KR20210019191A - 실시간 예측 모델을 이용하여 먼지 배출을 저감하는 장치 및 방법 - Google Patents

실시간 예측 모델을 이용하여 먼지 배출을 저감하는 장치 및 방법 Download PDF

Info

Publication number
KR20210019191A
KR20210019191A KR1020190098032A KR20190098032A KR20210019191A KR 20210019191 A KR20210019191 A KR 20210019191A KR 1020190098032 A KR1020190098032 A KR 1020190098032A KR 20190098032 A KR20190098032 A KR 20190098032A KR 20210019191 A KR20210019191 A KR 20210019191A
Authority
KR
South Korea
Prior art keywords
information
dust
wind speed
amount
ground
Prior art date
Application number
KR1020190098032A
Other languages
English (en)
Other versions
KR102246675B1 (ko
Inventor
김선태
김주인
최일환
홍성주
정의석
Original Assignee
주식회사 엔버스
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 주식회사 엔버스 filed Critical 주식회사 엔버스
Priority to KR1020190098032A priority Critical patent/KR102246675B1/ko
Publication of KR20210019191A publication Critical patent/KR20210019191A/ko
Application granted granted Critical
Publication of KR102246675B1 publication Critical patent/KR102246675B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G01N15/06—Investigating concentration of particle suspensions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed

Landscapes

  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biochemistry (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Dispersion Chemistry (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Environmental Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Ecology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Atmospheric Sciences (AREA)
  • Air Conditioning Control Device (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 개시는 지면으로부터 먼지 배출을 저감하기 위한 장치 및 방법에 관한 것으로써, 지면에 평행한 방향의 바람의 속력에 관련된 수평 풍속 정보 및 지면에 수직한 방향의 바람의 속력에 관련된 수직 풍속 정보를 획득하는 단계, 습도 정보를 획득하는 단계, 기상정보 및 먼지의 농도 정보에 기초하고 회귀분석을 이용하여 획득된 예측 모델에, 수평 풍속 정보, 수직 풍속 정보 및 습도 정보를 적용하여 지면으로부터 공기중으로 배출되는 먼지의 배출량에 대한 정보를 예측하는 단계 및 먼지의 배출량에 대한 정보가 제 1 임계값 이상인 경우, 제 1 알람 신호를 출력하는 단계를 포함하는 것을 특징으로 한다.

