KR20210109400A - Hazardous gas sensor platform with deep-learning technology to improve target gas detection and prediction in the in the mixed gas environment - Google Patents
Hazardous gas sensor platform with deep-learning technology to improve target gas detection and prediction in the in the mixed gas environment Download PDFInfo
- Publication number
- KR20210109400A KR20210109400A KR1020200024676A KR20200024676A KR20210109400A KR 20210109400 A KR20210109400 A KR 20210109400A KR 1020200024676 A KR1020200024676 A KR 1020200024676A KR 20200024676 A KR20200024676 A KR 20200024676A KR 20210109400 A KR20210109400 A KR 20210109400A
- Authority
- KR
- South Korea
- Prior art keywords
- gas
- sensor
- input
- linearity
- gas concentration
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/12—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a solid body in dependence upon absorption of a fluid; of a solid body in dependence upon reaction with a fluid, for detecting components in the fluid
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/12—Alarms for ensuring the safety of persons responsive to undesired emission of substances, e.g. pollution alarms
- G08B21/14—Toxic gas alarms
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/20—Air quality improvement or preservation, e.g. vehicle emission control or emission reduction by using catalytic converters
Landscapes
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Toxicology (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Emergency Management (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Environmental & Geological Engineering (AREA)
- Business, Economics & Management (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
Description
본 발명은 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템과 그 플랫폼에 관한 것으로, 더욱 상세하게는 실내나 실외의 대기에 포함된 다종의 유해가스들(NOx, SOx, CO, CO2, H2, NH3, 벤젠, 자일렌, 톨루엔 등)에서 목표 가스를 감지하고, 다종의 가스에 의한 상호 간섭을 제거하고, 온, 습도에 의한 목표 가스의 농도 변화 보상하기 위하여서 개별 목표가스에 최적화된 각기 다른 감지 물질을 개별 센서에 장착하고, 목표가스의 수만큼 개별 센서를 병렬 형태로 구성하여 여러 개의 목표 가스를 동시에 감지하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템과 그 플랫폼에 관한 것이다. The present invention relates to a deep learning-based harmful gas sensor monitoring system and platform for detecting and predicting gas concentration in a complex gas environment, and more particularly, to a variety of harmful gases (NO x , SO x , CO, CO 2 , H 2 , NH 3 , benzene, xylene, toluene, etc.) detects target gas, eliminates mutual interference by various gases, and concentration of target gas by temperature and humidity In order to compensate for changes, different sensing materials optimized for individual target gases are mounted on individual sensors, and individual sensors are configured in parallel as many as the number of target gases to simultaneously detect multiple target gases. It is about a deep learning-based harmful gas sensor monitoring system and its platform for prediction.
유해가스 감지를 위한 가스 센서는 기체와 물질 사이의 상호작용을 이용하는 것으로써, 독성가스 감지를 위해 현재 실용화 된 가스 센서의 종류에는 반도체식, 전기화학식, 접촉연소식 및 광학식 가스센서 등이 있으며, 도 1과 같이 각각의 장단점을 지니고 있어 이에 맞는 응용 분야에 활용이 가능하다. 이러한 가스 센서들은 측정 농도, 온도, 압력 범위 등 용도와 환경에 따라 가스에 대한 감도, 선택성, 안정성, 반응속도 등의 조건을 만족해야 한다.The gas sensor for detecting harmful gas uses the interaction between gas and material. There are semiconductor type, electrochemical type, catalytic combustion type and optical type gas sensor, etc. As shown in FIG. 1 , each has advantages and disadvantages, and thus it can be used in a suitable application field. These gas sensors must satisfy conditions such as sensitivity, selectivity, stability, and reaction rate for gas depending on the use and environment such as measurement concentration, temperature, and pressure range.
최근, 공정상 제조가 간단하고 가격이 저렴한 금속 산화물을 이용한 반도체식 가스 센서에 대한 연구가 활발히 진행되고 있다. 반도체식 가스 센서는 반도체 표면에 가스가 접촉하였을 때, 발생하는 전기전도도의 변화를 이용하게 되는데 이 때 주로 대기 중에 가열하여 작동되기 때문에 고온에서 안정한 금속산화물이 주로 사용된다. 금속산화물은 반도체의 성질을 나타내는 것이 많고, 금속원자가 과잉(산소결핍)인 경우에는 n형 반도체, 금속원자가 결핍 인 경우 에는 p형 반도체가 된다. 이러한 반도체 중 전기전도도가 크고 융점이 높아, 사용 온도 영역에서 열적으로 안정한 성질을 가진 소자가 센서에 이용 되고 있다. 반도체 가스 센서는 대부분 유독 가스, 가연성 가스에 어떤 응답을 나타내어 감지할 수 있는 가스의 종류가 많고, 센서 제작이 용이하고 검출 회로의 구성이 간단하다는 특징이 있다. Recently, research on a semiconductor-type gas sensor using a metal oxide that is simple to manufacture and inexpensive in process has been actively conducted. The semiconductor-type gas sensor utilizes the change in electrical conductivity that occurs when gas comes into contact with the semiconductor surface. Many metal oxides exhibit the properties of a semiconductor. When metal atoms are excessive (oxygen deficiency), they become n-type semiconductors, and when metal atoms are deficient, they become p-type semiconductors. Among these semiconductors, devices with high electrical conductivity and high melting point, which are thermally stable in the operating temperature range, are being used for sensors. Most of the semiconductor gas sensors have a characteristic that there are many types of gases that can be detected by showing a certain response to toxic gas or combustible gas, and the sensor manufacturing is easy and the configuration of the detection circuit is simple.
그러나, 복합가스 환경에서 특정 가스만을 검출 할 수 있는 선택성능이 떨어져, 반도체식 가스 센서의 감지 물질과 함께 다양한 촉매 등을 활용하거나 조합하고, 센서 동작 온도를 변경함으로써 센서의 선택성능 향상을 위한 연구가 아직도 많이 진행되고 있다. However, the selectivity to detect only a specific gas in a complex gas environment is poor, so research for improving the selectivity of the sensor by using or combining various catalysts with the sensing material of the semiconductor gas sensor and changing the sensor operating temperature is still a lot going on.
그리고 주성분분석(PCA) 기술은 다종 가스 환경에서 가스 종류의 구분과 구분된 가스 농도에 대한 감도인 센서 선택도 향상을 위한 방법으로, 센서데이터의 차원(Dimension)줄이되, 정보 손실을 최소화하면서 센서의 성능 및 특성을 분석할 수 있는 기술이다. 도 2, 3은 8채널 센서의 데이터 등을 PCA방법을 이용해 3차원으로 축소한 그래프를 보여주고 있다. 센서 디바이스 어레이에서 오는 센싱 데이터에서 특성을 추출하고, 이를 기반으로 PCA방법을 수행하여, 센서 디바이스 어레이의 성능 및 특성을 분석하고, 추출된 특성의 성능 파악한다. 반복적 수행을 통하여 최적의 특성값을 도출하여, 주성분으로 활용하는 방법이다.And the principal component analysis (PCA) technology is a method for classifying gas types in a multi-gas environment and improving the sensor selectivity, which is the sensitivity to the classified gas concentration. It is a technology that can analyze performance and characteristics. 2 and 3 show graphs in which data of an 8-channel sensor is reduced in three dimensions using the PCA method. Characteristics are extracted from the sensing data coming from the sensor device array, and the PCA method is performed based on this to analyze the performance and characteristics of the sensor device array, and the performance of the extracted characteristics is identified. It is a method of deriving an optimal characteristic value through repeated execution and using it as a main component.
상기 주성분 분석을 적용한 센서와 센서 플랫폼이 활용되어 왔으나, 해당 알고리즘은 도 4와 같이, 가스 센서의 측정치를 그대로 이용하는 기법과 가스센서의 측정치 변화율을 이용하는 두 가지로 나뉘어 진행되고, 각각의 방법에서는 연관성기법과 선택 기법을 함께 수행하게 되며, 이를 통해 물질을 결정하게 되므로 센서의 선택성이 결정하는 방법이다. Although the sensor and sensor platform to which the principal component analysis is applied have been used, the algorithm is divided into two methods, a technique using the measured value of the gas sensor as it is and a rate of change of the measured value of the gas sensor, as shown in FIG. 4 , and in each method, the correlation The technique and the selection technique are performed together, and the material is determined through this, so it is the method that determines the selectivity of the sensor.
그러나, 주성분 분석은 매트릭스 연산으로의 성능저하, 정보 손실를 해결하기 위한 방법이 필요한 문제점을 가지고 있어서, 최근에는 도 5와 같이 딥러닝 등의 학습에 의한 인공지능 기술이 접목되어 높은 가스 감지와 선택도를 보여 주고 있다. 최근, 다종 센서 감지를 위한 인공지능 기술이 많이 개발되고 있는 실정이다.However, principal component analysis has a problem that requires a method to solve performance degradation and information loss due to matrix operation. is showing Recently, a lot of artificial intelligence technologies for sensing multiple types of sensors are being developed.
