KR20210063680A - 인공지능 기반의 유해가스 감지 방법 및 그를 위한 장치 - Google Patents

인공지능 기반의 유해가스 감지 방법 및 그를 위한 장치 Download PDF

Info

Publication number
KR20210063680A
KR20210063680A KR1020190152097A KR20190152097A KR20210063680A KR 20210063680 A KR20210063680 A KR 20210063680A KR 1020190152097 A KR1020190152097 A KR 1020190152097A KR 20190152097 A KR20190152097 A KR 20190152097A KR 20210063680 A KR20210063680 A KR 20210063680A
Authority
KR
South Korea
Prior art keywords
gas
value
measuring
predicted value
mixed
Prior art date
Application number
KR1020190152097A
Other languages
English (en)
Inventor
김용준
김경태
이경락
Original Assignee
연세대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 연세대학교 산학협력단 filed Critical 연세대학교 산학협력단
Priority to KR1020190152097A priority Critical patent/KR20210063680A/ko
Publication of KR20210063680A publication Critical patent/KR20210063680A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
    • G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0006—Calibrating gas analysers

Landscapes

  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Combustion & Propulsion (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)

Abstract

인공지능 기반의 유해가스 감지 방법 및 그를 위한 장치를 개시한다.
본 발명의 실시예에 따른 유해가스 감지 방법은, 하나 이상의 프로세서 및 상기 프로세서에 의해 실행되는 하나 이상의 프로그램을 저장하는 메모리를 포함하는 컴퓨팅 디바이스에 의해 수행되며, 상기 컴퓨팅 디바이스는 다종 혼합 가스 및 외부 환경을 측정하는 측정 단계; 상기 다종 혼합 가스를 측정한 가스 측정값과 상기 외부 환경을 측정한 환경 측정값을 기반으로 상기 다종 혼합 가스 각각의 예측값을 산출하는 예측값 산출 단계; 상기 예측값 각각을 기반으로 보정 학습 결과를 생성하는 보정 학습 단계; 및 신규 가스 측정값이 입력되는 경우, 상기 보정 학습 결과를 기반으로 보정된 가스 농도 결과를 출력하는 출력 단계를 수행할 수 있다.

Description

인공지능 기반의 유해가스 감지 방법 및 그를 위한 장치{Method and Apparatus for Detecting Harmful Gas Based on Artificial Intelligence}
본 발명은 인공지능을 기반으로 유해가스를 감지하는 방법 및 그를 위한 장치에 관한 것이다.
이 부분에 기술된 내용은 단순히 본 발명의 실시예에 대한 배경 정보를 제공할 뿐 종래기술을 구성하는 것은 아니다.
일반적인 가스 센서는 다종 가스를 측정 시 외부 환경(예: 온도, 습도 등)의 변화와 교차 민감도(Cross-sensitivity)의 문제로 인해 큰 오차가 발생할 수 있어 낮은 신뢰성을 가진다. 즉, 일반적인 가스 센서는 온도의 변화로 인해 가스 센서의 측정값이 변하게 되어 잘못된 정보를 나타내고, 혼합 가스를 측정해야 하는 환경에서는 다종 가스 각각에 대한 정확한 농도 확인이 어렵다.
이에, 일반적인 센서 보정에 많이 사용되는 1 차원적인 선형회귀 알고리즘을 적용하여 가스 농도를 측정하는 연구가 진행되고 있으나, 혼합 가스를 측정해야 하는 환경에서 다종 가스 각각에 대한 정확한 농도 확인이 어려운 문제를 해결하는데는 한계가 있다.
본 발명은 다종 혼합 가스 및 외부 환경을 측정하고, 측정된 다종 혼합 가스를 측정한 가스 측정값과 외부 환경을 측정한 환경 측정값을 입력 받고, 가스 측정값과 환경 측정값을 기반으로 산출된 다종 혼합 가스 각각의 예측값을 이용하여 생성된 보정 학습 결과를 적용하여 신규로 측정된 신규 가스 측정값을 보정한 가스 농도 결과를 출력하는 인공지능 기반의 유해가스 감지 방법 및 그를 위한 장치를 제공하는 데 주된 목적이 있다.
본 발명의 일 측면에 의하면, 상기 목적을 달성하기 위한 유해가스 감지 방법은, 하나 이상의 프로세서 및 상기 프로세서에 의해 실행되는 하나 이상의 프로그램을 저장하는 메모리를 포함하는 컴퓨팅 디바이스에 의해 수행되며, 상기 컴퓨팅 디바이스는 다종 혼합 가스 및 외부 환경을 측정하는 측정 단계; 상기 다종 혼합 가스를 측정한 가스 측정값과 상기 외부 환경을 측정한 환경 측정값을 기반으로 상기 다종 혼합 가스 각각의 예측값을 산출하는 예측값 산출 단계; 상기 예측값 각각을 기반으로 보정 학습 결과를 생성하는 보정 학습 단계; 및 신규 가스 측정값이 입력되는 경우, 상기 보정 학습 결과를 기반으로 보정된 가스 농도 결과를 출력하는 출력 단계를 수행할 수 있다.
또한, 본 발명의 다른 측면에 의하면, 상기 목적을 달성하기 위한 유해가스 감지 장치는, 적어도 하나 이상의 측정 센서; 적어도 하나 이상의 프로세서; 및 상기 프로세서에 의해 실행되는 하나 이상의 프로그램을 저장하는 메모리를 포함하며, 상기 프로그램들은 하나 이상의 프로세서에 의해 실행될 때, 상기 하나 이상의 프로세서들에서, 상기 측정 센서를 이용하여 다종 혼합 가스 및 외부 환경을 측정하는 측정 단계; 상기 다종 혼합 가스를 측정한 가스 측정값과 상기 외부 환경을 측정한 환경 측정값을 기반으로 상기 다종 혼합 가스 각각의 예측값을 산출하는 예측값 산출 단계; 상기 예측값 각각을 기반으로 보정 학습 결과를 생성하는 보정 학습 단계; 및 신규 가스 측정값이 입력되는 경우, 상기 보정 학습 결과를 기반으로 보정된 가스 농도 결과를 출력하는 출력 단계를 포함하는 동작들을 수행하게 할 수 있다.
또한, 본 발명의 다른 측면에 의하면, 상기 목적을 달성하기 위한 유해가스 감지 방법은, 하나 이상의 프로세서 및 상기 프로세서에 의해 실행되는 하나 이상의 프로그램을 저장하는 메모리를 포함하는 컴퓨팅 디바이스에 의해 수행되며, 상기 컴퓨팅 디바이스는, 다종 혼합 가스 및 외부 환경을 측정하고, 측정된 상기 다종 혼합 가스를 측정한 가스 측정값과 상기 외부 환경을 측정한 환경 측정값을 입력 받고, 상기 가스 측정값과 상기 환경 측정값을 기반으로 산출된 상기 다종 혼합 가스 각각의 예측값을 이용하여 생성된 보정 학습 결과를 적용하여 신규로 측정된 신규 가스 측정값을 보정한 가스 농도 결과를 출력할 수 있다.
이상에서 설명한 바와 같이, 본 발명은 다종 혼합 가스의 측정 신뢰도를 높일 수 있는 효과가 있다.
또한, 본 발명은 다종 혼합 가스에 포함된 각각의 가스에 대한 농도를 정확하게 측정할 수 있는 효과가 있다.
또한, 본 발명은 외부 환경이 변화하더라도 다종 혼합 가스에 포함된 유해 가스의 농도를 정확하게 측정할 수 있다.
도 1은 본 발명의 실시예에 따른 유해가스 감지 장치를 나타낸 도면이다.
도 2는 본 발명의 실시예에 따른 유해가스 감지 장치를 개략적으로 나타낸 블록 구성도이다.
도 3은 본 발명의 실시예에 따른 유해가스를 감지하기 위한 학습 및 보정 방법을 설명하기 위한 순서도이다.
도 4는 본 발명의 실시예에 따른 유해가스를 감지하기 위한 보정 방법을 설명하기 위한 순서도이다.
도 5 및 도 6은 본 발명의 실시예에 따른 유해가스를 감지를 위한 학습 동작 구성을 나타낸 도면이다.
도 7은 본 발명의 실시예에 따른 인공지능 기반의 유해가스 감지 동작을 설명하기 위한 도면이다.
이하, 본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다. 또한, 이하에서 본 발명의 바람직한 실시예를 설명할 것이나, 본 발명의 기술적 사상은 이에 한정하거나 제한되지 않고 당업자에 의해 변형되어 다양하게 실시될 수 있음은 물론이다. 이하에서는 도면들을 참조하여 본 발명에서 제안하는 인공지능 기반의 유해가스 감지 방법 및 그를 위한 장치에 대해 자세하게 설명하기로 한다.
도 1은 본 발명의 실시예에 따른 유해가스 감지 장치를 나타낸 도면이다.
도 1의 (a)는 본 실시예에 따른 유해가스 감지 장치의 내부 구성도를 나타내고, 도 1의 (b)는 본 실시예에 따른 유해가스 감지 장치의 외부 구성도를 나타낸다. 여기서, 유해가스 감지 장치는 휴대가 가능한 형태로 구현되는 것이 바람직하나 반드시 이에 한정되는 것은 아니다.
본 발명의 인공지능 기반 유해가스 감지 장치(100)는 독립 구동이 가능하면서도 정확한 유해 가스 모니터링이 가능한 장치에 관한 것으로, 실시간으로 다종 혼합 가스의 정확한 측정값 확인이 가능한 장치를 말한다. 여기서, 다종 혼합 가스는 오존(O3), 일산화탄소(CO), 이산화질소(NO2), 이산화황(SO2), 휘발성 유기화합물(VOC) 등의 유해 가스를 포함하는 것이 바람직하나 반드시 이에 한정되는 것은 아니며, 유해 가스의 종류는 변경될 수 있다.
종래의 가스 센서는 다종 가스를 측정 시 외부 환경(예: 온도, 습도 등)의 변화와 교차 민감도(Cross-sensitivity)의 문제로 인해 큰 오차가 발생할 수 있다. 따라서,
이러한 문제점을 해결하기 위해 본 발명의 유해가스 감지 장치(100)는 인공지능 기반 보정 알고리즘을 적용하여 계측된 데이터를 보정함으로써, 다종 혼합 가스의 측정 정확도를 향상시킬 수 있다.
본 실시예에 따른 유해가스 감지 장치(100)는 다종 혼합 가스를 감지할 수 있는 측정부, 인공지능 기반의 보정 알고리즘을 적용하여 데이터를 학습하고 보정하는 신호 처리부, 보정된 데이터를 환경 모니터링 네트워크로 전송하는 신호 전달부 등으로 구성될 수 있다.
도 1의 (a) 및 (b)에 도시된 바와 같이, 유해가스 감지 장치(100)는 휴대가 가능한 형태로 구현될 수 있고, 관심 지점에서의 유해 가스 정보를 수집할 수 있다.
도 1의 (a)를 참조하면, 유해가스 감지 장치(100)는 대기환경 기준 물질 가스 5 종(O3, CO, NO2, SO2, VOC 등)의 정확한 측정값을 출력하기 위하여 복수의 가스 센서와 온/습도 센서를 사용하여 제작될 수 있다. 여기서, 신호처리를 위한 모듈은 PCB 기판을 사용하여 제작될 수 있으며, 오존(O3), 일산화탄소(CO), 이산화질소(NO2), 이산화황(SO2), 휘발성 유기화합물(VOC) 등을 측정하기 위한 5 종 가스센서의 신호를 입력 받고 처리할 수 있다.
도 2는 본 발명의 실시예에 따른 유해가스 감지 장치를 개략적으로 나타낸 블록 구성도이다.
본 실시예에 따른 유해가스 감지 장치(100)는 측정부(110), 출력부(120), 프로세서(130), 메모리(140) 및 데이터 베이스(150)를 포함한다. 도 2의 유해가스 감지 장치(100)는 일 실시예에 따른 것으로서, 도 2에 도시된 모든 블록이 필수 구성요소는 아니며, 다른 실시예에서 유해가스 감지 장치(100)에 포함된 일부 블록이 추가, 변경 또는 삭제될 수 있다. 한편, 유해가스 감지 장치(100)는 컴퓨팅 디바이스로 구현될 수 있고, 유해가스 감지 장치(100)에 포함된 각 구성요소들은 각각 별도의 소프트웨어 장치로 구현되거나, 소프트웨어가 결합된 별도의 하드웨어 장치로 구현될 수 있다.
유해가스 감지 장치(100)는 다종 혼합 가스 및 외부 환경을 측정하고, 측정된 다종 혼합 가스를 측정한 가스 측정값과 외부 환경을 측정한 환경 측정값을 입력으로 산출된 다종 혼합 가스 각각의 예측값을 실제 가스 측정값과 비교하여 학습된 보정 학습 결과를 기반으로 신규 다종 혼합 가스를 보정하여 보정된 가스 농도 결과를 출력하는 동작을 수행한다.
측정부(110)는 다종 혼합 가스 및 주변 환경을 감지하여 측정하는 수단을 의미한다. 측정부(110)는 프로세서(130)와 연동하여 다양한 형태의 측정된 신호 또는 데이터를 입력하거나, 외부 장치와 연동하여 획득한 측정 데이터를 프로세서(130)로 전달할 수 있다.
본 실시예에 따른 측정부(110)는 가스 센서(112) 및 온습도 센서(114)를 포함할 수 있다. 가스 센서(112)는 오존(O3), 일산화탄소(CO), 이산화질소(NO2), 이산화황(SO2), 휘발성 유기화합물(VOC) 등의 유해 가스를 포함하는 다종 혼합 가스를 감지하기 위한 복수의 센서로 구성될 수 있다. 또한, 온습도 센서(114)는 외부 환경에 대한 온도, 습도 등을 측정할 수 있는 복수의 센서로 구성될 수 있다. 예를 들어, 측정부(110)는 Alphasense社의 O3-B4, CO-AF, NO2-A1, SO2-AF, ETO-B1 등으로 구성된 가스 센서(112)와 SHT74의 온습도 센서(114)를 포함하는 형태로 구현될 수 있으나 반드시 이에 한정되는 것은 아니다.
출력부(120)는 프로세서(130)와 연동하여 측정 결과, 학습 결과, 보정 결과 등 다양한 정보를 표시할 수 있다. 출력부(120)는 유해가스 감지 장치(100)에 구비된 디스플레이(미도시)를 통해 다양한 정보를 표시하는 것이 바람직하나 반드시 이에 한정되는 것은 아니다.
프로세서(130)는 메모리(140)에 포함된 적어도 하나의 명령어 또는 프로그램을 실행시키는 기능을 수행한다.
본 실시예에 따른 프로세서(130)는 측정부(110) 또는 데이터 베이스(150)로부터 획득한 다종 혼합 가스 및 주변 환경에 대하 측정값을 기반으로 인공지능 기반의 학습을 수행하고, 학습 결과를 기반으로 다종 혼합 가스에 포함된 유해 가스 각각의 농도를 보정하는 동작을 수행한다.
프로세서(130)는 다종 혼합 가스를 측정한 가스 측정값과 주변 환경을 측정한 환경 측정값을 기반으로 다종 혼합 가스 각각의 예측값을 산출하고, 예측값 각각을 기반으로 보정 학습 결과를 생성한다. 이후, 프로세서(130)는 신규 다종 혼합 가스의 측정값이 입력되는 경우, 보정 학습 결과를 기반으로 다종 혼합 가스에 포함된 유해 가스 각각의 농도를 보정하고, 보정된 가스 농도 결과를 출력한다.
프로세서(130)는 가스 측정값과 환경 측정값 각각에 대한 가중치와 가스 측정값과 환경 측정값의 선형 조합을 이용하여 복수의 센서 각각의 감도를 계산하고, 계산된 감도를 활성화 함수에 적용하여 예측값을 산출한다.
프로세서(130)는 다종 혼합 가스의 실제 가스 농도와 산출된 예측값을 비교하여 최적의 가중치를 결정하고, 결정된 가중치를 기반으로 보정 학습 결과를 생성한다.
프로세서(130)는 다종 혼합 가스의 실제 가스 농도와 예측값을 비교하고, 실제 가스 농도와 예측값 사이의 오차가 기 설정된 기준 오차 미만이 될 때까지 예측값을 산출하는 동작과 최적의 가중치를 결정하기 위하여 가중치를 변경하는 동작을 반복 처리한다.
메모리(140)는　프로세서(130)에 의해 실행 가능한 적어도 하나의 명령어 또는 프로그램을 포함한다. 메모리(140)는　예측값을 산출하는 동작, 보정 학습 결과를 생성하기 위한 학습 동작 등을 위한 명령어 또는 프로그램을 포함할 수 있다. 또한, 메모리(140)는　학습 결과를 적용하여 측정값을 보정하는 동작, 보정된 가스 농도 결과를 출력하는 동작 등을 위한 명령어 또는 프로그램을 포함할 수 있다.
데이터 베이스(150)는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 의미하는 것으로, 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 뜻하는 것으로, 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 발명의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가지고 있다.
본 실시예에 따른 데이터베이스(400)는 유해가스 감지와 관련된 데이터를 저장하고, 유해가스 감지와 관련된 데이터를 제공할 수 있다.
데이터베이스(400)에 저장된 데이터는 기 측정된 측정값, 기 산출된 예측갑스, 학습 결과 등에 대한 데이터일 수 있다. 데이터베이스(140)는 유해가스 감지 장치(100) 내에 구현되는 것으로 기재하고 있으나 반드시 이에 한정되는 것은 아니며, 별도의 데이터 저장장치로 구현될 수도 있다.
도 3은 본 발명의 실시예에 따른 유해가스를 감지하기 위한 학습 및 보정 방법을 설명하기 위한 순서도이다.
유해가스 감지 장치(100)는 다종 혼합 가스 및 외부 환경의 온습도를 측정한다(S310, S320). 유해가스 감지 장치(100)는 복수의 가스 센서를 통해 오존(O3), 일산화탄소(CO), 이산화질소(NO2), 이산화황(SO2), 휘발성 유기화합물(VOC) 등의 유해 가스를 포함하는 다종 혼합 가스를 측정하고, 온습도 센서를 통해 외부 환경에 대한 온도, 습도 등을 측정할 수 있다.
유해가스 감지 장치(100)는 다종 혼합 가스에 대한 가스 측정값 및 외부 환경의 온습도에 대한 환경 측정값을 기반으로 유해 가스 각각의 예측값을 계산한다(S330). 유해가스 감지 장치(100)는 가스 측정값과 환경 측정값 각각에 대한 가중치와 가스 측정값과 환경 측정값의 선형 조합을 이용하여 복수의 센서 각각의 감도를 계산하고, 계산된 감도를 활성화 함수에 적용하여 예측값을 산출한다. 여기서, 활성화 함수는 시그모이드 함수(Sigmoid function)인 것이 바람직하나 반드시 이에 한정되는 것은 아니다.
유해가스 감지 장치(100)는 예측값 각각을 기반으로 보정값을 산출한다(S340).
유해가스 감지 장치(100)는 다종 혼합 가스의 실제 가스 농도와 산출된 예측값을 비교하여 최적의 가중치를 결정하고, 결정된 가중치를 기반으로 보정 학습 결과를 생성한다.
유해가스 감지 장치(100)는 다종 혼합 가스의 실제 가스 농도와 예측값을 비교하고, 실제 가스 농도와 예측값 사이의 오차가 기 설정된 기준 오차 미만이 될 때까지 예측값을 산출하는 동작과 최적의 가중치를 결정하기 위하여 가중치를 변경하는 동작을 반복 처리한다. 여기서, 유해가스 감지 장치(100)는 보정 알고리즘을 위한 인공지능 모델 구조는 총 7 개의 레이어(Layer)와 222 개의 뉴런으로 구성될 수 있다.
한편, 유해가스 감지 장치(100)는 다종 혼합 가스의 중요도에 따라 설정된 우선순위에 근거하여 최적의 가중치를 결정하고, 결정된 가중치를 기반으로 보정 학습 결과를 생성할 수 있다. 구체적으로, 유해가스 감지 장치(100)는 다종 혼합 가스 각각 또는 특정 유해 가스에 대해 우선순위가 설정되어 있는 경우, 우선순위에 근거하여 특정 유해가스의 오차가 최소화되도록 우선적으로 최적의 가중치를 결정한 후 특정 유해가스를 제외한 나머지 유해 가스에 대한 최적의 가중치를 결정하여 보정 학습 결과를 생성할 수 있다. 여기서, 다종 혼합 가스의 중요도는 사용자에 의해 입력된 인체 유해 정도에 따라 설정된 중요도이거나, 다중 혼합 가스에 포함된 독성 농도에 근거하여 설정된 중요도일 수 있일 수 있으며, 사용자가 입력한 임의의 순서에 따른 중요도일 수 있다. 예를 들어, 유해가스 감지 장치(100)는 이산화황(SO2)의 우선순위가 가장 높은 것으로 설정된 경우, 이산화황(SO2)의 실제 가스 농도와 예측값을 비교하고, 이산화황(SO2)의 실제 가스 농도와 예측값 사이의 오차가 최소화되도록 우선적으로 최적의 가중치를 결정한 후 이산화황(SO2)을 제외한 나머지 유해 가스(오존(O3), 일산화탄소(CO), 이산화질소(NO2), 휘발성 유기화합물(VOC) 등)에 대한 최적의 가중치를 결정하여 보정 학습 결과를 생성할 수 있다. 여기서, 나머지 유해 가스에 대한 우선순위가 존재하는 경우, 오존(O3), 일산화탄소(CO), 이산화질소(NO2), 휘발성 유기화합물(VOC) 등의 우선순위에 따라 순차적으로 최적의 가중치를 결정할 수 있다.
유해가스 감지 장치(100)는 신규 다종 혼합 가스의 측정값이 입력되는 경우, 보정 학습 결과의 보정값을 기반으로 다종 혼합 가스에 포함된 유해 가스 각각의 농도를 보정하고(S350), 보정된 가스 농도 결과를 출력한다(S360). 한편, 유해가스 감지 장치(100)는 측정값 보정을 위한 학습만을 수행할 경우, 단계 S350 및 단계 S360을 생략할 수 있다.
도 3에서는 각 단계를 순차적으로 실행하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니다. 다시 말해, 도 3에 기재된 단계를 변경하여 실행하거나 하나 이상의 단계를 병렬적으로 실행하는 것으로 적용 가능할 것이므로, 도 3은 시계열적인 순서로 한정되는 것은 아니다.
도 3에 기재된 본 실시예에 따른 유해가스를 감지하기 위한 학습 및 보정 방법은 애플리케이션(또는 프로그램)으로 구현되고 단말장치(또는 컴퓨터)로 읽을 수 있는 기록매체에 기록될 수 있다. 본 실시예에 따른 유해가스를 감지하기 위한 학습 및 보정 방법을 구현하기 위한 애플리케이션(또는 프로그램)이 기록되고 단말장치(또는 컴퓨터)가 읽을 수 있는 기록매체는 컴퓨팅 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치 또는 매체를 포함한다.
도 4는 본 발명의 실시예에 따른 유해가스를 감지하기 위한 보정 방법을 설명하기 위한 순서도이다.
유해가스 감지 장치(100)는 다종 혼합 가스 및 외부 환경의 온습도를 측정한다(S410, S420). 유해가스 감지 장치(100)는 복수의 가스 센서를 통해 오존(O3), 일산화탄소(CO), 이산화질소(NO2), 이산화황(SO2), 휘발성 유기화합물(VOC) 등의 유해 가스를 포함하는 다종 혼합 가스를 측정하고, 온습도 센서를 통해 외부 환경에 대한 온도, 습도 등을 측정할 수 있다.
유해가스 감지 장치(100)는 기 학습된 학습 결과를 적용하고(S430), 학습 결과에 따라 실제 측정값을 보정한다(S440). 유해가스 감지 장치(100)는 신규 다종 혼합 가스의 측정값이 입력되는 경우, 보정 학습 결과의 보정값을 기반으로 다종 혼합 가스에 포함된 유해 가스 각각의 농도를 보정한다.
유해가스 감지 장치(100)는 보정된 보정 결과(가스 농도 결과)를 출력한다(S450).
도 4에서는 각 단계를 순차적으로 실행하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니다. 다시 말해, 도 4에 기재된 단계를 변경하여 실행하거나 하나 이상의 단계를 병렬적으로 실행하는 것으로 적용 가능할 것이므로, 도 4는 시계열적인 순서로 한정되는 것은 아니다.
도 3에 기재된 본 실시예에 따른 유해가스를 감지하기 위한 보정 방법은 애플리케이션(또는 프로그램)으로 구현되고 단말장치(또는 컴퓨터)로 읽을 수 있는 기록매체에 기록될 수 있다. 본 실시예에 따른 유해가스를 감지하기 위한 보정 방법을 구현하기 위한 애플리케이션(또는 프로그램)이 기록되고 단말장치(또는 컴퓨터)가 읽을 수 있는 기록매체는 컴퓨팅 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치 또는 매체를 포함한다.
도 5 및 도 6은 본 발명의 실시예에 따른 유해가스를 감지를 위한 학습 동작 구성을 나타낸 도면이다.
본 실시예에 따른 유해가스 감지 장치(100)의 보정 알고리즘은 입력 레이어(510), 히든 레이어(520) 및 출력 레이어(530)로 구성될 수 있다.
도 5를 참조하면, 입력 레이어(510)는 환경센서 통합모듈(측정부)의 감도를 입력하여 구성되고, 출력 레이어(530)는 감지 대상 가스(다종 혼합 가스)의 농도를 입력하여 구성된다. 여기서, 센서의 감도는 입력 레이어(510)와 히든 레이어(520) 사이의 가중치와 선형조합을 거쳐 계산되고 계산된 값은 활성화 함수인 시그모이드 함수(Sigmoid function)에 대입하여 예측값을 계산한다.
예측값과 실제 가스 농도와 비교하여 오차가 작아지도록 가중치를 변경하여 네트워크를 학습하며 오차가 적정 수준으로 감소하여 도달하기 까지 위 단계를 반복하여 보정 알고리즘 네트워크를 구현한다.
학습이 완료된 보정 알고리즘 네트워크에 비학습 데이터가 입력되면 가스 농도 예측을 진행한다. 보정 알고리즘에 사용된 인공지능 신경망(Neural Network)의 모델 구조는 총 7 개의 레이어와 222 개의 뉴런으로 구성되어 있으며, 레이어와 레이어 간의 연결(Connection)은 도 6과 같다.
본 발명에서 표 1과 같이 데이터베이스에서 센서의 측정값은 측정에 큰 영향을 미치는 혼합가스(유해가스 5종 농도)환경과 온/습도로 설정하였고, 이를 AI 보정알고리즘을 통해 실제값과 학습하여 신뢰성을 확보한다.
Figure pat00001
본 실시예에 따른 유해가스 감지 장치(100)는 보정 알고리즘의 데이터베이스를 구축하기 위하여 사용된 가스 센서의 종류는 Alphasense社의 O3-B4, CO-AF, NO2-A1, SO2-AF, ETO-B1 등으로 구성되고, 온/습도 센서는 SHT74로 구성될 수 있다. 이러한 센서는 다종 유해 가스와 외부 환경을 측정할 수 있다면 다양한 센서로 변경 적용될 수 있다.
도 5를 참조하면, 입력 레이어(510)의 뉴런 개수는 7개(유해가스 5종, 온/습도 측정값), 출력 레이어(530)의 뉴런 개수는 5개(유해가스 5종 가스농도 예측값)이다.
예를 들어, 유해가스 감지 장치(100)는 온/습도의 변화에 따른 측정값을 확인하기 위하여 유해가스 5종 가스센서를 환경챔버 안에 넣어 실험하고, MFC(Mass Flow Controller)를 사용해 5종 가스의 유량을 조절하여 원하는 혼합가스 농도를 가스센서에 주입시켰다.
입력값의 범위는 각각 O3: 0~20 ppm, NO2: 0~20 ppm, CO: 0~100 ppm, SO2: 0~50 ppm, VOC: 0~100 ppm, 온도: -20~40 ℃, 습도: 0~100 RH%로 지정하고, 이를 구간별로 나누어 총 898,128 개의 데이터베이스를 생성한다. 유해가스 감지 장치(100)는 초기 Clean air를 주입시켜 센서 측정값의 기준을 학습 시킨 후, 구간별 경우의수를 모두 측정값으로 나타낸 후 실제값과 비교한다. 표 1은 온/습도와 가스 농도 입력값 변화에 따른 유해가스 5종 가스센서에 대한 측정값을 나타내고, 측정값은 더욱 정확한 농도 예측을 위해 AI 보정알고리즘의 데이터베이스로 사용 되고 이를 통해 예측된 5종 유해가스 농도는 실제값과 비교하여 보정된다.
유해가스 감지 장치(100)의 보정 알고리즘에서 뉴런 네트워크 학습을 위한 알고리즘의 Training Function 종류는 표 2와 같다. 표 2를 참조하면, 각 Function에 대한 5개의 히든 레이어(520)에 5, 10, 15의 뉴런을 적용하였을 때, 학습 네트워크의 오차(MRE: Mean Relative Error)가 가장 낮은 Bayesian Regulation back propagation을 사용한다. 본 실시예에 따른 보정 알고리즘은 심층 신경망(Deep Neural Network)의 구현을 위하여 5 Layer 이상으로 구성하였으며 표 3와 같이 네트워크 구조에 대한 Hidden layer의 각각의 뉴런 개수를 변화시키면서 오차가 가장 낮게 확인되는 구조를 사용한다.
Figure pat00002
Figure pat00003
도 7은 본 발명의 실시예에 따른 인공지능 기반의 유해가스 감지 동작을 설명하기 위한 도면이다.
본 발명에 따른 유해가스 감지 장치(100)는 독립구동 환경감지센서 융합모듈로 구현될 수 있다.
독립구동 환경감지센서 융합모듈은 외부에서 측정되는 가스의 농도를 인공지능 기반의 보정 학습 결과를 적용하여 보정하고 모듈에 내장된 디스플레이를 통하여 보정된 농도값을 출력한다. 환경감지센서 융합모듈은 다종 혼합가스를 측정하기 위한 측정부, 인공지능 기반의 보정을 위한 연산부, 결과값을 보여주기 위한 디스플레이로 구성될 수 있다. 예를 들어, 측정부는 5 종의 가스센서와 온/습도 센서를 사용하여 정량적인 가스 농도를 측정하고, 연산부는 MCU를 기반으로 제작된 인공지능 학습모델을 활용하여 가스 농도를 보정한다. 보정 후의 데이터를 통해 현재 다종 혼합가스의 농도를 확인할 수 있다.
이상의 설명은 본 발명의 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명의 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명의 실시예들은 본 발명의 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 유해가스 감지 장치
110: 측정부 120: 출력부
130: 프로세서 140: 메모리
150: 데이터 베이스

Claims (12)

  1. 하나 이상의 프로세서 및 상기 프로세서에 의해 실행되는 하나 이상의 프로그램을 저장하는 메모리를 포함하는 컴퓨팅 디바이스에 의해 수행되는 유해가스 감지 방법에 있어서,
    상기 컴퓨팅 디바이스는,
    다종 혼합 가스 및 외부 환경을 측정하는 측정 단계;
    상기 다종 혼합 가스를 측정한 가스 측정값과 상기 외부 환경을 측정한 환경 측정값을 기반으로 상기 다종 혼합 가스 각각의 예측값을 산출하는 예측값 산출 단계;
    상기 예측값 각각을 기반으로 보정 학습 결과를 생성하는 보정 학습 단계; 및
    신규 가스 측정값이 입력되는 경우, 상기 보정 학습 결과를 기반으로 보정된 가스 농도 결과를 출력하는 출력 단계
    를 수행하는 것을 특징으로 하는 유해가스 감지 방법.
  2. 제1항에 있어서,
    상기 측정 단계는,
    복수의 센서를 이용하여 오존(O3), 일산화탄소(CO), 이산화질소(NO2), 이산화황(SO2), 휘발성 유기화합물(VOC) 중 적어도 하나 이상이 혼합된 상기 다종 혼합 가스를 측정하고, 상기 외부 환경의 온도 및 습도를 측정하는 것을 특징으로 하는 유해가스 감지 방법.
  3. 제2항에 있어서,
    상기 예측값 산출 단계는,
    상기 가스 측정값과 상기 환경 측정값 각각에 대한 가중치와 상기 가스 측정값과 상기 환경 측정값의 선형 조합을 이용하여 상기 복수의 센서 각각의 감도를 계산하고, 계산된 감도를 활성화 함수에 적용하여 상기 예측값을 산출하는 것을 특징으로 하는 유해가스 감지 방법.
  4. 제3항에 있어서,
    상기 보정 학습 단계는,
    상기 다종 혼합 가스의 실제 가스 농도와 상기 예측값을 비교하여 결정된 가중치를 기반으로 상기 보정 학습 결과를 생성하는 것을 특징으로 하는 유해가스 감지 방법.
  5. 제4항에 있어서,
    상기 보정 학습 단계는,
    상기 다종 혼합 가스의 실제 가스 농도와 상기 예측값을 비교하고, 상기 실제 가스 농도와 상기 예측값 사이의 오차가 기 설정된 기준 오차 미만이 될 때까지 상기 예측값을 산출하는 동작 및 상기 가중치를 변경하는 동작이 반복 처리되도록 하는 것을 특징으로 하는 유해가스 감지 방법.
  6. 유해가스를 감지하는 장치로서,
    적어도 하나 이상의 측정 센서;
    적어도 하나 이상의 프로세서; 및
    상기 프로세서에 의해 실행되는 하나 이상의 프로그램을 저장하는 메모리를 포함하며, 상기 프로그램들은 하나 이상의 프로세서에 의해 실행될 때, 상기 하나 이상의 프로세서들에서,
    상기 측정 센서를 이용하여 다종 혼합 가스 및 외부 환경을 측정하는 측정 단계;
    상기 다종 혼합 가스를 측정한 가스 측정값과 상기 외부 환경을 측정한 환경 측정값을 기반으로 상기 다종 혼합 가스 각각의 예측값을 산출하는 예측값 산출 단계;
    상기 예측값 각각을 기반으로 보정 학습 결과를 생성하는 보정 학습 단계; 및
    신규 가스 측정값이 입력되는 경우, 상기 보정 학습 결과를 기반으로 보정된 가스 농도 결과를 출력하는 출력 단계
    를 포함하는 동작들을 수행하게 하는 것을 특징으로 하는 유해가스 감지 장치.
  7. 제6항에 있어서,
    상기 측정 단계는,
    복수의 센서를 이용하여 오존(O3), 일산화탄소(CO), 이산화질소(NO2), 이산화황(SO2), 휘발성 유기화합물(VOC) 중 적어도 하나 이상이 혼합된 상기 다종 혼합 가스를 측정하고, 상기 외부 환경의 온도 및 습도를 측정하는 것을 특징으로 하는 유해가스 감지 장치.
  8. 제7항에 있어서,
    상기 예측값 산출 단계는,
    상기 가스 측정값과 상기 환경 측정값 각각에 대한 가중치와 상기 가스 측정값과 상기 환경 측정값의 선형 조합을 이용하여 상기 복수의 센서 각각의 감도를 계산하고, 계산된 감도를 활성화 함수에 적용하여 상기 예측값을 산출하는 것을 특징으로 하는 유해가스 감지 장치.
  9. 제8항에 있어서,
    상기 보정 학습 단계는,
    상기 다종 혼합 가스의 실제 가스 농도와 상기 예측값을 비교하여 결정된 가중치를 기반으로 상기 보정 학습 결과를 생성하는 것을 특징으로 하는 유해가스 감지 장치.
  10. 제9항에 있어서,
    상기 보정 학습 단계는,
    상기 다종 혼합 가스의 실제 가스 농도와 상기 예측값을 비교하고, 상기 실제 가스 농도와 상기 예측값 사이의 오차가 기 설정된 기준 오차 미만이 될 때까지 상기 예측값을 산출하는 동작 및 상기 가중치를 변경하는 동작이 반복 처리되도록 하는 것을 특징으로 하는 유해가스 감지 장치.
  11. 제9항에 있어서,
    상기 보정 학습 단계는,
    상기 다종 혼합 가스 각각 또는 특정 유해 가스에 대해 우선순위가 설정되어 있는 경우, 상기 우선순위에 근거하여 특정 유해가스의 오차가 최소화되도록 우선적으로 가중치를 결정한 후 상기 특정 유해가스를 제외한 나머지 유해 가스에 대한 가중치를 결정하여 상기 보정 학습 결과를 생성하는 것을 특징으로 하는 유해가스 감지 장치.
  12. 하나 이상의 프로세서 및 상기 프로세서에 의해 실행되는 하나 이상의 프로그램을 저장하는 메모리를 포함하는 컴퓨팅 디바이스에 의해 수행되는 유해가스 감지 방법에 있어서,
    상기 컴퓨팅 디바이스는,
    다종 혼합 가스 및 외부 환경을 측정하고, 측정된 상기 다종 혼합 가스를 측정한 가스 측정값과 상기 외부 환경을 측정한 환경 측정값을 입력 받고, 상기 가스 측정값과 상기 환경 측정값을 기반으로 산출된 상기 다종 혼합 가스 각각의 예측값을 이용하여 생성된 보정 학습 결과를 적용하여 신규로 측정된 신규 가스 측정값을 보정한 가스 농도 결과를 출력하는 것을 특징으로 유해가스 감지 방법.
KR1020190152097A 2019-11-25 2019-11-25 인공지능 기반의 유해가스 감지 방법 및 그를 위한 장치 KR20210063680A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190152097A KR20210063680A (ko) 2019-11-25 2019-11-25 인공지능 기반의 유해가스 감지 방법 및 그를 위한 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190152097A KR20210063680A (ko) 2019-11-25 2019-11-25 인공지능 기반의 유해가스 감지 방법 및 그를 위한 장치

Publications (1)

Publication Number Publication Date
KR20210063680A true KR20210063680A (ko) 2021-06-02

Family

ID=76373068

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190152097A KR20210063680A (ko) 2019-11-25 2019-11-25 인공지능 기반의 유해가스 감지 방법 및 그를 위한 장치

Country Status (1)

Country Link
KR (1) KR20210063680A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114414736A (zh) * 2021-12-27 2022-04-29 广州吉泰发展有限公司 一种人工智能空气质量检测装置及检测方式

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114414736A (zh) * 2021-12-27 2022-04-29 广州吉泰发展有限公司 一种人工智能空气质量检测装置及检测方式
CN114414736B (zh) * 2021-12-27 2024-04-30 广州吉泰发展有限公司 一种人工智能空气质量检测装置及检测方式

Similar Documents

Publication Publication Date Title
Bigi et al. Performance of NO, NO 2 low cost sensors and three calibration approaches within a real world application
JP2019090805A (ja) 環境センサの検出データの処理装置、処理方法、コンピュータ読み取り可能な記憶媒体、及び環境センサシステム
US20190041371A1 (en) Systems and methods for evaluating toxic gas sensors using electrochemical impedance spectroscopy
CN108614071B (zh) 分布式室外大气质量监测精度校正系统及参数更新方法
Ma et al. Location of contaminant emission source in atmosphere based on optimal correlated matching of concentration distribution
CN110161181B (zh) 混合气体的组分浓度识别方法及系统
KR20150010138A (ko) 적외선 센서를 이용한 가스 농도 검출기 및 가스 검출 방법
KR20210063680A (ko) 인공지능 기반의 유해가스 감지 방법 및 그를 위한 장치
CN112650740B (zh) 一种降低在线监测碳排放量数据不确定度的方法及系统
Mumyakmaz et al. An E-Nose-based indoor air quality monitoring system: prediction of combustible and toxic gas concentrations
JP2008112428A (ja) 水処理施設における流入水水質の統計的予測方法及びその装置
Roshchupkin et al. Reducing the calibration points of multisensors
CN116338094A (zh) 一种用于碳排放气体检测的气体浓度校准方法及装置
JP3918687B2 (ja) におい測定装置
CN115468925A (zh) 非色散红外检测二氧化碳浓度模型的构建方法、检测方法和装置
CN112881620B (zh) 一种基于环境补偿模型的植物净光合速率测定方法、系统、终端及可读存储介质
CN112580741B (zh) 一种基于多传感器快速学习的气体种类识别方法及系统
Rivera Martinez et al. Reconstruction of high-frequency methane atmospheric concentration peaks from measurements using metal oxide low-cost sensors
Lewis Objective inference for climate parameters: Bayesian, transformation-of-variables, and profile likelihood approaches
CN106124700A (zh) 一种带自表达的电子鼻非目标干扰气体识别方法
Smyth et al. Forest soil decomposition and its contribution to heterotrophic respiration: A case study based on Canada
CN111735501A (zh) 环境试验设施设备温湿度测量方法
JP3896928B2 (ja) におい測定装置
US20190195763A1 (en) Sensor element and sensor apparatus
CN110426495A (zh) 一种基于大数据的环境监测校验方法

Legal Events

Date Code Title Description
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X601 Decision of rejection after re-examination