Description

실시간 예측 모델을 이용하여 먼지 배출을 저감하는 장치 및 방법{APPARATUS REDUCING DUST EMISSION USING REAL TIME PREDICTION MODEL AND METHOD THEREOF}
본 개시는 예측 모델을 이용하여 먼지 배출을 저감하는 장치 및 방법에 관한 것이다. 보다 구체적으로 먼지 배출을 저감하는 장치 및 방법은 기계학습에 기초하여 획득된 기계학습모델 또는 풍속 및 습도에 기초한 예측 모델을 이용하여 먼지 배출량을 획득한다.
일반적으로, 미세먼지는 대기 중에 떠다니는 입자상 물질을 말하는데, 석탄, 석유 등의 화석연료를 태울 때나, 공장, 자동차 등의 배출가스에서 많이 발생하며, 입자의 크기가 10㎛보다 작은 미세먼지와 2.5㎛보다 작은 초미 세먼지로 나뉘고, 그 성분은 발생 지역이나 계절, 기상조건 등에 달라질 수 있다.
이러한 미세먼지는 입자의 크기가 매우 작기 때문에 대기 중에 머물다 사람의 호흡기를 거쳐 폐 등에 침투하거나 혈관을 따라 체내로 이동하여 들어갈 수 있어 건강에 악영향을 미칠 수 있으며, 최근에는 미세먼지의 농도가 점차 높아짐에 따라 실내외에서 공기 중의 미세먼지를 저감 시키기 위한 장치들을 개발하고 있다.
목표 영역에서 먼지의 농도를 측정하는 경우, 목표 영역내의 먼지의 양은 측정할 수 있지만, 먼지의 유입 경로는 파악할 수 없다. 먼지의 유입 경로를 알지 못하면, 먼지 생성의 근본원인을 알 수 없으므로, 제대로 된 먼지 저감대책을 세울 수 없다.
또한 먼지의 농도는 바람에 따라 값이 급변하므로, 특정 지점에서 특정 시간에 측정한 먼지의 농도만으로, 먼지의 양을 정확하게 파악하기 어려운 면이 있다. 따라서 먼지의 농도 측정만으로는 먼지 저감 조치를 취해야 하는지 여부를 실시간으로 결정하기 어려운 점이 있다.
먼지가 생성되는 원인으로서는 외부적인 요인과 내부적인 요인이 있다. 외부적인 요인의 먼지는 목표 영역외부에서 생성되어 바람을 타고 목표 영역으로 유입되는 먼지이다. 본 개시에서 외부에서 목표 영역으로 유입되는 단위 면적당 시간당 먼지의 양을 침적량이라고 정의한다. 또한 내부적인 요인의 먼지는 목표 영역에서 생성되어 지면으로부터 공기로 배출되는 먼지이다. 본 개시에서 목표 영역의 지면으로부터 생성되는 단위 면적당 시간당 먼지의 양을 배출량이라고 정의한다.
외부에서 발생한 먼지가 목표 영역으로 들어오는 먼지의 침적량과, 내부에서 발생한 먼지가 목표 영역의 지면으로부터 발생하는 배출량을 계산하기 위해서는 다양한 방법이 사용될 수 있다. 예를 들어 악취, 온실가스와 같은 가스형태의 물질의 양은 초당 약 10회 정도 측정이 가능하다. 따라서 Eddy Covariance method, WindTrax method를 이용하여 물질의 흐름을 측정할 수 있다. 하지만 입자형태의 물질의 양은 초당 약 10회 이정도의 측정이 가능하지 않으므로, Flux Gradient method, Schmidt method를 이용하여 물질의 흐름을 측정할 수 있다.
이와 같은 방법에 의하여 계산된 먼지의 침적량 또는 배출량은 바람에 의하여 급격하게 변화한다. 따라서 먼지의 침적량 또는 배출량에 기초하여 먼지 저감 조치를 취할지 여부를 결정하는 경우, 보다 효율적으로 먼지를 줄일 수 있다.
위와 같은 이러한 방법을 이용하여 물질의 흐름을 파악하기 위해서는 물질의 농도를 측정해야 하지만 측정방법이 복잡하여 시간이 오래 걸리며, 미래를 예측하기 어려운 문제점이 있었다. 따라서 간단하게 물질의 배출량 및 침적량을 계산하고, 미래의 배출량을 예측하는 장치 및 방법이 요구되고 있다.
본 개시의 일 실시예에 따른 먼지 배출 저감 장치의 동작 방법은, 지면에 평행한 방향의 바람의 속력에 관련된 수평 풍속 정보 및 지면에 수직한 방향의 바람의 속력에 관련된 수직 풍속 정보를 획득하는 단계, 습도 정보를 획득하는 단계, 기상정보 및 먼지의 농도 정보에 기초하고 회귀분석을 이용하여 획득된 예측 모델에, 수평 풍속 정보, 수직 풍속 정보 및 습도 정보를 적용하여 지면으로부터 공기중으로 배출되는 단위 면적당 시간당 먼지의 배출량에 대한 정보를 예측하는 단계 및 먼지의 배출량에 대한 정보가 제 1 임계값 이상인 경우, 제 1 알람 신호를 출력하는 단계를 포함하는 것을 특징으로 한다.
본 개시의 일 실시예에 따른 먼지 배출 저감 장치의 동작 방법의, 먼지의 배출량에 대한 정보를 예측하는 단계는, 수평 풍속 정보(U), 수직 풍속 정보(W) 및 습도 정보(H)에 선형인 예측 모델에 기초하여 먼지의 배출량에 대한 정보를 계산하는 단계를 포함하고, 예측 모델은 "먼지의 배출량에 대한 정보 = C1*W + C2*U - C3*H + C4" 이고, C1, C2, C3 및 C4는 미리 결정된 실수의 가중치이고, C1, C2 및 C3는 양수이고, 먼지의 배출량에 대한 정보는, 단위 면적당 공기로부터 지면으로 침적되는 먼지의 침적량에 대한 정보가 제외된 것을 특징으로 한다.
본 개시의 일 실시예에 따른 먼지 배출 저감 장치의 동작 방법은, 공기 중의 먼지의 농도에 대한 정보를 획득하는 단계, 먼지의 농도에 대한 정보 및 먼지의 배출량에 대한 정보에 기초하여, 먼지의 침적량에 대한 정보를 획득하는 단계, 및 먼지의 침적량에 대한 정보가 제 2 임계값 이상인 경우, 제 2 알람 신호를 출력하는 단계를 더 포함하는 것을 특징으로 한다.
본 개시의 일 실시예에 따른 먼지 배출 저감 장치의 동작 방법은, 시간에 따른 복수의 수평 풍속 정보, 복수의 수직 풍속 정보 및 복수의 습도 정보를 포함하는 기상 정보를 획득하는 단계, 시간에 따른 단위면적당 지면에서 공기중으로 배출되는 먼지의 배출량 실측 정보를 획득하는 단계, 기상 정보 및 먼지의 배출량 실측 정보의 관계를 기계학습하여, 기계학습모델을 획득하는 단계 및 수평 풍속 정보, 수직 풍속 정보 및 습도 정보에 기계학습모델을 적용하여 먼지의 배출량에 대한 정보를 획득하는 단계를 더 포함하는 것을 특징으로 한다.
본 개시의 일 실시예에 따른 먼지 배출 저감 장치의 동작 방법은, 실시간으로 획득된 먼지의 배출량에 대한 정보, 실시간으로 획득된 수평 풍속 정보, 실시간으로 획득된 수직 풍속 정보 및 실시간으로 획득된 습도 정보에 기초하여 예측 모델을 실시간으로 업데이트하는 단계를 더 포함하는 것을 특징으로 한다.
본 개시의 일 실시예에 따른 지면으로부터 먼지 배출을 저감하기 위한 장치는 프로세서 및 메모리를 포함하고, 프로세서는 메모리에 저장된 명령어에 따라, 지면에 평행한 방향의 바람의 속력에 관련된 수평 풍속 정보 및 지면에 수직한 방향의 바람의 속력에 관련된 수직 풍속 정보를 획득하는 단계, 습도 정보를 획득하는 단계, 기상정보 및 먼지의 농도 정보에 기초하고 회귀분석을 이용하여 획득된 예측 모델에, 수평 풍속 정보, 수직 풍속 정보 및 습도 정보를 적용하여 지면으로부터 공기중으로 배출되는 단위 면적당 시간당 먼지의 배출량에 대한 정보를 예측하는 단계 및 먼지의 배출량에 대한 정보가 제 1 임계값 이상인 경우, 제 1 알람 신호를 출력하는 단계를 수행하는 것을 특징으로 한다.
본 개시의 일 실시예에 따른 지면으로부터 먼지 배출을 저감하기 위한 장치의 프로세서는 메모리에 저장된 명령어에 따라, 수평 풍속 정보(U), 수직 풍속 정보(W) 및 습도 정보(H)에 선형인 예측 모델에 기초하여 먼지의 배출량에 대한 정보를 계산하는 단계를 수행하고, 예측 모델은 "먼지의 배출량에 대한 정보 = C1*W + C2*U - C3*H + C4" 이고, C1, C2, C3 및 C4는 미리 결정된 실수의 가중치이고, C1, C2 및 C3는 양수이고, 먼지의 배출량에 대한 정보는, 단위 면적당 공기로부터 지면으로 침적되는 먼지의 침적량에 대한 정보가 제외된 것을 특징으로 한다.
본 개시의 일 실시예에 따른 지면으로부터 먼지 배출을 저감하기 위한 장치의 프로세서는 메모리에 저장된 명령어에 따라, 시간에 따른 복수의 수평 풍속 정보, 복수의 수직 풍속 정보 및 복수의 습도 정보를 포함하는 기상 정보를 획득하는 단계, 시간에 따른 단위면적당 지면에서 공기중으로 배출되는 먼지의 배출량 실측 정보를 획득하는 단계, 기상 정보 및 상기 먼지의 배출량 실측 정보의 관계를 기계학습하여, 기계학습모델을 획득하는 단계 및 수평 풍속 정보, 수직 풍속 정보 및 습도 정보에 기계학습모델을 적용하여 먼지의 배출량에 대한 정보를 획득하는 단계를 더 수행하는 것을 특징으로 한다.
또한, 상술한 바와 같은 먼지 배출을 저감하기 위한 장치의 동작 방법을 구현하기 위한 프로그램은 컴퓨터로 판독 가능한 기록 매체에 기록될 수 있다.
도 1은 본 개시의 일 실시예에 따른 먼지 배출 저감 장치를 나타낸 도면이다.
도 2는 본 개시의 일 실시예에 따라 먼지 배출 저감 장치의 동작을 나타낸 흐름도이다.
도 3은 본 개시의 일 실시예에 따른 목표 영역을 나타내는 도면이다.
도 4는 먼지의 농도를 측정하기 위한 장치를 나타낸 도면이다.
도 5는 본 개시의 일 실시예에 따른 먼지 배출 저감 장치의 동작을 나타낸 흐름도이다.
도 6은 본 개시의 일 실시예에 따른 먼지 배출 저감 장치(100)의 블록도이다.
도 7은 본 개시의 일 실시예에 따른 먼지 배출 저감 장치의 데이터 학습부를 나타낸다.
도 8은 본 개시의 일 실시예에 따른 먼지 배출 저감 장치의 데이터 인식부를 나타낸다.
도 9는 본 개시의 일 실시예에 따른 먼지 배출 저감 장치의 동작을 나타낸 흐름도이다.
도 10은 본 개시의 일 실시예에 따른 결과값을 나타낸 그래프를 도시한다.
개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다.
본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
또한, 명세서에서 사용되는 "부"라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, "부"는 어떤 역할들을 수행한다. 그렇지만 "부"는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부"는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부"는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부"들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부"들로 결합되거나 추가적인 구성요소들과 "부"들로 더 분리될 수 있다.
본 개시의 일 실시예에 따르면 "부"는 프로세서 및 메모리로 구현될 수 있다. 용어 "프로세서" 는 범용 프로세서, 중앙 처리 장치 (CPU), 마이크로프로세서, 디지털 신호 프로세서 (DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서는, "프로세서" 는 주문형 반도체 (ASIC), 프로그램가능 로직 디바이스 (PLD), 필드 프로그램가능 게이트 어레이 (FPGA) 등을 지칭할 수도 있다. 용어 "프로세서" 는, 예를 들어, DSP 와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다.
용어 "메모리" 는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. 용어 메모리는 임의 액세스 메모리 (RAM), 판독-전용 메모리 (ROM), 비-휘발성 임의 액세스 메모리 (NVRAM), 프로그램가능 판독-전용 메모리 (PROM), 소거-프로그램가능 판독 전용 메모리 (EPROM), 전기적으로 소거가능 PROM (EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.
아래에서는 첨부한 도면을 참고하여 실시예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략한다.
먼지가 생성되는 원인으로서는 외부적인 요인과 내부적인 요인이 있다. 외부적인 요인의 먼지는 목표 영역목표 영역외부에서 생성되어 바람을 타고 목표 영역으로 유입되는 먼지이다. 본 개시에서 외부에서 목표 영역으로 유입되는 단위 면적당 시간당 먼지의 양을 침적량이라고 정의한다. 또한 내부적인 요인의 먼지는 목표 영역에서 생성되어 지면으로부터 공기로 배출되는 먼지이다. 본 개시에서 목표 영역의 지면으로부터 생성되는 단위 면적당 시간당 먼지의 양을 배출량이라고 정의한다.
외부에서 발생한 먼지가 목표 영역으로 들어오는 먼지의 침적량과, 내부에서 발생한 먼지가 목표 영역의 지면으로부터 발생하는 배출량을 계산하기 위해서는 다양한 방법이 사용될 수 있다. 예를 들어 악취, 온실가스와 같은 가스형태의 물질의 양은 초당 약 10회 정도 측정이 가능하다. 따라서 Eddy Covariance method, WindTrax method를 이용하여 물질의 흐름을 측정할 수 있다. 하지만 입자형태의 물질의 양은 초당 약 10회 이정도의 측정이 가능하지 않으므로, Flux Gradient method, Schmidt method를 이용하여 물질의 흐름을 측정할 수 있다. 이러한 방법으로 와류(eddy)를 고려한 단위 면적당 시간당 물질의 흐름의 양이 결정될 수 있다.
계산된 먼지의 침적량 또는 배출량은 바람에 의하여 급격하게 변화할 수 있다. 따라서 빠르게 계산된 먼지의 침적량 또는 배출량에 기초하여 먼지 저감 조치를 취할지 여부를 결정하는 경우, 보다 효율적으로 먼지를 줄일 수 있다.
도 1은 본 개시의 일 실시예에 따른 먼지 배출 저감 장치를 나타낸 도면이다.
먼지 배출 저감 장치(100)는 프로세서(110) 및 메모리(120)를 포함할 수 있다. 프로세서(110)는 메모리(120)에 저장된 명령어들을 수행할 수 있다. 또한 프로세서(110)는 메모리(120)에 저장된 데이터를 가공하여 결과 데이터를 메모리(120)에 저장할 수 있다.
먼지 배출 저감 장치(100)는 데이터 학습부 또는 데이터 인식부 중 적어도 하나를 포함할 수 있다. 데이터 학습부 또는 데이터 인식부 중 적어도 하나는 프로세서(110) 및 메모리(120)에 의하여 구현될 수 있다.