본 발명은 실내나 실외의 대기에 포함된 다종의 유해가스들(NOx, SOx, CO, CO2, H2, NH3, 벤젠, 자일렌, 톨루엔 등)에서 목표 가스를 감지하고, 다종의 가스에 의한 상호 간섭을 제거하고, 온, 습도에 의한 목표 가스의 농도 변화 보상하기 위하여서 개별 목표가스에 최적화된 각기 다른 감지 물질을 개별 센서에 장착하고, 목표가스의 수만큼 개별 센서를 병렬 형태로 구성하여 여러 개의 목표 가스를 동시에 감지하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템과 그 플랫폼을 제공하는 것을 목적으로 한다. The present invention detects a target gas from various harmful gases (NO x , SO x , CO, CO 2 , H 2 , NH 3 , benzene, xylene, toluene, etc.) contained in indoor or outdoor atmosphere, In order to remove the mutual interference caused by the gas of It aims to provide a deep learning-based harmful gas sensor monitoring system and platform for detecting and predicting gas concentration in a complex gas environment that detects multiple target gases simultaneously.
본 발명은 상기한 목적을 달성하기 위한 수단으로,The present invention is a means for achieving the above object,
실내나 실외의 대기에 포함된 다종의 유해가스들(NOx, SOx, CO, CO2, H2, NH3, 벤젠, 자일렌, 톨루엔 등)에서 목표 가스를 감지하고, 다종의 가스에 의한 상호 간섭을 제거하며, 온, 습도에 의한 목표 가스의 농도 변화 보상하기 위하여서 개별 목표가스에 최적화된 각기 다른 감지 물질을 개별 센서를 센서어레이(sensor array) 형태로 장착하고, 목표가스의 수만큼 개별 센서를 병렬 형태로 구성하여 여러 개의 목표 가스를 동시에 감지할 수 있도록 유해가스, 온도에 따른 저항변화율(또는 전류 변화율)을 센서를 통해 측정하고, 센서를 통해 인가되는 신호를 선형성(알고리즘 1) 또는 이산형(알고리즘 2)으로 신호처리칩에서 구분하며, 구분된 선형성 모델의 분석 및 이산형 모델의 가스 농도 출력값을 예측하여 가스 농도를 측정하는 것을 특징으로 하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템을 제공한다. Detects target gas from various harmful gases (NO x , SO x , CO, CO 2 , H 2 , NH 3 , benzene, xylene, toluene, etc.) In order to eliminate the mutual interference caused by To detect multiple target gases simultaneously by configuring individual sensors in parallel, the resistance change rate (or current change rate) according to the harmful gas and temperature is measured through the sensor, and the signal applied through the sensor is measured with linearity (Algorithm 1) Alternatively, the signal processing chip is divided into discrete (algorithm 2), and gas concentration detection and prediction in a complex gas environment, characterized by measuring the gas concentration by analyzing the separated linearity model and predicting the gas concentration output value of the discrete model Provides a deep learning-based harmful gas sensor monitoring system for
본 발명의 센서어레이와 온도, 습도의 외부 환경의 입력과 데이터를 공동으로 취합하는 신호처리칩(200)은, 선형성이 높은 온도와 습도, 센서어레이 중 선택된 센서데이터는 ReLU 함수로 활성화 함수를 사용하도록 센서데이터에 tag 1을 추가하여 부가하고, 이산성이 높은 센서 출력은 tag 0를 부가하여 구분하며, 센서데이터는 베이지안 인공네트워크를 활용하여 학습 및 연산으로 출력함으로써 매우 높은 가스 농도 감지와 예측이 가능한 것을 특징으로 한다.The
본 발명의 ReLU(rectified linear units)는, 뉴런이 선형적으로 활성화되어 소정 값을 가질 수 있도록 경사도가 상수가 되도록 함으로써 오류 역전파를 해도 경사도가 사라지지 않는 것을 특징으로 한다.The rectified linear units (ReLU) of the present invention is characterized in that the gradient does not disappear even after error backpropagation by making the gradient constant so that the neurons are linearly activated and have a predetermined value.
본 발명의 활성화 함수는, MUX를 사용하여 선형성이 강한 특성의 입력(온도, 습도, 그리고 back-propagation의 연산 결과에 따른 선형성이 높은 센서 입력)은 ReLU 함수를 활용하여 출력값을 연산, 동시에 이산화 특성이 강한 가스 센서(10)들의 입력은 시그모이드 유닛을 활용하여 출력값을 연산하는 것을 특징으로 한다. The activation function of the present invention uses the ReLU function to calculate the output value using the ReLU function for the input of the characteristic with strong linearity (the sensor input with high linearity according to the calculation result of temperature, humidity, and back-propagation) using the MUX, and at the same time the discrete characteristic The input of these
본 발명의 활성화 함수는, MUX를 사용하여 선형성이 강한 특성의 입력(온도, 습도, 그리고 back-propagation의 연산 결과에 따른 선형성이 높은 센서 입력)은 ReLU 함수를 입력하고, 동시에 이산성이 강한 가스 센서어레이의 입력은 시그모이드 유닛을 활용하여 출력값을 연산하는 것을 특징으로 한다.In the activation function of the present invention, the ReLU function is input to the input of the characteristic with strong linearity (sensor input with high linearity according to the calculation result of temperature, humidity, and back-propagation) using MUX, and at the same time, the gas with strong discreteness The input of the sensor array is characterized in that the output value is calculated using the sigmoid unit.
본 발명은 상기한 목적을 달성하기 위한 다른 수단으로,The present invention is another means for achieving the above object,
ReLU 함수로 활성화 함수를 사용하도록 센서데이터에 tag 1을 추가하여 부가하고, 이산성이 높은 센서 출력은 tag 0를 부가하여 구분한 센서데이터를 신호처리칩(200)에서 가공하는 과정(S10)과; 센서데이터에서 특징 추출하면서 패턴 분류를 동시에 진행하는 과정(S20)과; 이산성과 선형성 특성을 입력상태에서 감지하여 샘플링되었는지 판단하는 과정(S30)과; S30과정에서 샘플링이 되었다면, 센서(10)를 통해 입력되는 다중의 입력신호 중에서 조건에 맞는 특정의 입력신호만을 선택적으로 출력하는 8ch MUX(210)를 통해 저전력 신호처리하는 과정(S40)과; S30과정에서 샘플링이 되지 않았다면, 입력 저항에 상관 없이 전체 저항범위에서 동일하게 고해상도로 분석하는 고해상의 신호처리하는 과정(S50)과; S40과정 또는 S50과정에서 인가되는 데이터를 선형성(알고리즘 1)을 구분하하는 과정(S60)과; 선형성(알고리즘 1)에서 전하가 충전, 방전되는 시간을 슈키트트리거인버터 회로(Schmitt trigger inverter)와 카운터(counter)를 통해 측정하여 저항값을 분석하는 과정(S70)과; S50과정에서 구분된 이산형 모델의 가스 농도 출력값을 예측하는 과정(S80)과; 이산형 모델에서 뉴런이 선형적으로 활성화되어 큰 값을 가질 수 있도록 경사도가 상수가 되도록 함으로써 오류 역전파를 해도 경사도가 사라지게 하는 과정(S90)과; 구분된 선형성 모델의 분석 및 이산형 모델의 가스 농도 출력값을 예측하는 과정(S100);을 특징으로 하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 플랫폼을 제공한다. The process (S10) of processing the sensor data divided by adding
본 발명의 ReLU(rectified linear units)은, 뉴런이 선형적으로 활성화되어 소정 값을 가질 수 있도록 경사도가 상수가 되게 하여 오류 역전파에 의해 경사도가 사라지지 않도록 하는 것을 특징으로 한다. The rectified linear units (ReLU) of the present invention are characterized in that the gradient is made constant so that the neurons are linearly activated and have a predetermined value, so that the gradient does not disappear due to error backpropagation.
본 발명의 뉴런은 네트워크 모델 구조로 이루어지며, 센서(10)의 인풋 데이터(Input data)를 기반으로 대칭성을 가지기 위해서 인풋 데이터(Input data) 개수의 배수로 레이어(Layer)의 뉴런 수를 구성하고, 레이어(Layer) 안의 뉴런 수를 증가시켜 시뮬레이션을 통해 정확도가 높고, 디베이션(Deviation)이 낮은 모델을 확인할 수 있도로 한 것을 특징으로 한다.Neurons of the present invention have a network model structure, and in order to have symmetry based on the input data of the
본 발명의 활성화 함수는, MUX를 사용하여 선형성이 강한 특성의 입력(온도, 습도, 그리고 back-propagation의 연산 결과에 따른 선형성이 높은 센서 입력)은 ReLU 함수를 동시에 이산화 특성이 강한 가스 센서(10)들의 입력은 시그모이드 유닛을 활용하여 출력값을 연산하는 것을 특징으로 한다.In the activation function of the present invention, the input of the characteristic with strong linearity (sensor input with high linearity according to the calculation result of temperature, humidity, and back-propagation) using MUX is the ReLU function at the same time as the gas sensor (10) with strong discrete characteristics. ) input is characterized in that the output value is calculated using the sigmoid unit.
본 발명은 신경회로망 구조의 적용과 딥러닝을 위한 역전파 알고리즘 연구의 구현으로 가스센서 패턴인식을 통하여 향상시키는 효과가 있다.The present invention has the effect of improving the gas sensor pattern recognition by applying the neural network structure and implementing the study of the backpropagation algorithm for deep learning.
또한, 본 발명은 신경회로망 패턴 인식은 먼저 역전파 알고리즘을 통해 신경회로망 네트워크를 딥러닝하고, 학습시킨 네트워크를 이용하여 새로운 데이터에 대한 패턴을 분석하고 출력값 예측이 가능한 효과가 있다. In addition, in the present invention, neural network pattern recognition has an effect of first deep learning a neural network network through a backpropagation algorithm, analyzing a pattern for new data using the learned network, and predicting an output value.
또한, 본 발명은 가스센서어레이를 통하여 감지되어진 측정 데이터들은 특성이 있는 출력값(패턴)들을 형성하고, 신경회로망 패턴인식을 이용하면 목표 가스 인식과 목표 가스의 농도 예상이 가능하다. 신경회로망은 계층별로 그룹화된 뉴런들의 집합으로 구성되어 있으며, 입력층(Input layer), 은닉층 또는 중간층(Hidden layer), 출력층(Output layer) 등의 계층은 인공지능의 구조로 구성되어 있으며, 역전파(Back Propagating) 알고리즘은 입력에 대한 예측 반응과 실제 결과와의 차이를 줄여나가며 학습을 수행하고, 신경회로망 네트워크를 개선하는 구조로 구성되었다. 따라서, 동 인공지능 구조와 알고리즘의 구현으로 반도체식 센서의 단점인 선택 성능을 제거하고, 입력단에 온도와 습도의 변수를 센서의 입력과 병행하여 온, 습도 기반의 목표 가스 감지 및 변화를 대응할 수 있는 효과가 있다.In addition, in the present invention, the measurement data sensed through the gas sensor array forms characteristic output values (patterns), and by using the neural network pattern recognition, it is possible to recognize the target gas and estimate the concentration of the target gas. A neural network is composed of a set of neurons grouped by layer, and layers such as an input layer, a hidden or an intermediate layer, and an output layer are composed of an artificial intelligence structure, and back propagation The (Back Propagating) algorithm is structured to learn while reducing the difference between the predicted response to the input and the actual result, and to improve the neural network. Therefore, by implementing the AI structure and algorithm, the selection performance, which is a disadvantage of the semiconductor type sensor, is eliminated, and temperature and humidity variables are input to the input terminal in parallel with the sensor input to respond to temperature and humidity-based target gas detection and change. there is an effect
또한, 본 발명은 딥러닝 기반의 인공지능 기술로 말미암아, 반도체식 센서의 선택성능을 5% 이내의 오차로 향상할 수 있으며, 감지뿐 아니라 목표 가스 예측까지 가능한 효과가 있다. In addition, the present invention can improve the selectivity of the semiconductor-type sensor with an error of less than 5% due to the deep learning-based artificial intelligence technology, and has the effect of not only detecting but also predicting the target gas.
또한, 본 발명은 20~30%대의 온도와 습도에 따른 목표가스의 감도를 5% 이내로 측정할 수 있어서, 복합가스 환경에서 목표가스 감지의 정확도를 대폭 향상할 수 있는 효과가 있다. In addition, the present invention can measure the sensitivity of the target gas according to the temperature and humidity of 20 to 30% within 5%, thereby significantly improving the accuracy of the detection of the target gas in a complex gas environment.
도 1은 일반적인 가스센서의 기술 분류와 장, 단점을 나타낸 도면이고,
도 2는 일반적인 다종 유해가스 센서 분석 시스템을 나타낸 도면이며,
도 3은 도 2의 다종 유해가스 센서 분석 시스템에서 센서 디바이스 어레이의 특성 성능에 따른 PCA 분석 결과를 나타낸 그래프이고,
도 4는 도 3의 PCA 분석 결과를 얻기 위해 적용되는 PCA분석을 위한 일반 알고리즘이며,
도 5는 일반적인 센서와 인공지능 구종의 실시예를 나타낸 도면이고,
도 6은 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템을 나타낸 도면이며,
도 7은 도 6의 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템에서 센서어레이 및 신호처리칩의 상게 구성을 도시한 도면이고,
도 8은 본 발명의 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 플랫폼을 통해 수행되는 과정을 설명한 순서도이며,
도 9는 본 발명의 플랫폼에서 하이브리드 뉴런 활성화 함수를 활용하는 상태를 나타낸 도면이고,
도 10는 본 발명의 플랫폼에서 다종의 입력을 이용한 축적된 정보를 이용하여 활성화함수를 사용하여 출력되는 상태를 나타낸 도면이며,
도 11은 본 발명의 플랫폼에서 가스의 농도 감지 및 예측을 위한 최적화된 인공지능 모델을 예시한 도면이고,
도 12는 본 발명의 플랫폼에서 목표가스 감지 성능 및 예측한 상태를 나타낸 도면이다.1 is a view showing the technical classification, advantages, and disadvantages of a general gas sensor,
2 is a view showing a general multi-type harmful gas sensor analysis system,
Figure 3 is a graph showing the PCA analysis results according to the characteristic performance of the sensor device array in the multiple harmful gas sensor analysis system of Figure 2,
4 is a general algorithm for PCA analysis applied to obtain the PCA analysis result of FIG. 3,
5 is a view showing an embodiment of a general sensor and artificial intelligence pitch,
6 is a view showing a deep learning-based harmful gas sensor monitoring system for detecting and predicting gas concentration in a complex gas environment;
7 is a diagram showing the configuration of the sensor array and the signal processing chip in the deep learning-based harmful gas sensor monitoring system for gas concentration detection and prediction of the complex gas environment of FIG. 6,
8 is a flowchart illustrating a process performed through a deep learning-based harmful gas sensor platform for detecting and predicting gas concentration in a complex gas environment of the present invention;
9 is a view showing a state utilizing a hybrid neuron activation function in the platform of the present invention;
10 is a diagram showing a state outputted using an activation function using information accumulated using multiple inputs in the platform of the present invention;
11 is a diagram illustrating an optimized artificial intelligence model for detecting and predicting gas concentration in the platform of the present invention;
12 is a view showing the target gas detection performance and predicted state in the platform of the present invention.
이하, 본 발명에 의한 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템과 그 플랫폼을 설명한다.Hereinafter, a deep learning-based harmful gas sensor monitoring system and platform for detecting and predicting gas concentration in a complex gas environment according to the present invention will be described.
본 발명의 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템과 그 플랫폼은 실내나 실외의 대기에 포함된 다종의 유해가스들(NOx, SOx, CO, CO2, H2, NH3, 벤젠, 자일렌, 톨루엔 등)에서 목표 가스를 감지하고, 다종의 가스에 의한 상호 간섭을 제거하고, 온, 습도에 의한 목표 가스의 농도 변화 보상하기 위하여서 개별 목표가스에 최적화된 각기 다른 감지 물질을 개별 센서(10)에 장착하고, 목표가스의 수만큼 개별 센서(10)를 병렬 형태로 구성하여 여러 개의 목표 가스를 동시에 감지할 수 있도록 유해가스, 온도에 따른 저항변화율(또는 전류 변화율)을 센서(10)를 통해 측정하며, 센서(10)를 통해 인가되는 신호를 선형성(알고리즘 1) 또는 이산형(알고리즘 2)으로 구분하고, 구분된 선형성 모델의 분석 및 이산형 모델의 가스 농도 출력값을 예측하여 가스 농도를 측정하는 것을 특징으로 한다.The deep learning-based noxious gas sensor monitoring system and platform for detecting and predicting gas concentration in a complex gas environment of the present invention can detect various types of harmful gases (NO x , SO x , CO, CO 2 , H 2 , NH 3 , benzene, xylene, toluene, etc.) to detect the target gas, eliminate mutual interference by various gases, and compensate for changes in the concentration of the target gas due to temperature and humidity. Each
본 발명의 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템과 그 플랫폼을 첨부된 도면을 통해 상세하게 설명한다.A deep learning-based harmful gas sensor monitoring system and platform for detecting and predicting gas concentration in a complex gas environment of the present invention will be described in detail with reference to the accompanying drawings.
도 6 내지 12을 참조하여 상세하게 설명하면, 본 발명의 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템과 그 플랫폼은 상호간섭 현상과 더불어, 복합가스의 환경에서 측정시의 온도와 습도에 따른 감도 변화의 목표가스 감지하며, 이때, 온도는 복수의 센서(10)로 이루어지는 센서어레이(100)와의 불가불 관계에 있으며, 가스 온도에 따른 센서(10)의 성능 안전성을 해결하기 위해 측정 가스의 온도를 히팅 바스(heating bath)를 이용하여 변화시키며 가스들을(CO, H2, SO2, NO2, CH4)에 대하여 센서(10)에서 특성을 측정한다.6 to 12, the deep learning-based harmful gas sensor monitoring system and the platform for detecting and predicting gas concentration in a complex gas environment of the present invention, together with the mutual interference phenomenon, The target gas of sensitivity change according to temperature and humidity during measurement is sensed, and at this time, the temperature is in an inescapable relationship with the
상기 센서(10)는 히터 일체형으로써, 공중부유형 탄소 나노와이어 기반 히터(11) 및 절연층(12)과 금속 전극을 패터닝하여 감지물질을 나노와이어 형태와 나노플레이크 나노플레이크(nanoflake) 형태로 이루어지는 감지부(13)로 이루어진다. The
상기의 가스 온도에 따른 센서어레이(100)의 저항변화율(또는 전류 변화율) 측정에는 나노구조 기반 히터 일체형 센서(감지물질은 ZnO, CuO 등)(10)가 사용되었으며, 히터부 인가전압을 소비전력이 약 1mW급으로 히터 온도는 200℃ 로 설정하여 측정한다.In the measurement of the resistance change rate (or current change rate) of the
또한, 센서(10)의 감지도는 -5℃, 25℃(상온), 60℃의 세 가지 온도 조건에서 일정 농도의 5종 유해 가스(CH4 1,000ppm, CO 1ppm, H2 1ppm, NO2 1ppm, SO2 1ppm)에 대해 측정하여 비교를 진행하였다. In addition, the sensitivity of the
상기 감지도는 상온 가스에 비해 -5℃ 가스 온도에서 약 24% 정도 감소하였으며, 60℃에서는 약 18% 감소하여, 매우 높은 영향을 주고 있다. 상기 히터 온도에 따른 나노물질의 감지도 변화특성으로 동작온도를 고려한 보정 및 해결은 온도와 더불어 센서(10)의 습도에 따른 신뢰성 평가를 위해 고습 환경(상대습도 85%)과 저습환경(상대습도 25%)에서의 센서(10)의 감지도 특성을 측정하였다. The sensitivity was decreased by about 24% at a gas temperature of -5°C compared to room temperature gas, and decreased by about 18% at 60°C, giving a very high effect. The correction and solution considering the operating temperature as the sensitivity change characteristic of the nanomaterial according to the heater temperature is a high-humidity environment (85% relative humidity) and a low-humidity environment (relative humidity) for reliability evaluation according to the humidity of the
상기 측정결과, 저습 환경에 비해 고습 환경에서 감지도가 약 21% 감소하고, 특히, H2, SO2 CH4 가스에 대한 센서(10)의 감도 감소 비율이 현저하게 변화한다. 개별 센서(10)의 습도에 따른 특성을 패턴 인식 기술에 반영하면 복합가스 환경에서 목표가스의 선택도 향상에 이득이 된다. As a result of the measurement, the sensitivity is reduced by about 21% in the high-humidity environment compared to the low-humidity environment, and in particular, the rate of decrease in the sensitivity of the
상기 히터 일체형 센서(10)의 신뢰성 평가를 위해 상대습도 85%의 고습환경과 상대습도 25%의 저습 환경에서의 1ppm NO2에 대한 센서(10)의 저항 변화 특성을 장시간 측정하여, 변화에 대한 측정을 진행한다. For the reliability evaluation of the heater integrated
상기 습도 변화에 따른 감도 변화는 발생하였으나, 측정 기간에 따른 감도 변화율은 약 7%로 매우 안정적이었고, 따라서 장기간 사용에 대한 센서(10) 신뢰성은 높다.Although the sensitivity change according to the humidity change occurred, the sensitivity change rate according to the measurement period was very stable as about 7%, and thus the reliability of the
그리고 다종의 복합가스를 측정하는 센서(10)와 주변 환경인 온, 습도에 의한 영향 분석을 위하여, 딥러닝에 의해 학습하고, 목표가스의 감지 및 예측을 위하여 딥러닝의 뉴런 활성화 함수를 병합하여 활용한다. In addition, for the analysis of the effect of the
상기 다종의 복합가스를 측정하는 센서(10)와 연결된 센서용 신호처리칩(ROIC: Readout IC)으로 도 6과 도 7에서 센서(10)의 출력이 선형성 또는 이산형을 구분하는 센서(10)의 출력 데이터의 형식을 선별하여 구성하는 것을 나타낸다. A signal processing chip (ROIC: Readout IC) for a sensor connected to the
상기 신호처리칩(200)은 8ch MUX(210)와, 기준회로 블럭(220), 초저전력 회로 변환 블록(230) 및 확대기반 고해상도 회로변환 블럭(240)를 포함하여 구성된다. The
상기 8ch MUX(210)는 센서(10)를 통해 입력되는 다중의 입력신호 중에서 조건에 맞는 특정의 입력신호만을 선택적으로 출력하는 초저전력 모니터링 모드부(Low Power Monitoring mode)(230)로 출력한다. The
상기 기준회로 블럭(220)은 클럭발진기(CLK GEN: Clock Gennrator)(221), 저잡음 LDO(Low Dropout) 레귤레이터(222) 및 밴드갭회로(BGR: Bandgap voltage reference)(223)로 이루어진다. The
상기 클럭발진기(221)는 8ch MUX(210)에서 인가되는 센서(10)의 신호를 통해 동작 타이밍을 결정하기 위한 클럭신호를 생성하여 저잡음 LDO 레귤레이터(222)로 인간한다. The
상기 저잡음 LDO 레귤레이터(222)는 상승한 전압이 출력단으로 전압을 분배하여 밴드갭회로(223)로 인가한다. 상기 밴드갭회로(BGR: Bandgap voltage reference)(223)는 저잡음 LDO 레귤레이터(222)에서 인가되는 입력신호 차이를 증폭하여 출력한다. The low-
상기 초저전력 모니터링 모드부(Low Power Monitoring mode)(230)는 모드컨트롤러(Mode Control)(231)와 레지스터 디지털컨버터(RDC: Resistor ADC)(232)로 이루어진다. The ultra-low power
상기 모드컨트롤러(231)는 8ch MUX(210)에서 인가되는 신호를 레지스터 디지털컨버터(232)와 R-to-V(241)로 분배하여 인가한다. The
상기 레지스터 디지털컨버터(232)는 전력 소모를 최소화 하였고, 센서(10)의 저항을 통해 전하가 충전, 방전되는 시간을 슈키트트리거인버터 회로(Schmitt trigger inverter)와 카운터(counter)를 통해 측정하여 저항값을 분석한다. The resistor
상기 확대기반 고해상도 모드부(Zoom-in based High Resolution Mode)(240)는 R-to-V(241)와, 줌-인CDS(Zoom-in CDS)(242)와, 증분식ADC(Incremental ADC(Analog-to-Digital Converter))(243)로 이루어진다.The zoom-in based high
상기 R-to-V(241)는 센서저항신호를 전압 신호로 변환하고, 변환된 전압 신호를 줌-인CDS(242)로 인가하고, 상기 줌-인CDS(242)는 R-to-V(241)로 부터 인가되는 전압신호를 증폭시켜 증폭ADC(243)로 인가하며, 상기 증폭ADC(243)는 신호를 출력을 통해 입력 저항에 상관 없이 전체 저항범위에서 동일하게 고해상도로 센서(10)의 신호를 분석할 수 있도록 아나로그 신호를 디지털 신호로 변환하여 출력한다. The R-to-
또한, 상기 증폭ADC(243)는 노이즈형태(Noise shaping)을 통해 높은 해상도를 구현하기 위해 16bit로 설계 및 제작 되었고, 6.3KHz의 인밴드(in band)를 가지고 92.1dB의 SNDR 및 15.01의 ENOB로 동작이 가능하며, 아날로그로 입력되는 전압을 디지털로 환산한다. In addition, the amplifying
도 7과 같이, 상기 신호처리칩(200)은 센서모듈(100)로부터 인가되는 여러 종류의 가스 농도값을 센서(10)의 출력 등의 이산성 특성(0)과 온도와 습도와 같은 선형성 특성(1)을 구분하여 인공지능의 시그모이드 함수의 활성화 모델을 선택할 수 있도록 출력 형식 데이터를 생성하여 활용한다. As shown in FIG. 7 , the
상기 다중 층의 인공지능 모델의 문제점인 그래디언트 소실(vanishing gradient) 문제 해결을 위한 선학습 훈련의 부가 구현에 대한 대안으로써, 센서(10)의 입력에 대한 이산성과 선형성 특성을 입력상태에서 감지하여 선학습 훈련을 함으로써, 부가적인 선행학습 시간과 부담을 제거할 수 있다. As an alternative to the additional implementation of pre-learning training to solve the problem of vanishing gradient, which is a problem of the multi-layered artificial intelligence model, the discrete and linear characteristics of the input of the
도 8을 참조하면, 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 플랫폼은 센서 어레이로부터 수집한 공기중에 포함된 다종의 유해가스를 입력으로, 초기의 안정화되지 않은 센서값과 어레이 센서 값의 편차가 너무 차이가 많은 경우를 위한 센서데이터 전처리과정(S10)과, 센서데이터에서 특징 추출하면서 패턴 분류를 진행하는 과정(S20)과, 응용프로그램에서 요구하는 센서의 성능이 고성능인지와 저전력인지를 구분하는 과정(S30)과, S30과정에서 저전력과 낮은 해상도가 요구되었다면, 센서(10)를 통해 입력되는 다중의 입력신호 중에서 조건에 맞는 특정의 입력신호만을 선택적으로 출력하는 8ch MUX(210)를 통해 저전력 신호처리하는 과정(S40)과, S30과정에서 고성능으로 동작이 요구되었다면, 전체범위에서 동일하게 고해상도로 분석하는 고해상의 신호처리하는 과정(S50)과, S40과정 또는 S50과정에서 인가되는 데이터를 선형성(알고리즘 1)을 구분하하는 과정(S60)과, 선형성(알고리즘 1)에서 전하가 충전, 방전되는 시간을 슈키트트리거인버터 회로(Schmitt trigger inverter)와 카운터(counter)를 통해 측정하여 인공지능 분석 모델을 선택하는 과정(S70)과, S70과정에서 현재의 가스 농도를 제공할 것 인지 또는 향후의 가스농도를 예측 할 것인지에 따라서(S80)과, 이산형 모델에서 뉴런이 선형적으로 활성화되어 큰 값을 가질 수 있도록 경사도가 상수가 되도록 함으로써 오류 역전파를 해도 경사도가 사라지게 않게 하는 과정(S90)과, 구분된 선형성 모델의 분석 및 이산형 모델의 가스 농도 출력값을 예측하는 과정(S100)을 수행한다. Referring to FIG. 8 , the deep learning-based harmful gas sensor platform for detecting and predicting gas concentration in a complex gas environment inputs various types of harmful gases contained in the air collected from the sensor array as input, and the initial unstabilized sensor value The sensor data pre-processing process (S10) for the case where the deviation of the array sensor values is too much, the process of pattern classification while extracting features from the sensor data (S20), and the sensor performance required by the application program is high performance 8ch that selectively outputs only a specific input signal that meets the condition among multiple input signals input through the sensor 10 if low power and low resolution are required in the process of distinguishing between recognition and low power (S30) and in the process S30 If a high-performance operation is required in the process of low-power signal processing through the MUX 210 (S40) and the process S30, the process of high-resolution signal processing (S50) of analyzing the same high-resolution over the entire range (S50), the process S40 or S50 The process (S60) of dividing the data applied in the process into linearity (algorithm 1), and the time for charging and discharging charges in the linearity (algorithm 1) with a Schmitt trigger inverter and a counter According to the process of selecting an artificial intelligence analysis model by measuring through The process of making the gradient constant so that it is linearly activated and having a large value, so that the gradient does not disappear even if the error backpropagation is performed (S90) The process (S100) is performed.
도 9는 딥러닝을 위한 인공지능구조의 학습 방법을 변경하는 대신 하이브리드 뉴런 활성화 함수를 활용한 것이다. ReLU(rectified linear units), 즉, 정류선형유닛은 뉴런이 선형적으로 활성화되어 큰 값을 가질 수 있도록 경사도가 상수가 되도록 함으로써 오류 역전파를 해도 경사도가 사라지지 않는다. Fig. 9 shows that a hybrid neuron activation function is used instead of changing the learning method of an artificial intelligence structure for deep learning. ReLU (rectified linear units), that is, the rectified linear unit, makes the gradient constant so that the neurons can be linearly activated and have a large value, so that the gradient does not disappear even after error backpropagation.
상기 정류선형유닛은 센서데이터와는 별개의 특성을 가질 수 있고, 온도와 습도는 성향이 리니어한 특성을 가지고 있어, 뉴런을 이용한 가스의 감도 및 변화를 감안한 특성에 ReLU를 이용하면 통상적으로 사용하는 시그모이드 함수보다 연산 및 특성을 감안한 성능을 보장할 수 있다. The rectification linear unit may have a characteristic separate from the sensor data, and temperature and humidity have a linear characteristic, so if ReLU is used for the characteristic considering the sensitivity and change of the gas using neurons, it is usually used Better performance than sigmoid function considering operation and characteristics can be guaranteed.
또한 리니어한 ReLU의 성질로 말미암아 포화현상(Saturation)이 되지 않고 빠르게 수렴하는 특성으로 수행 속도를 빠르게 진행할 수 있는 큰 장점이 있다. In addition, due to the nature of the linear ReLU, it does not become saturated and converges quickly, which has a great advantage in that the execution speed can be fast.
반면, 다양성과 복잡성을 포함하는 센서데이터는 시그모이드 유닛을 이용하여, 학습을 수행하여 복잡한 가스 감지 및 예측이 가능하도록 한다. On the other hand, sensor data including diversity and complexity are trained using a sigmoid unit to enable complex gas detection and prediction.
도 10는 하이브리드 퍼셉트론을 보여주고 있으며, 다종의 입력을 이용한 축적된 정보를 이용하여 활성화함수를 사용하여 출력을 보여준다. 10 shows a hybrid perceptron, and shows an output using an activation function using accumulated information using multiple inputs.
상기 활성화 함수의 선택은 MUX를 사용하여 선형성이 강한 특성의 입력(온도, 습도, 그리고 back-propagation의 연산 결과에 따른 선형성이 높은 센서 입력)은 ReLU 함수를 동시에 이산화 특성이 강한 가스 센서(10)들의 입력은 시그모이드 유닛을 활용하여 출력값을 연산하게 된다. The selection of the activation function uses the MUX, and the input of the characteristic with strong linearity (sensor input with high linearity according to the calculation result of temperature, humidity, and back-propagation) is the ReLU function at the same time as the gas sensor with strong discrete characteristics (10) Their input uses the sigmoid unit to calculate the output value.
상기 하이브리드 퍼셉트론은 시그모이드만을 사용하는 활성화 함수의 경우에 발생하는 그래디언트 소실(vanishing gradient) 문제의 해결이 가능하고, RuLU만을 활용하는 활성화 함수에서 발생하는 다잉 ReLU(dying ReLU) 문제의 발생을 제거할 수 있는 매우 효율적인 장점이 있다.The hybrid perceptron can solve the vanishing gradient problem that occurs in the case of the activation function that uses only the sigmoid, and eliminates the dying ReLU problem that occurs in the activation function that uses only RuLU. There is a very efficient advantage that can be done.
도 11은 복합가스 환경에서 상호간섭 현상을 감안하고, 목표가스의 농도 감지 및 예측을 위한 최적화된 인공지능 모델을 보여주고 있다. 뉴런 네트워크 모델 구조는 총 18개의 레이어(Layer)와 124개의 뉴런, 772개의 커넥션(Connection)으로 구성된다. 각각의 레이어(Layer)는 8개의 뉴런을 포함하고, 레이어(Layer)와 레이어(Layer) 간의 커넥션(Connection)은 도면과 같이 구성된다. 11 shows an optimized artificial intelligence model for detecting and predicting the concentration of the target gas in consideration of the mutual interference phenomenon in the complex gas environment. The neuron network model structure consists of a total of 18 layers, 124 neurons, and 772 connections. Each layer includes 8 neurons, and a connection between a layer and a layer is configured as shown in the figure.
상기 뉴런 네트워크 모델 구조는 센서(10)의 인풋 데이터(Input data)를 기반으로 대칭성을 가지기 위해서 인풋 데이터(Input data) 개수의 배수로 레이어(Layer)의 뉴런 수를 구성하였으며, 레이어(Layer) 안의 뉴런 수를 증가시키며, 시뮬레이션을 진행한 결과는 표 1과 같으며, 표에서 확인되는 결과로부터 정확도가 높고, 디베이션(Deviation)이 낮은 모델을 확인하여 적합한 모델을 개발할 수 있다.The neuron network model structure constituted the number of neurons in the layer as a multiple of the number of input data to have symmetry based on the input data of the
(Mean squared error) (Mean squared error)
도 12는 Beysian-Back propagation 모델을 보여 주고 있으며, 단순 풀리 커넥티드 뉴럴 네트워크(Fully Connected Neural Network)를 통해서 구성된 것 보다 목표가스 감지 성능 및 예측을 보여주고 있다. 12 shows the Beysian-Back propagation model, and shows the target gas detection performance and prediction than that configured through a simple fully connected neural network.
상기 센서(10)에서 발생하는 상호간섭 현상을 고려하여 뉴런 네트워크 간의 연결은 바이-패스(By-pass) 연결로 구성하며, 이러한 구성은 센서(10)의 상호간섭 현상이 특정한 가스들 사이에서 발생하는 것을 활용한다. In consideration of the mutual interference phenomenon occurring in the
또한, 은닉층 구성 시에 특정한 계층 간의 연결을 위한 가이드라인으로 제공하여 복잡성을 단축하여 단시간에 감지가 가능한 성능을 나타내며, 바이-패스 커넥션(By-pass connection)을 통해서 은닉층의 연결을 부분적으로 제한하여 구성한 결과, 풀리 커넥티드 뉴럴 네트워크(Fully Connected Neural Network)에 비해 높은 정확성을 갖는다.In addition, when configuring the hidden layer, it is provided as a guideline for the connection between specific layers, thereby reducing the complexity and showing the performance that can be detected in a short time. As a result of the configuration, it has higher accuracy than a Fully Connected Neural Network.
본 발명의 딥러닝은 특징 추출하면서 동시에 패턴 분류를 하나의 단계로 통합하여 해결하는 자동화로 볼 수 있다. The deep learning of the present invention can be viewed as automation that solves by integrating pattern classification into one step while simultaneously extracting features.
또한, 본 발명의 딥러닝 구조는 특징 추출을 위한 전처리 단계를 전체 학습 프로세스에 포함시킴으로써, 가공되지 않은 원래 데이터를 직접 학습하도록 하는 통합된 문제해결 방식을 취한다. In addition, the deep learning structure of the present invention takes an integrated problem-solving method to directly learn the raw raw data by including the pre-processing step for feature extraction in the overall learning process.
이러한 딥러닝 구조는 특히 영상 데이터와 같이 차원수가 아주 크고 복잡한 데이터의 경우에 전처리 과정을 통해서 손실될 수도 있는 정보를 기계가 자동으로 추출해서 활용할 수 있다. 즉 기존의 전처리 방법이나 소위 피쳐 엔지니어링(feature engineering)을 통해 배재되었던 해의 영역조차도 딥러닝은 탐색함으로써 더욱 유용한 정보를 추출하여 활용할 수 있다.In this deep learning structure, especially in the case of very large and complex data such as image data, information that may be lost through preprocessing can be automatically extracted and utilized by the machine. In other words, deep learning can extract and utilize more useful information by exploring even the areas of solutions that have been excluded through existing preprocessing methods or so-called feature engineering.
이 문제를 해결하는데 핵심적으로 기여한 혁신은 크게 세 가지를 들 수 있다. There are three major innovations that have contributed to solving this problem.
첫 번째는, 많은 수의 층으로 구성된 다층신경망을 학습할 수 있는 기술을 개발한 것이다. 다층망을 학습시키는 오류역전파 알고리즘은 층이 많이 쌓이면 학습이 잘 되지 않았다. 출력에 가까운 층에서는 오류의 값이 커서 교정이 되지만 아래층으로 오류가 역전파되면서 에러의 값이 줄어들어 변경 효과가 희석되는 그래디언트 소실(vanishing gradient) 문제가 발생된다. 따라서 아주 많은 수의 층을 쓰는 딥 네트워크는 오류역전파 알고리즘으로 학습이 어렵다. The first is to develop a technology that can learn a multi-layer neural network composed of a large number of layers. The error backpropagation algorithm that trains multi-layer networks did not learn well when many layers were accumulated. In the layer close to the output, the error value is large and corrected, but as the error is back propagated to the lower layer, the value of the error decreases and the effect of the change is diluted, resulting in a vanishing gradient problem. Therefore, a deep network using a very large number of layers is difficult to learn with an error backpropagation algorithm.
이 문제를 극복하는 방안으로 층별 선훈련(layerwise pre-training) 방법이 제안되었다. 이는 상위층을 학습하기 전에 먼저 하위층의 시냅스를 학습시켜 둔다. 이렇게 순차적으로 하위층부터 학습시킴으로써, 그래디언트 소실(vanishing gradient) 문제로 인해서 하위층의 시냅스 학습이 잘 되지 않는 문제점을 해결한다. 이 방법은 DBN에서 사용한다.As a way to overcome this problem, a layerwise pre-training method has been proposed. It learns the synapse of the lower layer before learning the upper layer. By sequentially learning from the lower layer in this way, the problem of poor synaptic learning of the lower layer due to the vanishing gradient problem is solved. This method is used by DBN.
영상과 같이 차원수가 아주 높은 데이터로부터 유용한 특징과 표현을 자동으로 추출하기 위해 컨볼루션 커널(convolution kernels)을 도입한 것이다. 이를 통해서 위치가 달라도 같은 파라메터값을 갖도록 함으로써, 파라메터의 수를 줄이고 학습해야 하는 차원의 수를 줄인다. 이 방법은 CNN에서 사용하는 방법이다. 이 방법은 과다학습을 방지하면서 유용한 특징을 추출할 수 있다. Convolution kernels are introduced to automatically extract useful features and expressions from very high-dimensional data such as images. Through this, the number of parameters is reduced and the number of dimensions to be learned is reduced by having the same parameter value even if the location is different. This method is used in CNN. This method can extract useful features while preventing over-learning.
학습 방법을 변경하는 대신 새로운 뉴런 활성화 함수를 가진 유닛을 도입한 것이다. ReLU유닛(rectified linear units), 즉, 정류선형유닛은 뉴런이 선형적으로 활성화되어 큰 값을 가질 수 있게 하여 경사도가 상수가 되도록 함으로써 오류 역전파를 해도 경사도가 사라지지 않는다. 시그모이드 유닛과 ReLU 유닛의 특성비교는 시그모이드 유닛은 0과 1 사이의 값으로 압축됨으로써, 그래디언트 소실(vanishing gradient) 문제를 유발한다. 이에 반해서 정류선형유닛은 포화가 되지 않고 빠르게 수렴하는 특성이 있다.Instead of changing the learning method, we introduced a unit with a new neuron activation function. ReLU units (rectified linear units), that is, rectified linear units, enable neurons to be linearly activated and have a large value, so that the gradient is constant, so that the gradient does not disappear even after error backpropagation. Comparing the characteristics of the sigmoid unit and the ReLU unit, the sigmoid unit is compressed to a value between 0 and 1, causing a vanishing gradient problem. On the other hand, the rectification linear unit has the characteristic of rapidly converges without being saturated.
이상에서 설명한 바와 같이 본 발명은 신경회로망 구조의 적용과 딥러닝을 위한 역전파 알고리즘 연구의 구현으로 센서(10)의 패턴인식을 통하여 향상시킨다. As described above, the present invention improves through the pattern recognition of the
또한, 본 발명은 신경회로망 패턴 인식은 먼저 역전파 알고리즘을 통해 신경회로망 네트워크를 딥러닝하고, 학습시킨 네트워크를 이용하여 새로운 데이터에 대한 패턴을 분석하고 출력값 예측이 가능하다.In addition, in the present invention, neural network pattern recognition is first deep learning a neural network network through a backpropagation algorithm, and using the learned network, it is possible to analyze a pattern for new data and predict an output value.
또한, 본 발명은 센서어레이(100)를 통하여 감지되어진 측정 데이터들은 특성이 있는 출력값(패턴)들을 형성하고, 신경회로망 패턴인식을 이용하면 목표 가스 인식과 목표 가스의 농도 예상이 가능하다. 신경회로망은 계층별로 그룹화된 뉴런들의 집합으로 구성되어 있으며, 입력층(Input layer), 은닉층 또는 중간층(Hidden layer), 출력층(Output layer) 등의 계층은 인공지능의 구조로 구성되어 있으며, 역전파(Back Propagating) 알고리즘은 입력에 대한 예측 반응과 실제 결과와의 차이를 줄여나가며 학습을 수행이 가능하다. In addition, in the present invention, the measurement data sensed through the
따라서, 동 인공지능 구조와 알고리즘의 구현으로 반도체식 센서(10)의 단점인 선택 성능을 제거하고, 입력단에 온도와 습도의 변수를 센서(10)의 입력과 병행하여 온, 습도 기반의 목표 가스 감지 및 변화를 대응할 수 있다. Therefore, by implementing the artificial intelligence structure and algorithm, the selection performance, which is a disadvantage of the
또한, 본 발명은 딥러닝 기반의 인공지능 기술로 말미암아, 반도체식 센서(10)의 선택성능을 5% 이내의 오차로 향상할 수 있으며, 감지뿐 아니라 목표 가스 예측까지 가능하다. In addition, the present invention can improve the selectivity of the
본 발명은 20~30%대의 온도와 습도에 따른 목표가스의 감도를 5% 이내로 측정할 수 있어서, 복합가스 환경에서 목표가스 감지의 정확도를 대폭 향상할 수 있다. The present invention can measure the sensitivity of the target gas according to the temperature and humidity of 20-30% within 5%, so that the accuracy of the detection of the target gas in a complex gas environment can be greatly improved.
본 명세서는 다수의 특정한 구현물의 세부사항들을 포함하지만, 이들은 어떠한 고안이나 청구 가능한 것의 범위에 대해서도 제한적인 것으로서 이해되어서는 안되며, 오히려 특정한 발명의 특정한 실시형태에 특유할 수 있는 특징들에 대한 설명으로서 이해되어야 한다. While this specification contains numerous specific implementation details, they should not be construed as limitations on the scope of any invention or claim, but rather as descriptions of features that may be specific to particular embodiments of a particular invention. should be understood
한편, 본 명세서와 도면에 개시된 본 발명의 실시 예들은 이해를 돕기 위해 특정 예를 제시한 것에 지나지 않으며, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 개시된 실시 예들 이외에도 본 발며의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 자명한 것이다.On the other hand, the embodiments of the present invention disclosed in the present specification and drawings are merely presented as specific examples to aid understanding, and are not intended to limit the scope of the present invention. It is apparent to those of ordinary skill in the art to which the present invention pertains that other modifications based on the technical spirit of the present invention can be implemented in addition to the embodiments disclosed herein.
10: 센서
11: 히터
12: 절연층
13: 감지부
100: 센서어레이
200: 신호처리 칩
210: 8ch MUX
220: 변환부
221: 클럭발진기
222: 저잡음 LDO 레귤레이터
223: 비지알
230: 초저전력 모니터링 모드부
231: 모드컨트롤러
232: 리졸버디지털컨버터
240: 확대기반 고해상도 모드부
241: R-to-V
242: 줌-인CDS
243: 증폭ADC10: sensor 11: heater
12: insulating layer 13: sensing unit
100: sensor array 200: signal processing chip
210: 8ch MUX 220: conversion unit
221: clock oscillator 222: low noise LDO regulator
223: BG 230: ultra-low power monitoring mode unit
231: mode controller 232: resolver digital converter
240: magnification-based high-resolution mode unit 241: R-to-V
242: Zoom-in CDS 243: Amplifying ADC
Claims (10)
온, 습도에 의한 목표 가스의 농도 변화 보상하기 위하여서 개별 목표가스에 최적화된 각기 다른 감지 물질을 개별 센서(10)를 센서어레이(sensor array, 100) 형태로 장착하고,
목표가스의 수만큼 개별 센서(10)를 병렬 형태로 구성하여 여러 개의 목표 가스를 동시에 감지할 수 있도록 유해가스, 온도에 따른 저항변화율(또는 전류 변화율)을 센서(10)를 통해 측정하고,
센서(10)를 통해 인가되는 신호를 선형성(알고리즘 1) 또는 이산형(알고리즘 2)으로 신호처리칩(200)에서 구분하며,
구분된 선형성 모델의 분석 및 이산형 모델의 가스 농도 출력값을 예측하여 가스 농도를 측정하는 것을 특징으로 하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템.
Detects target gas from various harmful gases (NO x , SO x , CO, CO 2 , H 2 , NH 3 , benzene, xylene, toluene, etc.) to eliminate mutual interference by
In order to compensate for changes in the concentration of the target gas due to temperature and humidity, each sensor 10 is equipped with different sensing materials optimized for each target gas in the form of a sensor array,
By configuring the individual sensors 10 in parallel as many as the number of target gases, the resistance change rate (or current change rate) according to the harmful gas and temperature is measured through the sensor 10 so as to simultaneously detect several target gases,
The signal applied through the sensor 10 is divided into linearity (algorithm 1) or discrete (algorithm 2) in the signal processing chip 200,
A deep learning-based harmful gas sensor monitoring system for detecting and predicting gas concentration in a complex gas environment, characterized by measuring the gas concentration by analyzing the separated linearity model and predicting the gas concentration output value of the discrete model.
센서어레이(100)와 온도, 습도의 외부 환경의 입력과 데이터를 공동으로 취합하는 신호처리칩(200)은,
선형성이 높은 온도와 습도, 센서어레이 중 선택된 출력 데이터는 ReLU 함수로 활성화 함수를 사용하도록 센서데이터에 tag 1을 추가하여 부가하고,
이산성이 높은 센서 출력은 tag 0를 부가하여 구분하며,
센서데이터는 베이지안 인공네트워크를 활용하여 학습 및 연산으로 출력함으로써 매우 높은 가스 농도 감지와 예측이 가능한 것을 특징으로 하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템.
According to claim 1,
The sensor array 100 and the signal processing chip 200 for jointly collecting the input and data of the external environment of temperature and humidity,
The output data selected among temperature and humidity and sensor array with high linearity is added by adding tag 1 to the sensor data to use the activation function as the ReLU function,
High discrete sensor outputs are identified by adding tag 0,
A deep learning-based harmful gas sensor monitoring system for detecting and predicting gas concentration in a complex gas environment, characterized in that sensor data is output through learning and calculation using Bayesian artificial networks, enabling detection and prediction of very high gas concentrations.
상기 ReLU(rectified linear units)는,
뉴런이 선형적으로 활성화되어 소정 값을 가질 수 있도록 경사도가 상수가 되도록 함으로써 오류 역전파를 해도 경사도가 사라지지 않는 하는 것을 특징으로 하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템.
3. The method of claim 2,
The ReLU (rectified linear units) is,
Deep learning-based harmfulness for gas concentration detection and prediction in a complex gas environment, characterized in that the gradient does not disappear even after error backpropagation by making the gradient constant so that neurons are linearly activated and have a predetermined value Gas sensor monitoring system.
상기 뉴런은
18개의 레이어(Layer)와 124개의 뉴런, 772개의 커넥션(Connection)으로 구성되고, 각각의 레이어(Layer)는 8개의 뉴런을 포함하는 것을 특징으로 하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템.
4. The method of claim 3,
the neurons are
Deep for gas concentration detection and prediction in a complex gas environment, characterized in that it consists of 18 layers, 124 neurons, and 772 connections, and each layer contains 8 neurons. A running-based harmful gas sensor monitoring system.
상기 활성화 함수는,
MUX를 사용하여 선형성이 강한 특성의 입력(온도, 습도, 그리고 back-propagation의 연산 결과에 따른 선형성이 높은 센서 입력)은 ReLU 함수를 입력하고,
동시에 이산성이 강한 가스 센서어레이(100)의 입력은 시그모이드 유닛을 활용하여 출력값을 연산하는 것을 특징으로 하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템.
3. The method of claim 2,
The activation function is
Using MUX, the input of the characteristic with high linearity (sensor input with high linearity according to the calculation result of temperature, humidity, and back-propagation) is input to the ReLU function,
At the same time, the input of the gas sensor array 100 with strong discreteness is a deep learning-based harmful gas sensor monitoring system for gas concentration detection and prediction in a complex gas environment, characterized in that the output value is calculated using a sigmoid unit.
이산성 특성(0)과 온도와 습도와 같은 선형성 특성(1)을 구분하여 인공지능의 시그모이드의 활성화 함수 모델을 선택할 수 있도록 센서데이터에서 특징 추출하면서 패턴 분류를 진행하는 과정(S20)과;
응용프로그램에서 요구하는 센서의 성능이 고성능인지와 저전력인지를 구분하는 과정(S30)과;
S30과정에서 저전력과 낮은 해상도가 요구되었다면, 센서(10)를 통해 입력되는 다중의 입력신호 중에서 조건에 맞는 특정의 입력신호만을 선택적으로 출력하는 8ch MUX(210)를 통해 저전력 신호처리하는 과정(S40)과;
S30과정에서 고성능으로 동작이 요구되었다면, 전체범위에서 동일하게 고해상도로 분석하는 고해상의 신호처리하는 과정(S50)과;
S40과정 또는 S50과정에서 인가되는 데이터를 선형성(알고리즘 1)을 구분하하는 과정(S60)과;
선형성(알고리즘 1)에서 전하가 충전, 방전되는 시간을 슈키트트리거인버터 회로(Schmitt trigger inverter)와 카운터(counter)를 통해 측정하여 인공지능 분석 모델을 선택하는 과정(S70)과;
S70과정에서 현재의 가스 농도를 제공할 것 인지 또는 향후의 가스농도를 예측 할 것인지에 따라서(S80)과;
이산형 모델에서 뉴런이 선형적으로 활성화되어 큰 값을 가질 수 있도록 경사도가 상수가 되도록 함으로써 오류 역전파를 해도 경사도가 사라지게 않게 하는 과정(S90)과;
구분된 선형성 모델의 분석 및 이산형 모델의 가스 농도 출력값을 예측하는 과정(S100);
을 특징으로 하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 플랫폼.
Sensor data pre-processing process ( S10) and;
The process of pattern classification while extracting features from sensor data so that the sigmoid activation function model of artificial intelligence can be selected by distinguishing the discrete characteristics (0) and the linearity characteristics (1) such as temperature and humidity (S20) and ;
The process of distinguishing whether the performance of the sensor required by the application program is high-performance or low-power (S30);
If low power and low resolution are required in the process S30, the process of low-power signal processing through the 8ch MUX 210 that selectively outputs only a specific input signal that meets the conditions among multiple input signals input through the sensor 10 (S40) )class;
If high-performance operation is required in the process S30, the process of high-resolution signal processing to analyze the same high-resolution over the entire range (S50) and;
A process of classifying the linearity (algorithm 1) of the data applied in the process S40 or S50 (S60);
The process (S70) of selecting an artificial intelligence analysis model by measuring the charging and discharging times of electric charges in the linearity (algorithm 1) through a Schmitt trigger inverter and a counter (S70);
Depending on whether to provide the current gas concentration or to predict the future gas concentration in the process S70 (S80) and;
a process of preventing the gradient from disappearing even if an error backpropagation is performed by making the gradient constant so that neurons can be linearly activated and have a large value in the discrete model (S90);
The process of analyzing the separated linearity model and predicting the gas concentration output value of the discrete model (S100);
A deep learning-based harmful gas sensor platform for detecting and predicting gas concentration in a complex gas environment.
상기 활성화 함수는,
MUX를 사용하여 선형성이 강한 특성의 입력(온도, 습도, 그리고 back-propagation의 연산 결과에 따른 선형성이 높은 센서 입력)은 ReLU 함수를 활용하여 출력값을 연산, 동시에 이산화 특성이 강한 가스 센서(10)들의 입력은 시그모이드 유닛을 활용하여 출력값을 연산하는 것을 특징으로 하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 플랫폼.
7. The method of claim 6,
The activation function is
Using MUX, the input of the characteristic with strong linearity (sensor input with high linearity according to the calculation result of temperature, humidity, and back-propagation) uses the ReLU function to calculate the output value, and at the same time, the gas sensor with strong discrete characteristic (10) A deep learning-based harmful gas sensor platform for detecting and predicting gas concentration in a complex gas environment, characterized in that their input uses a sigmoid unit to calculate an output value.
상기 ReLU(rectified linear units)은,
뉴런이 선형적으로 활성화되어 소정 값을 가질 수 있도록 경사도가 상수가 되게 하여 오류 역전파에 의해 경사도가 사라지지 않도록 하는 것과,
수렴이 빠르며 시그모이드에서 발생하는 그래디언트 소실(vanishing gradient)을 회피하는 특징으로 하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 플랫폼.
8. The method of claim 7,
The ReLU (rectified linear units) is,
Making the gradient constant so that the neurons can be linearly activated and have a predetermined value so that the gradient does not disappear due to error backpropagation;
Deep learning-based harmful gas sensor platform for detecting and predicting gas concentration in a complex gas environment, characterized by fast convergence and avoiding the vanishing gradient that occurs in sigmoids.
상기 뉴런은,
네트워크 모델 구조로 이루어지며, 센서(10)의 인풋 데이터(Input data)를 기반으로 대칭성을 가지기 위해서 인풋 데이터(Input data) 개수의 배수로 레이어(Layer)의 뉴런 수를 구성하고,
레이어(Layer) 안의 뉴런 수를 증가시켜 시뮬레이션을 통해 정확도가 높고, 디베이션(Deviation)이 낮은 모델을 확인할 수 있도로 한 것을 특징으로 하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 플랫폼.
7. The method of claim 6,
The neurons are
It has a network model structure, and in order to have symmetry based on the input data of the sensor 10, the number of neurons in the layer is configured as a multiple of the number of input data,
Deep learning-based technology for gas concentration detection and prediction in a complex gas environment, characterized in that it is possible to confirm a model with high accuracy and low deviation through simulation by increasing the number of neurons in the layer Hazardous gas sensor platform.
상기 활성화 함수는,
MUX를 사용하여 선형성이 강한 특성의 입력(온도, 습도, 그리고 back-propagation의 연산 결과에 따른 선형성이 높은 센서 입력)은 ReLU 함수를 동시에 이산화 특성이 강한 가스 센서(10)들의 입력은 시그모이드 유닛을 활용하여 출력값을 연산하는 것을 특징으로 하는 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 플랫폼.7. The method of claim 6,
The activation function is
Using MUX, the input of the strong linearity (sensor input with high linearity according to the calculation result of temperature, humidity, and back-propagation) is the ReLU function, and the input of the gas sensors 10 with strong discretization characteristics is the sigmoid. A deep learning-based harmful gas sensor platform for detecting and predicting gas concentration in a complex gas environment, characterized by calculating the output value using the unit.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200024676A KR102399124B1 (en) | 2020-02-27 | 2020-02-27 | Hazardous gas sensor platform with deep-learning technology to improve target gas detection and prediction in the in the mixed gas environment |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200024676A KR102399124B1 (en) | 2020-02-27 | 2020-02-27 | Hazardous gas sensor platform with deep-learning technology to improve target gas detection and prediction in the in the mixed gas environment |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210109400A true KR20210109400A (en) | 2021-09-06 |
| KR102399124B1 KR102399124B1 (en) | 2022-05-17 |
Family
ID=77782578
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200024676A KR102399124B1 (en) | 2020-02-27 | 2020-02-27 | Hazardous gas sensor platform with deep-learning technology to improve target gas detection and prediction in the in the mixed gas environment |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102399124B1 (en) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114019110A (en) * | 2021-11-16 | 2022-02-08 | 河南驰诚电气股份有限公司 | Work place gas detector end cloud integration platform based on big data |
| CN114018326A (en) * | 2021-11-03 | 2022-02-08 | 国网湖南省电力有限公司 | Low-voltage transformer area environment multi-parameter detection method based on micro-system sensor array |
| CN114544868A (en) * | 2022-01-20 | 2022-05-27 | 上海工程技术大学 | Gas detection method and system for eliminating influence of interference gas |
| KR20230080220A (en) | 2021-11-29 | 2023-06-07 | 한국생산기술연구원 | A method for improving the accuracy of a gas concentration estimation classification algorithm through cnn learning of time series data using image encoding of a fiber colorimetric detection method for detecting harmful gas, and an apparatus for estimating gas concentration |
| KR20230083136A (en) * | 2021-12-02 | 2023-06-09 | 한국가스안전공사 | Concentration value calculation method of gas detector using deep learning |
| WO2024035369A1 (en) * | 2022-08-10 | 2024-02-15 | Firat Universitesi Rektorlugu | The decision support system to determine gas types in the live uterus by sensor technology |
| KR20240054633A (en) | 2022-10-19 | 2024-04-26 | 주식회사 엘지유플러스 | Method, server and system for early warning of gas leak |
| CN118010667A (en) * | 2024-04-10 | 2024-05-10 | 吉林大学 | Method for detecting gas concentration by infrared camera based on system identification |
| CN118010667B (en) * | 2024-04-10 | 2024-07-02 | 吉林大学 | Method for detecting gas concentration by infrared camera based on system identification |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170096105A (en) * | 2014-12-19 | 2017-08-23 | 인텔 코포레이션 | Method and apparatus for distributed and cooperative computation in artificial neural networks |
| KR20170124124A (en) | 2016-04-29 | 2017-11-10 | 중앙대학교 산학협력단 | Gas leak concentration prediction method generated in the confined spaces |
| KR20190105429A (en) * | 2018-03-05 | 2019-09-17 | 서울대학교산학협력단 | Apparatus and method for release modeling of toxic gases |
-
2020
- 2020-02-27 KR KR1020200024676A patent/KR102399124B1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170096105A (en) * | 2014-12-19 | 2017-08-23 | 인텔 코포레이션 | Method and apparatus for distributed and cooperative computation in artificial neural networks |
| KR20170124124A (en) | 2016-04-29 | 2017-11-10 | 중앙대학교 산학협력단 | Gas leak concentration prediction method generated in the confined spaces |
| KR20190105429A (en) * | 2018-03-05 | 2019-09-17 | 서울대학교산학협력단 | Apparatus and method for release modeling of toxic gases |
Non-Patent Citations (4)
| Title |
|---|
| Issue Report 2015-02 센서산업과 주요 유망센서 시장 및 기술동향/- 바이오(의료), 모바일, 자동차 분야를 중심으로 - /ETRI. |
| Journal of Sensor Science and Technology, Vol. 24, No. 5 (2015) pp. 311-318 http://dx.doi.org/10.5369/JSST.2015.24.5.311/pISSN 1225-5475/eISSN 2093-7563/ 독성가스 감지용 센서 기술 동향 리뷰. |
| Kyeonghwan Park, et al. IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS Vol. 67, No.3, 2020. pp2402-2410.* * |
| S&T Market Report Vol. 42/2016. 11/ 가스센서 시장동향/연구성과실용화진흥원. |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114018326A (en) * | 2021-11-03 | 2022-02-08 | 国网湖南省电力有限公司 | Low-voltage transformer area environment multi-parameter detection method based on micro-system sensor array |
| CN114018326B (en) * | 2021-11-03 | 2024-04-16 | 国网湖南省电力有限公司 | Low-voltage transformer area environment multi-parameter detection method based on microsystem sensor array |
| CN114019110A (en) * | 2021-11-16 | 2022-02-08 | 河南驰诚电气股份有限公司 | Work place gas detector end cloud integration platform based on big data |
| KR20230080220A (en) | 2021-11-29 | 2023-06-07 | 한국생산기술연구원 | A method for improving the accuracy of a gas concentration estimation classification algorithm through cnn learning of time series data using image encoding of a fiber colorimetric detection method for detecting harmful gas, and an apparatus for estimating gas concentration |
| KR20230083136A (en) * | 2021-12-02 | 2023-06-09 | 한국가스안전공사 | Concentration value calculation method of gas detector using deep learning |
| CN114544868A (en) * | 2022-01-20 | 2022-05-27 | 上海工程技术大学 | Gas detection method and system for eliminating influence of interference gas |
| CN114544868B (en) * | 2022-01-20 | 2024-03-26 | 上海工程技术大学 | Gas detection method and system for eliminating influence of interference gas |
| WO2024035369A1 (en) * | 2022-08-10 | 2024-02-15 | Firat Universitesi Rektorlugu | The decision support system to determine gas types in the live uterus by sensor technology |
| KR20240054633A (en) | 2022-10-19 | 2024-04-26 | 주식회사 엘지유플러스 | Method, server and system for early warning of gas leak |
| CN118010667A (en) * | 2024-04-10 | 2024-05-10 | 吉林大学 | Method for detecting gas concentration by infrared camera based on system identification |
| CN118010667B (en) * | 2024-04-10 | 2024-07-02 | 吉林大学 | Method for detecting gas concentration by infrared camera based on system identification |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102399124B1 (en) | 2022-05-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102399124B1 (en) | Hazardous gas sensor platform with deep-learning technology to improve target gas detection and prediction in the in the mixed gas environment | |
| Khan et al. | Nanowire-based sensor array for detection of cross-sensitive gases using PCA and machine learning algorithms | |
| JP4677679B2 (en) | Characteristics adjustment method in product manufacturing process | |
| TW201915727A (en) | Fault detection and classification method of multi-sensors | |
| Liu et al. | A multi-task learning framework for gas detection and concentration estimation | |
| CN110580021A (en) | Granary environmental safety intelligent monitoring system based on field bus | |
| Mondal et al. | Quantitative recognition of flammable and toxic gases with artificial neural network using metal oxide gas sensors in embedded platform | |
| KR102573134B1 (en) | Apparatus for measuring pollutants using AI and method for measuring pollutants using AI | |
| CN110880369A (en) | Gas marker detection method based on radial basis function neural network and application | |
| Kwon et al. | Efficient fusion of spiking neural networks and FET-type gas sensors for a fast and reliable artificial olfactory system | |
| Mishra et al. | Classification of gases/odors using dynamic responses of thick film gas sensor array | |
| KR102419687B1 (en) | Anomaly detection method based on IoT and apparatus thereof | |
| Wang et al. | Co-training neural network-based infrared sensor array for natural gas monitoring | |
| Chae et al. | Environment-adaptable edge-computing gas-sensor device with analog-assisted continual learning scheme | |
| KR20210118640A (en) | Body fat analyzing system and wearable body fat analyzing device | |
| Huang et al. | A bio-inspired analog gas sensing front end | |
| Chang et al. | A study of drift effect in a popular metal oxide sensor and gas recognition using public gas datasets | |
| CN115618927B (en) | Gas type identification method based on time sequence-graph fusion neural network | |
| CN117169315A (en) | Intelligent detection system and method for atmospheric pollution source | |
| KR102538360B1 (en) | Fast gas classification method in transient state using Recurrent neural network in an electronic nose system equipped with a gas sensor array | |
| CN113804833B (en) | Universal electronic nose drift calibration method based on convex set projection and extreme learning machine | |
| CN115479976A (en) | Gas identification method of composite gas sensor based on PNN neural network | |
| Jia et al. | A Fast Detection Method of Turbulent Gases Based on Gated Recurrent Unit and Attention Mechanism | |
| CN114881156B (en) | Multi-sensor fusion decision vehicle detection method for W-shaped geomagnetic array | |
| Wang et al. | Research of low-cost air quality monitoring models with different machine learning algorithms |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |