KR20220085213A - 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템 - Google Patents
딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템 Download PDFInfo
- Publication number
- KR20220085213A KR20220085213A KR1020200175095A KR20200175095A KR20220085213A KR 20220085213 A KR20220085213 A KR 20220085213A KR 1020200175095 A KR1020200175095 A KR 1020200175095A KR 20200175095 A KR20200175095 A KR 20200175095A KR 20220085213 A KR20220085213 A KR 20220085213A
- Authority
- KR
- South Korea
- Prior art keywords
- failure
- data
- diagnosis
- fault
- time
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 68
- 238000003745 diagnosis Methods 0.000 title claims abstract description 48
- 230000007613 environmental effect Effects 0.000 claims abstract description 44
- 238000013135 deep learning Methods 0.000 claims abstract description 27
- 238000010801 machine learning Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims description 15
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 14
- 230000005856 abnormality Effects 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 12
- 238000013480 data collection Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 7
- 239000001569 carbon dioxide Substances 0.000 claims description 7
- 238000011985 exploratory data analysis Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 230000015654 memory Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011897 real-time detection Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 9
- 235000015097 nutrients Nutrition 0.000 description 5
- 230000008635 plant growth Effects 0.000 description 5
- 238000013136 deep learning model Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000007257 malfunction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000012010 growth Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000008400 supply water Substances 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000036642 wellbeing Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G9/00—Cultivation in receptacles, forcing-frames or greenhouses; Edging for beds, lawn or the like
- A01G9/14—Greenhouses
- A01G9/143—Equipment for handling produce in greenhouses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Emergency Management (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 일반 가정에서도 쉽게 다양한 작물을 재배할 수 있는 ICT 융복합의 완전 제어형 작물재배 시스템의 환경센서 고장 탐지/진단/예측 시스템에 관한 것으로서, 환경센서 운영환경에서 실시간으로 고장여부를 탐지하는 실시간 고장 탐지부 및 상기 실시간 고장 탐지부를 통해 검출된 고장 데이터를 이용하여 고장의 유형을 진단하고 잔여수명을 추정하여 고장을 예측하는 고장진단 및 예측부를 포함하여 이루어진다. 대표적 센서 고장유형인 erratic fault, drift fault, hard-over fault, spike fault, stuck fault를 기계학습 알고리즘을 이용하여 검출함으로써 가정용 재배기의 안정적 운영을 위한 기술을 제공하는 데 그 목적이 있다. 본 발명에 따르면, 환경센서 운영환경에서 실시간으로 고장여부를 탐지하는 실시간 고장 탐지부 및 상기 실시간 고장 탐지부를 통해 검출된 고장 데이터를 이용하여 고장의 유형을 진단하고 잔여수명을 추정하여 고장을 예측하는 고장진단 및 예측부를 포함하는, 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템이 제공된다.
Description
본 발명은 일반 가정에서도 쉽게 다양한 작물을 재배할 수 있는 ICT 융복합의 완전 제어형 작물재배 시스템의 환경센서 고장 탐지/진단/예측 시스템에 관한 것으로, 더욱 상세하게는 냉장고형 혹은 씽크대 매립형의 가정용 채소와 허브를 30종 재배기술을 탑재한 육묘실/생장실 복합형의 복합환경 제어기로 구성하여 온도, 습도 등 생육환경 데이터를 실시간으로 측정하여 초보 재배자라도 식물재배가 가능하도록 자체제어 및 원격제어가 가능하며, 부착된 센서의 오작동으로 식물재배에 막대한 지장을 초래할 있어 이상여부를 실시간으로 탐지하고 나아가 고장을 예측하여 예방할 수 있는, 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템에 관한 것이다.
본 발명은 농림식품기술기획평가원이 지원하는 실내용 스마트 재배시스템 개발으로 수행된 연구결과이다(과제번호: 32002121SB010, 연구과제명: 첨단생산기술개발(R&D)).
오늘날 산업이 발전하고 인구가 증가함에 따라, 각종 공장시설의 확장과 주택의 건설로 농경지나 청정 지역이 감소하고 있는 추세이며, 특히, 화학약품 등의 사용으로 농작물을 재배하는 농경지가 척박해짐은 물론 각종 산업공해의 증가로 청정 농산물이나 각종 식물의 재배가 날로 어려워지고 있다.
최근 웰빙 먹거리에 대한 관심이 높아지면서, 본인이 직접 채소를 재배하여 자급자족하는 도시 농업인이 점차 증가하고 있는 추세이다.
도시에서는 농촌에서와 달리 식물 재배에 필요한 노지를 충분히 확보하기 어렵기 때문에, 도시 농업인이 점차 증가함에 따라 실내에서 식물을 재배하는데 사용할 수 있는 식물 재배기에 대한 수요도 점차 증가하고 있다. 예를 들어, 토양 대신에 양액을 통해 식물에 영양분을 공급하는 수경 재배식 식물 재배기가 그러하다.
식물 재배기는 식물 성장에 필요한 물, 각종 영양분 및 빛을 양액 및 실내 광원, 예를 들어 LED 광원을 통해 공급할 수 있다. 이와 같이 식물 성장이 양액 공급, 실내 광원 등에 의해 인위적으로 이루어지는 만큼, 식물 성장 환경을 면밀히 모니터링 하여야 하겠지만, 식물 성장 환경의 모니터링 방식을 개선하고 식물 성장 환경의 자동 제어를 통하여, 농촌의 전문 농업인과 비교하여 상대적으로 전문성이 떨어지는 도시 농업인의 부담을 덜어줄 필요가 있다.
이에 따라, 식물 재배기에 있어서 식물 성장 환경의 모니터링 방식을 개선하고 식물 성장 환경을 자동 제어할 수 있는 기술에 대한 다양한 연구 개발이 활발하게 이루어지고 있는 것이 현실이다.
한편, 가정용 재배기의 환경조건을 측정하는 센서로는 온도/습도, 이산화탄소, 산성도, 전기전도도 등을 측정하는 환경센서가 존재하며, 이들 센서값의 정상범위를 넘어가는 값들에 대해서 이상값으로 처리하는 방식의 단순 비교방식으로 이상여부를 판정해 왔다.
지금까지 센서 고장진단에 관한 기술은 주로 온/습도 복합센서를 대상으로 센서에서 발생하는 대표적인 고장 유형인 erratic fault, drift fault, hard-over fault, spike fault, stuck fault를 기계학습 알고리즘을 이용하여 검출하고 분류하였다.
Erratic fault는 센서 출력에 노이즈가 급격히 증가하는 경우에 해당하며, Drift fault는 센서 출력이 계속해서 감소하거나 증가하는 경우, Hard-over fault는 센서 출력이 한계치를 넘어서 편향되는(biased) 경우, Spike fault는 센서 출력이 일정 간격으로 갑작스럽게 스파이크(spike)되는 경우, Stuck fault는 센서로부터 고정된 출력이 나오는 경우에 해당한다.
그러나 종래의 식물 재배기의 경우, 재배기에 구비된 각종 환경 센서가 상기와 같은 오작동을 발생하는 경우, 식물재배에 막대한 지장을 초래하는 문제점이 있다.
따라서, 상기한 종래의 문제점을 해결하기 위한 본 발명은, 가정용 재배기의 환경조건을 측정하는 센서를 대상으로 대표적 센서 고장유형인 erratic fault, drift fault, hard-over fault, spike fault, stuck fault를 기계학습 알고리즘을 이용하여 검출하고 사전에 고장 발생을 예측함으써 가정용 재배기를 안정적 운영할 수 있는, 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템을 제공하는데 그 목적이 있다.
본 발명의 해결과제는 이상에서 언급한 것들에 한정되지 않으며, 언급되지 아니한 다른 해결과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
상기 본 발명의 목적들 및 다른 특징들을 달성하기 위한 본 발명은, 환경센서 운영환경에서 실시간으로 고장여부를 탐지하는 실시간 고장 탐지부 및 상기 실시간 고장 탐지부를 통해 검출된 고장 데이터를 이용하여 고장의 유형을 진단하고 잔여수명을 추정하여 고장을 예측하는 고장진단 및 예측부를 포함하는, 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템이 제공된다.
구체적으로, 본 발명의 일 관점에 따르면, 가정용 재배기의 환경조건을 측정하는 센서를 대상으로 센서 고장유형인 erratic fault, drift fault, hard-over fault, spike fault, stuck fault를 기계학습 알고리즘을 이용하여 검출하고, 실시간으로 고장여부를 탐지하는 실시간 고장 탐지부; 및 상기 실시간 고장 탐지부를 통해 검출된 고장 데이터를 이용하여 고장의 유형을 진단하고 잔여수명을 추정하여 고장을 예측하는 고장진단 및 예측부;를 포함하는 것을 특징으로 하는 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템이 제공된다.
본 발명의 일 관점에 있어서, 상기 실시간 고장 탐지부는, 환경센서 값으로서 온도, 습도, 이산화탄소, 산성도, 전기전도도 등에 대해 측정된 데이터를 수집하고 수집된 데이터로부터 탐색적 데이터 분석(EDA, Exploratory Data Analysis)을 통해 주요 인자들의 특성요인을 요인들을 선별하는 센서 데이터 수집 모듈; 측정 데이터의 종류에 따라 섭씨(온도), %(습도), PPM(이산화탄소), pH(산성도), ms/cm(전기전도도), Ampere(전류)의 여러 단위에 대하여 단위의 통일성 및 범위의 일치성을 위한 데이터 정규화(Normalization) 작업을 수행하는 전처리 모듈; 데이터의 특성을 잘 반영하고 예측 성능을 높이기 위해서 데이터 패턴이 지니고 있는 다수의 특성 중에서 당면한 결정을 하는 데 필요 충분하다고 여겨지는 소수의 특성을 골라내는 특성 선택(Feature Selection), 패턴으로부터 공통적인 성질을 추출하는 특성 추출(Feature Extraction), 데이터와 배경 지식(domain knowledge)을 사용하여 기계 학습 알고리즘에 필요한 특성을 만드는 특성 공학(Feature Engineering) 절차를 포함하는 피처선택 모듈; 및 정상 데이터를 입력하여 학습한 오토 엔코더(Auto encoder) 모델을 가지고, 비정상 데이터를 입력해서 예측한 출력과 입력의 차이를 제곱하여 평균값을 취한 오차인 MSE(Mean Squared Error: 재구축 에러)이 일정기준(Threshold)이상일 때 이상(Anomaly)으로 판단하는 이상감지 모듈;을 포함할 수 있다.
본 발명의 일 관점에 있어서, 상기 고장진단 및 예측부는, 이상 감지된 데이터를 수집하여 일정한 윈도우 사이즈를 기반으로 기간을 나누어 데이터 세트를 구성하여 윈도우로 구성된 데이터 세트는 실제 고장이 발생한 시점 또는 관리적 편의를 위해 정의한 시간 간격을 기준으로 고장주기 싸이클(cycle)을 구성하게 하는 이상감지 데이터 수집 모듈; 사전에 정의한 고장유형에 따른 고장 패턴을 학습할 수 있는 학습용 데이터를 이용하여 고장유형 분류를 할 수 있는 인공신경망 모델 중 하나인 딥러닝 방식을 사용하는 고장식별 모듈; 및 이상 감지된 데이터를 이용하여 일정한 관리주기(예:3 time slot)를 기준으로 이상발생 여부를 예측할 수 있는 잔여 잔여수명 추정함수를 학습하여 이상발생 여부(y=1)를 사전에 알 수 있도록 하는 잔여수명 추정 모듈;을 포함할 수 있다.
본 발명의 일 관점에 있어서, 상기 고장식별 모듈은, 측정 데이터가 시계열 기반의 데이터임을 고려하여, 시간의 흐름에 따라 변화하는 데이터를 학습시키기 위해 기준 시점(t)과 다음 시점(t+1)에 네트워크를 연결하여 구성하고, 오래 전의 데이터에 의한 기울기 값이 소실되는 문제로 학습이 어려워지는 문제를 해결하기 위해 오래된 기간일지라도 고장 유형 분류에 영향을 끼치는 요인들을 효율적으로 찾아내어 학습 시켜주는 장단기 메모리(LSTM, Long-Short term Memory) 모델을 활용하는 딥러닝 모델을 사용하는 것이 바람직하다.
본 발명의 일 관점에 있어서, 상기 잔여수명 추정 모듈은, 이상 감지된 데이터를 이용하여 일정한 관리주기를 기준으로 이상발생 여부를 예측할 수 있는 추정함수를 학습하여 이상발생 여부를 사전에 알 수 있도록 하되, 임의의 시점 t에 대해서 일정한 관리주기를 기준으로 데이터를 이동시킨 데이터를 만들고, 관리주기 기간 동안 이상발생 횟수를 계산한 후 이 값이 연속적으로 변화하는 구간을 식별하여 구간id를 부여하며, 부여된 데이터에서 구간id가 바뀌기 전의 누적 이상발생횟수를 그 데이터 구간에 대한 최대 유효수명(MAX_RUL:Maximum Remaining Useful Life)로 간주하여 유효수명 데이터를 산출하도록 이루어질 수 있다.
본 발명에 따른 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템에 의하면, 가정용 재배기의 고장발생을 실시간으로 탐지하여 작물재배 손실을 최소화하고, 고장유형 진단과 잔여수명 추정에 따른 예지정비를 통해 가정용 재배기 고장 손실을 최소화함으로써 운영비용을 절감할 수 있는 효과가 있다.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 해결과제들은 아래의 기재로부터 당업자에게 명확하게 이해되어 질 수 있을 것이다.
도 1은 본 발명에 따른 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템의 전체 구성을 개략적으로 나타내는 블록도이다.
도 2는 본 발명에 따른 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템의 실시간 고장 탐지부의 구성을 개략적으로 나타내는 블록도이다.
도 3은 본 발명에 따른 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템의 고장진단 및 예측부의 구성을 개략적으로 나타내는 블록도이다.
도 4는 본 발명에 따른 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템에 이용되는 오토 엔코더 모델을 도시확하여 나타내는 도면이다.
도 5는 본 발명에 따른 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템에서 이용되는 이상 감지 데이터의 일 예를 나타내는 도면이다.
도 6은 본 발명에 따른 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템의 잔여수명 추정 모듈에 의해 변환된 추정 데이터의 예시이다.
도 7은 본 발명에 따른 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템에서 유효수명 데이터를 산출하여 생성된 잔여수명 학습용 데이터의 예시이다.
도 8은 본 발명에 따른 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템에서 최종 도출된 잔여수명커브의 예시를 나타내는 도면이다.
도 2는 본 발명에 따른 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템의 실시간 고장 탐지부의 구성을 개략적으로 나타내는 블록도이다.
도 3은 본 발명에 따른 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템의 고장진단 및 예측부의 구성을 개략적으로 나타내는 블록도이다.
도 4는 본 발명에 따른 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템에 이용되는 오토 엔코더 모델을 도시확하여 나타내는 도면이다.
도 5는 본 발명에 따른 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템에서 이용되는 이상 감지 데이터의 일 예를 나타내는 도면이다.
도 6은 본 발명에 따른 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템의 잔여수명 추정 모듈에 의해 변환된 추정 데이터의 예시이다.
도 7은 본 발명에 따른 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템에서 유효수명 데이터를 산출하여 생성된 잔여수명 학습용 데이터의 예시이다.
도 8은 본 발명에 따른 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템에서 최종 도출된 잔여수명커브의 예시를 나타내는 도면이다.
본 발명의 추가적인 목적들, 특징들 및 장점들은 다음의 상세한 설명 및 첨부도면으로부터 보다 명료하게 이해될 수 있다.
본 발명의 상세한 설명에 앞서, 본 발명은 다양한 변경을 도모할 수 있고, 여러 가지 실시 예를 가질 수 있는바, 아래에서 설명되고 도면에 도시된 예시들은 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.
본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도는 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, 명세서에 기재된 "...부", "...유닛", "...모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 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.
이하, 본 발명의 바람직한 실시 예에 따른 본 발명에 따른 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템을 첨부 도면을 참조하여 상세히 설명한다.
도 1은 본 발명에 따른 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템의 전체 구성을 개략적으로 나타내는 블록도이고, 도 2는 본 발명에 따른 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템의 실시간 고장 탐지부의 구성을 개략적으로 나타내는 블록도이며, 도 3은 본 발명에 따른 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템의 고장진단 및 예측부의 구성을 개략적으로 나타내는 블록도이다.
본 발명에 따른 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템은, 도 1 내지 도 3에 나타낸 바와 같이, 크게 실시간 고장 탐지부(100); 및 고장진단 및 예측부(200);를 포함한다.
구체적으로, 본 발명에 따른 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템은, 도 1 내지 도 3에 나타낸 바와 같이, 환경센서 운영환경에서 실시간으로 고장여부를 탐지하는 실시간 고장 탐지부(100); 및 상기 실시간 고장 탐지부를 통해 검출된 고장 데이터를 이용하여 고장의 유형을 진단하고 잔여수명을 추정하여 고장을 예측하는 고장진단 및 예측부(200);를 포함한다.
상기 실시간 고장 탐지부(100)는 도 2에 나타낸 바와 같이, 센서데이터 수집모듈 모듈(110), 전처리 모듈(120), 피처선택 모듈(130) 및 이상감지 모듈(140)을 포함하여 실제 운영환경에서 환경센서의 고장을 탐지한다.
상기 센서데이터 수집 모듈(110)은, 환경센서 값으로서 온도, 습도, 이산화탄소, 산성도, 전기전도도 등에 대해 측정된 데이터를 수집하고 수집된 데이터로부터 탐색적 데이터 분석(EDA, Exploratory Data Analysis)을 통해 주요 인자들의 특성요인을 요인들을 선별한다.
상기 전처리 모듈(120)은, 측정 데이터의 종류에 따라 섭씨(온도), %(습도), PPM(이산화탄소), pH(산성도), ms/cm(전기전도도), Ampere(전류) 등 여러 단위가 사용되고 있기 때문에 이러한 단위의 통일성 및 범위의 일치성을 위한 데이터 정규화(Normalization) 작업을 수행한다.
상기 피처 선택 모듈(130)은, 데이터의 특성을 잘 반영하고 예측 성능을 높이기 위한 필수 요건이 된다. 이 절차에는 패턴이 지니고 있는 다수의 특성 중에서 당면한 결정을 하는 데 필요 충분하다고 여겨지는 소수의 특성을 골라내는 특성 선택(Feature Selection), 패턴으로부터 공통적인 성질을 추출하는 특성 추출(Feature Extraction), 데이터와 배경 지식(domain knowledge)을 사용하여 기계 학습 알고리즘들(예측 모델)에 필요한 특성을 만드는 특성 공학(Feature Engineering) 절차 등이 포함된다.
상기 이상감지 모듈(140)은, 정상 데이터를 입력하여 학습한 오토 엔코더(Auto encoder) 모델을 가지고, 비정상 데이터를 입력해서 예측한 출력과 입력의 차이를 제곱하여 평균값을 취한 오차인 MSE(Mean Squared Error: 재구축 에러)이 일정기준(Threshold)이상일 때 이상(Anomaly)으로 판단한다. 재구축 에러의 이상여부를 판단하는 기준(Threshold)은 GPD(General Pareto Distribution)에 따라 계산된 확률밀도함수에서 결정한다.
도 4는 본 발명에 따른 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템에 이용되는 오토 엔코더 모델을 도시확하여 나타내는 도면으로, 오토 엔코더 모델은 도 4와 같은 구조로 구성된다. 엔코더(encoder)는 입력 데이터를 학습을 통해 다른 표현으로 변환하고, 디코더(decoder)는 이렇게 학습한 표현을 원본 데이터 형식으로 변환하는 기능을 수행한다. 엔코더에서는 원본 데이터의 핵심 특성을 학습하기 때문에 디코더에서 변환하는 결과도 학습된 핵심 특성을 기준으로 복원한 결과를 출력하게 된다. 만약, 원본 데이터와 상이한 데이터가 오토 엔코더에 입력되면 학습된 핵심 특성과 다른 특성을 갖는 데이터이기 때문에 엔코더로 변환했다가 디코더로 복원한 결과도 입력한 원본과 차이가 발생하게 된다.
다음으로, 상기 고장진단 및 예측부(200)는 도 3에 나타낸 바와 같이, 이상감지 데이터 수집 모듈(210), 고장식별 모듈(220) 및 잔여수명 추정 모듈(230)을 포함하여 실시간 고장 탐지부(100)를 통해 검출된 이상 데이터에 기초하여 고장의 종류를 식별하고 향후 발생 가능한 고장 시점을 예측한다.
상기 이상감지 데이터 수집 모듈(210)은, 이상 감지된 데이터를 수집하여 일정한 윈도우 사이즈를 기반으로 기간을 나누어 데이터 세트를 구성한다. 윈도우로 구성된 데이터 세트는 실제 고장이 발생한 시점 또는 관리적 편의를 위해 정의한 시간 간격을 기준으로 고장주기 싸이클(cycle)을 구성한다.
상기 고장식별 모듈(220)은, 사전에 정의한 고장유형에 따른 고장 패턴을 학습할 수 있는 학습용 데이터를 이용하여 고장유형 분류를 할 수 있는 인공신경망 모델 중 하나인 딥러닝 방식을 사용한다.
특히, 본 발명의 딥러닝 모델은 측정 데이터가 시계열 기반의 데이터임을 고려하여, 시간의 흐름에 따라 변화하는 데이터를 학습시키기 위해 기준 시점(t)과 다음 시점(t+1)에 네트워크를 연결하여 구성하고 오래 전의 데이터에 의한 기울기 값이 소실되는 문제로 학습이 어려워지는 문제를 해결하기 위해 오래된 기간일지라도 고장 유형 분류에 영향을 끼치는 요인들을 효율적으로 찾아내어 학습 시켜주는 장단기 메모리(LSTM, Long-Short term Memory) 모델을 활용하는 것을 특징으로 한다.
이렇게 구성한 딥러닝 모델을 통해 데이터의 특징을 살린 학습 모델의 가중치와 손실 함수를 선정하고 그에 맞는 분류 예측 값들을 선정한다.
이상감지 데이터가 수집되면 미리 학습된 고장식별모듈(220)에 입력하여 고장식별 결과를 산출한다.
도 5는 본 발명에 따른 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템에서 이용되는 이상 감지 데이터의 일 예를 나타내는 도면이다.
상기 잔여수명 추정 모듈(230)은 도 5와 같은 이상 감지된 데이터를 이용하여 일정한 관리주기(예:3 time slot)를 기준으로 이상발생 여부를 예측할 수 있는 추정함수를 학습하여 이상발생 여부(y=1)를 사전에 알 수 있도록 한다. 이를 위해서는 임의의 시점 t에 대해서 일정한 관리주기(예:3 time slot)를 기준으로 데이터를 이동시킨(예: t-1, t-2, t-3) 데이터를 만들고 관리주기 기간 동안 이상발생(y=1) 횟수를 계산한 후 이 값(count_y)이 연속적으로 변화하는 구간을 식별하여 구간id(count id)를 부여하여 도 6과 같은 형태로 변환한다. 도 6은 본 발명에 따른 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템의 잔여수명 추정 모듈에 의해 변환된 추정 데이터의 예시이다.
도 6과 같은 데이터에서 구간id(count id)가 바뀌기 전의 누적 이상발생횟수(count_y)를 그 데이터 구간에 대한 최대 유효수명(MAX_RUL:Maximum Remaining Useful Life)로 간주하여 도 7과 같은 유효수명 데이터를 산출한다. 도 7은 본 발명에 따른 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템에서 유효수명 데이터를 산출하여 생성된 잔여수명 학습용 데이터의 예시이다.
도 7과 같이 유효수명 데이터를 산출한 결과를 도 5와 같은 원본데이터에 결합하여 도 7과 같은 잔여수명 학습용 데이터를 생성한다.
이렇게 생성된 잔여수명학습 데이터를 입력하여 고장식별모듈(220)에서 구성한 딥러닝 모델과 유사한 잔여수명예측모델을 학습하여 잔여수명을 예측 한다. 단, 고장유형을 식별하는 고장식별모듈과는 다르게 최종 레이어는 잔여수명을 결과값으로 산출할 수 있도록 구성한다.
도 8은 본 발명에 따른 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템에서 최종 도출된 잔여수명커브의 예시를 나타내는 도면으로, 도 8과 같이 최종 도출된 잔여수명커브에서 고장여부를 판단하는 임계점(Threshold)은 실제 고장이력과 비교하여 적정한 수준을 결정함으로써 이루어진다.
이상에서 설명한 바와 같은 본 발명에 따른 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템에 의하면, 가정용 재배기의 고장발생을 실시간으로 탐지하여 작물재배 손실을 최소화하고, 고장유형 진단과 잔여수명 추정에 따른 예지정비를 통해 가정용 재배기 고장 손실을 최소화함으로써 운영비용을 절감할 수 있는 이점이 있다.
본 명세서에서 설명되는 실시 예와 첨부된 도면은 본 발명에 포함되는 기술적 사상의 일부를 예시적으로 설명하는 것에 불과하다. 따라서, 본 명세서에 개시된 실시 예는 본 발명의 기술적 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이므로, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아님은 자명하다. 본 발명의 명세서 및 도면에 포함된 기술적 사상의 범위 내에서 당업자가 용이하게 유추할 수 있는 변형 예와 구체적인 실시 예는 모두 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100 : 실시간 고장 탐지부
110 : 센서데이터 수집 모듈
120 : 전처리 모듈
130 : 피처선택 모듈
140 : 이상감지 모듈
200 : 고장진단 및 예측부
210 : 이상감지 데이터 수집 모듈
220 : 고장식별 모듈
230 : 잔여수명 추정 모듈
110 : 센서데이터 수집 모듈
120 : 전처리 모듈
130 : 피처선택 모듈
140 : 이상감지 모듈
200 : 고장진단 및 예측부
210 : 이상감지 데이터 수집 모듈
220 : 고장식별 모듈
230 : 잔여수명 추정 모듈
Claims (5)
- 가정용 재배기의 환경조건을 측정하는 센서를 대상으로 센서 고장유형인 erratic fault, drift fault, hard-over fault, spike fault, stuck fault를 기계학습 알고리즘을 이용하여 검출하고, 실시간으로 고장여부를 탐지하는 실시간 고장 탐지부; 및
상기 실시간 고장 탐지부를 통해 검출된 고장 데이터를 이용하여 고장의 유형을 진단하고 잔여수명을 추정하여 고장을 예측하는 고장진단 및 예측부;를 포함하는 것을 특징으로 하는
가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템.
- 제1항에 있어서,
상기 실시간 고장 탐지부는,
환경센서 값으로서 온도, 습도, 이산화탄소, 산성도, 전기전도도 등에 대해 측정된 데이터를 수집하고 수집된 데이터로부터 탐색적 데이터 분석(EDA, Exploratory Data Analysis)을 통해 주요 인자들의 특성요인을 요인들을 선별하는 센서 데이터 수집 모듈;
측정 데이터의 종류에 따라 섭씨(온도), %(습도), PPM(이산화탄소), pH(산성도), ms/cm(전기전도도), Ampere(전류)의 여러 단위에 대하여 단위의 통일성 및 범위의 일치성을 위한 데이터 정규화(Normalization) 작업을 수행하는 전처리 모듈;
데이터의 특성을 잘 반영하고 예측 성능을 높이기 위해서 데이터 패턴이 지니고 있는 다수의 특성 중에서 당면한 결정을 하는 데 필요 충분하다고 여겨지는 소수의 특성을 골라내는 특성 선택(Feature Selection), 패턴으로부터 공통적인 성질을 추출하는 특성 추출(Feature Extraction), 데이터와 배경 지식(domain knowledge)을 사용하여 기계 학습 알고리즘에 필요한 특성을 만드는 특성 공학(Feature Engineering) 절차를 포함하는 피처선택 모듈; 및
정상 데이터를 입력하여 학습한 오토 엔코더(Auto encoder) 모델을 가지고, 비정상 데이터를 입력해서 예측한 출력과 입력의 차이를 제곱하여 평균값을 취한 오차인 MSE(Mean Squared Error: 재구축 에러)이 일정기준(Threshold)이상일 때 이상(Anomaly)으로 판단하는 이상감지 모듈;을 포함하는 것을 특징으로 하는
가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템.
- 제1항에 있어서,
상기 고장진단 및 예측부는,
이상 감지된 데이터를 수집하여 일정한 윈도우 사이즈를 기반으로 기간을 나누어 데이터 세트를 구성하여 윈도우로 구성된 데이터 세트는 실제 고장이 발생한 시점 또는 관리적 편의를 위해 정의한 시간 간격을 기준으로 고장주기 싸이클(cycle)을 구성하게 하는 이상감지 데이터 수집 모듈;
사전에 정의한 고장유형에 따른 고장 패턴을 학습할 수 있는 학습용 데이터를 이용하여 고장유형 분류를 할 수 있는 인공신경망 모델 중 하나인 딥러닝 방식을 사용하는 고장식별 모듈; 및
이상 감지된 데이터를 이용하여 일정한 관리주기(예:3 time slot)를 기준으로 이상발생 여부를 예측할 수 있는 잔여 잔여수명 추정함수를 학습하여 이상발생 여부(y=1)를 사전에 알 수 있도록 하는 잔여수명 추정 모듈;을 포함하는 것을 특징으로 하는
가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템.
- 제3항에 있어서,
상기 고장식별 모듈은,
측정 데이터가 시계열 기반의 데이터임을 고려하여, 시간의 흐름에 따라 변화하는 데이터를 학습시키기 위해 기준 시점(t)과 다음 시점(t+1)에 네트워크를 연결하여 구성하고, 오래 전의 데이터에 의한 기울기 값이 소실되는 문제로 학습이 어려워지는 문제를 해결하기 위해 오래된 기간일지라도 고장 유형 분류에 영향을 끼치는 요인들을 효율적으로 찾아내어 학습 시켜주는 장단기 메모리(LSTM, Long-Short term Memory) 모델을 활용하는 딥러닝 모델을 사용하는 것을 특징으로 하는
가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템.
- 제3항에 있어서,
상기 잔여수명 추정 모듈은,
이상 감지된 데이터를 이용하여 일정한 관리주기를 기준으로 이상발생 여부를 예측할 수 있는 추정함수를 학습하여 이상발생 여부를 사전에 알 수 있도록 하되, 임의의 시점 t에 대해서 일정한 관리주기를 기준으로 데이터를 이동시킨 데이터를 만들고, 관리주기 기간 동안 이상발생 횟수를 계산한 후 이 값이 연속적으로 변화하는 구간을 식별하여 구간id를 부여하며, 부여된 데이터에서 구간id가 바뀌기 전의 누적 이상발생횟수를 그 데이터 구간에 대한 최대 유효수명(MAX_RUL:Maximum Remaining Useful Life)로 간주하여 유효수명 데이터를 산출하도록 이루어지는 것을 특징으로 하는
가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200175095A KR20220085213A (ko) | 2020-12-15 | 2020-12-15 | 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200175095A KR20220085213A (ko) | 2020-12-15 | 2020-12-15 | 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20220085213A true KR20220085213A (ko) | 2022-06-22 |
Family
ID=82216524
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200175095A KR20220085213A (ko) | 2020-12-15 | 2020-12-15 | 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20220085213A (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116796261A (zh) * | 2023-08-16 | 2023-09-22 | 宁波天安菁华电力科技有限公司 | 一种基于人工智能的封闭开关设备机械特性预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090121923A (ko) | 2008-05-23 | 2009-11-26 | 정승혁 | 지그비 모듈과 온도 및 습도 센서를 이용한 농작물 재배제어 장치 |
KR101923508B1 (ko) | 2017-06-21 | 2018-11-30 | 주식회사 레드서브마린 | 작물의 재배환경 모니터링 장치 및 이를 이용한 환경분석 시스템 |
KR20190101528A (ko) | 2018-02-22 | 2019-09-02 | 경운대학교 산학협력단 | 시설재배용 양액기의 피드백 제어를 위한 센서시스템 |
KR20190103768A (ko) | 2018-02-28 | 2019-09-05 | 배재대학교 산학협력단 | 스마트센서가 구비된 식물관리 장치 |
KR20200083845A (ko) | 2018-12-31 | 2020-07-09 | (주) 이레아이에스 | 인공 신경망을 기반으로 하는 스마트 팜용 양액 재배 관리 장치 및 이를 위한 작물 재배 모니터링 서비스 시스템 |
-
2020
- 2020-12-15 KR KR1020200175095A patent/KR20220085213A/ko unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090121923A (ko) | 2008-05-23 | 2009-11-26 | 정승혁 | 지그비 모듈과 온도 및 습도 센서를 이용한 농작물 재배제어 장치 |
KR101923508B1 (ko) | 2017-06-21 | 2018-11-30 | 주식회사 레드서브마린 | 작물의 재배환경 모니터링 장치 및 이를 이용한 환경분석 시스템 |
KR20190101528A (ko) | 2018-02-22 | 2019-09-02 | 경운대학교 산학협력단 | 시설재배용 양액기의 피드백 제어를 위한 센서시스템 |
KR20190103768A (ko) | 2018-02-28 | 2019-09-05 | 배재대학교 산학협력단 | 스마트센서가 구비된 식물관리 장치 |
KR20200083845A (ko) | 2018-12-31 | 2020-07-09 | (주) 이레아이에스 | 인공 신경망을 기반으로 하는 스마트 팜용 양액 재배 관리 장치 및 이를 위한 작물 재배 모니터링 서비스 시스템 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116796261A (zh) * | 2023-08-16 | 2023-09-22 | 宁波天安菁华电力科技有限公司 | 一种基于人工智能的封闭开关设备机械特性预测方法 |
CN116796261B (zh) * | 2023-08-16 | 2023-11-07 | 宁波天安菁华电力科技有限公司 | 一种基于人工智能的封闭开关设备机械特性预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101811640B1 (ko) | 기계학습을 이용한 작물의 생산량 예측장치 및 방법 | |
CN107085732B (zh) | 基于无线传感器网络的牛舍环境氨气智能监测系统 | |
Gonzalez et al. | On the use of high-frequency SCADA data for improved wind turbine performance monitoring | |
CN1324515C (zh) | 处理工具优化系统和方法 | |
KR102369167B1 (ko) | 머신러닝을 이용한 지능형 스마트팜 운영 시스템 | |
KR101392279B1 (ko) | 식물 공장의 생산량 예측 방법 | |
US20210372667A1 (en) | Method and system for detecting inefficient electric water heater using smart meter reads | |
CN113574480A (zh) | 用于预测设备损坏的装置 | |
KR20220085213A (ko) | 딥러닝에 기반한 가정용 실내 스마트 재배시스템의 환경센서 고장 탐지/진단/예측 시스템 | |
CN107290481A (zh) | 一种基于无线传感器网络的牛舍环境氨气智能检测系统 | |
CN117114913A (zh) | 一种基于大数据的智能化农业数据采集系统 | |
Sanz-Bobi et al. | Intelligent system for a remote diagnosis of a photovoltaic solar power plant | |
CN117873238A (zh) | 一种植物生长控制方法及其系统、计算机设备和存储介质 | |
KR20220132949A (ko) | 빅데이터를 활용한 온실형 스마트팜에서 센서 이상탐지 시스템 | |
CN116755411A (zh) | 一种工业设备数据采集方法及装置 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
KR20230060815A (ko) | 스마트 팜용 엣지 컴퓨팅 장치 및 이를 포함하는 스마트 팜 | |
Zhang | Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data | |
Yang et al. | A reliable soil moisture sensing methodology for agricultural irrigation | |
Park et al. | Deep learning-based method for detecting anomalies of operating equipment dynamically in livestock farms | |
Eredics et al. | Data Cleaning and Anomaly Detection for an Intelligent Greenhouse | |
US20230301247A1 (en) | Machine learning systems for autonomous and semiautonomous plant growth | |
Ameli et al. | Explainable Unsupervised Multi-Sensor Industrial Anomaly Detection and Categorization | |
TWI826066B (zh) | 感測器自我診斷異常的系統及方法 | |
KR102096000B1 (ko) | 스마트 팜 원격 제어 시스템 |