이하, 먼지 배출 저감 장치(100)의 동작에 대하여 이하에서 보다 자세히 설명한다.
도 2는 본 개시의 일 실시예에 따라 먼지 배출 저감 장치의 동작을 나타낸 흐름도이다.
본 개시에서 먼지는 10㎛보다 작은 미세먼지와 2.5㎛보다 작은 초미세먼지를 의미할 수 있으나 이에 한정되는 것은 아니다. 10㎛보다 큰 먼지를 의미할 수 있으며, 눈에 보이지 않는 가스를 의미할 수 있다. 이하에서는 설명의 편의를 위하여 먼지로 통칭하여 설명한다.
먼지 배출 저감 장치(100)는 지면으로부터 배출되는 먼지의 배출량을 계산할 수 있다. 먼지 배출 저감 장치(100)는 목표 영역의 지면으로부터 먼지 배출이 많은 경우, 지면으로부터 먼지 배출을 저감하기 위한 조치를 취할 수 있다. 하지만 이에 한정되는 것은 아니다. 먼지 배출 저감 장치(100)는 목표 영역 외부로부터 유입되는 먼지의 양을 계산하고, 외부로부터 유입되는 먼지가 많은 경우, 외부로부터 유입되는 먼지를 저감하기 위한 조치를 취할 수 있다.
먼지 배출 저감 장치(100)는 지면에 평행한 방향의 바람의 속력에 관련된 수평 풍속 정보 및 지면에 수직한 방향의 바람의 속력에 관련된 수직 풍속 정보를 획득하는 단계(210)를 수행할 수 있다.
먼지 배출 저감 장치(100)는 기상 예측 시스템이 예측한 미래의 수평 풍속 정보 및 수직 풍속 정보를 획득할 수 있다. 먼지 배출 저감 장치(100)는 기상 예측 시스템으로부터 유무선 통신을 이용하여 정보를 수신할 수 있다. 먼지 배출 저감 장치(100)는 먼지 농도를 측정하지 않고, 풍속 예측값에 기초하여 미래에 먼지가 지면으로부터 공기중으로 배출되는 양을 예측할 수 있다.
또한 먼지 배출 저감 장치(100)는 풍속계로부터 현재의 수평 풍속 정보 및 수직 풍속 정보를 실시간으로 획득할 수 있다. 또한, 먼지 배출 저감 장치(100)는 유무선 통신을 이용하여 풍속계로부터 정보를 수신할 수 있다. 풍속계는 3차원 풍속계일 수 있다. 3차원 풍속계는 바람의 속도를 3차원의 벡터값으로 나타낼 수 있다. 3차원 풍속계가 측정한 바람의 속도 중 지면에 평행한 벡터는 수평 풍속 정보가 될 수 있다. 또한 3차원 풍속계가 측정한 바람의 속도 중 지면에 수직인 벡터는 수직 풍속 정보가 될 수 있다. 먼지 배출 저감 장치(100)는 먼지의 농도를 측정하지 않고 현재의 풍속 정보를 이용하여, 현재 지면에서 공기중으로 배출되는 먼지의 양을 예측할 수 있다.
풍속계는 목표 영역 내에 배치될 수 있다. 목표 영역은 사용자가 먼지 배출을 저감하고자 하는 지면상의 미리 정해진 영역일 수 있다. 예를 들어 목표 영역은 가스가 배출될 수 있는 공장, 저탄장, 쓰레기장, 시멘트 공장 또는 화력발전소 등일 수 있다. 풍속계가 목표 영역 내에 배치되므로, 먼지 배출 저감 장치(100)는 풍속계가 획득한 풍속 정보를 목표 영역 내의 대표 풍속 정보로 결정할 수 있다.
먼지 배출 저감 장치(100)는 습도 정보를 획득하는 단계(220)를 수행할 수 있다. 먼지 배출 저감 장치(100)는 기상 예측 시스템으로부터 미래의 습도 정보를 획득할 수 있다. 먼지 배출 저감 장치(100)는 유무선 통신을 이용하여 기상 예측 시스템으로부터 정보를 수신할 수 있다. 먼지 배출 저감 장치(100)는 먼지의 농도를 측정하지 않고, 습도 예측값에 기초하여 미래에 먼지가 지면으로부터 공기중으로 배출되는 양을 예측할 수 있다.
또한, 먼지 배출 저감 장치(100)는 습도계로부터 현재의 습도 정보를 실시간으로 획득할 수 있다. 먼지 배출 저감 장치(100)는 습도계로부터 유무선 통신을 이용하여 정보를 수신할 수 있다. 먼지 배출 저감 장치(100)는 먼지의 농도를 측정하지 않고 현재의 습도 정보를 이용하여, 현재 지면에서 공기중으로 배출되는 먼지의 양을 예측할 수 있다.
습도계는 목표 영역 내에 배치될 수 있다. 습도계가 목표 영역 내에 배치되므로, 먼지 배출 저감 장치(100)는 습도계가 획득한 습도 정보를 목표 영역 내의 대표 습도 정보로 결정할 수 있다.
먼지 배출 저감 장치(100)는 수평 풍속 정보, 수직 풍속 정보 및 습도 정보에 기초하여 지면으로부터 공기중으로 배출되는 단위 면적당 시간당 먼지의 배출량에 대한 정보를 예측하는 단계(230)를 수행할 수 있다. 먼지의 배출량에 대한 정보는 지면에 평행한 단위 면적당 목표 영역의 지면에서 공기중으로 배출되는 먼지의 양을 의미할 수 있다.
먼지 배출 저감 장치(100)는 수평 풍속 정보, 수직 풍속 정보 및 습도 정보를 예측 모델에 적용하여, 지면으로부터 공기중으로 배출되는 먼지의 배출량에 대한 정보를 예측하는 단계(230)를 수행할 수 있다. 예측 모델은 수평 풍속 정보, 수직 풍속 정보 및 습도 정보에 기초하여 배출량을 결정하는 식일 수 있다.
먼지 배출 저감 장치(100)는 풍속 정보, 습도 정보에 기초하여 먼지의 단위 면적 당 배출량을 계산하여 비산먼지 대책을 다르게 결정할 수 있다. 또한 먼지 배출 저감 장치(100)는 효율적으로 비산먼지 대책을 수행할 수 있다.
먼지 배출 저감 장치(100)는 풍속 정보, 습도 정보 외의 다른 요소를 추가하여 목표 영역에서 단위 면적당 먼지의 배출량을 계산할 수 있다. 먼지 배출 저감 장치(100)가 많은 요소를 고려할수록, 먼지 배출 저감 장치(100)는 목표 영역에서 단위 면적당 먼지의 배출량을 정확하게 결정할 수 있다.
먼지 배출 저감 장치(100)는 먼지의 배출량에 대한 정보를 소리나 빛으로 출력할 수 있다. 예를 들어 먼지 배출 저감 장치(100)는 디스플레이부에 먼지의 배출량에 대한 정보를 출력할 수 있다. 또한 먼지 배출 저감 장치(100)는 스피커로 먼지의 배출량에 대한 정보를 출력할 수 있다.
먼지 배출 저감 장치(100)는 다른 시스템 또는 장치에 먼지의 배출량에 대한 정보를 송신할 수 있다. 먼지 배출 저감 장치(100)는 유무선으로 다른 시스템 또는 장치에 정보를 송신할 수 있다.
먼지 배출 저감 장치(100)는 먼지의 배출량에 대한 정보가 제 1 임계값 이상인 경우, 제 1 알람 신호를 출력하는 단계(240)를 수행할 수 있다. 제 1 임계값은 먼지 배출량이 많은지 여부를 결정하기 위한 임계값일 수 있다. 제 1 임계값은 미리 결정되어 메모리에 저장되어 있는 값일 수 있다. 먼지 배출 저감 장치(100)는 먼지의 배출량에 대한 정보가 제 1 임계값보다 크거나 같은 경우, 먼지 배출량이 많은 것으로 결정할 수 있다.
본 개시에 따른 먼지 배출 저감 장치(100)는 먼지의 배출량이 제 1 임계값 이상인 경우에만, 목표 영역 내에서 발생하는 먼지를 저감하기 위한 조치를 취하므로, 먼지를 저감하기 위한 자원을 절약할 수 있는 효과가 있다.
먼지 배출량이 많은 것으로 결정된 경우 먼지 배출 저감 장치(100)는 지면으로부터 배출되는 먼지의 양을 줄이기 위한 조치를 취할 수 있다. 예를 들어, 먼지 배출 저감 장치(100)는 지면에 평행한 방향으로 물을 분사할 수 있다. 물 분사 장치는 목표 영역 내에 일정한 간격으로 설치되어 있을 수 있다. 물 분사 장치는 먼지 배출 저감 장치(100)의 신호에 기초하여 지면에 평행한 방향으로 물을 분사할 수 있다. 물 분사 장치가 물을 지면에 평행한 방향으로 분사하는 경우, 목표 영역의 넓은 영역에 물이 뿌려질 수 있고, 지면으로부터 배출되는 먼지가 물과 만나 다시 지면으로 향할 수 있다. 따라서, 지면으로부터 먼지의 배출이 줄어들 수 있다. 하지만 이에 한정되는 것은 아니며, 물 분사 장치는 지면과 소정의 각을 이루고 공기중으로 물을 분사할 수 있다.
먼지 배출 저감 장치(100)가 저탄장에서 공기중으로 배출되는 먼지를 감소시키는 경우, 먼지 배출 저감 장치(100)는 저탄장의 석탄을 응집시키는 화학물질을 분사할 수 있다. 화학물질은 저탄장의 석탄을 응집시키므로 먼지가 공기 중으로 배출되는 것을 방지할 수 있다.
본 개시에 따른 먼지 배출 저감 장치(100)는 먼지의 배출량이 제 1 임계값 이상인 경우에만, 먼지를 저감하기 위한 조치를 취하므로, 먼지를 경감하기 위한 물 및 화학물질을 절약할 수 있는 효과가 있다.
도 3은 본 개시의 일 실시예에 따른 목표 영역을 나타내는 도면이다.
이미 설명한 바와 같이 목표 영역(300)은 사용자가 먼지 배출을 저감하고자 하는 지면상의 미리 정해진 영역일 수 있다.
목표 영역(300)이 직사각형인 경우, 위치(310)는 목표 영역(300)의 동쪽 변으로부터 길이(322)만큼 떨어진 곳에 위치할 수 있다. 또한 위치(310)는 목표 영역(300)의 북쪽 변으로부터 길이(321)만큼 떨어진 곳에 위치할 수 있다.
풍속계 및 습도계는 목표 영역의 대표 풍속 정보 및 습도 정보를 획득할 수 있다. 풍속계 및 습도계는 위치(310)에 위치할 수 있다. 위치(310)는 목표 영역(300)의 외접원의 중심일 수 있다.
위치들(310, 331, 332)에는 먼지의 농도를 측정하기 위한 먼지 측정기가 포함될 수 있다. 목표 영역 외에 위치한 위치들(331, 332)에서의 먼지 양과 목표 영역 내에 위치한 위치(310)에서의 먼지 양을 비교하여, 먼지 배출 저감 장치(100)는 먼지의 원인이 목표 영역 외부인지 목표 영역 내부인지 판단할 수 있다. 예를 들어 내부 위치(310)에서의 농도가 외부 위치들(331, 332)에서의 농도보다 높은 경우, 목표 영역 내부에 먼지의 발생 원인이 있을 가능성이 높다.
하지만, 3차원 공간에서는 농도만으로 먼지의 원인을 판단하기 어렵다. 왜냐하면, 공기는 지면에 평행한 방향 뿐만 아니라 지면에 수직인 방향으로 흐를 수 있기 때문이다. 위치(310)에서 먼지의 농도가 높더라도, 목표 영역의 외부에서 위치(310)의 높은 고도로부터 먼지가 유입되었을 가능성이 있다. 따라서 먼지가 지면으로부터 배출되는지 또는 공기중으로부터 지면으로 침적되는지를 알기 위하여 Eddy Covariance method, WindTrax method, Flux Gradient method 또는 Schmidt method을 이용할 수 있다. 이러한 방법들은 풍속 및 먼지의 농도를 모두 측정해야 먼지의 침적량 또는 배출량을 도출할 수 있었다. 아래에서는 먼지의 농도를 측정하기 위한 장치를 구체적으로 설명한다.
도 4는 먼지의 농도를 측정하기 위한 장치를 나타낸 도면이다.
농도 측정 장치(410)는 지면으로부터 높이(421)만큼 떨어져 있을 수 있다. 높이(421)는 미리 결정된 값일 수 있다. 사용자는 경험상 적절한 위치에 농도 측정 장치(410)를 배치할 수 있다. 농도 측정 장치(410)는 베타 레이 방법 또는 광산란 방법을 이용하여 먼지의 농도를 측정할 수 있다.
농도 측정 장치(410)는 3차원 기상장비를 포함할 수 있다. 3차원 기상장비는 풍속계 및 습도계를 포함하고 있을 수 있다. 농도 측정 장치(410)는 먼지의 농도 뿐만 아니라 바람의 3차원 풍속 및 습도를 측정할 수 있다. 3차원 풍속은 지면에 평행한 바람의 방향 및 세기에 관한 정보 및 지면에 수직인 바람의 방향 및 세기에 관한 정보를 포함할 수 있다.
또한 공기중의 먼지의 농도 및 먼지의 이동을 보다 정확하게 측정하기 위하여 서로 다른 높이에 농도 측정 장치들(431, 432)을 배치할 수 있다. 예를 들어 농도 측정 장치(431)는 높이(441)에 배치될 수 있다. 또한 농도 측정 장치(432)는 높이(442)에 배치될 수 있다. 농도 측정 장치들(431, 432)는 베타 레이 방법 또는 광산란 방법을 이용하여 먼지의 농도를 측정할 수 있다
농도 측정 장치들(431, 432)은 풍속계 및 습도계를 포함하고 있을 수 있다. 농도 측정 장치들(431, 432)은 먼지의 농도 뿐만 아니라 바람의 3차원 풍속 및 습도를 측정할 수 있다.
이와 같이 고도별로 측정된 먼지의 농도 측정 정보, 풍속 정보 및 습도 정보에 기초하여 목표 영역의 지면으로부터 먼지가 배출되는 양 또는 외부로부터 목표 영역으로 먼지가 침적되는 양을 결정할 수 있다.
구체적으로 Eddy Covariance method, WindTrax method, Flux Gradient method 및 Schmidt method 중 Flux Gradient method에 대하여 보다 자세히 설명한다. Flux Gradient method는 먼지의 측정 해상도가 10Hz 보다 낮은 경우 사용할 수 있는 방법이다. 플럭스(Flux)는 단위 면적당 시간당 먼지의 이동량을 의미할 수 있다. 여기서 단위 면적은 지면에 평행한 단위 면적을 의미할 수 있다. 즉, 플럭스는 단위 면적당 시간당 먼지의 상하 이동량을 나타낼 수 있다. 상하는 지면과 수직한 방향을 의미할 수 있다. 플럭스는 하기와 같은 식 1에 기초하여 계산될 수 있다.
Figure pat00001
(식 1)
여기서 FC는 플럭스를 의미할 수 있다. dC는 미세먼지의 농도차를 의미할 수 있다. 단위 면적이 지면과 평행하므로 dC는 상하 농도차를 의미할 수 있다. dz는 먼지 측정 장비 사이의 높이차이를 의미할 수 있다. 농도 차이인 dC는 양수 또는 음수를 가질 수 있다. 예를 들어, dC가 양수인 경우, 지면으로부터 멀어지는 방향으로 먼지가 배출되고 있음을 나타낼 수 있다. 또한 dC가 음수인 경우, 지면으로부터 가까워지는 방향으로 먼지가 침적되고 있음을 나타낼 수 있다. 하지만 이에 한정되는 것은 아니며, dC가 음수인 경우, 지면으로부터 멀어지는 방향으로 먼지가 배출되고 있음을 나타낼 수 있고, dC가 양수인 경우, 지면으로부터 가까워지는 방향으로 먼지가 침적되고 있음을 나타낼 수 있다.
플럭스는 방향정보를 포함하므로, 먼지가 지면으로부터 배출되는지 또는 먼지가 외부로부터 지면으로 침적되는지 여부를 나타낼 수 있다.
KZ는 식 2에 기초하여 획득될 수 있다.
Figure pat00002
(식 2)
여기서 z는 변수로서 사용자가 먼지의 이동량을 계산하고 싶은 높이를 의미한다. k는 칼만상수(0.4)를 의미할 수 있다. d는 영면변위(zero-plane displacement) 길이(0.05m)를 의미할 수 있다. u*는 마찰속도를 의미할 수 있다. 마찰속도는 지면에 평행한 바람의 속도에 대응될 수 있다.Φh는 열에 대한 무차원 수직구배 함수로서 식 3 또는 식 4 에 기초하여 획득될 수 있다.
Figure pat00003
(L<0인 경우) (식 3)
Figure pat00004
(L>0인 경우) (식 4)
여기서, L은 Monin-Obukhov 길이를 의미한다. L은 온도에 의해 결정되는 변수이다.
상술한 바와 같이, 식 1 내지 식 4에 의하여, 사용자는 높이(z)에서 먼지의 단위 면적당 시간당 이동량을 계산할 수 있다.
하지만 변수가 다양하고 측정해야 할 값도 많으며 계산이 복잡하였다. 또한, 계산을 위해 많은 센서와 프로세서가 필요할 수 있었다.
본 개시의 일 실시예에 따르면, 먼지 배출 저감 장치(100)는 풍속 정보 또는 습도 정보에 예측 모델을 적용하여, Eddy Covariance method, WindTrax method, Flux Gradient method 또는 Schmidt method에 의한 먼지의 단위 면적당 시간당 이동량을 예측할 수 있다. 즉, 먼지 배출 저감 장치(100)는 실제 먼지의 농도를 측정하지 않고도 먼지의 단위 면적당 시간당 이동량을 쉽고 빠르게 예측할 수 있는 효과가 있다.
구체적으로, 먼지 배출 저감 장치(100)는 먼지의 배출량에 대한 정보를 예측하는 단계(230)를 수행하기 위하여 이하와 같은 단계들을 수행할 수 있다.
먼저, 먼지 배출 저감 장치(100)는 수평 풍속 정보(U), 수직 풍속 정보(W) 및 습도 정보(H)에 대한 선형인 예측 모델에 기초하여 단위 면적당 시간당 먼지의 배출량에 대한 정보를 계산하는 단계를 수행할 수 있다. 여기서 예측 모델은 아래 식 5와 같이 주어질 수 있다.
먼지의 배출량에 대한 정보 = C1*W + C2*U - C3*H (식 5)
여기서, W는 수직 풍속 정보를 의미하고, U는 수평 풍속 정보를 의미하며, H는 습도 정보를 의미할 수 있다. 먼지의 배출량에 대한 정보는, 먼지가 지면으로부터 공기중으로 방출되는 배출량을 의미할 수 있다. 수평 풍속 정보(U), 수직 풍속 정보(W) 및 습도 정보(H)는 기상정보에 포함될 수 있다. 먼지 배출량에 대한 정보는 적어도 하나의 고도에서 측정된 먼지의 농도를 Eddy Covariance method, WindTrax method, Flux Gradient method 또는 Schmidt method 에 적용하여 획득될 수 있다. 또한 먼지 배출량에 대한 정보는 공기중의 먼지의 농도에서 단위 면적당 공기로부터 지면으로 침적되는 먼지의 침적량에 대한 정보가 제외된 것을 의미할 수 있다.
또한, 먼지 배출 저감 장치(100)는 실시간으로 측정된 많은 수의 데이터에 기초하여, 수평 풍속 정보(U), 수직 풍속 정보(W) 및 습도 정보(H)로부터 먼지의 배출량를 결정하기 위한 가중치(C1, C2 및 C3 )를 결정할 수 있다. C1, C2 및 C3는 양수일 수 있다. 예를 들어 C1은 2758.4, C2는 908.7, C3는 55.4일 수 있다.
사용자는 C1, C2 및 C3의 크기에 기초하여 먼지의 배출량에 풍속의 영향이 큰지 또는 습도의 영향이 큰지를 판단할 수 있다. 또한 사용자는 풍속 또는 습도에 따라 먼지의 배출량을 대략적으로 예측할 수 있는 효과가 있다.
먼지 배출 저감 장치(100)는 회귀 분석에 기초하여 식 5와 같은 예측 모델을 도출할 수 있다. 먼지 배출 저감 장치(100)는 목표 영역에서 실시간으로 데이터를 획득할 수 있다. 예를 들어, 먼지 배출 저감 장치(100)는 목표 영역 내에 위치하거나 목표 영역에 인접하여 위치한 센서에 기초하여 풍속 정보, 습도 정보를 포함하는 기상정보 또는 먼지의 농도 정보를 실시간으로 획득할 수 있다. 또한 먼지 배출 저감 장치(100)는 획득된 먼지의 농도 정보를 Eddy Covariance method, WindTrax method, Flux Gradient method, Schmidt method에 적용하여 먼지의 배출량에 대한 정보 또는 침적량에 대한 정보를 실시간으로 계산할 수 있다.
먼지 배출 저감 장치(100)는 기상정보 및 먼지의 배출량에 대한 정보 또는 침적량에 대한 정보에 기초하여 회귀 분석을 수행하여 예측 모델을 식 5와 같이 결정할 수 있다.
또한, 먼지 배출 저감 장치(100)는 실시간으로 획득된 정보에 기초하여 식 5와 같은 예측 모델을 업데이트할 수 있다. 예를 들어 먼지 배출 저감 장치(100)는 실시간으로 획득된 먼지의 배출량에 대한 정보, 실시간으로 획득된 수평 풍속 정보, 실시간으로 획득된 수직 풍속 정보 및 실시간으로 획득된 습도 정보에 기초하여 예측 모델을 업데이트할 수 있다. 먼지 배출 저감 장치(100)는 업데이트를 위하여 회귀분석을 이용할 수 있다.
또한, 먼지 배출 저감 장치(100)는 식 6과 같은 예측 모델을 이용할 수 있다.
먼지의 배출량에 대한 정보 = C1*W + C2*U - C3*H + C4 (식 6)
여기서, C1, C2, C3 및 C4는 미리 결정된 실수의 가중치이고, C1, C2 및 C3는 양수일 수 있다. 예를 들어 C1은 2657.5, C2는 822.4, C3는 2.3, C4는 130일 수 있다. 먼지 배출 저감 장치(100)는 많은 수의 데이터에 기초하여, 수평 풍속 정보(U), 수직 풍속 정보(W) 및 습도 정보(H)와 먼지의 배출량에 대한 정보의 관계를 식 6과 같이 나타낼 수 있다. 식 5와 다르게 식 6은 C4를 추가하였다. 식 5는 수평 풍속 정보(U), 수직 풍속 정보(W) 및 습도 정보(H) 이외의 요인에 대해서는 무시하였다. 하지만 식 6은 C4를 추가하여, 먼지의 배출량에 대한 정보에 영향을 주는 요인을 상수값으로 고려할 수 있다. C4는 0을 포함할 수 있다.
먼지 배출 저감 장치(100)는 실시간으로 측정된 많은 수의 데이터에 기초하여, 수평 풍속 정보(U), 수직 풍속 정보(W) 및 습도 정보(H)와 먼지의 배출량에 대한 정보의 관계를 식 6과 같이 나타낼 수 있다. 수평 풍속 정보(U), 수직 풍속 정보(W) 및 습도 정보(H)는 기상정보에 포함될 수 있다. 먼지 배출 저감 장치(100)는 획득된 먼지의 농도 정보를 Eddy Covariance method, WindTrax method, Flux Gradient method, Schmidt method에 적용하여 먼지의 배출량에 대한 정보 또는 침적량에 대한 정보를 실시간으로 계산할 수 있다. 먼지 배출 저감 장치(100)는 기상정보 및 먼지의 배출량에 대한 정보를 회귀 분석하여 예측 모델을 식 6과 같이 도출할 수 있다.
또한, 먼지 배출 저감 장치(100)는 실시간으로 획득된 정보에 기초하여 식 6과 같은 예측 모델을 업데이트할 수 있다. 예를 들어 먼지 배출 저감 장치(100)는 실시간으로 획득된 먼지의 배출량에 대한 정보, 실시간으로 획득된 수평 풍속 정보, 실시간으로 획득된 수직 풍속 정보 및 실시간으로 획득된 습도 정보에 기초하여 예측 모델을 업데이트할 수 있다. 먼지 배출 저감 장치(100)는 업데이트를 위하여 회귀분석을 이용할 수 있다.
식 5 또는 식 6 은 하나의 수평 풍속 정보(U), 하나의 수직 풍속 정보(W) 및 하나의 습도 정보(H)를 이용하였으나, 이에 한정되는 것은 아니다. 먼지 배출 저감 장치(100)는 목표 영역 내의 다양한 지점 또는 목표 영역에 근접한 외부의 다양한 지점에서의 복수의 수평 풍속 정보들, 복수의 수직 풍속 정보들 및 복수의 습도 정보들에 기초하여 먼지의 배출량에 대한 정보를 획득하여 단위 면적당 시간당 먼지의 배출량을 예측하기 위해 이용할 수 있다. 이 경우 C1, C2, C3 및 C4 이외의 다른 가중치들이 사용될 수 있다.
식 5 또는 식 6은 수평 풍속 정보(U), 수직 풍속 정보(W) 및 습도 정보(H)에 관한 일차식이지만 이에 한정되는 것은 아니다. 식 5 또는 식 6은 수평 풍속 정보(U), 수직 풍속 정보(W) 및 습도 정보(H)에 대한 다차식일 수 있다. 다차식은 이차식 이상을 의미할 수 있다.
먼지 배출 저감 장치(100)는 시간에 따라 다른 C1, C2, C3 및 C4 값을 이용할 수 있다. 예를 들어, 먼지 배출 저감 장치(100)는 제 1 시간 영역 및 제 2 시간 영역에 따라 서로 다른 C1, C2, C3 및 C4 값을 결정할 수 있다. 제 1 시간 영역은 일출 시간부터 일몰시간을 의미할 수 있다. 제 2 시간 영역은 일몰 시간부터 다음날 일출 시간을 의미할 수 있다. 또한 제 1 시간 영역은 목표 영역에 있는 작업장의 영업시간을 의미할 수 있다. 제 2 시간 영역은 목표 영역에 있는 작업장이 영업을 하지 않는 시간을 의미할 수 있다.
본 개시의 일 실시예에 따르면, 제 1 시간 영역은 오전 10시부터 오후 7시까지이고, 제 2 시간 영역은 오후 8시부터 오전 9시까지를 나타낼 수 있다. 이때 식 5의 제 1 시간 영역에서의 C1은 3200.75, C2는 937.06, C3는 145.88일 수 있다. 또한 식 5의 제 2 시간 영역에서의 C1은 2112.36, C2는 825.25, C3는 44.89일 수 있다. 또한 식 6의 제 1 시간 영역에서의 C1은 2385.07, C2는 696.16, C3는 719.58, C4는 445.88 일 수 있다. 또한 식 6의 제 2 시간 영역에서의 C1은 2101.47, C2는 886.16, C3는 72.28, C4는 -92.43일 수 있다.
식 5 또는 식 6에 의하여 결정된 먼지의 배출량에 대한 정보는 수평 풍속 정보(U), 하나의 수직 풍속 정보(W) 및 하나의 습도 정보(H)가 측정된 위치에서의 먼지의 배출량에 대한 정보일 수 있다.
먼지 배출 저감 장치(100)는 식 5 및 식 6에 의해 예측된 배출량을 검증하기 위하여 측정된 농도 정보를 이용할 수 있다. 먼지 배출 저감 장치(100)는 농도 정보 자체와 식 5 및 식 6에 의해 예측된 배출량의 상관관계를 계산하여 예측된 배출량의 신뢰도를 획득할 수 있다. 또는 먼지 배출 저감 장치(100)는 농도 정보에 기초하여 계산된 실제 배출량과 식 5 및 식 6에 의해 예측된 배출량의 상관관계를 계산하여 예측된 배출량의 신뢰도를 획득할 수 있다. 사용자는 먼지 배출 저감 장치(100)가 획득한 신뢰도에 기초하여 예측 모델이 믿을 만한지 검증할 수 있다.
도 5는 본 개시의 일 실시예에 따른 먼지 배출 저감 장치의 동작을 나타낸 흐름도이다.
먼지 배출 저감 장치(100)는 공기 중의 먼지의 농도에 대한 정보를 획득하는 단계(510)를 수행할 수 있다. 공기 중의 먼지의 농도에 대한 정보는 목표 영역에 포함된 하나의 지점의 먼지의 농도를 의미할 수 있다. 또한 공기 중의 먼지의 농도에 대한 정보는 지면으로부터 소정의 높이에서의 먼지의 농도를 의미할 수 있다.
먼지 배출 저감 장치(100)는 먼지의 농도에 대한 정보 및 먼지의 배출량에 대한 정보에 기초하여, 먼지의 침적량에 대한 정보를 획득하는 단계(520)를 수행할 수 있다. 예를 들어 먼지 배출 저감 장치(100)는 식 5 또는 식 6에 기초하여 먼지의 배출량에 대한 정보를 획득할 수 있다. 먼지 배출 저감 장치(100)는 먼지의 농도에 대한 정보에서 먼지의 배출량에 대한 정보를 차감하여 먼지의 침적량에 대한 정보를 획득할 수 있다. 먼지의 침적량에 대한 정보는 지면에 평행한 단위 면적당 시간당 공기중에서 목표 영역의 지면으로 향하는 먼지의 양을 의미할 수 있다.
하지만 이에 한정되는 것은 아니다. 먼지 배출 저감 장치(100)는 회귀 분석에 기초하여 단위 면적당 시간당 먼지의 침적량에 관련된 예측 모델을 도출할 수 있다. 먼지 배출 저감 장치(100)는 예측 모델에 기초하여 단위 면적당 시간당 먼지의 침적량을 획득할 수 있다.
먼지 배출 저감 장치(100)는 먼지의 침적량에 대한 정보를 소리나 빛으로 출력할 수 있다. 예를 들어 먼지 배출 저감 장치(100)는 디스플레이부에 먼지의 침적량에 대한 정보를 출력할 수 있다. 또한 먼지 배출 저감 장치(100)는 스피커로 먼지의 침적량에 대한 정보를 출력할 수 있다.
먼지 배출 저감 장치(100)는 다른 시스템 또는 장치에 먼지의 침적량에 대한 정보를 송신할 수 있다. 먼지 배출 저감 장치(100)는 유무선으로 다른 시스템 또는 장치에 정보를 송신할 수 있다.
먼지 배출 저감 장치(100)는 먼지의 침적량에 대한 정보가 제 2 임계값 이상인 경우, 제 2 알람 신호를 출력하는 단계(530)를 수행할 수 있다. 제 2 임계값은 먼지 침적량이 많은지 여부를 결정하기 위한 임계값일 수 있다. 제 2 임계값은 미리 결정되어 메모리에 저장되어 있는 값일 수 있다. 먼지 배출 저감 장치(100)는 먼지의 침적량에 대한 정보가 제 2 임계값보다 크거나 같은 경우, 먼지 침적량이 많은 것으로 결정할 수 있다.
본 개시에 따른 먼지 배출 저감 장치(100)는 먼지의 침적량이 제 2 임계값 이상인 경우에만, 외부로부터 유입되는 먼지를 저감하기 위한 조치를 취하므로, 먼지를 저감하기 위한 자원을 절약할 수 있는 효과가 있다.
먼지 침적량이 많은 것으로 결정된 경우 먼지 배출 저감 장치(100)는 외부로부터 유입되는 먼지의 양을 줄이기 위한 조치를 취할 수 있다. 예를 들어, 먼지 배출 저감 장치(100)는 지면에 수직인 방향으로 물을 분사할 수 있다. 물 분사 장치는 목표 영역 내에 일정한 간격으로 설치되어 있을 수 있다. 물 분사 장치는 먼지 배출 저감 장치(100)의 신호에 기초하여 지면에 수직인 방향으로 물을 분사할 수 있다. 물 분사 장치가 물을 지면에 수직인 방향으로 분사하는 경우, 물줄기가 장벽이 되어 외부에서 목표 영역에 먼지가 유입되는 것을 막을 수 있다. 하지만 이에 한정되는 것은 아니며, 물 분사 장치는 지면과 소정의 각을 이루고 공기중으로 물을 분사할 수 있다.
본 개시에 따른 먼지 배출 저감 장치(100)는 먼지의 침적량이 제 2 임계값 이상인 경우에만, 먼지를 저감하기 위한 조치를 취하므로, 먼지를 경감하기 위한 물 및 화학물질을 절약할 수 있는 효과가 있다.
