엠엔지니어링 | System for sampling and measuring particulated matters |
| KR101606561B1 (en) * | 2014-12-15 | 2016-03-25 | 주식회사 그린솔루스 | Method for measuring dust particle and apparatus for measuring dust particle |
| KR20160080382A (en) * | 2014-12-29 | 2016-07-08 | 주식회사 그린솔루스 | Method for measuring dust and apparatus for measuring dust |
| KR20160106908A (en) * | 2015-03-03 | 2016-09-13 | 쌍신전자통신주식회사 | Method for sensing dust |
| KR20160121151A (en) * | 2015-04-10 | 2016-10-19 | 한양대학교 에리카산학협력단 | Fine partcles measuring system used by quartz crystal microbalance |
| KR101741630B1 (en) * | 2016-02-12 | 2017-05-31 | 동국대학교 산학협력단 | Device and method for deciding effectiveness of fine dust detection date |
| KR20180030961A (en) * | 2016-11-25 | 2018-03-27 | 천예준 | Measuring method of particulate matter |
| KR20180041828A (en) * | 2016-10-17 | 2018-04-25 | 주식회사에스에이티 | An apparatus and method for constructing microscopic dust information by measuring, compensating and predicting the concentration density of microscopic dust |
| KR20180065588A (en) * | 2016-12-08 | 2018-06-18 | 에스케이테크엑스 주식회사 | Apparatus for managing meteorological information using fine dust sensor, method thereof and computer readable medium having computer program recorded thereon |
-
2018
- 2018-11-29 KR KR1020180151260A patent/KR102148812B1/en active IP Right Grant
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110121810A (en) * | 2010-05-03 | 2011-11-09 | 건국대학교 산학협력단 | System for compensating measurement data of particle and method therefor |
| KR101168948B1 (en) * | 2010-10-22 | 2012-08-02 | 주식회사 에이피엠엔지니어링 | System for sampling and measuring particulated matters |
| KR101606561B1 (en) * | 2014-12-15 | 2016-03-25 | 주식회사 그린솔루스 | Method for measuring dust particle and apparatus for measuring dust particle |
| KR20160080382A (en) * | 2014-12-29 | 2016-07-08 | 주식회사 그린솔루스 | Method for measuring dust and apparatus for measuring dust |
| KR20160106908A (en) * | 2015-03-03 | 2016-09-13 | 쌍신전자통신주식회사 | Method for sensing dust |
| KR20160121151A (en) * | 2015-04-10 | 2016-10-19 | 한양대학교 에리카산학협력단 | Fine partcles measuring system used by quartz crystal microbalance |
| KR101741630B1 (en) * | 2016-02-12 | 2017-05-31 | 동국대학교 산학협력단 | Device and method for deciding effectiveness of fine dust detection date |
| KR20180041828A (en) * | 2016-10-17 | 2018-04-25 | 주식회사에스에이티 | An apparatus and method for constructing microscopic dust information by measuring, compensating and predicting the concentration density of microscopic dust |
| KR20180030961A (en) * | 2016-11-25 | 2018-03-27 | 천예준 | Measuring method of particulate matter |
| KR20180065588A (en) * | 2016-12-08 | 2018-06-18 | 에스케이테크엑스 주식회사 | Apparatus for managing meteorological information using fine dust sensor, method thereof and computer readable medium having computer program recorded thereon |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220001972A (en) * | 2020-06-30 | 2022-01-06 | 울산과학기술원 | System and Method for Precision Detecting of Micro-Pollutants using Deep Learning based Modelling |
| KR20220059817A (en) * | 2020-11-03 | 2022-05-10 | 건국대학교 산학협력단 | Particulate matter level estimation method and apparatus |
| KR102393536B1 (en) * | 2020-12-07 | 2022-05-03 | 주식회사 아림사이언스 | Apparatus having auto correction algorism for measuring air quality and system therefor |
| KR20220095982A (en) * | 2020-12-30 | 2022-07-07 | 주식회사 바티에 | Deep Learning-Based High Precision Radon Monitoring System and Its Method |
| KR20220128105A (en) * | 2021-03-12 | 2022-09-20 | 한국과학기술원 | Method and apparatus for monitoring fine dust concentration |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102148812B1 (en) | 2020-08-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102148812B1 (en) | Apparatus for measuring air quality and system therefor | |
| Walser et al. | On the parametrization of optical particle counter response including instrument-induced broadening of size spectra and a self-consistent evaluation of calibration measurements | |
| US20110066385A1 (en) | Quantification of differences between measured values and statistical validation based on the differences | |
| JP2013015357A (en) | Flow cytometer | |
| Wang-Li et al. | Techniques for measuring particle size distribution of particulate matter emitted from animal feeding operations | |
| CN102803953A (en) | Method for determining weights of eggs, and apparatus | |
| KR20080077078A (en) | Method and device for security-inspection of liquid articles with radiations | |
| CZ2011154A3 (en) | Method of analyzing material by a focused electron beam by making use of characteristic X-ray radiation and knocked-on electrons and apparatus for making the same | |
| Lieberherr et al. | Assessment of real-time bioaerosol particle counters using reference chamber experiments | |
| CN113063897B (en) | Air pollutant tracing method and device | |
| Badicu et al. | PMs concentration forecasting using ARIMA algorithm | |
| KR20210146593A (en) | Apparatus for measuring air quality and system therefor | |
| JP3504029B2 (en) | Particle analyzer | |
| KR102393536B1 (en) | Apparatus having auto correction algorism for measuring air quality and system therefor | |
| JP2016070853A (en) | Method and apparatus for measuring radiation using laser | |
| CN113624745B (en) | Method for improving long-term stability of laser-induced breakdown spectroscopy based on light spots | |
| CN107389518A (en) | A kind of Detection of Air Quality method and system | |
| CN1469111A (en) | Method and equipment for fast distinguishing particles utilizing with scattered light histogram | |
| EP4339602A1 (en) | Method of performing machine learning of a small angle x-ray scattering measurement data analysis model | |
| EP3637118A1 (en) | Soft error inspection method, soft error inspection device, and soft error inspection system | |
| CN111537413B (en) | Sand and dust particle quantitative monitoring method based on single particle polarization characteristic self-adaption | |
| JP2763907B2 (en) | Breakdown spectroscopic analysis method and apparatus | |
| KR101498411B1 (en) | Method of searching for unsteady dust source position of dustfall | |
| WO2023176330A1 (en) | Control device, system, method, and program | |
| KR20230152526A (en) | Apparatus having auto correction algorism for measuring air quality and correction method thereof |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right |