KR20210070671A - IoT 데이터 분석을 통한 모니터링 시스템 및 방법 - Google Patents

IoT 데이터 분석을 통한 모니터링 시스템 및 방법 Download PDF

Info

Publication number
KR20210070671A
KR20210070671A KR1020190160713A KR20190160713A KR20210070671A KR 20210070671 A KR20210070671 A KR 20210070671A KR 1020190160713 A KR1020190160713 A KR 1020190160713A KR 20190160713 A KR20190160713 A KR 20190160713A KR 20210070671 A KR20210070671 A KR 20210070671A
Authority
KR
South Korea
Prior art keywords
dimensional
data
monitoring
normal data
dimensional normal
Prior art date
Application number
KR1020190160713A
Other languages
English (en)
Other versions
KR102300835B1 (ko
Inventor
김민상
류홍규
Original Assignee
(주)심플랫폼
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 (주)심플랫폼 filed Critical (주)심플랫폼
Priority to KR1020190160713A priority Critical patent/KR102300835B1/ko
Publication of KR20210070671A publication Critical patent/KR20210070671A/ko
Application granted granted Critical
Publication of KR102300835B1 publication Critical patent/KR102300835B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Automation & Control Theory (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명은 IoT 데이터 분석에 관한 것이다. IoT 데이터 분석을 통한 모니터링 방법은, 정상 상태 동안 획득된 N개의 특징을 갖는 N차원 정상 데이터 셋을 생성하는 단계, 상기 N차원 정상 데이터 셋을 이용하여 1개의 N차원 정상 데이터 분포 및 N개의 (N-1)차원 정상 데이터 분포를 생성하는 단계, 상기 정상 상태 이후에 획득된 N개의 특징을 갖는 N차원 모니터링 데이터를 생성하는 단계 및 상기 N차원 정상 데이터 분포를 이용하여 상기 N차원 모니터링 데이터가 이상점인지 판정하고, 상기 N개의 (N-1)차원 정상 데이터 분포를 이용하여 상기 이상점을 유발한 특징을 상기 N차원 모니터링 데이터에서 검출하는 단계를 포함할 수 있다.

Description

IoT 데이터 분석을 통한 모니터링 시스템 및 방법{System and method of monitoring by analyzing IoT data}
본 발명은 IoT 데이터 분석에 관한 것이다.
IoT 센서는 모니터링 대상의 상태를 측정하기 위해 사용된다. 하나의 모니터링 대상에 설치된 복수의 IoT 센서가 생성하는 센싱 데이터는, 종류도 다양할 뿐 아니라, 일정한 주기로 생성되기 때문에, 빅데이터 처리가 요구되고 있다. 대부분의 사용자는, 모니터링 대상의 상태에 어떤 이상이 발생하였는지를 알고 싶으며, 이상 상태가 파악되면 이를 즉시 조치하고자 한다.
한국 등록특허공보 제10-1976585호
본 발명은 모니터링 대상의 상태를 용이하게 파악할 수 있는 모니터링 시스템 및 방법을 제공하고자 한다.
본 발명의 일측면에 따르면, IoT 데이터 분석을 통한 모니터링 방법이 제공된다. IoT 데이터 분석을 통한 모니터링 방법은, 정상 상태 동안 획득된 N개의 특징을 갖는 N차원 정상 데이터 셋을 생성하는 단계, 상기 N차원 정상 데이터 셋을 이용하여 1개의 N차원 정상 데이터 분포 및 N개의 (N-1)차원 정상 데이터 분포를 생성하는 단계, 상기 정상 상태 이후에 획득된 N개의 특징을 갖는 N차원 모니터링 데이터를 생성하는 단계 및 상기 N차원 정상 데이터 분포를 이용하여 상기 N차원 모니터링 데이터가 이상점인지 판정하고, 상기 N개의 (N-1)차원 정상 데이터 분포를 이용하여 상기 이상점을 유발한 특징을 상기 N차원 모니터링 데이터에서 검출하는 단계를 포함할 수 있다.
일 실시예로, 상기 N차원 정상 데이터 분포는, 상기 N차원 정상 데이터 셋에 GMM(Gaussian Mixture Model)을 적용하여 생성할 수 있다.
일 실시예로, 상기 N개의 (N-1)차원 정상 데이터 분포는, 상기 N차원 정상 데이터 셋에서 n번째 특징(1≤n≤N)을 제거하여 N개의 (N-1)차원 정상 데이터 셋을 생성하며, 상기 N개의 (N-1)차원 정상 데이터 셋에 GMM(Gaussian Mixture Model)을 적용하여 생성할 수 있다.
일 실시예로, 상기 정상 상태 동안 획득된 N개의 특징을 갖는 N차원 정상 데이터 셋을 생성하는 단계는, 상기 정상 상태 구간 동안에, 모니터링 대상에 설치된 IoT 센서로부터 k개의 제1 센싱 데이터를 수신하는 단계 및 상기 k개의 제1 센싱 데이터 각각에 연관된 N개의 특징으로 N차원 정상 데이터 셋을 생성하는 단계를 포함할 수 있다.
일 실시예로, 상기 정상 상태 이후에 획득된 N개의 특징을 갖는 N차원 모니터링 데이터를 생성하는 단계는, 상기 정상 상태 이후에, 상기 IoT 센서로부터 k개의 제2 센싱 데이터를 수신하는 단계 및 상기 k개의 제2 센싱 데이터 각각에 연관된 N개의 특징으로 N차원 모니터링 데이터를 생성하는 단계를 포함할 수 있다.
일 실시예로, 상기 N차원 정상 데이터 분포를 이용하여 상기 N차원 모니터링 데이터가 이상점인지 판정하고, 상기 N개의 (N-1)차원 정상 데이터 분포를 이용하여 상기 이상점을 유발한 특징을 상기 N차원 모니터링 데이터에서 검출하는 단계는, 상기 N차원 모니터링 데이터가 상기 N차원 정상 데이터 분포에 포함되는지 판정하는 단계, 상기 N차원 정상 데이터 분포에 포함되지 않으면, 상기 N차원 모니터링 데이터에서, n번째 특징(1≤n≤N)을 제거하여 N개의 (N-1)차원 모니터링 특징을 생성하는 단계 및 상기 N개의 (N-1)차원 모니터링 특징이 상기 N개의 (N-1)차원 정상 데이터 분포 각각에 포함되는지 판정하는 단계를 포함할 수 있다.
일 실시예로, 상기 특징은, 상기 제1 센싱 데이터 또는 상기 제2 센싱 데이터의 절대값, 기울기, 고속 퓨리에 변환값 중 어느 하나일 수 있다.
본 발명의 다른 측면에 따르면, IoT 데이터 분석을 통한 모니터링 시스템이 제공된다. IoT 데이터 분석을 통한 모니터링 시스템은, 정상 상태 구간 동안에, 모니터링 대상에 설치된 IoT 센서로부터 k개의 제1 센싱 데이터를 수집하며, 상기 정상 상태 구간 이후에 k개의 제2 센싱 데이터를 수집하는 센싱 데이터 수집부, 상기 제1 센싱 데이터 및 상기 제2 센싱 데이터로부터 N개의 특징을 획득하여 N차원 정상 데이터 셋 및 N차원 모니터링 데이터를 생성하는 특징 획득부, 상기 N차원 정상 데이터 셋을 이용하여 1개의 N차원 정상 데이터 분포 및 N개의 (N-1)차원 정상 데이터 분포를 생성하는 정상상태 모델 생성부, 및 상기 N차원 정상 데이터 분포 및 상기 N개의 (N-1)차원 정상 데이터 분포를 이용하여 N차원 모니터링 데이터가 이상점인지를 판정하는 상기 모니터링부를 포함할 수 있다.
일 실시예로, 상기 정상상태 모델 생성부는, 상기 N차원 정상 데이터 셋에 GMM(Gaussian Mixture Model)을 적용하여 상기 N차원 정상 데이터 분포를 생성하고, 상기 N차원 정상 데이터 셋에서 n번째 특징(1≤n≤N)을 제거하여 N개의 (N-1)차원 정상 데이터 셋을 생성하며, 상기 N개의 (N-1)차원 정상 데이터 셋에 GMM을 적용하여 상기 N개의 (N-1)차원 정상 데이터 분포를 생성할 수 있다.
일 실시예로, 상기 모니터링부는, 상기 N차원 모니터링 데이터가 상기 N차원 정상 데이터 분포에 포함되는지 판정하고, 상기 N차원 정상 데이터 분포에 포함되지 않으면, 상기 N차원 모니터링 데이터에서, n번째 특징(1≤n≤N)을 제거하여 N개의 (N-1)차원 모니터링 특징을 생성하며, 상기 N개의 (N-1)차원 모니터링 특징이 상기 N개의 (N-1)차원 정상 데이터 분포 각각에 포함되는지 판정할 수 있다.
본 발명에 따르면, 모니터링 대상의 상태를 용이하게 파악할 수 있게 된다.
이하에서, 본 발명은 첨부된 도면에 도시된 실시예를 참조하여 설명된다. 이해를 돕기 위해, 첨부된 전체 도면에 걸쳐, 동일한 구성 요소에는 동일한 도면 부호가 할당되었다. 첨부된 도면에 도시된 구성은 본 발명을 설명하기 위해 예시적으로 구현된 실시예에 불과하며, 본 발명의 범위를 이에 한정하기 위한 것은 아니다. 특히, 첨부된 도면들은, 발명의 이해를 돕기 위해서, 일부 구성 요소를 다소 과장하여 표현하고 있다.
도 1은 IoT 데이터 분석을 통한 모니터링의 개념을 예시적으로 설명하기 위한 도면이다.
도 2는 IoT 데이터 분석을 통한 모니터링 방법을 예시적으로 도시한 흐름도이다.
도 3은 모니터링 대상으로부터 수집된 센싱 데이터 및 이로부터 획득된 특징을 예시적으로 도시한 도면이다.
도 4는 특징을 이용하여 생성한 N차원 및 (N-1)차원 정상 데이터 분포를 예시적으로 도시한 도면이다.
도 5는 모니터링 과정에서 이상점이 발생한 상황을 예시적으로 도시한 도면이다.
도 6은 도 1 내지 도 5에 예시된 모니터링 방법을 구현하기 위한 IoT 데이터 분석을 통한 모니터링 시스템을 예시적으로 도시한 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 이를 상세한 설명을 통해 상세히 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
또한, 각 도면을 참조하여 설명하는 실시예의 구성 요소가 해당 실시예에만 제한적으로 적용되는 것은 아니며, 본 발명의 기술적 사상이 유지되는 범위 내에서 다른 실시예에 포함되도록 구현될 수 있으며, 또한 별도의 설명이 생략될지라도 복수의 실시예가 통합된 하나의 실시예로 다시 구현될 수도 있음은 당연하다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일하거나 관련된 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 IoT 데이터 분석을 통한 모니터링의 개념을 예시적으로 설명하기 위한 도면이다.
도 1을 참조하면, 모니터링 대상으로 모터가 예시되어 있다. 복수의 IoT 센서는, 모터에 고정 또는 일정 거리만큼 이격되도록 배치(이하 설치)되어 모터의 상태를 측정한다. IoT 센서가 모터 상태를 측정하여 생성한 센싱 데이터는, 모터의 상태를 판단하는데 이용된다. IoT 센서는, 예를 들어, 모터의 회전수, 진동, 온도 등과 같이, 모니터링 대상의 동작에 연관된 요소를 측정하거나, 모터 주변의 온도, 습도 등과 같이 모니터링 대상의 주변 환경에 연관된 요소를 측정할 수 있다. 여기서, IoT 센서에 의해 생성되는 센싱 데이터는, 모니터링 대상에 따라 달라질 수 있으며, 모니터링 대상이 모터에 한정되는 것은 아니다.
하나의 센싱 데이터로부터 하나 이상의 특징이 획득될 수 있다. 예를 들어, 속도를 측정하는 경우, 속도의 절대값, 기울기, 가속도, 고속 퓨리에 변환값(FFT) 등이 속도라는 센싱 데이터로부터 획득될 수 있다. 센싱 데이터는, 동일한 요소를 측정하더라도 설치 위치에 따라 상이할 수 있으며, 그로부터 획득되는 특징 역시 상이할 수 있다.
모니터링 대상의 정상 여부는 복수의 특징을 이용하여 모니터링 될 수 있다. 모니터링 대상이 정상적으로 동작하는 동안(이하, 정상 상태) 획득된 복수의 특징들은, 일정한 영역 내에 분포될 수 있다. 정상 데이터 분포는, 정상 상태 동안 획득된 복수의 특징들을 조합한 데이터 셋을 고차원 영역에 표현한 것이다. 정상 상태 이후, 센싱 데이터로부터 획득된 복수의 특징들로 구성된 데이터 셋은, 정상 데이터 분포와 비교된다. 정상 데이터 분포를 벗어나는 데이터(이하 이상점)의 발생은, 모니터링 대상이 비정상적으로 동작하고 있음을 나타낸다.
도 2는 IoT 데이터 분석을 통한 모니터링 방법을 예시적으로 도시한 흐름도로서, IoT 데이터 분석을 통한 모니터링 시스템에 의해 수행되는 과정이고, 도 3은 모니터링 대상으로부터 수집된 센싱 데이터 및 이로부터 획득된 특징을 예시적으로 도시한 도면이고, 도 4는 특징을 이용하여 생성한 N차원 및 N-1차원 정상 데이터 분포를 예시적으로 도시한 도면이며, 도 5는 모니터링 과정에서 이상점이 발생한 상황을 예시적으로 도시한 도면이다.
IoT 데이터 분석을 통한 모니터링 방법은, 정상 데이터 분포를 생성하는 과정(단계 100 내지 150)과 생성된 정상 데이터 분포에 기초하여 대상물을 모니터링 하는 과정(단계 160 내지 170)을 포함한다. 정상 데이터 분포는, N개의 특징을 이용하여 생성되는 1개의 N차원 정상 데이터 분포 및 (N-1)개의 특징을 이용하여 생성되는 N개의 (N-1)차원 정상 데이터 분포를 포함한다. N차원 정상 데이터 분포는, 이상점의 발생 여부를 판단하는 기초로 이용되며, (N-1)차원 정상 데이터 분포는 이상점을 발생시킨 특징을 검출하는데 이용된다.
도 2를 참조하면, 모니터링 대상에 대한 센싱 데이터가 수집된다(100). 센싱 데이터는, 모니터링 대상에 설치된 복수의 IoT 센서에 의해 생성된다. 센싱 데이터는, 일정 시간 간격, 예를 들어, 1초 간격으로 생성되거나, 연속적으로 생성될 수 있다. 도 3의 (a)는 k개의 IoT 센서가 생성한 센싱 데이터 dk@time을 예시하고 있다. 센싱 데이터 dk@time는 정상 데이터 분포의 생성 및 이상점 검출에 이용되는 복수의 특징을 획득하는 기초로 사용된다.
입력된 센싱 데이터에서 정상 상태에 속한 제1 센싱 데이터가 선택된다(110). 정상 상태는, 다양하게 설정 가능하다. 예를 들어, 정상 상태는, 모니터링을 시작한 특정 시점, 예를 들어, t1부터 일정 시간이 경과할 시점, 예를 들어, t245까지의 시구간을 정상 상태로 설정하거나, 제1 센싱 데이터를 획득하는 최대 회수 이내(즉, 1차부터 245차 센싱 데이터)를 정상 상태로 설정할 수 있다. 한편, 정상 상태는 복수일 수 있다. 모터의 경우, 동작 모드(예를 들어, continuous duty, short-time duty, intermittent duty 등)별로 정상 상태가 설정되거나, 모드별 정상 상태를 조합하여 단일 정상 상태에 대한 정상 데이터 분포가 생성될 수도 있다.
하나 이상의 특징이 제1 센싱 데이터로부터 획득된다(120). 도 3의 (b)는 제1 IoT 센서가 생성한 제1 센싱 데이터로부터 m1개의 특징을 획득하는 것을 예시하고 있다. 복수의 IoT 센서가 센싱 데이터를 각각 생성하는 경우, 복수의 IoT 센서가 생성한 제1 센싱 데이터마다 하나 이상의 특징을 획득하는 과정이 수행된다. 센싱 데이터에 연관된 특징은, 센싱 데이터의 고유 속성에 따라 각각 다르게 설정될 수 있다. 예를 들어, 온도나 습도 등의 경우, 절대값, 평균값, 기울기 등의 특징이 획득될 수 있다. 다른 예로, 회전 주파수, 진동 등의 경우, 절대값, 가속도, 고속 퓨리에 변환값 등의 특징이 획득될 수 있다. 복수의 센싱 데이터 각각으로부터 획득된 하나 이상의 특징들의 수를 N이라고 하면, N개의 특징들을 성분으로 하는 복수의 N차원 정상 데이터(이하 N차원 정상 데이터 셋)가 생성된다.
N차원 정상 데이터 셋에 GMM(Gaussian Mixture Model)을 적용한다(130). 혼합 모델(Mixture Model)은, 전체 분포에서 하위 분포가 존재한다고 보는 모델로서, 데이터가 모수를 갖는 복수의 분포로부터 생성되었다고 가정하는 모델이다. 이 중에서 가장 많이 사용되는 GMM은 데이터가 k개의 정규 분포(Gaussian)로부터 생성되었다고 보는 모델이다. GMM은, 각 정규 분포의 평균, 분산 및 가중치를 모수로 하여 데이터 분포를 근사화할 수 있다.
Figure pat00001
여기서,
Figure pat00002
는
Figure pat00003
번째 정규 분포의 평균, 분산, 가중치를 나타낸다. 수학식 1과 같은 방법으로, N차원 정상 데이터 셋에 대해 GMM을 적용하면, 확률밀도 값이 같은 점끼리 연결한 등고선(contour)을 경계로 하는 N차원 정상 데이터 분포가 생성된다. 도 4의 (a)는 N차원 정상 데이터 분포를 나타낸다. 정상 상태에서 획득된 복수의 특징들로 구성된 N차원 정상 데이터 셋(210)은, 정상 영역(220) 내부에 위치한다. 정상 영역(220)은, 경계(200)에 의해 비정상 영역으로부터 구분된다.
한편, N차원 정상 데이터 셋을 이용하여 N개의 (N-1)차원 정상 데이터 셋을 생성한다(140). (N-1)차원 정상 데이터 셋은, N차원 정상 데이터 셋에서 n번째 특징(1≤n≤N)을 순차적으로 제거하여 생성될 수 있다. 예를 들어, 제1 (N-1)차원 정상 데이터 셋은, N차원 정상 데이터 셋에서 첫 번째 특징만을 제거하여 생성되며, 제2 (N-1)차원 정상 데이터 셋은, N차원 정상 데이터 셋에서 두 번째 특징만을 제거하여 생성될 수 있다.
N개의 (N-1)차원 정상 데이터 셋 각각에 GMM을 적용하여 N개의 (N-1)차원 정상 데이터 분포를 생성한다(150). (N-1)차원 정상 데이터 셋은, 제거된 특징에 의한 영향을 받지 않으므로, (N-1)차원 정상 데이터 셋으로 생성된 정상 데이터 분포 역시 제거된 특징을 반영하지 않는다. 1개의 N차원 정상 데이터 분포 및 N개의 (N-1)차원 정상 데이터 분포가 생성되면, 정상 상태 이후에 측정되는 제2 센싱 데이터를 이용하여 모니터링 대상에 발생한 이상점을 검출한다. 정상 상태 이후에 측정된 제2 센싱 데이터에서 획득된 N개의 특징(이하 N차원 모니터링 데이터)이, N차원 정상 데이터 분포의 경계 내부에 위치하는지 판단된다(160). 도 5의 (a)에 예시된 바와 같이, 이상점(230)이 발생한 경우, 모니터링 대상이 비정상적으로 동작하고 있다고 판정된다. 그러나, 도 4 및 5에 예시된 바와 달리, N차원은 인간이 시각적으로 인지할 수 없는 공간이며, 모니터 등에 시각적으로 표현할 수 없다. 따라서 이상점 발생 유무는, IoT 데이터 분석을 통한 모니터링 시스템에 의한 알람 또는 경고 메시지의 형태로 출력될 수 있다.
N차원 정상 데이터 분포를 통한 모니터링에서 이상점이 검출되면, (N-1)차원 정상 데이터 분포를 이용하여, 이상점을 유발한 특징을 판정한다(170). N차원 모니터링 데이터에 포함된 N개의 특징 중 하나가 제거된 N개의 (N-1)차원 모니터링 데이터가 생성된다. N개의 (N-1)차원 모니터링 데이터는, 제거된 특징을 반영하지 않는 (N-1)차원 정상 데이터 분포에 1:1 매칭되어 이상점 발생 유무가 판정된다. 도 5의 (b)는, 세 번째 특징으로 인해 이상점이 발생한 경우를 예시적으로 표시하고 있다. 첫 번째 특징이 제거된 제1 (N-1)차원 정상 데이터 분포(2201), 두 번째 특징이 제거된 제2 (N-1)차원 정상 데이터 분포(2202), 및 N 번째 특징이 제거된 제N (N-1)차원 정상 데이터 분포(220N)의 경우, 이상점을 유발한 세 번째 특징에 의한 영향을 받으므로, 이상점(230)이 모두 검출된다. 이에 반해, 세 번째 특징이 제거된 제3 (N-1)차원 정상 데이터 분포(2203)의 경우, 이상점을 유발한 세 번째 특징이 제거되었으므로, 이상점이 발생하지 않는다.
도 6은 도 1 내지 도 5에 예시된 모니터링 방법을 구현하기 위한 IoT 데이터 분석을 통한 모니터링 시스템을 예시적으로 도시한 도면이다.
도 6을 참조하면, IoT 데이터 분석을 통한 모니터링 시스템은, 센싱 데이터 수집부(300), 특징 획득부(310), 정상상태 모델 생성부(320), 및 모니터링부(330)를 포함할 수 있다. IoT 데이터 분석을 통한 모니터링 시스템은, 하나 이상의 프로세서 및 이에 통신 가능하게 연결된 저장 장치(예를 들어, 메모리)에 저장된 프로그램에 의해 구현될 수 있으며, 도 6은, 프로그램을 실행하는 프로세서를 기능적으로 표현한 것이다.
센싱 데이터 수집부(300)는, 복수의 IoT 센서로부터 제1 및 제2 센싱 데이터를 통신망을 통해 수집한다. 통신망은, 유선 또는 무선 통신망일 수 있다. 수집된 센싱 데이터는, 메모리에 저장될 수 있다.
특징 획득부(310)는, 수집된 제1 및 제2 센싱 데이터로부터 하나 이상의 특징을 획득한다. 특징은, 제1 및 제2 센싱 데이터로부터 직접 획득(예를 들어, 절대값 등)되거나 연산을 통해 획득(예를 들어, 고속 퓨리에 변환값 등)될 수 있다. 복수의 IoT 센서가 센싱 데이터를 생성하는 경우, 각 센싱 데이터별로 하나 이상의 특징이 획득될 수 있다. 획득된 N개의 특징들은 N차원 정상 데이터 셋의 형태로 메모리에 저장될 수 있다.
정상상태 모델 생성부(320)는, N차원 정상 데이터 셋을 이용하여, 1개의 N차원 정상 데이터 분포 및 N개의 (N-1)차원 정상 데이터 분포를 생성한다. N차원 정상 데이터 분포는, 복수의 N차원 정상 데이터 셋에 GMM을 적용하여 생성되며, (N-1)차원 정상 데이터 분포는, 복수의 (N-1)차원 정상 데이터 셋에 GMM을 적용하여 생성된다. 여기서, (N-1)차원 정상 데이터 셋은, N차원 정상 데이터 셋에서 n번째 특징(1≤n≤N)을 제거하여 생성될 수 있다.
모니터링부(330)는, 이상점 발생을 검출하고, 이상점을 유발한 특징을 판정한다. 모니터링부(330)는, 정상 상태 이후에 입력되는 제2 센싱 데이터로부터 획득된 N차원 모니터링 데이터가 N차원 정상 데이터 분포에 포함되는지를 판정한다. N차원 모니터링 데이터가 N차원 정상 데이터 분포에 포함되지 않으면, 모니터링부(330)는, N차원 모니터링 데이터를 이용하여 N개의 (N-1)차원 모니터링 데이터를 생성한다. (N-1)차원 모니터링 데이터는, N차원 모니터링 데이터에서 n번째 특징을 제거하여 생성된다. 모니터링부(320)는, 제n (N-1)차원 모니터링 데이터가 제n 개의 (N-1)차원 정상 데이터 분포의 정상 영역에 포함되면, n번째 특징에 의해 이상점이 발생했다고 판정한다.
본 실시예에 따른 IoT 데이터 분석을 통한 모니터링 방법은 디지털 처리 장치에 내장되거나 설치된 프로그램 등에 의해 시계열적 순서에 따른 자동화된 절차로 수행될 수도 있음은 당연하다. 상기 프로그램을 구성하는 코드들 및 코드 세그먼트들은 당해 분야의 컴퓨터 프로그래머에 의하여 용이하게 추론될 수 있다. 또한, 상기 프로그램은 디지털 처리 장치가 읽을 수 있는 정보저장매체(computer readable media)에 저장되고, 디지털 처리 장치에 의하여 읽혀지고 실행됨으로써 상기 방법을 구현한다. 상기 정보저장매체는 자기 기록매체, 광 기록매체 및 캐리어 웨이브 매체를 포함한다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타나며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
200: 경계 210: N차원 정상 데이터 셋
220: 정상 영역 230: 이상점
300: 센싱 데이터 수집부 310: 특징 획득부
320: 정상상태 모델 생성부 330: 모니터링부

Claims (11)

  1. 정상 상태 동안 획득된 N개의 특징을 갖는 N차원 정상 데이터 셋을 생성하는 단계;
    상기 N차원 정상 데이터 셋을 이용하여 1개의 N차원 정상 데이터 분포 및 N개의 (N-1)차원 정상 데이터 분포를 생성하는 단계;
    상기 정상 상태 이후에 획득된 N개의 특징을 갖는 N차원 모니터링 데이터를 생성하는 단계; 및
    상기 N차원 정상 데이터 분포를 이용하여 상기 N차원 모니터링 데이터가 이상점인지 판정하고, 상기 N개의 (N-1)차원 정상 데이터 분포를 이용하여 상기 이상점을 유발한 특징을 상기 N차원 모니터링 데이터에서 검출하는 단계를 포함하는 IoT 데이터 분석을 통한 모니터링 방법.
  2. 제1항에 있어서,
    상기 N차원 정상 데이터 분포는, 상기 N차원 정상 데이터 셋에 GMM(Gaussian Mixture Model)을 적용하여 생성하는, IoT 데이터 분석을 통한 모니터링 방법.
  3. 제1항에 있어서,
    상기 N개의 (N-1)차원 정상 데이터 분포는,
    상기 N차원 정상 데이터 셋에서 n번째 특징(1≤n≤N)을 제거하여 N개의 (N-1)차원 정상 데이터 셋을 생성하며,
    상기 N개의 (N-1)차원 정상 데이터 셋에 GMM(Gaussian Mixture Model)을 적용하여 생성하는, IoT 데이터 분석을 통한 모니터링 방법.
  4. 제1항에 있어서,
    상기 정상 상태 동안 획득된 N개의 특징을 갖는 N차원 정상 데이터 셋을 생성하는 단계는,
    상기 정상 상태 구간 동안에, 모니터링 대상에 설치된 IoT 센서로부터 k개의 제1 센싱 데이터를 수신하는 단계; 및
    상기 k개의 제1 센싱 데이터 각각에 연관된 N개의 특징으로 N차원 정상 데이터 셋을 생성하는 단계를 포함하는, IoT 데이터 분석을 통한 모니터링 방법.
  5. 제1항에 있어서,
    상기 정상 상태 이후에 획득된 N개의 특징을 갖는 N차원 모니터링 데이터를 생성하는 단계는,
    상기 정상 상태 이후에, 상기 IoT 센서로부터 k개의 제2 센싱 데이터를 수신하는 단계; 및
    상기 k개의 제2 센싱 데이터 각각에 연관된 N개의 특징으로 N차원 모니터링 데이터를 생성하는 단계를 포함하는, IoT 데이터 분석을 통한 모니터링 방법.
  6. 제1항에 있어서,
    상기 N차원 정상 데이터 분포를 이용하여 상기 N차원 모니터링 데이터가 이상점인지 판정하고, 상기 N개의 (N-1)차원 정상 데이터 분포를 이용하여 상기 이상점을 유발한 특징을 상기 N차원 모니터링 데이터에서 검출하는 단계는,
    상기 N차원 모니터링 데이터가 상기 N차원 정상 데이터 분포에 포함되는지 판정하는 단계;
    상기 N차원 정상 데이터 분포에 포함되지 않으면, 상기 N차원 모니터링 데이터에서, n번째 특징(1≤n≤N)을 제거하여 N개의 (N-1)차원 모니터링 특징을 생성하는 단계; 및
    상기 N개의 (N-1)차원 모니터링 특징이 상기 N개의 (N-1)차원 정상 데이터 분포 각각에 포함되는지 판정하는 단계를 포함하는, IoT 데이터 분석을 통한 모니터링 방법.
  7. 제1항에 있어서,
    상기 특징은, 상기 제1 센싱 데이터 또는 상기 제2 센싱 데이터의 절대값, 기울기, 고속 퓨리에 변환값 중 어느 하나인, IoT 데이터 분석을 통한 모니터링 방법.
  8. 정상 상태 구간 동안에, 모니터링 대상에 설치된 IoT 센서로부터 k개의 제1 센싱 데이터를 수집하며, 상기 정상 상태 구간 이후에 k개의 제2 센싱 데이터를 수집하는 센싱 데이터 수집부;
    상기 제1 센싱 데이터 및 상기 제2 센싱 데이터로부터 N개의 특징을 획득하여 N차원 정상 데이터 셋 및 N차원 모니터링 데이터를 생성하는 특징 획득부;
    상기 N차원 정상 데이터 셋을 이용하여 1개의 N차원 정상 데이터 분포 및 N개의 (N-1)차원 정상 데이터 분포를 생성하는 정상상태 모델 생성부; 및
    상기 N차원 정상 데이터 분포 및 상기 N개의 (N-1)차원 정상 데이터 분포를 이용하여 N차원 모니터링 데이터가 이상점인지를 판정하는 상기 모니터링부를 포함하는 IoT 데이터 분석을 통한 모니터링 시스템.
  9. 제8항에 있어서,
    상기 정상상태 모델 생성부는,
    상기 N차원 정상 데이터 셋에 GMM(Gaussian Mixture Model)을 적용하여 상기 N차원 정상 데이터 분포를 생성하고,
    상기 N차원 정상 데이터 셋에서 n번째 특징(1≤n≤N)을 제거하여 N개의 (N-1)차원 정상 데이터 셋을 생성하며,
    상기 N개의 (N-1)차원 정상 데이터 셋에 GMM을 적용하여 상기 N개의 (N-1)차원 정상 데이터 분포를 생성하는, IoT 데이터 분석을 통한 모니터링 시스템.
  10. 제8항에 있어서,
    상기 모니터링부는,
    상기 N차원 모니터링 데이터가 상기 N차원 정상 데이터 분포에 포함되는지 판정하고,
    상기 N차원 정상 데이터 분포에 포함되지 않으면, 상기 N차원 모니터링 데이터에서, n번째 특징(1≤n≤N)을 제거하여 N개의 (N-1)차원 모니터링 데이터를 생성하며,
    상기 N개의 (N-1)차원 모니터링 데이터가 상기 N개의 (N-1)차원 정상 데이터 분포 각각에 포함되는지 판정하는, IoT 데이터 분석을 통한 모니터링 시스템.
  11. 제8항에 있어서,
    상기 특징은, 상기 제1 센싱 데이터 또는 상기 제2 센싱 데이터의 절대값, 기울기, 고속 퓨리에 변환값 중 어느 하나인, IoT 데이터 분석을 통한 모니터링 시스템.

KR1020190160713A 2019-12-05 2019-12-05 IoT 데이터 분석을 통한 모니터링 시스템 및 방법 KR102300835B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190160713A KR102300835B1 (ko) 2019-12-05 2019-12-05 IoT 데이터 분석을 통한 모니터링 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190160713A KR102300835B1 (ko) 2019-12-05 2019-12-05 IoT 데이터 분석을 통한 모니터링 시스템 및 방법

Publications (2)

Publication Number Publication Date
KR20210070671A true KR20210070671A (ko) 2021-06-15
KR102300835B1 KR102300835B1 (ko) 2021-09-10

Family

ID=76412283

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190160713A KR102300835B1 (ko) 2019-12-05 2019-12-05 IoT 데이터 분석을 통한 모니터링 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102300835B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102464945B1 (ko) * 2021-08-18 2022-11-10 한국과학기술정보연구원 기계 학습을 이용한 신호 데이터 상태 분석 장치 및 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101976585B1 (ko) 2018-06-19 2019-05-09 주식회사 유타렉스 스마트 센서 기반 IoT 모터 모니터링 시스템
JP6569927B1 (ja) * 2017-11-28 2019-09-04 株式会社安川電機 異常判定システム、モータ制御装置、及び異常判定装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6569927B1 (ja) * 2017-11-28 2019-09-04 株式会社安川電機 異常判定システム、モータ制御装置、及び異常判定装置
KR101976585B1 (ko) 2018-06-19 2019-05-09 주식회사 유타렉스 스마트 센서 기반 IoT 모터 모니터링 시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102464945B1 (ko) * 2021-08-18 2022-11-10 한국과학기술정보연구원 기계 학습을 이용한 신호 데이터 상태 분석 장치 및 방법

Also Published As

Publication number Publication date
KR102300835B1 (ko) 2021-09-10

Similar Documents

Publication Publication Date Title
US8831233B2 (en) Monitoring apparatus and method
CN110888783A (zh) 微服务系统的监测方法、装置以及电子设备
JP7068246B2 (ja) 異常判定装置、および、異常判定方法
EP3674827B1 (en) Monitoring target selecting device, monitoring target selecting method and program
EP2135144B1 (en) Machine condition monitoring using pattern rules
CN112272763A (zh) 异常探测装置、异常探测方法以及异常探测程序
CN111964909A (zh) 滚动轴承运行状态检测方法、故障诊断方法及系统
KR102300835B1 (ko) IoT 데이터 분석을 통한 모니터링 시스템 및 방법
JP2017102826A (ja) 異常診断装置、異常診断方法、及び、異常診断プログラム
Georgoulas et al. Bearing fault detection and diagnosis by fusing vibration data
CN117980707A (zh) 操作振动信号的自主辨别
JP6815282B2 (ja) 回転電機の特徴量評価システムおよび回転電機の特徴量評価方法
US20220003637A1 (en) Apparatus for equipment monitoring
Rousopoulou et al. Data analytics towards predictive maintenance for industrial ovens: A case study based on data analysis of various sensors data
RU2702293C1 (ru) Обнаружение отказа датчика температуры в турбинных системах
JP6898607B2 (ja) 異常予兆検出システムおよび異常予兆検出方法
KR102384742B1 (ko) 센서 데이터를 이용한 이상 감지 장치 및 방법
KR102337155B1 (ko) IoT 데이터 형상화를 통한 모니터링 시스템 및 방법
JP2018147406A (ja) 品質異常検知方法、品質異常検知装置および品質異常検知プログラム
Zhang et al. Applied sensor fault detection and validation using transposed input data PCA and ANNs
EP3388911B1 (en) Monitoring device, monitoring method and program
WO2020054725A1 (ja) 診断装置及び診断方法
JP2019159786A (ja) 情報処理装置、情報処理方法、プログラム
Aye et al. Fault detection of slow speed bearings using an integrated approach
JP2018005393A (ja) 故障予兆判定方法、故障予兆判定装置および故障予兆判定プログラム

Legal Events

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