본 개시에 따르면 먼지 배출 저감 장치(100)는 대량의 정보를 회귀 분석하여 식 5 및 식 6을 도출할 수 있다. 하지만 이에 한정되는 것은 아니다. 최근 기계학습 기술이 획기적으로 발전하고 있으며, 먼지 배출 저감 장치(100)는 대량의 정보를 기계학습에 이용할 수 있다. 도 6 내지 도 9에서 기계학습을 이용하여 3차원 풍속 정보 및 습도 정보로부터 먼지의 배출량을 결정하는 방법 및 장치를 설명한다.
도 6은 본 개시의 일 실시예에 따른 먼지 배출 저감 장치(100)의 블록도이다.
도 6을 참조하면, 일 실시예에 따른 먼지 배출 저감 장치(100)는 데이터 학습부(610) 및 데이터 인식부(620)를 포함할 수 있다. 상술한 바와 같은 먼지 배출 저감 장치(100)는 프로세서 및 메모리를 포함할 수 있다.
데이터 학습부(610)는 데이터 세트를 이용하여 타겟 태스크(target task)를 수행하기 위한 기계학습모델을 학습시킬 수 있다. 데이터 학습부(610)는 데이터 세트 및 타겟 태스크와 관련된 레이블 정보를 수신할 수 있다. 데이터 학습부(610)는 데이터 세트와 레이블 정보의 관계에 대해 기계학습을 수행하여 기계학습모델을 획득할 수 있다. 일 실시예로, 데이터 학습부(610)가 획득한 기계학습모델은 데이터 세트를 이용하여 레이블 정보를 생성하기 위한 모델일 수 있다.
여기서 타겟 태스크는 3차원 풍속 정보, 습도 정보에 기초하여 지면으로부터 공기중으로 단위 면적 당 배출되는 먼지의 배출량을 결정하는 것일 수 있다.
데이터 인식부(620)는 데이터 학습부(610)의 기계학습모델을 저장할 수 있다. 데이터 인식부(620)는 입력 데이터에 기계학습모델을 적용하여 레이블 정보를 출력할 수 있다. 또한, 데이터 인식부(620)는 입력 데이터, 레이블 정보 및 기계학습모델에 의해 출력된 결과를 기계학습모델을 갱신하는데 이용할 수 있다.
데이터 학습부(610) 및 데이터 인식부(620) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 학습부(610) 및 데이터 인식부(620) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 다양한 전자 장치에 탑재될 수도 있다.
또한 데이터 학습부(610) 및 데이터 인식부(620)는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(610) 및 데이터 인식부(620) 중 하나는 전자 장치에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한, 데이터 학습부(610) 및 데이터 인식부(620)는 유선 또는 무선으로 통하여, 데이터 학습부(610)가 구축한 기계학습모델 정보를 데이터 인식부(620)로 제공할 수도 있고, 데이터 인식부(620)로 입력된 데이터가 추가 학습 데이터로써 데이터 학습부(610)로 제공될 수도 있다.
한편, 데이터 학습부(610) 및 데이터 인식부(620) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(610) 및 데이터 인식부(620) 중 적어도 하나가 소프트웨어 모듈(또는, 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 메모리 또는 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
본 개시의 일 실시예에 따른 데이터 학습부(610)는 데이터 획득부(611), 전처리부(612), 학습 데이터 선택부(613), 모델 학습부(614) 및 모델 평가부(615)를 포함할 수 있다.
데이터 획득부(611)는 기계학습에 필요한 데이터를 획득할 수 있다. 학습을 위해서는 많은 데이터가 필요하므로, 데이터 획득부(611)는 복수의 데이터를 포함하는 데이터 세트를 수신할 수 있다.
복수의 데이터 각각에 대하여 레이블 정보가 할당될 수 있다. 레이블 정보는 복수의 데이터의 각각을 설명하는 정보일 수 있다. 레이블 정보는 타겟 태스크(target task)가 도출하고자 하는 정보일 수 있다. 레이블 정보는 사용자 입력으로부터 획득되거나, 메모리로부터 획득되거나, 기계학습모델의 결과로부터 획득될 수 있다. 예를 들어 타겟 태스크가 3차원 풍속 정보 및 습도 정보에 기초하여 지면으로부터 공기중으로 배출되는 먼지의 배출량을 결정하는 것이라면, 복수의 데이터는 시간에 따른 3차원 풍속 정보 및 습도 정보가 될 것이며 레이블 정보는 시간에 따른 단위 면적당 지면에서 배출되는 먼지의 양이 될 것이다.
전처리부(612)는 수신된 데이터가 기계학습에 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(612)는 후술할 모델 학습부(614)가 이용할 수 있도록, 획득된 데이터 세트를 미리 설정된 포맷으로 가공할 수 있다.
학습 데이터 선택부(613)는 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 모델 학습부(614)에 제공될 수 있다. 학습 데이터 선택부(613)는 기 설정된 기준에 따라, 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(613)는 후술할 모델 학습부(614)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
모델 학습부(614)는 데이터 세트에 기초하여 어떤 레이블 정보를 출력할 지에 관한 기준을 학습할 수 있다. 또한, 모델 학습부(614)는 데이터 세트 및 데이터 세트 대한 레이블 정보를 학습 데이터로써 이용하여 기계학습을 수행할 수 있다. 또한 모델 학습부(614)는 기존에 획득된 기계학습모델을 추가적으로 이용하여 기계학습을 수행할 수 있다. 이 경우, 기존에 획득된 기계학습모델은 미리 구축된 모델일 수 있다. 예를 들어, 기계학습모델은 기본 학습 데이터를 입력 받아 미리 구축된 모델일 수 있다.
기계학습모델은, 학습모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 기계학습모델은, 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, Deep Neural Network (DNN), Recurrent Neural Network (RNN), Long Short-Term Memory models (LSTM), BRDNN (Bidirectional Recurrent Deep Neural Network), Convolutional Neural Networks (CNN)과 같은 모델이 기계학습모델로써 사용될 수 있으나, 이에 한정되지 않는다. 본 개시의 일 실시예에 따르면 먼지 배출 저감 장치(100)는 기계학습을 이용하여 데이터를 회귀분석 할 수 있다.
다양한 실시예에 따르면, 모델 학습부(614)는 미리 구축된 기계학습모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 기계학습모델을 학습할 기계학습모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 기계학습모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 장소, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.
또한, 모델 학습부(614)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 기계학습모델을 학습시킬 수 있다.
또한, 모델 학습부(614)는, 예를 들어, 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning)을 통하여, 기계학습모델을 학습할 수 있다. 또한, 모델 학습부(614)는, 예를 들어, 별다른 지도없이 타겟 태스크(target task)을 위해 필요한 데이터의 종류를 스스로 학습함으로써, 타겟 태스크를 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 기계학습모델을 획득할 수 있다. 또한, 모델 학습부(614)는 준지도 학습(semi-supervised learning), 능동적 학습(active learning)을 통하여, 기계학습모델을 획득할 수도 있다. 또한, 모델 학습부(614)는, 예를 들어, 학습에 따른 타겟 태스크의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 기계학습모델을 학습할 수 있다.
또한, 기계학습모델이 학습되면, 모델 학습부(614)는 학습된 기계학습모델을 저장할 수 있다. 이 경우, 모델 학습부(614)는 학습된 기계학습모델을 데이터 인식부(620)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(614)는 학습된 기계학습모델을 전자 장치와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.
학습된 기계학습모델이 저장되는 메모리는, 예를 들면, 전자 장치의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 메모리는 소프트웨어 및/또는 프로그램을 저장할 수도 있다. 프로그램은, 예를 들면, 커널, 미들웨어, 어플리케이션 프로그래밍 인터페이스(API) 및/또는 어플리케이션 프로그램(또는 "어플리케이션") 등을 포함할 수 있다.
모델 평가부(615)는 기계학습모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(614)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 기계학습모델을 평가하기 위한 기 설정된 데이터일 수 있다.
예를 들어, 모델 평가부(615)는 평가 데이터에 대한 학습된 기계학습모델의 결과 중에서, 인식 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다. 예컨대, 소정 기준이 비율 2%로 정의되는 경우, 학습된 기계학습모델이 총 1000개의 평가 데이터 중의 20개를 초과하는 평가 데이터에 대하여 잘못된 인식 결과를 출력하는 경우, 모델 평가부(615)는 학습된 기계학습모델이 적합하지 않은 것으로 평가할 수 있다.
한편, 학습된 기계학습모델이 복수 개가 존재하는 경우, 모델 평가부(615)는 각각의 학습된 학습모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 기계학습모델로써 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(615)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 기계학습모델로써 결정할 수 있다.
한편, 데이터 학습부(610) 내의 데이터 획득부(611), 전처리부(612), 학습 데이터 선택부(613), 모델 학습부(614) 및 모델 평가부(615) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(611), 전처리부(612), 학습 데이터 선택부(613), 모델 학습부(614) 및 모델 평가부(615) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 획득부(611), 전처리부(612), 학습 데이터 선택부(613), 모델 학습부(614) 및 모델 평가부(615)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(611), 전처리부(612), 학습 데이터 선택부(613), 모델 학습부(614) 및 모델 평가부(615) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(611), 전처리부(612), 학습 데이터 선택부(613), 모델 학습부(614) 및 모델 평가부(615) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(611), 전처리부(612), 학습 데이터 선택부(613), 모델 학습부(614) 및 모델 평가부(615) 중 적어도 하나가 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
본 개시의 일 실시예에 따른 데이터 인식부(620)는 데이터 획득부(621), 전처리부(622), 인식 데이터 선택부(623), 인식 결과 제공부(624) 및 모델 갱신부(625)를 포함할 수 있다.
데이터 획득부(621)는 입력 데이터를 수신할 수 있다. 전처리부(622)는 획득된 입력 데이터가 인식 데이터 선택부(623) 또는 인식 결과 제공부(624)에서 이용될 수 있도록, 획득된 입력 데이터를 전처리할 수 있다.
인식 데이터 선택부(623)는 전처리된 데이터 중에서 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(624)에게 제공될 수 있다. 인식 데이터 선택부(623)는 기 설정된 기준에 따라, 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(623)는 모델 학습부(614)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
인식 결과 제공부(624)는 선택된 데이터를 기계학습모델에 적용하여 결과 데이터를 획득할 수 있다. 기계학습모델은 모델 학습부(614)에 의하여 생성된 기계학습모델일 수 있다. 인식 결과 제공부(624)는 결과 데이터를 출력할 수 있다.
모델 갱신부(625)는 인식 결과 제공부(624)에 의해 제공되는 인식 결과에 대한 평가에 기초하여, 기계학습모델이 갱신되도록 할 수 있다. 예를 들어, 모델 갱신부(625)는 인식 결과 제공부(624)에 의해 제공되는 인식 결과를 모델 학습부(614)에게 제공함으로써, 모델 학습부(614)가 기계학습모델을 갱신하도록 할 수 있다.
한편, 데이터 인식부(620) 내의 데이터 획득부(621), 전처리부(622), 인식 데이터 선택부(623), 인식 결과 제공부(624) 및 모델 갱신부(625) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(621), 전처리부(622), 인식 데이터 선택부(623), 인식 결과 제공부(624) 및 모델 갱신부(625) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 획득부(621), 전처리부(622), 인식 데이터 선택부(623), 인식 결과 제공부(624) 및 모델 갱신부(625)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(621), 전처리부(622), 인식 데이터 선택부(623), 인식 결과 제공부(624) 및 모델 갱신부(625) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(621), 전처리부(622), 인식 데이터 선택부(623), 인식 결과 제공부(624) 및 모델 갱신부(625) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(621), 전처리부(622), 인식 데이터 선택부(623), 인식 결과 제공부(624) 및 모델 갱신부(625) 중 적어도 하나가 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
아래에서는 데이터 학습부(610)가 데이터 세트들을 순차적으로 기계학습하는 방법 및 장치에 대하여 보다 자세히 설명한다.
도 7은 본 개시의 일 실시예에 따른 먼지 배출 저감 장치의 데이터 학습부를 나타낸다. 또한 도 8은 본 개시의 일 실시예에 따른 먼지 배출 저감 장치의 데이터 인식부를 나타낸다. 또한 도 9는 본 개시의 일 실시예에 따른 먼지 배출 저감 장치의 동작을 나타낸 흐름도이다.
도 7 및 도 9를 참조하면 먼지 배출 저감 장치(100)의 데이터 학습부(610)는 시간에 따른 복수의 수평 풍속 정보, 복수의 수직 풍속 정보 및 복수의 습도 정보를 포함하는 기상 정보(710)를 획득하는 단계(910)를 수행할 수 있다. 수평 풍속 정보는 풍속계로부터 획득된 정보일 수 있다. 수평 풍속 정보는 지면에 평행한 방향의 풍속 정보일 수 있다. 또한 수직 풍속 정보는 풍속계로부터 획득된 정보일 수 있다. 수직 풍속 정보는 지면에 수직한 방향의 풍속 정보일 수 있다. 또한 습도 정보는 습도계로부터 획득된 정보일 수 있다.
먼지 배출 저감 장치(100)는 복수의 수평 풍속 정보, 복수의 수직 풍속 정보 및 복수의 습도 정보를 기상 정보(710)로서 획득할 수 있다. 기상 정보(710)는 주기적으로 획득될 수 있다. 예를 들어 먼지 배출 저감 장치(100)는 기상 정보(710)를 마이크로초단위, 밀리초단위, 초단위 또는 분단위로 획득할 수 있다. 먼지 배출 저감 장치(100)는 기계학습을 위하여 획득된 기상 정보(710)를 메모리에 저장하고 있을 수 있다.
먼지 배출 저감 장치(100)는 시간에 따른 단위면적당 지면에서 공기중으로 배출되는 먼지의 배출량 실측 정보(720)를 획득하는 단계(920)를 수행할 수 있다. 먼지의 배출량은 목표 영역 내에 위치한 센서로부터 획득한 농도 정보에 기초하여 계산될 수 있다. 먼지 배출 저감 장치(100)는 적어도 하나의 고도에서 측정된 먼지의 농도 정보를 Eddy Covariance method, WindTrax method, Flux Gradient method 및 Schmidt method 중 하나에 적용하여 지면에서 공기중으로 배출되는 먼지의 배출량 실측 정보(720)를 계산할 수 있다. 먼지의 배출량은 지면에 평행한 단위 면적당 시간당 배출량일 수 있다.
먼지 배출 저감 장치(100)는 기상 정보 및 먼지의 배출량 실측 정보의 관계를 기계학습하여, 기계학습모델(730)을 획득하는 단계(930)를 수행할 수 있다. 먼지 배출 저감 장치(100)는 기상 정보 및 먼지 배출량 실측 정보의 상관 관계를 학습할 수 있다. 먼지 배출 저감 장치(100)는 상관 관계에 대한 정보를 기계학습모델(730)로써 획득할 수 있다. 먼지 배출 저감 장치(100)는 기계학습모델(730)을 메모리에 저장할 수 있다. 먼지 배출 저감 장치(100)는 기계학습모델(730)을 다른 먼지 배출 저감 장치로 전송할 수 있다.
도 8 및 도 9를 참조하면, 기계학습모델(730)은 식 5 및 식 6을 대체할 수 있다. 먼지 배출 저감 장치(100)의 데이터 인식부(620)는 수평 풍속 정보, 수직 풍속 정보 및 습도 정보(810)를 기계학습모델(730)에 적용하여 먼지의 배출량에 대한 정보(820)를 획득하는 단계(940)를 수행할 수 있다.
먼지 배출 저감 장치(100)는 기계학습모델(730)을 이용하여 정확하게 먼지의 배출량에 대한 정보(820)를 획득할 수 있다. 식 5 및 식 6은 수평 풍속 정보, 수직 풍속 정보 및 습도 정보(810)와 먼지의 배출량에 대한 정보(820)의 일차식을 이용할 수 있다. 하지만, 기계학습모델(730)은 수평 풍속 정보, 수직 풍속 정보 및 습도 정보(810)와 먼지의 배출량에 대한 정보(820)의 관계를 일차식으로 한정하여 해석한 모델이 아니므로, 기계학습모델(730)에 의하면 먼지의 배출량에 대한 정보(820)를 정확하게 예측할 수 있다.
먼지 배출 저감 장치(100)의 모델 갱신부(625)는 기계학습모델(730)을 갱신할 수 있다. 먼지 배출 저감 장치(100)는 기계학습모델(730)을 갱신하기 위하여 실시간 수평 풍속 정보, 실시간 수직 풍속 정보, 실시간 습도 정보 및 실시간으로 계산된 먼지의 배출량 정보를 이용할 수 있다.
먼지 배출 저감 장치(100)는 먼지의 배출량에 대한 정보(820)를 소리나 빛으로 출력할 수 있다. 예를 들어 먼지 배출 저감 장치(100)는 디스플레이부에 먼지의 배출량에 대한 정보(820)를 출력할 수 있다. 또한 먼지 배출 저감 장치(100)는 스피커로 먼지의 배출량에 대한 정보를 출력할 수 있다.
먼지 배출 저감 장치(100)는 다른 시스템 또는 장치에 먼지의 배출량에 대한 정보(820)를 송신할 수 있다. 먼지 배출 저감 장치(100)는 유무선으로 다른 시스템 또는 장치에 정보를 송신할 수 있다.
먼지 배출 저감 장치(100)는 먼지의 배출량에 대한 정보(820)가 제 1 임계값 이상인 경우, 제 1 알람 신호를 출력하는 단계를 수행할 수 있다. 먼지 배출 저감 장치(100)는 먼지의 배출량에 대한 정보(820)가 제 1 임계값보다 크거나 같은 경우, 먼지 배출량이 많은 것으로 결정할 수 있다.
본 개시에 따른 먼지 배출 저감 장치(100)는 먼지의 배출량에 대한 정보(820)가 제 1 임계값 이상인 경우에만, 목표 영역 내에서 발생하는 먼지를 저감하기 위한 조치를 취하므로, 먼지를 저감하기 위한 에너지를 절약할 수 있는 효과가 있다. 또한, 목표 영역의 주변에 먼지로 인한 영향을 줄일 수 있는 효과가 있다.
먼지 배출 저감 장치(100)의 데이터 학습부(610)는 단계(930)에서 시간에 따른 먼지의 배출량에 대한 정보를 더 수신하여 기계학습을 수행할 수 있다. 먼지 배출 저감 장치(100)의 데이터 인식부(620)는 기계학습모델(730)을 이용하여 시간에 따른 먼지의 배출량에 대한 정보(820)를 결정할 수 있다.
먼지 배출 저감 장치(100)는 센서로부터 공기중의 먼지의 농도 정보를 획득할 수 있다. 먼지 배출 저감 장치(100)는 공기중의 먼지의 농도 정보에서 먼지의 배출량에 대한 정보(820)를 차감하여 목표 영역 외부로부터 유입되는 침적량의 정보를 산출할 수 있다.
하지만 이에 한정되는 것은 아니다. 먼지 배출 저감 장치(100)는 실측한 복수의 수평 풍속 정보, 실측한 복수의 수직 풍속 정보, 실측한 복수의 습도 정보 및 실측한 침적량에 대한 정보의 관계를 기계학습하여, 먼지 침적량에 대한 기계학습모델을 획득하는 단계를 수행할 수 있다. 또한 먼지 배출 저감 장치(100)는 기상 정보를 먼지 침적량에 대한 기계학습모델에 적용하여 예측 침적량에 대한 정보를 결정할 수 있다. 먼지 배출 저감 장치(100)는 실시간 수평 풍속 정보, 실시간 수직 풍속 정보, 실시간 습도 정보 및 실시간으로 계산된 침적량에 대한 정보에 기초하여 먼지 침적량에 대한 기계학습모델을 갱신할 수 있다.
먼지 배출 저감 장치(100)는 먼지의 침적량에 대한 정보를 소리나 빛으로 출력할 수 있다. 예를 들어 먼지 배출 저감 장치(100)는 디스플레이부에 먼지의 침적량에 대한 정보를 출력할 수 있다. 또한 먼지 배출 저감 장치(100)는 스피커로 먼지의 침적량에 대한 정보를 출력할 수 있다.
먼지 배출 저감 장치(100)는 다른 시스템 또는 장치에 먼지의 침적량에 대한 정보를 송신할 수 있다. 먼지 배출 저감 장치(100)는 유무선으로 다른 시스템 또는 장치에 정보를 송신할 수 있다.
먼지 배출 저감 장치(100)는 먼지의 침적량에 대한 정보가 제 2 임계값 이상인 경우, 제 2 알람 신호를 출력하는 단계를 수행할 수 있다. 먼지 배출 저감 장치(100)는 먼지의 침적량에 대한 정보가 제 2 임계값보다 크거나 같은 경우, 먼지 침적량이 많은 것으로 결정할 수 있다.
본 개시에 따른 먼지 배출 저감 장치(100)는 먼지의 침적량이 제 2 임계값 이상인 경우에만, 외부로부터 유입되는 먼지를 저감하기 위한 조치를 취하므로, 먼지를 저감하기 위한 에너지를 절약할 수 있는 효과가 있다. 또한 외부로부터 목표 영역 내로 유입되는 양을 줄일 수 있는 효과가 있다.
도 10은 본 개시의 일 실시예에 따른 결과를 나타낸 그래프를 도시한다.
그래프(1010)는 제 2 시간 영역에 대하여 실제로 측정한 배출량의 값과 식 5에 따른 배출량의 값을 나타낸 그래프이다. 식 5의 C1은 2112.36, C2는 825.25, C3는 44.89일 수 있다. 그래프(1010)에서 파란선은 실제로 측정한 배출량의 정보를 나타내고, 붉은선은 식 5에 따른 배출량의 값을 나타낸다.
실제로 측정한 배출량의 값과 식 5에 따른 배출량의 상관관계 값(r)은 0.92563이었다. 따라서 실제로 측정한 배출량의 값과 식 5에 따른 배출량의 상관관계는 높은 것을 알 수 있다.
그래프(1020)는 제 1 시간 영역에 대하여 실제로 측정한 배출량의 값과 식 5에 따른 배출량의 값을 나타낸 그래프이다. 식 5의 C1은 3200.75, C2는 937.06, C3는 145.88일 수 있다. 그래프(1020)에서 파란선은 실제로 측정한 배출량의 정보를 나타내고, 붉은선은 식 5에 따른 배출량의 값을 나타낸다.
실제로 측정한 배출량의 값과 식 5에 따른 배출량의 상관관계 값(r)은 0.91049이었다. 따라서 실제로 측정한 배출량의 값과 식 5에 따른 배출량의 상관관계는 높은 것을 알 수 있다.
그래프(1030)는 24시간 동안 실제로 측정한 배출량의 값과 식 5에 따른 배출량의 값을 나타낸 그래프이다. 식 5의 C1은 2758.4, C2는 908.7, C3는 55.4일 수 있다. 그래프(1030)에서 파란선은 실제로 측정한 배출량의 정보를 나타내고, 붉은선은 식 5에 따른 배출량의 값을 나타낸다.
실제로 측정한 배출량의 값과 식 5에 따른 배출량의 상관관계 값(r)은 0.92212이었다. 따라서 실제로 측정한 배출량의 값과 식 5에 따른 배출량의 상관관계는 높은 것을 알 수 있다.
그래프(1040)는 제 2 시간 영역에 대하여 실제로 측정한 배출량의 값과 식 6에 따른 배출량의 값을 나타낸 그래프이다. 식 6의 영역에서의 C1은 2101.47, C2는 886.16, C3는 72.28, C4는 -92.43일 수 있다. 그래프(1040)에서 파란선은 실제로 측정한 배출량의 정보를 나타내고, 붉은선은 식 6에 따른 배출량의 값을 나타낸다.
실제로 측정한 배출량의 값과 식 6에 따른 배출량의 상관관계 값(r)은 0.85414이었다. 따라서 실제로 측정한 배출량의 값과 식 6에 따른 배출량의 상관관계는 높은 것을 알 수 있다.
그래프(1050)는 제 1 시간 영역에 대하여 실제로 측정한 배출량의 값과 식 6에 따른 배출량의 값을 나타낸 그래프이다. 식 6의 C1은 2385.07, C2는 696.16, C3는 719.58, C4는 445.88 일 수 있다. 그래프(1050)에서 파란선은 실제로 측정한 배출량의 정보를 나타내고, 붉은선은 식 6에 따른 배출량의 값을 나타낸다.
실제로 측정한 배출량의 값과 식 6에 따른 배출량의 상관관계 값(r)은 0.73019이었다. 따라서 실제로 측정한 배출량의 값과 식 6에 따른 배출량의 상관관계는 높은 것을 알 수 있다.
그래프(1060)는 24시간 동안 실제로 측정한 배출량의 값과 식 6에 따른 배출량의 값을 나타낸 그래프이다. 식 6의 들어 C1은 2657.5, C2는 822.4, C3는 2.3, C4는 130일 수 있다. 그래프(1060)에서 파란선은 실제로 측정한 배출량의 정보를 나타내고, 붉은선은 식 6에 따른 배출량의 값을 나타낸다.
실제로 측정한 배출량의 값과 식 6에 따른 배출량의 상관관계 값(r)은 0.85064이었다. 따라서 실제로 측정한 배출량의 값과 식 6에 따른 배출량의 상관관계는 높은 것을 알 수 있다.
본 개시의 일 실시예에 따른 먼지 배출 저감 장치(100) 풍속 정보 및 습도 정보에 기초하여 비교적 정확하게 먼지의 배출량을 계산할 수 있다. 또한, 기상 예측 정보에 포함된 예측 풍속 정보 및 습도 정보에 기초하여 먼지의 예측 배출량을 계산할 수 있다. 또한, 먼지의 배출량이 많은 경우에만, 먼지 저감 조치를 취할 수 있으므로, 자원을 효율적으로 활용할 수 있다.
이제까지 다양한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
한편, 상술한 본 발명의 실시예들은 컴퓨터에서 실행될 수 있는 프로그램으로 작성가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등)와 같은 저장매체를 포함한다.

Claims (8)

  1. 지면으로부터 먼지 배출을 저감하기 위한 장치의 동작 방법에 있어서,
    지면에 평행한 방향의 바람의 속력에 관련된 수평 풍속 정보 및 지면에 수직한 방향의 바람의 속력에 관련된 수직 풍속 정보를 획득하는 단계;
    습도 정보를 획득하는 단계;
    기상정보 및 먼지의 농도 정보에 기초하고 회귀분석을 이용하여 획득된 예측 모델에, 상기 수평 풍속 정보, 상기 수직 풍속 정보 및 상기 습도 정보를 적용하여 지면으로부터 공기중으로 배출되는 단위 면적당 시간당 먼지의 배출량에 대한 정보를 예측하는 단계; 및
    상기 먼지의 배출량에 대한 정보가 제 1 임계값 이상인 경우, 제 1 알람 신호를 출력하는 단계를 포함하는 것을 특징으로 하는 먼지 배출 저감 장치의 동작 방법.
  2. 제 1 항에 있어서,
    상기 먼지의 배출량에 대한 정보를 예측하는 단계는,
    상기 수평 풍속 정보(U), 상기 수직 풍속 정보(W) 및 상기 습도 정보(H)에 선형인 상기 예측 모델에 기초하여 상기 먼지의 배출량에 대한 정보를 계산하는 단계를 포함하고,
    상기 예측 모델은
    먼지의 배출량에 대한 정보 = C1*W + C2*U - C3*H + C4
    이고, 상기 C1, C2, C3 및 C4는 미리 결정된 실수의 가중치이고, 상기 C1, C2 및 C3는 양수이고,
    상기 먼지의 배출량에 대한 정보는, 단위 면적당 공기로부터 지면으로 침적되는 먼지의 침적량에 대한 정보가 제외된 것을 특징으로 하는 먼지 배출 저감 장치의 동작 방법.
  3. 제 2 항에 있어서,
    공기 중의 먼지의 농도에 대한 정보를 획득하는 단계;
    상기 먼지의 농도에 대한 정보 및 상기 먼지의 배출량에 대한 정보에 기초하여, 상기 먼지의 침적량에 대한 정보를 획득하는 단계; 및
    상기 먼지의 침적량에 대한 정보가 제 2 임계값 이상인 경우, 제 2 알람 신호를 출력하는 단계를 더 포함하는 것을 특징으로 하는 먼지 배출 저감 장치의 동작 방법.
  4. 제 1 항에 있어서,
    시간에 따른 복수의 수평 풍속 정보, 복수의 수직 풍속 정보 및 복수의 습도 정보를 포함하는 기상 정보를 획득하는 단계;
    상기 시간에 따른 단위면적당 지면에서 공기중으로 배출되는 먼지의 배출량 실측 정보를 획득하는 단계;
    상기 기상 정보 및 상기 먼지의 배출량 실측 정보의 관계를 기계학습하여, 기계학습모델을 획득하는 단계; 및
    상기 수평 풍속 정보, 상기 수직 풍속 정보 및 상기 습도 정보에 상기 기계학습모델을 적용하여 상기 먼지의 배출량에 대한 정보를 획득하는 단계를 더 포함하는 것을 특징으로 하는 먼지 배출 저감 장치의 동작 방법.
  5. 제 2 항에 있어서,
    실시간으로 획득된 먼지의 배출량에 대한 정보, 실시간으로 획득된 수평 풍속 정보, 실시간으로 획득된 수직 풍속 정보 및 실시간으로 획득된 습도 정보에 기초하여 상기 예측 모델을 실시간으로 업데이트하는 단계를 더 포함하는 것을 특징으로 하는 먼지 배출 저감 장치의 동작 방법.
  6. 지면으로부터 먼지 배출을 저감하기 위한 장치는 프로세서 및 메모리를 포함하고,
    상기 프로세서는 상기 메모리에 저장된 명령어에 따라,
    지면에 평행한 방향의 바람의 속력에 관련된 수평 풍속 정보 및 지면에 수직한 방향의 바람의 속력에 관련된 수직 풍속 정보를 획득하는 단계;
    습도 정보를 획득하는 단계;
    기상정보 및 먼지의 농도 정보에 기초하고 회귀분석을 이용하여 획득된 예측 모델에, 상기 수평 풍속 정보, 상기 수직 풍속 정보 및 상기 습도 정보를 적용하여 지면으로부터 공기중으로 배출되는 단위 면적당 시간당 먼지의 배출량에 대한 정보를 예측하는 단계; 및
    상기 먼지의 배출량에 대한 정보가 제 1 임계값 이상인 경우, 제 1 알람 신호를 출력하는 단계를 수행하는 것을 특징으로 하는 먼지 배출 저감 장치.
  7. 제 6 항에 있어서,
    상기 프로세서는 상기 메모리에 저장된 명령어에 따라,
    상기 수평 풍속 정보(U), 상기 수직 풍속 정보(W) 및 상기 습도 정보(H)에 선형인 상기 예측 모델에 기초하여 상기 먼지의 배출량에 대한 정보를 계산하는 단계를 수행하고,
    상기 예측 모델은
    먼지의 배출량에 대한 정보 = C1*W + C2*U - C3*H + C4
    이고, 상기 C1, C2, C3 및 C4는 미리 결정된 실수의 가중치이고, 상기 C1, C2 및 C3는 양수이고,
    상기 먼지의 배출량에 대한 정보는, 단위 면적당 공기로부터 지면으로 침적되는 먼지의 침적량에 대한 정보가 제외된 것을 특징으로 하는 먼지 배출 저감 장치.
  8. 제 6 항에 있어서,
    상기 프로세서는 상기 메모리에 저장된 명령어에 따라,
    시간에 따른 복수의 수평 풍속 정보, 복수의 수직 풍속 정보 및 복수의 습도 정보를 포함하는 기상 정보를 획득하는 단계;
    상기 시간에 따른 단위면적당 지면에서 공기중으로 배출되는 먼지의 배출량 실측 정보를 획득하는 단계;
    상기 기상 정보 및 상기 먼지의 배출량 실측 정보의 관계를 기계학습하여, 기계학습모델을 획득하는 단계; 및
    상기 수평 풍속 정보, 상기 수직 풍속 정보 및 상기 습도 정보에 상기 기계학습모델을 적용하여 상기 먼지의 배출량에 대한 정보를 획득하는 단계를 더 수행하는 것을 특징으로 하는 먼지 배출 저감 장치.
KR1020190098032A 2019-08-12 2019-08-12 실시간 예측 모델을 이용하여 먼지 배출을 저감하는 장치 및 방법 KR102246675B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190098032A KR102246675B1 (ko) 2019-08-12 2019-08-12 실시간 예측 모델을 이용하여 먼지 배출을 저감하는 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190098032A KR102246675B1 (ko) 2019-08-12 2019-08-12 실시간 예측 모델을 이용하여 먼지 배출을 저감하는 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20210019191A true KR20210019191A (ko) 2021-02-22
KR102246675B1 KR102246675B1 (ko) 2021-04-30

Family

ID=74687695

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190098032A KR102246675B1 (ko) 2019-08-12 2019-08-12 실시간 예측 모델을 이용하여 먼지 배출을 저감하는 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102246675B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114235041A (zh) * 2021-12-09 2022-03-25 中科国微科技(深圳)有限公司 直流稳压电源环境检测方法、装置、设备及存储介质
CN115876655A (zh) * 2022-12-02 2023-03-31 中国矿业大学 一种受限空间涉爆粉尘全过程监测系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160097933A (ko) * 2015-02-10 2016-08-18 주식회사 주빅스 환경 재난, 재해 조기감지를 위한 대기질 예측 및 관리 시스템
KR101988317B1 (ko) * 2018-08-06 2019-06-12 주식회사 디에이피 인공지능에 기반하여 비산먼지를 측정하고 예측하는 장치 및 그 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160097933A (ko) * 2015-02-10 2016-08-18 주식회사 주빅스 환경 재난, 재해 조기감지를 위한 대기질 예측 및 관리 시스템
KR101988317B1 (ko) * 2018-08-06 2019-06-12 주식회사 디에이피 인공지능에 기반하여 비산먼지를 측정하고 예측하는 장치 및 그 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"미세먼지 예측을 위한 기계 학습 알고리즘의 적합성 평가", 한국정보통신학회 논문지 23(1)(pp. 20-26), 2019년 1월* *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114235041A (zh) * 2021-12-09 2022-03-25 中科国微科技(深圳)有限公司 直流稳压电源环境检测方法、装置、设备及存储介质
CN114235041B (zh) * 2021-12-09 2024-05-03 中科国微科技(深圳)有限公司 直流稳压电源环境检测方法、装置、设备及存储介质
CN115876655A (zh) * 2022-12-02 2023-03-31 中国矿业大学 一种受限空间涉爆粉尘全过程监测系统及方法
CN115876655B (zh) * 2022-12-02 2023-06-16 中国矿业大学 一种受限空间涉爆粉尘全过程监测系统及方法

Also Published As

Publication number Publication date
KR102246675B1 (ko) 2021-04-30

Similar Documents

Publication Publication Date Title
Bozdağ et al. Spatial prediction of PM10 concentration using machine learning algorithms in Ankara, Turkey
Hutchinson et al. Information-based search for an atmospheric release using a mobile robot: Algorithm and experiments
Carlone et al. Active SLAM and exploration with particle filters using Kullback-Leibler divergence
ES2784233T3 (es) Procedimiento combinado para detectar anomalías en un sistema de distribución de agua
Ellefsen et al. Multiobjective coverage path planning: Enabling automated inspection of complex, real-world structures
KR102246675B1 (ko) 실시간 예측 모델을 이용하여 먼지 배출을 저감하는 장치 및 방법
Francis et al. Gas source localization and mapping with mobile robots: A review
KR20100083765A (ko) 가스 방출의 경험적 앙상블 기반 가상 감지를 위한 시스템 및 방법
Ojeda et al. Information-driven gas source localization exploiting gas and wind local measurements for autonomous mobile robots
Chen et al. Combining particle filter algorithm with bio-inspired anemotaxis behavior: A smoke plume tracking method and its robotic experiment validation
Chen et al. Dual control for exploitation and exploration (DCEE) in autonomous search
CN116776745B (zh) 基于边缘计算的污染物浓度和轨迹移动预测的方法与系统
CN116580327B (zh) 基于无人机的火势发展预测方法及预测系统
JP4389046B2 (ja) 状態ベクトル推定方法および自律型移動体
Ji et al. Source searching in unknown obstructed environments through source estimation, target determination, and path planning
Bahmani et al. A novel approach to forecast global CO2 emission using Bat and Cuckoo optimization algorithms
Rigolli et al. Alternation emerges as a multi-modal strategy for turbulent odor navigation
Chen et al. Particle source localization with a low-cost robotic sensor system: Algorithmic design and performance evaluation
CN109697438A (zh) 一种特殊群体聚集行为早期检测及聚集地预测方法和系统
Kowadlo et al. Improving the robustness of naive physics airflow mapping, using Bayesian reasoning on a multiple hypothesis tree
US10935938B1 (en) Learning from operator data for practical autonomy
Hollinger Long-horizon Robotic Search and Classification using Sampling-based Motion Planning.
CN105894014A (zh) 基于多因素不一致度量的异常行为序贯检测方法
CN107480647B (zh) 基于归纳式一致性异常检测的异常行为实时检测方法
Jatmiko et al. PSO algorithm for single and multiple odor sources localization problems: progress and challenge

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant