KR20220116644A - 가설 가지치기 방식 생산적 적대 신경망 기반 미세먼지센서의 이상을 탐지하기 위한 장치 및 이를 위한 방법 - Google Patents

가설 가지치기 방식 생산적 적대 신경망 기반 미세먼지센서의 이상을 탐지하기 위한 장치 및 이를 위한 방법 Download PDF

Info

Publication number
KR20220116644A
KR20220116644A KR1020210019727A KR20210019727A KR20220116644A KR 20220116644 A KR20220116644 A KR 20220116644A KR 1020210019727 A KR1020210019727 A KR 1020210019727A KR 20210019727 A KR20210019727 A KR 20210019727A KR 20220116644 A KR20220116644 A KR 20220116644A
Authority
KR
South Korea
Prior art keywords
value
values
loss
hypothetical
learning
Prior art date
Application number
KR1020210019727A
Other languages
English (en)
Inventor
박영현
박원석
김용범
Original Assignee
에스케이플래닛 주식회사
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 에스케이플래닛 주식회사 filed Critical 에스케이플래닛 주식회사
Priority to KR1020210019727A priority Critical patent/KR20220116644A/ko
Publication of KR20220116644A publication Critical patent/KR20220116644A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F15/00—Digital computers in general; Data processing equipment in general
    • G06F15/16—Combinations of two or more digital computers each having at least an arithmetic unit, a program unit and a register, e.g. for a simultaneous processing of several programs
    • 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
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N2015/0096—Investigating consistence of powders, dustability, dustiness
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Dispersion Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

본 발명의 미세먼지센서의 이상을 탐지하기 위한 방법은 데이터처리부가 통신모듈을 통해 미세먼지센서가 측정한 미세먼지농도의 측정값을 수신하는 단계와, 탐지부가 입력되는 값을 모사하는 복수의 가설값을 산출하도록 학습된 탐지망을 이용하여 상기 측정값에 대해 복수의 가설값을 산출하고, 산출된 복수의 가설값 중 상기 측정값과의 차이가 최소인 최적가설값을 선택하는 단계와, 탐지부가 상기 측정값과 상기 최적가설값과의 차이를 나타내는 복원오차가 기 산출된 기준치를 초과하는지 여부를 판단하는 단계와, 상기 판단 결과, 상기 측정값과 상기 최적가설값과의 차이를 나타내는 복원오차가 상기 기준치 이상이면, 탐지부가 상기 미세먼지센서에 이상이 있는 것으로 판단하는 단계를 포함한다.

Description

가설 가지치기 방식 생산적 적대 신경망 기반 미세먼지센서의 이상을 탐지하기 위한 장치 및 이를 위한 방법{Apparatus for detecting abnormality of Particulate Matter sensor based on hypothetical pruning Generative Adversarial Network (HP-GAN) and method therefor}
본 발명은 미세먼지센서의 이상을 탐지하기 위한 기술에 관한 것으로, 더욱 상세하게는, 가설 가지치기 방식 생산적 적대 신경망(hypothetical pruning Generative Adversarial Network: HP-GAN) 기반 미세먼지센서의 이상을 탐지하기 위한 장치 및 이를 위한 방법에 관한 것이다.
먼지는 대기 중에 떠다니거나 흩날려 내려오는 입자상 물질을 말하며, 입자의 크기가 작을수록 폐에 대한 악영향이 증가하는 것으로 알려져 있다. 대기 중 먼지 농도를 나타내는 통상적인 표현방법으로는 TSP(Total suspended Particles), PM(Particulate Metter)10, PM2.5 등이 있다. 총부유분진(TSP)은 통상적으로 50μm 이하의 모든 부유 먼지를 말한다. 입자의 크기가 10μm이상인 경우에는 도시미관에 영향을 미치긴 하지만 인체의 건강에는 영향이 적기 때문에 90년대 후반 TSP 에서 PM10으로 환경기준이 변경되었다. 미세먼지(PM10, Particulate Metter)는 공기 속에 고체 입자와 액체 방울이 섞여 떠다니고 있는 것을 말한다. PM10은 직경이 2.5~10㎛로, 건축 및 건물 해체, 석탄 및 석유 연소, 산업공정, 비포장도로 등에서 주로 발생한다. 미세입자(PM2.5)는 직경이 2.5㎛ 미만으로, 대부분 대기 중의 화학반응을 통해 석탄, 석유, 휘발유, 디젤, 나무의 연소, 제련소, 제철소 등에서 발생한다.
한국공개특허 제2020-0031208호 (2020년 03월 24일 공개)
본 발명의 목적은 가설 가지치기 방식 생산적 적대 신경망 기반 미세먼지센서의 이상을 탐지하기 위한 장치 및 이를 위한 방법을 제공함에 있다.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 미세먼지센서의 이상을 탐지하기 위한 방법은 데이터처리부가 미세먼지센서가 측정한 미세먼지농도의 측정값을 수집하는 단계와, 탐지부가 입력되는 측정값을 모사하는 복수의 가설값을 산출하도록 학습된 탐지망을 이용하여 상기 측정값에 대해 복수의 가설값을 산출하고, 산출된 복수의 가설값 중 상기 측정값과의 차이가 최소인 최적가설값을 선택하는 단계와, 탐지부가 상기 측정값과 상기 최적가설값과의 차이를 나타내는 복원오차가 기 산출된 기준치를 초과하는지 여부를 판단하는 단계와, 상기 판단 결과, 상기 측정값과 상기 최적가설값과의 차이를 나타내는 복원오차가 상기 기준치 이상이면, 탐지부가 상기 미세먼지센서에 이상이 있는 것으로 판단하는 단계를 포함한다.
상기 방법은 상기 미세먼지농도의 측정값을 수신하는 단계 전, 학습부가 학습용 측정값을 초기화된 탐지망에 입력하는 단계와, 상기 학습부가 상기 학습용 측정값에 대한 탐지망의 연산 결과에 따라 각각의 손실 가중치가 적용되는 인코딩 손실, 생성 손실 및 적대적 손실을 포함하는 전체 손실을 산출하는 단계와, 상기 학습부가 상기 전체 손실이 최소가 되도록 상기 탐지망의 파라미터를 갱신하는 최적화를 수행하는 단계를 더 포함한다.
상기 전체 손실을 산출하는 단계는 상기 탐지망의 인코더가 상기 학습용 측정값에 대응하여 잠재값을 산출하고, 상기 탐지망의 생성자가 상기 잠재값에 대응하여 복수의 가설값을 산출하고, 상기 탐지망의 생성자가 상기 잠재값의 랜덤 노이즈에 대응하여 노이즈 가설값을 산출하고, 상기 탐지망의 인코더가 상기 복수의 가설값에 대응하여 복수의 모사잠재값을 산출하면, 상기 학습부가 상기 복수의 모사잠재값 중 상기 잠재값과의 차이가 최소인 최적모사잠재값과 상기 잠재값과의 차이를 나타내는 인코딩 손실을 산출하는 단계와, 상기 학습부가 상기 복수의 가설값 중 학습용 측정값과의 차이가 최소인 가설값과 상기 학습용 측정값과의 차이를 나타내는 생성 손실을 산출하는 단계와, 상기 복수의 가설값 중 상기 생성 손실이 최소가 되는 가설값을 최적가설값으로 선택하고, 나머지 가설값을 기타 가설값으로 분류하는 단계를 더 포함한다.
상기 전체 손실을 산출하는 단계는 상기 나머지 가설값을 기타 가설값으로 분류하는 단계 후, 탐지망의 판별자가 상기 학습용 측정값, 상기 노이즈 가설값, 상기 최적가설값 및 상기 기타 가설값 각각에 대한 연산 결과를 도출하면, 상기 학습부가 학습용 측정값과 노이즈 가설값 각각에 대한 상기 판별자의 연산 결과의 차이를 나타내는 노이즈 적대적 손실을 산출하는 단계와, 상기 학습부가 학습용 측정값과 최적가설값 각각에 대한 상기 판별자의 연산 결과의 차이를 나타내는 최적 적대적 손실을 산출하는 단계와, 상기 학습부가 학습용 측정값과 기타 가설값 각각에 대한 상기 판별자의 연산 결과의 차이의 평균인 기타 적대적 손실을 산출하는 단계와, 상기 학습부가 학습용 측정값이 입력되었을 때 상기 판별자의 0부터 l번째 계층의 특징지도와 기타 가설값이 입력되었을 때, 상기 판별자의 0부터 l번째 계층의 특징지도의 차이의 합을 나타내는 특징지도 적대적 손실을 산출하는 단계와, 상기 학습부가 상기 노이즈 적대적 손실, 상기 최적 적대적 손실, 기타 적대적 손실 및 특징지도 적대적 손실을 합산한 적대적 손실을 산출하는 단계를 더 포함한다.
상기 방법은 상기 미세먼지농도의 측정값을 수신하는 단계 전, 상기 탐지망의 학습이 완료된 후, 상기 탐지부가 수학식
Figure pat00001
에 따라 상기 기준치를 산출하는 단계를 더 포함한다. 여기서, 상기
Figure pat00002
는 상기 탐지망의 학습에 사용된 복수의 학습용 측정값과 복수의 학습용 측정값에 대응하는 복수의 최적가설값 간의 평균제곱손실의 평균이고, 상기
Figure pat00003
는 상기 복수의 학습용 측정값과 상기 복수의 학습용 측정값에 대응하는 상기 복수의 최적가설값 간의 평균제곱손실의 표준 편차인 것을 특징으로 한다.
상술한 바와 같은 목적을 달성하기 위한 본 발명의 바람직한 실시예에 따른 미세먼지센서의 이상을 탐지하기 위한 장치는 미세먼지센서가 측정한 미세먼지농도의 측정값을 수집하는 데이터처리부와, 입력되는 측정값을 모사하는 복수의 가설값을 산출하도록 학습된 탐지망을 이용하여 상기 측정값에 대해 복수의 가설값을 산출하고, 산출된 복수의 가설값 중 상기 측정값과의 차이가 최소인 최적가설값을 선택하고, 상기 측정값과 상기 최적가설값과의 차이를 나타내는 복원오차가 기 산출된 기준치를 초과하는지 여부를 판단하고, 상기 판단 결과, 상기 측정값과 상기 최적가설값과의 차이를 나타내는 복원오차가 상기 기준치 이상이면, 상기 미세먼지센서에 이상이 있는 것으로 판단하는 탐지부를 포함한다.
상기 장치는 학습용 측정값을 초기화된 탐지망에 입력하고, 상기 학습용 측정값에 대한 탐지망의 연산 결과에 따라 각각의 손실 가중치가 적용되는 인코딩 손실, 생성 손실 및 적대적 손실을 포함하는 전체 손실을 산출한 후, 상기 전체 손실이 최소가 되도록 상기 탐지망의 파라미터를 갱신하는 최적화를 수행하는 학습부를 더 포함한다.
상기 학습부는 상기 탐지망의 인코더가 상기 학습용 측정값에 대응하여 잠재값을 산출하고, 상기 탐지망의 생성자가 상기 잠재값에 대응하여 복수의 가설값을 산출하고, 상기 탐지망의 생성자가 상기 잠재값의 랜덤 노이즈에 대응하여 노이즈 가설값을 산출하고, 상기 탐지망의 인코더가 상기 복수의 가설값에 대응하여 복수의 모사잠재값을 산출하면, 상기 복수의 모사잠재값 중 상기 잠재값과의 차이가 최소인 최적모사잠재값과 상기 잠재값과의 차이를 나타내는 인코딩 손실을 산출하고, 상기 복수의 가설값 중 학습용 측정값과의 차이가 최소인 가설값과 상기 학습용 측정값과의 차이를 나타내는 생성 손실을 산출하고, 상기 복수의 가설값 중 상기 생성 손실이 최소가 되는 가설값을 최적가설값으로 선택하고, 나머지 가설값을 기타 가설값으로 분류하는 것을 특징으로 한다.
상기 학습부는 탐지망의 판별자가 상기 학습용 측정값, 상기 노이즈 가설값, 상기 최적가설값 및 상기 기타 가설값 각각에 대한 연산 결과를 도출하면, 학습용 측정값과 노이즈 가설값 각각에 대한 상기 판별자의 연산 결과의 차이를 나타내는 노이즈 적대적 손실을 산출하고, 상기 학습용 측정값과 최적가설값 각각에 대한 상기 판별자의 연산 결과의 차이를 나타내는 최적 적대적 손실을 산출하고, 상기 학습용 측정값과 기타 가설값 각각에 대한 상기 판별자의 연산 결과의 차이의 평균인 기타 적대적 손실을 산출하고, 상기 학습용 측정값이 입력되었을 때 상기 판별자의 0부터 l번째 계층의 특징지도와 상기 기타 가설값이 입력되었을 때, 상기 판별자의 0부터 l번째 계층의 특징지도의 차이의 합을 나타내는 특징지도 적대적 손실을 산출한 후, 상기 노이즈 적대적 손실, 상기 최적 적대적 손실, 기타 적대적 손실 및 특징지도 적대적 손실을 합산한 적대적 손실을 산출한다.
상기 탐지부는 수학식
Figure pat00004
에 따라 상기 기준치를 산출하고, 상기
Figure pat00005
는 상기 탐지망의 학습에 사용된 복수의 학습용 측정값과 복수의 학습용 측정값에 대응하는 복수의 최적가설값 간의 평균제곱손실의 평균이고, 상기
Figure pat00006
는 상기 복수의 학습용 측정값과 상기 복수의 학습용 측정값에 대응하는 상기 복수의 최적가설값 간의 평균제곱손실의 표준 편차인 것을 특징으로 한다.
본 발명에 따르면, 현장에서 센서를 통해 측정한 미세먼지농도뿐만 아니라, 공공 기관에서 제공하는 대기환경정보 및 기상정보를 이용하여 심층학습모델을 생성하고, 이를 기초로 공사현장의 먼지 발생을 지속적으로 감시함으로써, 먼지 발생을 즉각적으로 감지할 수 있어 실시간으로 먼지를 억제할 수 있다.
도 1은 본 발명의 실시예에 따른 가설 가지치기 방식 생산적 적대 신경망 기반 미세먼지센서의 이상을 탐지하기 위한 시스템을 설명하기 위한 도면이다.
도 2는 본 발명의 실시예에 따른 관제서버의 구성을 설명하기 위한 블록도이다.
도 3은 본 발명의 실시예에 따른 관제서버의 제어모듈의 세부적인 구성을 설명하기 위한 블록도이다.
도 4는 본 발명의 실시예에 따른 본 발명의 실시예에 따른 가설 가지치기 방식 생산적 적대 신경망의 구성을 설명하기 위한 도면이다.
도 5는 본 발명의 실시예에 따른 가설 가지치기 방식 생산적 적대 신경망 기반 미세먼지센서의 이상을 탐지하기 위한 탐지망(HP-GAN)에 대한 학습 방법을 설명하기 위한 흐름도이다.
도 6은 본 발명의 실시예에 따른 가설 가지치기 방식 생산적 적대 신경망 기반 미세먼지센서의 이상을 탐지하기 위한 방법을 설명하기 위하 흐름도이다.
본 발명의 과제 해결 수단의 특징 및 이점을 보다 명확히 하기 위하여, 첨부된 도면에 도시된 본 발명의 특정 실시 예를 참조하여 본 발명을 더 상세하게 설명한다.
다만, 하기의 설명 및 첨부된 도면에서 본 발명의 요지를 흐릴 수 있는 공지 기능 또는 구성에 대한 상세한 설명은 생략한다. 또한, 도면 전체에 걸쳐 동일한 구성 요소들은 가능한 한 동일한 도면 부호로 나타내고 있음에 유의하여야 한다.
이하의 설명 및 도면에서 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위한 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시 예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시 예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.
또한, 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하기 위해 사용하는 것으로, 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용될 뿐, 상기 구성요소들을 한정하기 위해 사용되지 않는다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제2 구성요소는 제1 구성요소로 명명될 수 있고, 유사하게 제1 구성요소도 제2 구성요소로 명명될 수 있다.
더하여, 어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급할 경우, 이는 논리적 또는 물리적으로 연결되거나, 접속될 수 있음을 의미한다. 다시 말해, 구성요소가 다른 구성요소에 직접적으로 연결되거나 접속되어 있을 수 있지만, 중간에 다른 구성요소가 존재할 수도 있으며, 간접적으로 연결되거나 접속될 수도 있다고 이해되어야 할 것이다.
또한, 본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, 본 명세서에서 기술되는 "포함 한다" 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", "…기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사어는 본 발명을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
아울러, 본 발명의 범위 내의 실시 예들은 컴퓨터 실행가능 명령어 또는 컴퓨터 판독가능 매체에 저장된 데이터 구조를 가지거나 전달하는 컴퓨터 판독가능 매체를 포함한다. 이러한 컴퓨터 판독가능 매체는, 범용 또는 특수 목적의 컴퓨터 시스템에 의해 액세스 가능한 임의의 이용 가능한 매체일 수 있다. 예로서, 이러한 컴퓨터 판독가능 매체는 RAM, ROM, EPROM, CD-ROM 또는 기타 광 디스크 저장장치, 자기 디스크 저장장치 또는 기타 자기 저장장치, 또는 컴퓨터 실행가능 명령어, 컴퓨터 판독가능 명령어 또는 데이터 구조의 형태로 된 소정의 프로그램 코드 수단을 저장하거나 전달하는 데에 이용될 수 있고, 범용 또는 특수 목적 컴퓨터 시스템에 의해 액세스 될 수 있는 임의의 기타 매체와 같은 물리적 저장 매체를 포함할 수 있지만, 이에 한정되지 않는다.
이하의 설명 및 특허 청구 범위에서, "네트워크"는 컴퓨터 시스템들 및/또는 모듈들 간의 전자 데이터를 전송할 수 있게 하는 하나 이상의 데이터 링크로서 정의된다. 정보가 네트워크 또는 다른 (유선, 무선, 또는 유선 또는 무선의 조합인) 통신 접속을 통하여 컴퓨터 시스템에 전송되거나 제공될 때, 이 접속은 컴퓨터-판독가능매체로서 이해될 수 있다. 컴퓨터 판독가능 명령어는, 예를 들면, 범용 컴퓨터 시스템 또는 특수 목적 컴퓨터 시스템이 특정 기능 또는 기능의 그룹을 수행하도록 하는 명령어 및 데이터를 포함한다. 컴퓨터 실행가능 명령어는, 예를 들면, 어셈블리어, 또는 심지어는 소스코드와 같은 이진, 중간 포맷 명령어일 수 있다.
아울러, 본 발명은 퍼스널 컴퓨터, 랩탑 컴퓨터, 핸드헬드 장치, 멀티프로세서 시스템, 마이크로프로세서-기반 또는 프로그램 가능한 가전제품(programmable consumer electronics), 네트워크 PC, 미니컴퓨터, 메인프레임 컴퓨터, 모바일 전화, PDA, 페이저(pager) 등을 포함하는 다양한 유형의 컴퓨터 시스템 구성을 가지는 네트워크 컴퓨팅 환경에서 적용될 수 있다. 본 발명은 또한 네트워크를 통해 유선 데이터 링크, 무선 데이터 링크, 또는 유선 및 무선 데이터 링크의 조합으로 링크된 로컬 및 원격 컴퓨터 시스템 모두가 태스크를 수행하는 분산형 시스템 환경에서 실행될 수 있다. 분산형 시스템 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치에 위치될 수 있다.
먼저, 본 발명의 실시예에 따른 가설 가지치기 방식 생산적 적대 신경망 기반 미세먼지센서의 이상을 탐지하기 위한 시스템에 대해서 설명하기로 한다. 도 1은 본 발명의 실시예에 따른 가설 가지치기 방식 생산적 적대 신경망 기반 미세먼지센서의 이상을 탐지하기 위한 시스템을 설명하기 위한 도면이다. 도 1을 참조하면, 본 발명의 실시예에 따른 시스템은 관제서버(10), 관제서버(10)가 관리하는 하나 이상의 센서장치(20) 및 관리자장치(30)를 포함한다.
관제서버(10)는 미세먼지농도 파악 목적으로 복수의 센서장치(20)를 설치한 경우, 설치된 복수의 센서장치(20)가 정상 작동하는지 여부를 모니터링 하기 위한 것이다. 또한, 관제서버(10)는 센서장치(20)를 통해 미세먼지농도를 수신하고, 이를 네트워크를 통해 공시하기 위한 것이다. 이를 위하여, 관제서버(10)는 센서장치(20)로부터 센서장치(20)가 측정한 미세먼지농도를 수신한다. 특히, 관제서버(10)는 심층학습모델(Deep Learning Model: DLM)을 통해 센서장치(20)가 전송한 미세먼지농도를 분석하여 센서장치(20)의 미세먼지센서의 이상을 탐지한다. 만약, 이상이 탐지되면, 센서장치(20)의 이상을 알리는 경보 메시지에 이상이 탐지된 센서장치(20)의 식별 정보를 포함시켜 관리자장치(30)에 제공한다.
센서장치(20)는 미세먼지센서를 포함하며, 미세먼지센서를 통해 미세먼지농도(예컨대, PM10, 혹은 PM2.5)를 계측한다. 본 발명은 미세먼지 농도 측정에 있어 높은 공간 해상도를 보장하기 위해 고가의 미세먼지센서를 소수 설치하는 대신 저가 미세먼지센서를 다수 설치한다. 이러한 미세먼지센서는 LLS(laser-based light scattering) 기술 기반 미세먼지센서가 될 수 있다. LLS는 BAM(beta attenuation monitoring), TEOM(tapered element oscillating micro- balance) 기술 기반 미세먼지센서 대비 정밀도가 상대적으로 낮고 오작동 확률도 높다. 하지만, BAM, TEOM 기술 기반 미세먼지센서는 고비용 센서인 반면, LLS 기술 기반 미세먼지센서는 저비용 센서로 예산이 동일하다면, 동일한 범위에 더 많은 센서를 설치할 수 있다. 이에 따라, 미세먼지 농도 측정의 공간 해상도를 극대화 할 수 있다. 또한, 센서장치(20)는 IoT(Internet of Things) 장치가 될 수 있고, 통신 기능을 포함한다. 이에 따라, 센서장치(20)는 도시 되지는 않았지만, 액세스 네트워크를 통해 코어 네트워크에 접속하여 관제서버(10)로 측정된 미세먼지농도를 전달할 수 있다. 특히, 복수의 센서장치(20)가 존재하는 경우, 복수의 센서장치(20)는 센서 네트워크를 구성하여 복수의 센서장치(20) 각각이 측정한 복수의 미세먼지농도를 어느 하나의 센서장치(20)로 전달하고, 해당 센서장치(20)가 복수의 미세먼지농도를 관제서버(10)로 전달할 수도 있다.
관리자장치(30)는 센서장치(20)에 대한 관리 책임이 있는 관리자가 사용하는 장치이다. 관리자장치(30)는 스마트폰, 태블릿, 패블릿 등을 예시할 수 있다. 관리자장치(30)는 관제서버(10)로부터 이상이 탐지된 센서장치(20)의 식별 정보가 포함된 센서장치(20)의 이상을 알리는 경보 메시지를 수신하면, 관리자가 이상이 있는 센서장치(20)를 식별할 수 있도록 이상이 탐지된 센서장치(20)의 식별 정보를 출력한다.
다음으로, 본 발명의 실시예에 따른 관제서버(10)에 대해 보다 상세하게 설명하기로 한다. 도 2는 본 발명의 실시예에 따른 관제서버의 구성을 설명하기 위한 블록도이다. 도 3은 본 발명의 실시예에 따른 관제서버의 제어모듈의 세부적인 구성을 설명하기 위한 블록도이다.
먼저, 도 2를 참조하면, 본 발명의 실시예에 따른 관제서버(10)는 통신모듈(11), 저장모듈(12) 및 제어모듈(13)을 포함한다.
통신모듈(11)은 네트워크를 통해 센서장치(20) 및 관리자장치(30)와 통신하기 위한 것이다. 통신모듈(11)은 네트워크를 통해 데이터를 송수신하기 위해 송신되는 신호를 변조하고, 수신되는 신호를 복조하는 모뎀(modem)을 포함할 수 있다. 이러한 통신모듈(11)은 제어모듈(13)로부터 전달 받은 데이터를 네트워크를 통해 다른 장치로 전송할 수 있다. 또한, 통신모듈(11)은 네트워크를 통해 다른 장치로부터 수신된 데이터를 제어모듈(13)로 전달할 수 있다.
저장모듈(12)은 관제서버(10)의 동작에 필요한 프로그램 및 데이터를 저장하는 역할을 수행한다. 예컨대, 저장모듈(12)은 데이터베이스를 포함하며, 센서장치(20)로부터 수신되는 미세먼지농도를 데이터베이스에 저장할 수 있다. 저장모듈(12)에 저장되는 각 종 데이터는 관리자의 조작에 따라 등록, 삭제, 변경, 추가될 수 있다.
제어모듈(13)은 관제서버(10)의 전반적인 동작 및 관제서버(10)의 내부 블록들 간 신호 흐름을 제어하고, 데이터를 처리하는 데이터 처리 기능을 수행할 수 있다. 제어모듈(13)은 중앙처리장치(central processing unit), 이미지 프로세서(Image processor) 혹은 GPU(Graphic Processing Unit), 디지털신호처리기(digital signal processor) 등이 될 수 있다. 이러한 제어모듈(13)은 도 3에 도시된 바와 같이, 학습부(100), 데이터처리부(200), 탐지부(300) 및 통지부(400)를 포함한다.
학습부(100)는 본 발명의 실시예에 따른 심층 학습 모델(Deep Learning Model)인 탐지망(HP-GAN)을 학습(deep learning)시키기 위한 것이다. 학습이 완료된 탐지망(HP-GAN)은 탐지부(300)에서 사용된다.
데이터처리부(200)는 통신모듈(11)을 통해 센서장치(20)로부터 미세먼지센서가 측정한 미세먼지농도의 측정값을 수신할 수 있다. 그리고 데이터처리부(200)는 미세먼지농도의 측정값을 저장모듈(12)의 데이터베이스에 저장할 수 있다. 데이터처리부(200)는 탐지부(300)로부터 해당 미세먼지농도를 분석 결과, 이상이 없음을 알리는 신호를 수신하면, 해당 미세먼지농도의 측정값을 공시하는 웹 페이지에 추가하여 웹 페이지를 갱신한다.
탐지부(300)는 학습이 완료된 탐지망(HP-GAN)을 이용하여 미세먼지농도의 측정값을 분석하여 미세먼지농도의 측정값의 이상 여부를 확인함으로써, 해당 미세먼지농도를 측정한 미세먼지센서의 이상 여부를 탐지할 수 있다. 통지부(400)는 탐지부(300)가 미세먼지센서의 이상 여부를 탐지하면, 통신모듈(11)을 통해 관리자장치(30)로 해당 미세먼지센서를 포함하는 센서장치(20)의 이상을 알리며, 이상이 탐지된 미세먼지센서를 포함하는 센서장치(20)의 식별 정보를 포함하는 경보 메시지를 전송한다.
전술한 학습부(100), 데이터처리부(200), 탐지부(300) 및 통지부(400)를 포함하는 제어부(13)의 동작에 대해서는 아래에서 더 상세하게 설명될 것이다.
다음으로, 본 발명의 실시예에 따른 가설 가지치기 방식 생산적 적대 신경망의 구성에 대해서 설명하기로 한다. 도 4는 본 발명의 실시예에 따른 본 발명의 실시예에 따른 가설 가지치기 방식 생산적 적대 신경망의 구성을 설명하기 위한 도면이다. 도 4를 참조하면, 탐지망(HP-GAN)은 인코더(encoder: EN), 생성자(Generator: GR, 혹은 디코더: decoder), 인코더(EN) 및 판별자(discriminator: DR)를 포함한다.
인코더(EN) 및 판별자(DR)는 컨벌루션(Convolution) 연산 및 활성화함수에 의한 연산을 포함하는 복수의 컨벌루션층(Convolution Layer: CL)을 포함한다. 또한, 인코더(EN) 및 판별자(DR)의 복수의 컨벌루션층(CL) 사이에는 최대 풀링(Max Pooling) 연산을 수행하는 풀링층(Pooling Layer: PL)가 적용될 수 있다. 생성자(GR)는 디컨벌루션(Deconvolution) 연산 및 활성화함수에 의한 연산을 포함하는 복수의 디컨벌루션층(Deconvolution Layer: DL)을 포함한다.
전술한 바와 같이, 탐지망(HP-GAN)은 복수의 계층을 포함하며, 복수의 계층은 복수의 연산을 포함한다. 또한, 복수의 계층 간은 가중치(w: weight)로 연결된다. 어느 하나의 계층의 연산 결과는 가중치가 적용되어 다음 계층 노드의 입력이 된다. 즉, 탐지망(HP-GAN)의 어느 한 계층은 이전 계층으로부터 가중치를 적용한 값을 입력 받고, 이에 대한 연산을 수행하고, 그 연산 결과를 다음 계층의 입력으로 전달한다.
인코더(EN)는 센서장치(20)가 측정한 미세먼지농도의 측정값(x)를 입력 받아 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 잠재 벡터(Latent Vector)인 잠재값(z)를 산출하여 출력한다. 두번째 배치되는 인코더(EN)는 최적가설값(
Figure pat00007
)을 입력 받아 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 모사잠재값(
Figure pat00008
)을 산출하여 출력한다. 여기서, 복수의 계층은 컨벌루션층(CL), 풀링층(PL)를 포함하며, 복수의 연산은 컨벌루션 연산, 최대 풀링 연산, 활성화함수에 의한 연산을 포함한다.
생성자(GR)는 말단에 복수의 가설층(Hypothesis Layer: HL)을 포함한다. 생성자(GR)는 인코더(EN)로부터 출력된 잠재값(z) 및 랜덤 노이즈 N(0, 1)를 입력 받아 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 측정값(x)을 모사하는 모사측정값인 가설값(
Figure pat00009
)을 생성하되, 생성자(GR)의 말단의 복수의 가설층(Hypothesis Layer: HL)에 의해 복수의 가설값(
Figure pat00010
:
Figure pat00011
)을 생성한다. 여기서, 복수의 계층은 복수의 디컨벌루션층(DL)이며, 복수의 연산은 디컨벌루션(Deconvolution) 연산 및 활성화함수에 의한 연산을 포함한다.
판별자(DR)는 기본적으로, 측정값(x)과 복수의 가설값(
Figure pat00012
)의 차이를 판별하기 위한 것이다.
판별자(DR)는 입력에 대해 복수의 계층 간 가중치가 적용되는 연산을 수행하여 판별값을 산출한다. 여기서, 복수의 계층은 컨벌루션층(CL), 풀링층(PL)를 포함하며, 복수의 연산은 컨벌루션 연산, 최대 풀링 연산, 활성화함수에 의한 연산을 포함한다.
판별자(DR)는 측정값(x)에 대해 복수의 계층 간 가중치가 적용되는 연산을 수행하여 판별값 D(x)을 산출할 수 있다. 또한, 판별자(DR)는 잠재값(z) 및 랜덤 노이즈 N(0, 1)로부터 생성된 복수의 가설값(
Figure pat00013
) 각각에 대해 복수의 계층 간 가중치가 적용되는 연산을 수행하여 판별값 D(
Figure pat00014
)을 산출할 수 있다. 또한, 판별자(DR)는 최적가설값(
Figure pat00015
)에 대해 복수의 계층 간 가중치가 적용되는 연산을 수행하여 판별값 D(
Figure pat00016
)을 산출할 수 있다. 판별자(DR)가 측정값(x)에 대한 판별값 D(x), 복수의 가설값(
Figure pat00017
) 각각에 대한 판별값 D(
Figure pat00018
) 및 최적가설값(
Figure pat00019
)에 대한 판별값 D(
Figure pat00020
)을 산출하면, 학습부(100)는 측정값(x)에 대한 판별값 D(x)과, 복수의 가설값(
Figure pat00021
) 각각에 대한 판별값 D(
Figure pat00022
) 및 최적가설값(
Figure pat00023
)에 대한 판별값 D(
Figure pat00024
)을 비교하여 그 차이를 나타내는 손실을 산출할 수 있다.
다음으로, 본 발명의 실시예에 따른 가설 가지치기 방식 생산적 적대 신경망 기반 미세먼지센서의 이상을 탐지하기 위한 방법에 대해서 설명하기로 한다. 이러한 미세먼지센서의 이상을 탐지하기 위해서는 탐지망(HP-GAN)의 학습이 선행되어야 한다. 이에 따라, 탐지망(HP-GAN)에 대한 학습 방법에 대해서 설명하기로 한다. 도 5는 본 발명의 실시예에 따른 가설 가지치기 방식 생산적 적대 신경망 기반 미세먼지센서의 이상을 탐지하기 위한 탐지망(HP-GAN)에 대한 학습 방법을 설명하기 위한 흐름도이다.
도 5를 참조하면, 학습부(100)는 먼저, S110 단계에서 탐지망(HP-GAN)을 초기화한다. 이때, 학습부(100)는 탐지망(HP-GAN)의 파라미터, 즉, 가중치(w)를 초기화한다. 초기화를 위해 Xavier 초기화기(initializer)를 사용할 수 있다. 초기화가 완료되면, 학습부(100)는 S120 단계에서 초기화된 탐지망(HP-GAN)에 학습을 위해 사용되는 미세먼지농도의 측정값(x), 즉, 학습용 측정값(x)을 입력한다.
그러면, 탐지망(HP-GAN)은 S130 단계에서 학습용 측정값(x)에 대해 인코더(EN), 생성자(GR) 및 인코더(EN)에 의한 연산을 수행한다. 즉, 인코더(EN), 생성자(GR) 및 인코더(EN)는 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 학습용 측정값(x)에 대한 잠재값(z)을 산출하고, 산출된 잠재값(z)과 잠재값(z)의 랜덤노이즈 N(0, 1)에 대한 복수의 가설값(
Figure pat00025
), 잠재값(z)에 대응하는 복수의 가설값(
Figure pat00026
) 각각에 대한 복수의 모사잠재값(
Figure pat00027
)을 순차로 산출한다.
그런 다음, 학습부(100)는 S140 단계에서 다음의 수학식 1에 따라 인코딩 손실을 산출하고, 다음의 수학식 2에 따라 생성 손실을 산출한다.
Figure pat00028
Figure pat00029
수학식 1 및 수학식 2에서 E( )는 인코더(EN)의 연산을 나타내며, G( )는 생성자(GR)의 연산을 나타낸다.
수학식 1의
Figure pat00030
은 인코딩 손실을 나타낸다. 인코딩 손실
Figure pat00031
은 복수의 가설값(
Figure pat00032
) 각각에 대응하여 생성된 복수의 모사잠재값(
Figure pat00033
) 중 잠재값(z)과의 차이가 최소인 최적모사잠재값(
Figure pat00034
)과 잠재값(z)과의 차이를 나타낸다.
수학식 2의
Figure pat00035
는 생성 손실을 나타낸다. 생성 손실
Figure pat00036
는 잠재값(z)에 대응하여 생성된 복수의 가설값(
Figure pat00037
) 중 학습용 측정값(x)과의 차이가 최소인 가설값과 학습용 측정값(x)과의 차이를 나타낸다.
그런 다음, 학습부(100)는 S150 단계에서 복수의 가설값(
Figure pat00038
) 중 생성 손실이 최소가 되는 가설값을 최적가설값(
Figure pat00039
)으로 선택한다. 즉, 학습부(100)는 복수의 가설값(
Figure pat00040
) 중 학습용 측정값(x)과의 차이가 최소인 가설을 최적가설값(
Figure pat00041
)으로 선택한다. 이에 따라, 복수의 가설값(
Figure pat00042
)을 최적가설값(
Figure pat00043
)과, 최적가설값(
Figure pat00044
)이 아닌 기타 가설값(
Figure pat00045
)으로 분류된다. 또한, 노이즈로부터 생성된 가설값은 노이즈 가설값(
Figure pat00046
)으로 구분된다.
이어서, 학습부(100)는 S160 단계에서 최적가설값(
Figure pat00047
)과, 최적가설값(
Figure pat00048
)이 아닌 기타 가설값(
Figure pat00049
) 및 노이즈 가설값(
Figure pat00050
)을 판별자(DR)에 입력하고, 판별자(DR)의 연산 결과를 기초로 다음의 수학식 3 내지 수학식 7에 따라 적대적 손실을 산출한다.
Figure pat00051
Figure pat00052
Figure pat00053
Figure pat00054
Figure pat00055
수학식 3 내지 수학식 7에서 D( )는 판별자(DR)의 연산을 나타낸다. 수학식 3의
Figure pat00056
는 노이즈 n(0, 1)에 대한 가설값인 노이즈 가설값(
Figure pat00057
)과 학습용 측정값(x)에 대한 판별자(DN)의 연산 결과의 차이인 노이즈 적대적 손실을 나타낸다. 수학식 4의
Figure pat00058
는 최적가설값(
Figure pat00059
)과 학습용 측정값(x) 각각에 대한 판별자(DN)의 연산 결과의 차이인 최적 적대적 손실을 나타낸다. 수학식 5의
Figure pat00060
는 학습용 측정값(x)과 기타 가설값(
Figure pat00061
:
Figure pat00062
) 각각에 대한 판별자(DN)의 연산 결과의 차이의 평균인 기타 적대적 손실을 나타낸다. 수학식 6의
Figure pat00063
는 특징지도 적대적 손실을 나타내며, fl( )은 판별자(DN)의 l번째 계층의 특징지도를 나타낸다. 특징지도 적대적 손실
Figure pat00064
는 학습용 측정값(x)이 입력되었을 때 판별자(DN)의 0부터 l번째 계층의 특징지도(feature map)와, 기타 가설값(
Figure pat00065
:
Figure pat00066
)이 입력되었을 때, 판별자(DN)의 0부터 l번째 계층의 특징지도의 차이의 합을 의미한다. 수학식 7에서
Figure pat00067
은 적대적 손실을 나타내며, 적대적 손실
Figure pat00068
은 전술한 수학식 3의 노이즈 적대적 손실
Figure pat00069
, 수학식 4의 최적 적대적 손실
Figure pat00070
, 수학식 5의 기타 적대적 손실
Figure pat00071
, 수학식 6의 특징지도 적대적 손실
Figure pat00072
을 모두 합산한 손실을 의미한다.
다음으로, 학습부(100)는 S170 단계에서 다음의 수학식 8에 따라 전체 손실을 산출한다.
Figure pat00073
수학식 8에서,
Figure pat00074
은 전체 손실을 나타낸다. 또한,
Figure pat00075
는 인코딩 손실
Figure pat00076
에 대한 손실 가중치를 나타내며,
Figure pat00077
는 생성 손실
Figure pat00078
에 대한 손실 가중치를 나타내고,
Figure pat00079
는 적대적 손실
Figure pat00080
에 대한 손실 가중치를 나타낸다. 즉, 학습부(100)는 각각의 손실 가중치가 적용된 인코딩 손실, 생성 손실 및 적대적 손실을 합하여 전체 손실을 산출할 수 있다.
다음으로, 학습부(100)는 S180 단계에서 전체 손실이 최소화되도록 역전파(Backpropagation) 알고리즘을 통해 탐지망(HP-GAN)의 가중치(w)를 갱신하는 최적화를 수행한다.
전술한 S120 단계 내지 S180 단계는 서로 다른 복수의 학습용 측정값(x)을 이용하여 산출되는 전체 손실이 기 설정된 목표치 이하가 될 때까지 반복되어 수행될 수 있다.
전술한 바와 같은 절차에 따라 탐지망(HP-GAN)에 대한 학습이 완료되면, 탐지망(HP-GAN)을 이용하여 미세먼지센서의 이상 여부를 탐지할 수 있다. 이러한 방법에 대해서 설명하기로 한다. 도 6은 본 발명의 실시예에 따른 가설 가지치기 방식 생산적 적대 신경망 기반 미세먼지센서의 이상을 탐지하기 위한 방법을 설명하기 위하 흐름도이다.
도 6을 참조하면, 관제서버(10)의 데이터처리부(200)는 S210 단계에서 통신모듈(11)을 통해 미세먼지농도의 측정값(x)을 수신한다. 그러면, 데이터처리부(200)는 이러한 측정값(x)을 저장모듈(12)의 데이터베이스에 저장한다.
탐지부(300)는 S220 단계에서 저장모듈(12)의 데이터베이스로부터 측정값(x)을 추출하고, S230 단계에서 탐지망(HP-GAN)에 입력한다. 그러면, 탐지망(HP-GAN)은 S240 단계에서 인코더(EN) 및 생성자(GR)에 의해 복수의 계층 간 학습된 가중치가 적용된 복수의 연산에 따라 복수의 가설값을 생성한다. 그런 다음, 탐지부(300)는 S250 단계에서 복수의 가설값 중 측정값(x)과의 차이가 최소인 최적가설값(
Figure pat00081
)을 선택한다.
탐지부(300)는 S260 단계에서 다음의 수학식 9에 따라 측정값(x)과 최적가설값(
Figure pat00082
)과의 차이를 나타내는 복원오차가 다음의 수학식 10에 따라 결정되는 기준치(
Figure pat00083
) 이상인지 여부를 판단한다.
Figure pat00084
Figure pat00085
수학식 10에서,
Figure pat00086
및
Figure pat00087
각각은 앞서 도 5를 참조로 설명된 학습 절차에서 사용된, 즉, 탐지망(HP-GAN)의 학습에 사용된 복수의 학습용 측정값(x)과 복수의 학습용 측정값(x)에 대응하는 복수의 최적가설값(
Figure pat00088
) 간의 평균제곱손실(Mean Squared Error: MSE)의 평균 및 표준 편차를 나타낸다. 따라서 탐지부(300)는 학습이 종료되면, 기준치(
Figure pat00089
)를 산출하여 저장모듈(12)에 저장한다. 이에 따라, 탐지부(300)는 복원오차가 미리 산출된 기준치(
Figure pat00090
)를 초과하는지 여부를 판단할 수 있다.
S260 단계의 판단 결과, 복원 오차가 기준치(
Figure pat00091
) 이상이면, 탐지부(300)는 S270 단계에서 해당 미세먼지센서에 이상이 발생한 것으로 판정한다. 이에 따라, 통지부(400)는 S280 단계에서 통신모듈(11)을 통해 관리자장치(30)로 센서장치(20)의 이상을 알리며, 이상이 탐지된 센서장치(20)의 식별 정보를 포함하는 경보 메시지를 전송한다.
상술한 바와 같이, 본 발명은 딥러닝 기반으로 정상 상태의 미세먼지센서의 측정값을 비지도 학습 방법으로 훈련한다. 그리고 학습이 완료된 딥러닝모델인 탐지망(HP-GAN)은 미세먼지센서가 비정상적인 값을 측정할 때 이상 판정 및 관리자에 점검 요청 형태의 알림을 보낸다. 이에 따라, 본 발명에 따르면, 미세먼지센서의 수가 기하급수적으로 증가해야 하는 상황에서도 각 미세먼지센서를 모니터링 할 관리자의 수를 미세먼지센서의 수에 비례하여 확보할 필요가 없다. 단지, 관리자는 점검 요청 알림을 받은 미세먼지센서에 대해서만 추가적인 점검을 통해 문제되는 부속을 교체하는 등의 조치를 취하여 전체 미세먼지센서를 유지, 보수 및 관리할 수 있다.
이상에서 설명한 바와 같이, 본 명세서는 다수의 특정한 구현물의 세부사항들을 포함하지만, 이들은 어떠한 발명이나 청구 가능한 것의 범위에 대해서도 제한적인 것으로서 이해되어서는 안 되며, 오히려 특정한 발명의 특정한 실시형태에 특유할 수 있는 특징들에 대한 설명으로서 이해되어야 한다. 개별적인 실시형태의 문맥에서 본 명세서에 기술된 특정한 특징들은 단일 실시형태에서 조합하여 구현될 수도 있다. 반대로, 단일 실시형태의 문맥에서 기술한 다양한 특징들 역시 개별적으로 혹은 어떠한 적절한 하위 조합으로도 복수의 실시형태에서 구현 가능하다. 나아가, 특징들이 특정한 조합으로 동작하고 초기에 그와 같이 청구된 바와 같이 묘사될 수 있지만, 청구된 조합으로부터의 하나 이상의 특징들은 일부 경우에 그 조합으로부터 배제될 수 있으며, 그 청구된 조합은 하위 조합이나 하위 조합의 변형물로 변경될 수 있다.
마찬가지로, 특정한 순서로 도면에서 동작들을 묘사하고 있지만, 이는 바람직한 결과를 얻기 위하여 도시된 그 특정한 순서나 순차적인 순서대로 그러한 동작들을 수행하여야 한다거나 모든 도시된 동작들이 수행되어야 하는 것으로 이해되어서는 안 된다. 특정한 경우, 멀티태스킹과 병렬 프로세싱이 유리할 수 있다. 또한, 상술한 실시형태의 다양한 시스템 컴포넌트의 분리는 그러한 분리를 모든 실시형태에서 요구하는 것으로 이해되어서는 안되며, 설명한 프로그램 컴포넌트와 시스템들은 일반적으로 단일의 소프트웨어 제품으로 함께 통합되거나 다중 소프트웨어 제품에 패키징될 수 있다는 점을 이해하여야 한다.
본 명세서에서 설명한 주제의 특정한 실시형태를 설명하였다. 기타의 실시형태들은 이하의 청구항의 범위 내에 속한다. 예컨대, 청구항에서 인용된 동작들은 상이한 순서로 수행되면서도 여전히 바람직한 결과를 성취할 수 있다. 일 예로서, 첨부도면에 도시한 프로세스는 바람직한 결과를 얻기 위하여 반드시 그 특정한 도시된 순서나 순차적인 순서를 요구하지 않는다. 특정한 구현예에서, 멀티태스킹과 병렬 프로세싱이 유리할 수 있다.
본 기술한 설명은 본 발명의 최상의 모드를 제시하고 있으며, 본 발명을 설명하기 위하여, 그리고 당업자가 본 발명을 제작 및 이용할 수 있도록 하기 위한 예를 제공하고 있다. 이렇게 작성된 명세서는 그 제시된 구체적인 용어에 본 발명을 제한하는 것이 아니다. 따라서, 상술한 예를 참조하여 본 발명을 상세하게 설명하였지만, 당업자라면 본 발명의 범위를 벗어나지 않으면서도 본 예들에 대한 개조, 변경 및 변형을 가할 수 있다.
따라서 본 발명의 범위는 설명된 실시 예에 의하여 정할 것이 아니고 특허청구범위에 의해 정하여져야 한다.
본 발명은 가설 가지치기 방식 생산적 적대 신경망 기반 미세먼지센서의 이상을 탐지하기 위한 장치 및 이를 위한 방법에 관한 것으로서, 본 발명은 가설 가지치기 방식 생산적 적대 신경망을 이용하여 미세먼지센서가 측정한 미세먼지농도의 측정값의 이상 여부를 실시간으로 그리고 안정적으로 탐지할 수 있다. 이에 따라, 이상 탐지 비용 및 시간을 절약할 수 있어 LLS 기술 기반 미세먼지센서와 같은 저비용 센서를 사용할 수 있다. 따라서 동일한 범위에 더 많은 센서를 설치하여 미세먼지 농도 측정의 공간 해상도를 극대화할 수 있다. 따라서 본 발명은 시판 또는 영업의 가능성이 충분할 뿐만 아니라 현실적으로 명백하게 실시할 수 있는 정도이므로 산업상 이용가능성이 있다.
10: 관제서버 11: 통신모듈
12: 저장모듈 13: 제어모듈
20: 센서장치 30: 관리장치
100: 학습부 200: 데이터처리부
300: 탐지부 400: 통지부

Claims (10)

  1. 데이터처리부가 미세먼지센서가 측정한 미세먼지농도의 측정값을 수집하는 단계;
    탐지부가 입력되는 측정값을 모사하는 복수의 가설값을 산출하도록 학습된 탐지망을 이용하여 상기 측정값에 대해 복수의 가설값을 산출하고, 산출된 복수의 가설값 중 상기 측정값과의 차이가 최소인 최적가설값을 선택하는 단계;
    탐지부가 상기 측정값과 상기 최적가설값과의 차이를 나타내는 복원오차가 기 산출된 기준치를 초과하는지 여부를 판단하는 단계;
    상기 판단 결과, 상기 측정값과 상기 최적가설값과의 차이를 나타내는 복원오차가 상기 기준치 이상이면, 탐지부가 상기 미세먼지센서에 이상이 있는 것으로 판단하는 단계;
    를 포함하는 것을 특징으로 하는
    미세먼지센서의 이상을 탐지하기 위한 방법.
  2. 제1항에 있어서,
    상기 미세먼지농도의 측정값을 수신하는 단계 전,
    학습부가 학습용 측정값을 초기화된 탐지망에 입력하는 단계;
    상기 학습부가 상기 학습용 측정값에 대한 탐지망의 연산 결과에 따라 각각의 손실 가중치가 적용되는 인코딩 손실, 생성 손실 및 적대적 손실을 포함하는 전체 손실을 산출하는 단계;
    상기 학습부가 상기 전체 손실이 최소가 되도록 상기 탐지망의 파라미터를 갱신하는 최적화를 수행하는 단계;
    를 더 포함하는 것을 특징으로 하는
    미세먼지센서의 이상을 탐지하기 위한 방법.
  3. 제2항에 있어서,
    상기 전체 손실을 산출하는 단계는
    상기 탐지망의 인코더가 상기 학습용 측정값에 대응하여 잠재값을 산출하고,
    상기 탐지망의 생성자가 상기 잠재값에 대응하여 복수의 가설값을 산출하고,
    상기 탐지망의 생성자가 상기 잠재값의 랜덤 노이즈에 대응하여 노이즈 가설값을 산출하고,
    상기 탐지망의 인코더가 상기 복수의 가설값에 대응하여 복수의 모사잠재값을 산출하면,
    상기 학습부가 상기 복수의 모사잠재값 중 상기 잠재값과의 차이가 최소인 최적모사잠재값과 상기 잠재값과의 차이를 나타내는 인코딩 손실을 산출하는 단계;
    상기 학습부가 상기 복수의 가설값 중 학습용 측정값과의 차이가 최소인 가설값과 상기 학습용 측정값과의 차이를 나타내는 생성 손실을 산출하는 단계; 및
    상기 복수의 가설값 중 상기 생성 손실이 최소가 되는 가설값을 최적가설값으로 선택하고, 나머지 가설값을 기타 가설값으로 분류하는 단계;
    를 더 포함하는 것을 특징으로 하는
    미세먼지센서의 이상을 탐지하기 위한 방법.
  4. 제3항에 있어서,
    상기 전체 손실을 산출하는 단계는
    상기 나머지 가설값을 기타 가설값으로 분류하는 단계 후,
    탐지망의 판별자가 상기 학습용 측정값, 상기 노이즈 가설값, 상기 최적가설값 및 상기 기타 가설값 각각에 대한 연산 결과를 도출하면,
    상기 학습부가 학습용 측정값과 노이즈 가설값 각각에 대한 상기 판별자의 연산 결과의 차이를 나타내는 노이즈 적대적 손실을 산출하는 단계;
    상기 학습부가 학습용 측정값과 최적가설값 각각에 대한 상기 판별자의 연산 결과의 차이를 나타내는 최적 적대적 손실을 산출하는 단계;
    상기 학습부가 학습용 측정값과 기타 가설값 각각에 대한 상기 판별자의 연산 결과의 차이의 평균인 기타 적대적 손실을 산출하는 단계;
    상기 학습부가 학습용 측정값이 입력되었을 때 상기 판별자의 0부터 l번째 계층의 특징지도와 기타 가설값이 입력되었을 때, 상기 판별자의 0부터 l번째 계층의 특징지도의 차이의 합을 나타내는 특징지도 적대적 손실을 산출하는 단계; 및
    상기 학습부가 상기 노이즈 적대적 손실, 상기 최적 적대적 손실, 기타 적대적 손실 및 특징지도 적대적 손실을 합산한 적대적 손실을 산출하는 단계;
    를 더 포함하는 것을 특징으로 하는
    미세먼지센서의 이상을 탐지하기 위한 방법.
  5. 제1항에 있어서,
    상기 미세먼지농도의 측정값을 수신하는 단계 전,
    상기 탐지망의 학습이 완료된 후,
    상기 탐지부가 수학식
    Figure pat00092
    에 따라 상기 기준치를 산출하는 단계;
    를 더 포함하며,
    상기
    Figure pat00093
    는 상기 탐지망의 학습에 사용된 복수의 학습용 측정값과 복수의 학습용 측정값에 대응하는 복수의 최적가설값 간의 평균제곱손실의 평균이고,
    상기
    Figure pat00094
    는 상기 복수의 학습용 측정값과 상기 복수의 학습용 측정값에 대응하는 상기 복수의 최적가설값 간의 평균제곱손실의 표준 편차인 것을 특징으로 하는
    미세먼지센서의 이상을 탐지하기 위한 방법.
  6. 미세먼지센서가 측정한 미세먼지농도의 측정값을 수집하는 데이터처리부; 및
    입력되는 측정값을 모사하는 복수의 가설값을 산출하도록 학습된 탐지망을 이용하여 상기 측정값에 대해 복수의 가설값을 산출하고, 산출된 복수의 가설값 중 상기 측정값과의 차이가 최소인 최적가설값을 선택하고,
    상기 측정값과 상기 최적가설값과의 차이를 나타내는 복원오차가 기 산출된 기준치를 초과하는지 여부를 판단하고,
    상기 판단 결과, 상기 측정값과 상기 최적가설값과의 차이를 나타내는 복원오차가 상기 기준치 이상이면, 상기 미세먼지센서에 이상이 있는 것으로 판단하는 탐지부;
    를 포함하는 것을 특징으로 하는
    미세먼지센서의 이상을 탐지하기 위한 장치.
  7. 제6항에 있어서,
    학습용 측정값을 초기화된 탐지망에 입력하고, 상기 학습용 측정값에 대한 탐지망의 연산 결과에 따라 각각의 손실 가중치가 적용되는 인코딩 손실, 생성 손실 및 적대적 손실을 포함하는 전체 손실을 산출한 후, 상기 전체 손실이 최소가 되도록 상기 탐지망의 파라미터를 갱신하는 최적화를 수행하는 학습부;
    를 더 포함하는 것을 특징으로 하는
    미세먼지센서의 이상을 탐지하기 위한 장치.
  8. 제7항에 있어서,
    상기 학습부는
    상기 탐지망의 인코더가 상기 학습용 측정값에 대응하여 잠재값을 산출하고,
    상기 탐지망의 생성자가 상기 잠재값에 대응하여 복수의 가설값을 산출하고,
    상기 탐지망의 생성자가 상기 잠재값의 랜덤 노이즈에 대응하여 노이즈 가설값을 산출하고,
    상기 탐지망의 인코더가 상기 복수의 가설값에 대응하여 복수의 모사잠재값을 산출하면,
    상기 복수의 모사잠재값 중 상기 잠재값과의 차이가 최소인 최적모사잠재값과 상기 잠재값과의 차이를 나타내는 인코딩 손실을 산출하고,
    상기 복수의 가설값 중 학습용 측정값과의 차이가 최소인 가설값과 상기 학습용 측정값과의 차이를 나타내는 생성 손실을 산출하고,
    상기 복수의 가설값 중 상기 생성 손실이 최소가 되는 가설값을 최적가설값으로 선택하고, 나머지 가설값을 기타 가설값으로 분류하는
    것을 특징으로 하는
    미세먼지센서의 이상을 탐지하기 위한 장치.
  9. 제8항에 있어서,
    상기 학습부는
    탐지망의 판별자가 상기 학습용 측정값, 상기 노이즈 가설값, 상기 최적가설값 및 상기 기타 가설값 각각에 대한 연산 결과를 도출하면,
    학습용 측정값과 노이즈 가설값 각각에 대한 상기 판별자의 연산 결과의 차이를 나타내는 노이즈 적대적 손실을 산출하고,
    상기 학습용 측정값과 최적가설값 각각에 대한 상기 판별자의 연산 결과의 차이를 나타내는 최적 적대적 손실을 산출하고,
    상기 학습용 측정값과 기타 가설값 각각에 대한 상기 판별자의 연산 결과의 차이의 평균인 기타 적대적 손실을 산출하고,
    상기 학습용 측정값이 입력되었을 때 상기 판별자의 0부터 l번째 계층의 특징지도와 상기 기타 가설값이 입력되었을 때, 상기 판별자의 0부터 l번째 계층의 특징지도의 차이의 합을 나타내는 특징지도 적대적 손실을 산출한 후,
    상기 노이즈 적대적 손실, 상기 최적 적대적 손실, 기타 적대적 손실 및 특징지도 적대적 손실을 합산한 적대적 손실을 산출하는
    것을 특징으로 하는
    미세먼지센서의 이상을 탐지하기 위한 장치.
  10. 제6항에 있어서,
    상기 탐지부는
    수학식
    Figure pat00095
    에 따라 상기 기준치를 산출하고,
    상기
    Figure pat00096
    는 상기 탐지망의 학습에 사용된 복수의 학습용 측정값과 복수의 학습용 측정값에 대응하는 복수의 최적가설값 간의 평균제곱손실의 평균이고,
    상기
    Figure pat00097
    는 상기 복수의 학습용 측정값과 상기 복수의 학습용 측정값에 대응하는 상기 복수의 최적가설값 간의 평균제곱손실의 표준 편차인 것을 특징으로 하는
    미세먼지센서의 이상을 탐지하기 위한 장치.
KR1020210019727A 2021-02-15 2021-02-15 가설 가지치기 방식 생산적 적대 신경망 기반 미세먼지센서의 이상을 탐지하기 위한 장치 및 이를 위한 방법 KR20220116644A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210019727A KR20220116644A (ko) 2021-02-15 2021-02-15 가설 가지치기 방식 생산적 적대 신경망 기반 미세먼지센서의 이상을 탐지하기 위한 장치 및 이를 위한 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210019727A KR20220116644A (ko) 2021-02-15 2021-02-15 가설 가지치기 방식 생산적 적대 신경망 기반 미세먼지센서의 이상을 탐지하기 위한 장치 및 이를 위한 방법

Publications (1)

Publication Number Publication Date
KR20220116644A true KR20220116644A (ko) 2022-08-23

Family

ID=83092623

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210019727A KR20220116644A (ko) 2021-02-15 2021-02-15 가설 가지치기 방식 생산적 적대 신경망 기반 미세먼지센서의 이상을 탐지하기 위한 장치 및 이를 위한 방법

Country Status (1)

Country Link
KR (1) KR20220116644A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200031208A (ko) 2018-09-14 2020-03-24 삼미정보시스템 주식회사 센서 고장 자동 탐지 방법 및 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200031208A (ko) 2018-09-14 2020-03-24 삼미정보시스템 주식회사 센서 고장 자동 탐지 방법 및 시스템

Similar Documents

Publication Publication Date Title
US10909647B2 (en) Damage data propagation in predictor of structural damage
US10275402B2 (en) Systems and methods to provide pipeline damage alerts
US6970808B2 (en) Realtime computer assisted leak detection/location reporting and inventory loss monitoring system of pipeline network systems
US11378485B2 (en) Structural monitoring system
US11226856B2 (en) Methods and systems correlating hypotheses outcomes using relevance scoring for intuition based forewarning
Abdalzaher et al. Early detection of earthquakes using iot and cloud infrastructure: A survey
US10915829B1 (en) Data model update for structural-damage predictor after an earthquake
US20220082409A1 (en) Method and system for monitoring a gas distribution network operating at low pressure
US20220260539A1 (en) Integrated monitoring system for real-time odor tracking
US11849677B2 (en) Method and apparatus for applying intuition technology to better preserve grains against pest damages in smart silos
AU2020306782A1 (en) Gas emission monitoring and detection
KR102682184B1 (ko) 실시간으로 재난 상황을 감지하고 대응하는 재난 대응 시스템
US11892563B1 (en) Detecting human presence in an outdoor monitored site
US20200117840A1 (en) Injection of simulated sources in a system of networked sensors
Menon et al. Exploring iot-enabled multi-hazard warning system for disaster-prone areas
Wang et al. Hybrid model for prediction of carbon monoxide and fine particulate matter concentrations near a road intersection
KR20220127605A (ko) 다중 가설 오토인코더 기반 센서의 이상을 탐지하기 위한 장치 및 이를 위한 방법
JP7450309B1 (ja) Ａｉ管路劣化予測システム、ａｉ管路劣化予測方法及びａｉ管路劣化予測プログラム
KR20220116644A (ko) 가설 가지치기 방식 생산적 적대 신경망 기반 미세먼지센서의 이상을 탐지하기 위한 장치 및 이를 위한 방법
CN117520989A (zh) 一种基于机器学习的天然气管道泄漏检测方法
Rawat et al. LANDSLIDE MONITOR: a real-time landslide monitoring system
KR20190127546A (ko) IoT를 이용한 도시 인프라 관리 방법 및 장치
Aman et al. Addressing data veracity in big data applications
Balaskas et al. Earthquake early warning and rapid response system based on smart seismic and monitoring sensors embedded in a communication platform and coupled with BIM models
Ahmed Resilient IoT-based monitoring system for the nigerian oil and gas industry

Legal Events

Date Code Title Description
A201 Request for examination