KR20220117566A - 실시간 상하수도 관제를 통한 딥러닝 기반 방제 시스템 - Google Patents
실시간 상하수도 관제를 통한 딥러닝 기반 방제 시스템 Download PDFInfo
- Publication number
- KR20220117566A KR20220117566A KR1020210021069A KR20210021069A KR20220117566A KR 20220117566 A KR20220117566 A KR 20220117566A KR 1020210021069 A KR1020210021069 A KR 1020210021069A KR 20210021069 A KR20210021069 A KR 20210021069A KR 20220117566 A KR20220117566 A KR 20220117566A
- Authority
- KR
- South Korea
- Prior art keywords
- water
- sewage
- data
- real
- abnormal situation
- Prior art date
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 116
- 239000010865 sewage Substances 0.000 title claims abstract description 85
- 238000013135 deep learning Methods 0.000 title claims abstract description 35
- 230000002159 abnormal effect Effects 0.000 claims abstract description 88
- 238000001514 detection method Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000004891 communication Methods 0.000 claims abstract description 29
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 238000010801 machine learning Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims description 29
- 230000008859 change Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 abstract description 11
- 238000013480 data collection Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 25
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 5
- 238000000611 regression analysis Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000009933 burial Methods 0.000 description 2
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 244000035744 Hura crepitans Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000009474 immediate action Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation 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
- G06Q50/10—Services
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/26—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors
-
- 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
- G06Q50/06—Energy or water supply
-
- 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
-
- 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
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/15—Leakage reduction or detection in water storage or distribution
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Emergency Management (AREA)
- Sewage (AREA)
Abstract
본 발명은 실시간 상하수도 관제를 통한 방제 시스템에 관한 것으로, 보다 구체적으로는 지하에 매설되어 있는 다양한 상하수도 관로에 대한 센서 기반 데이터 수집을 기초로 실시간 모니터링과 머신 러닝/딥 러닝을 통해 현재 지하 매설물의 상태와 발생 가능한 사고를 예측하여 방지하는 실시간 상하수도 관제를 통한 딥러닝 기반 방제 시스템에 관한 것이다.
상기 목적을 달성하기 위하여, 본 발명은, 상하수도 관로의 구간별 노드에 대한 이상상황을 실시간으로 감지하기 위한 감지 센서부와; 상기 감지 센서부에 의한 이상상황 여부를 통신망에 의해 전송하기 위한 통신부와; 상기 통신부를 통해 수신되는 이상상황 감지 여부에 따른 데이터를 수집하여 관리하기 위한 상하수도 관제서버와; 상기 상하수도 관제서버와 연동되어 실시간으로 이상상황 감지 여부를 확인하기 위한 사용자 단말기;를 포함하는 것을 특징으로 한다.
상기 목적을 달성하기 위하여, 본 발명은, 상하수도 관로의 구간별 노드에 대한 이상상황을 실시간으로 감지하기 위한 감지 센서부와; 상기 감지 센서부에 의한 이상상황 여부를 통신망에 의해 전송하기 위한 통신부와; 상기 통신부를 통해 수신되는 이상상황 감지 여부에 따른 데이터를 수집하여 관리하기 위한 상하수도 관제서버와; 상기 상하수도 관제서버와 연동되어 실시간으로 이상상황 감지 여부를 확인하기 위한 사용자 단말기;를 포함하는 것을 특징으로 한다.
Description
본 발명은 실시간 상하수도 관제를 통한 방제 시스템에 관한 것으로, 보다 구체적으로는 지하에 매설되어 있는 다양한 상하수도 관로에 대한 센서 기반 데이터 수집을 기초로 실시간 모니터링과 머신 러닝/딥 러닝을 통해 현재 지하 매설물의 상태와 발생 가능한 사고를 예측하여 방지하는 실시간 상하수도 관제를 통한 딥러닝 기반 방제 시스템에 관한 것이다.
최근 중국 및 개발도상국의 수도관망 누수는 심각하고, 각 도시에서는 정수장과 관망이 계속 확대되고 있으며, 그에 따라 수도관망의 누수량은 나날이 증가하고 있으며 국내의 경우에도 최소 10%(6억톤)의 상수도 누수가 발생하며 국내의 대부분 농수산물, 수산물 시장의 상수도 관로 상에서도 당해 수치 이상의 누수가 발생하고 있지만 누수의 시점과 모니터링의 난해함으로 대부분의 감지와 고장은 사람에 의해서 관리가 되고 있다.
또한, 이와 같은 경우를 제외하여도 지하 상수도관의 파열에 의해서 도심의 중요 지반에 싱크홀이 발생하거나 지반이 무너져 내리는 사고가 최근 대폭적으로 증가하고 있는 부분도 지하 매설물에서 발생하는 누수의 영향으로 발생하며, 한반도의 기후변화에 따라서 겨울철 지하 상수도의 상태를 실시간으로 감지할 수 없는 현재의 시스템으로 조기 사고 방지에 대한 필요성이 증가하고 있다.
본 발명은 상기와 같은 재난과 사고를 방지하기 위해 사물 인터넷과 태양광 시스템을 이용해서 독립적인 관제 시스템을 메시 네트워크로 구성하여 상호 간의 데이터를 실시간으로 서버로 집중 전송하고 대량의 모니터링 데이터를 머신 러닝/딥 러닝 기반의 학습을 통해서 향후 발생 가능한 재해를 예측 탐지하는 기술이 필요하다.
또한, 더 나아가, 상기와 같은 문제점을 완벽히 해결하고자 데이터의 수집과 연산이 실시간으로 가능하도록 머신 러닝/딥 러닝을 병렬로 구성하여 대량의 노드별 센싱 데이터를 처리할 수 있도록 하고 해당 데이터는 실시간 관제와 제어를 통해서 관리자와 지역 재난 시스템과 연계되어 발생 가능한 지하 매설물 사고를 예측하여 방지하는 실시간 상하수도 관제를 통한 딥러닝 기반 방제 시스템 개발이 요구되고 있는 실정이다.
본 발명은 상기한 종래 기술의 문제점을 해결하기 위해 안출된 것으로서, 누수의 시점과 모니터링의 난해함으로 대부분의 감지와 고장은 사람에 의해서 관리되는 문제점과 기후변화에 따라서 겨울철 지하 상수도의 상태를 실시간으로 감지할 수 없는 문제점을 내포하고 있는 환경 모두를 벗어나, 사물 인터넷과 태양광 시스템을 이용해서 독립적인 관제 시스템을 메시 네트워크로 구성하여 상호 간의 데이터를 실시간으로 서버로 집중 전송하고 대량의 모니터링 데이터를 머신 러닝/딥 러닝 기반의 학습을 통해서 향후 발생 가능한 재해를 예측 탐지하고, 해당 머신 러닝/딥 러닝을 병렬로 구성하여 대량의 노드별 센싱 데이터를 처리할 수 있도록 하고 해당 데이터는 실시간 관제와 제어를 통해서 관리자와 지역 재난 시스템과 연계되어 발생 가능한 지하 매설물 사고를 예측하여 방지하는 실시간 상하수도 관제를 통한 딥러닝 기반 방제 시스템을 제공하는데 그 목적이 있다.
상기 목적을 달성하기 위하여, 본 발명은, 상하수도 관로의 구간별 노드에 대한 이상상황을 실시간으로 감지하기 위한 감지 센서부와; 상기 감지 센서부에 의한 이상상황 여부를 통신망에 의해 전송하기 위한 통신부와; 상기 통신부를 통해 수신되는 이상상황 감지 여부에 따른 데이터를 수집하여 관리하기 위한 상하수도 관제서버와; 상기 상하수도 관제서버와 연동되어 실시간으로 이상상황 감지 여부를 확인하기 위한 사용자 단말기;를 포함하는 것을 특징으로 한다.
여기서, 상기 감지 센서부는 상하수도 관로의 구간별 노드에 대한 이상상황을 압력, 소음, 온도, 습도, 진도 및 유량 중 적어도 어느 하나 이상을 기초로 감지하는 것을 특징으로 한다.
또한, 상기 상하수도 관제서버는 상하수도 관로의 구간별 유량 데이터 합산을 기초로 변동되고 있는 유량 데이터를 도출하여 실시간으로 누수 발생에 대한 모니터링을 하기 위한 누수 모니터링 모듈을 구비하고, 상기 누수 모니터링 모듈은 상하수도 관로의 구간별 노드 중 상부 노드로부터 도출된 유량 데이터와 하부 노드로부터 도출된 유량 데이터의 합산이 오차 범위를 넘어가는 경우 누수 발생에 대한 경고를 사용자 단말기로 안내하고, 상기 누수 모니터링 모듈은 이상상황 감지 여부에 따른 데이터가 임계 수치를 넘어가는 경우 지하 매설물의 상태가 비정상적임에 대한 경고를 사용자 단말기로 안내하는 것을 특징으로 한다.
또한, 상기 상하수도 관제서버는 감지 센서부에 의해 감지되는 압력, 소음, 온도, 습도, 진도 및 유량 중 적어도 어느 하나 이상의 상태 변화를 데이터로 생성하기 위한 데이터 생성모듈을 구비하고, 상기 상하수도 관제서버는 생성된 데이터를 기반으로 정상, 관심, 주의, 경보 및 비상 중 적어도 어느 하나 이상의 상황으로 실시간 판단하기 위한 상황 판단모듈을 구비하는 것을 특징으로 한다.
또한, 상기 상하수도 관제서버는 감지 센서부의 감지 대상이 되는 상하수도 관로의 구간별 노드에 대한 정보를 관리하기 위한 노드정보 관리모듈과; 상기 감지 센서부를 통해 감지된 이상상황 발생 횟수 및 노드정보를 머신러닝(Machine Learning) 방식을 이용하여 매칭시켜 노드별 이상상황 발생률을 분석하기 위한 이상상황 분석모듈과; 상기 이상상황 분석모듈에 의해 분석된 데이터에 근거한 딥 러닝(Deep learning) 방식을 이용하여 이상상황 발생 시기를 예측하기 위한 이상상황 예측모듈을 구비하는 것을 특징으로 한다.
또한, 상기 사용자 단말기는 웨어러블 타입이고 사용자의 바이오 데이터를 수집하기 위한 생체신호 전극을 포함하는 심전도(ECG: electrocardiogram) 모듈 및 상기 심전도 모듈과 전기적으로 연결되기 위한 인터페이스 모듈을 구비하고, 상기 인터페이스 모듈은 이상상황 발생시 사용자 단말기를 통하여 사용자의 바이오 데이터를 센싱하고, 상기 센싱된 사용자의 바이오 데이터를 응급 의료 관제서버, 상하수도 관제서버 및 119 긴급구조 요청서버 중 적어도 어느 하나 이상의 서버로 전송하는 것을 특징으로 한다.
본 발명에 따른 실시간 상하수도 관제를 통한 딥러닝 기반 방제 시스템은사물 인터넷과 태양광 시스템을 이용해서 독립적인 관제 시스템을 메시 네트워크로 구성하여 상호 간의 데이터를 실시간으로 서버로 집중 전송하고 대량의 모니터링 데이터를 머신 러닝/딥 러닝 기반의 학습을 통해서 향후 발생 가능한 재해를 예측 탐지하고, 누수 감지 및 모니터링에 의한 누수 방지가 가능할 수 있다.
또한, 데이터의 수집과 연산이 실시간으로 가능하도록 머신 러닝/딥 러닝을 병렬로 구성하여 대량의 노드별 센싱 데이터를 처리할 수 있도록 하고 해당 데이터는 실시간 관제와 제어를 통해서 관리자와 지역 재난 시스템과 연계되어 발생 가능한 지하 매설물 사고를 예측하여 방지할 수 있다.
다만, 본 발명의 효과가 상술한 효과들로 제한되는 것은 아니며, 언급되지 아니한 효과들은 본 명세서 및 첨부된 도면으로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 1은 본 발명에 따른 실시간 상하수도 관제를 통한 딥러닝 기반 방제 시스템을 개략적으로 도시한 도면
도 2는 본 발명에 따른 실시간 상하수도 관제를 통한 딥러닝 기반 방제 시스템 중 상하수도 관제서버를 개략적으로 도시한 도면
도 3은 본 발명에 따른 실시간 상하수도 관제를 통한 딥러닝 기반 방제 방법을 도시한 도면
도 2는 본 발명에 따른 실시간 상하수도 관제를 통한 딥러닝 기반 방제 시스템 중 상하수도 관제서버를 개략적으로 도시한 도면
도 3은 본 발명에 따른 실시간 상하수도 관제를 통한 딥러닝 기반 방제 방법을 도시한 도면
본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.
따라서, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형예들이 있을 수 있음을 이해하여야 한다.
그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 설정된 용어들로서 이는 생산자의 의도 또는 관례에 따라 달라질 수 있으므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이고, 본 명세서에서 본 발명에 관련된 공지의 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에 이에 관한 자세한 설명은 생략하기로 한다.
이하, 도면을 참조로 하여 본 발명에 따른 실시간 상하수도 관제를 통한 딥러닝 기반 방제 시스템을 설명하기로 한다.
도 1은 본 발명에 따른 실시간 상하수도 관제를 통한 딥러닝 기반 방제 시스템을 개략적으로 도시한 도면이다.
본 발명은 기본적으로 감지 센서부, 통신부, 상하수도 관제서버 및 사용자 단말기를 포함하여 구성된다.
보다 구체적으로, 본 발명은 상하수도 관로의 구간별 노드에 대한 이상상황을 실시간으로 감지하기 위한 감지 센서부와, 상기 감지 센서부에 의한 이상상황 여부를 통신망에 의해 전송하기 위한 통신부와, 상기 통신부를 통해 수신되는 이상상황 감지 여부에 따른 데이터를 수집하여 관리하기 위한 상하수도 관제서버와, 상기 상하수도 관제서버와 연동되어 실시간으로 이상상황 감지 여부를 확인하기 위한 사용자 단말기를 포함하여 이루어진다.
여기서, 상기 감지 센서부는 상하수도 관로의 구간별 노드에 대한 이상상황을 압력, 소음, 온도, 습도, 진도 및 유량 중 적어도 어느 하나 이상을 기초로 감지한다.
또한, 상기 개별 노드에는 수십 미터 단위의 비콘 기반의 센싱 노드를 설치하거나 수백미터/키로 단위로 LoRA, GSM 기반 태양광 전력 공급이 가능한 독자적인 센싱 노드인 전송 모듈이 통신부와 연동되어 설치될 수도 있다.
더 나아가, 상기 상하수도 관제서버는 상하수도 관로의 구간별 유량 데이터 합산을 기초로 변동되고 있는 유량 데이터를 도출하여 실시간으로 누수 발생에 대한 모니터링을 하기 위한 누수 모니터링 모듈을 구비하고, 상기 누수 모니터링 모듈은 상하수도 관로의 구간별 노드 중 상부 노드로부터 도출된 유량 데이터와 하부 노드로부터 도출된 유량 데이터의 합산이 오차 범위를 넘어가는 경우 누수 발생에 대한 경고를 사용자 단말기로 안내하고, 상기 누수 모니터링 모듈은 이상상황 감지 여부에 따른 데이터가 임계 수치를 넘어가는 경우 지하 매설물의 상태가 비정상적임에 대한 경고를 사용자 단말기로 안내함으로써, 관리자(사용자)는 즉각적인 누수 조치 시행이 가능하며, 관로의 파열 및 정상 유무를 현장에서 측정 및 확인하고 방제 가능하도록 한다.
상기 사용자 단말기는 네트워크를 통해 상하수도 관제서버에 접속하여 실시간으로 이상상황과 관련된 확인 등과 관련된 프로세스를 처리하도록 통신하게 되고, 이러한 사용자 단말기는 데스크탑, 태블릿, 넷북, PDA(personal digital assistant), PMP(portable multimedia player), 스마트폰, 웨어러블 스마트 기기 등의 다양한 통신 수단을 포함하는 것으로 해석되어야 하며, 웹 기반 또는 별도의 소프트웨어/애플리케이션 등을 통해 상하수도 관제서버에서 제공하는 각종 기능을 실행할 수 있다.
상기 상하수도 관제서버는 일종의 웹서버, 데이터베이스 서버, 모바일 서버로서 역할을 하도록 구축될 수 있는데, 예를 들어 처리된 결과를 온라인 네트워크를 통해 웹페이지 상에서 보여주거나 필요한 입력 데이터를 웹페이지를 통해 전송받을 수 있고, 여기서 웹페이지는 단순한 텍스트, 이미지, 사운드, 동영상 등 이외에도 웹 어플리케이션과 같은 특정 작업을 수행하기 위한 소프트웨어를 포함하는 것으로 해석되어야 하며, 또한 데스크탑, 노트북, 스마트폰, 태블릿 PC 등에 설치되는 어플리케이션과 인터페이스를 제공하도록 구축될 수도 있다.
상기 감지 센서부 및 통신부는 감지된 센서 데이터 또는 감지 센서부에 의한 이상상황 여부에 대한 적어도 어느 하나 이상의 데이터를 임의로 저장하는 메모리부를 포함하며, 상기 통신부는 임의로 데이터를 저장한 메모리부에 대한 송신이 외부 장치, 사용자 단말기 및 상하수도 관제서버로 가능하도록 지원하며, 해당 통신부는 외부 장치, 사용자 단말기 및 상하수도 관제서버 상호간 온라인 네트워크를 통해 접속하기 위한 유무선 통신모듈을 구비하며, 해당 유무선 통신모듈은 NFC(Near Field Communication), 블루투스(Bluetooth), WiFi, RF 통신 모듈, LoRa(Long Range), ZigBee, 3G/LTE 모듈, 시리얼(USB) 통신, 이더넷 통신 등의 다양한 유무선 통신모듈을 포함하는 것으로 해석되어야 하며, 제조사 서버 및 클라우드 서버에서 제공하는 각종 기능을 실행하기 위한 소프트웨어, 애플리케이션 등을 구비할 수 있다.
또한, 본 발명에서 언급하는 온라인 네트워크라 함은 유선 공중망, 무선 이동 통신망, 또는 휴대 인터넷 등과 통합된 코어 망일 수도 있고, TCP/IP 프로토콜 및 그 상위 계층에 존재하는 여러 서비스, 즉 HTTP(Hyper Text Transfer Protocol), HTTPS(Hyper Text Transfer Protocol Secure), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol) 등을 제공하는 전 세계적인 개방형 컴퓨터 네트워크 구조를 의미할 수 있으며, 이러한 예에 한정하지 않고 다양한 형태로 데이터를 송수신할 수 있는 데이터 통신망을 포괄적으로 의미하는 것이다.
또한, 상기 외부 장치는 IP 카메라, 열화상 카메라, CCTV, IR 센서, 웹캠(Web Cam), 초음파 센서, 압력, 소음, 온도, 습도, 진도 및 유량과 관련된 각종 센서, 스마트폰(smartphone), 태블릿 PC(tablet personalcomputer), 이동 전화기(mobile phone), 영상 전화기, 데스크탑 PC(desktoppersonal computer), 랩탑 PC(laptop personal computer), 넷북 컴퓨터(netbook computer), PDA(personal digital assistant), PMP(portable multimedia player), 웨어러블 장치(wearable device)(예: 스마트 안경, 머리 착용형 장치(head-mounted-device(HMD) 등) 또는 스마트 와치(smart watch)) 중 적어도 하나를 포함할 수 있으며, 이러한 예에 한정하지 않고 다양한 형태로 전기적인 신호로 변화된 값을 송수신 할 수 있는 장치를 의미하는 것이다.
또한, 상기 메모리부는 도시되지는 않았지만, 메모리부는 내장 메모리 또는 외장 메모리를 포함할 수 있다. 내장 메모리는, 예를 들면, 휘발성 메모리(예를 들면, DRAM(dynamic RAM), SRAM(static RAM), SDRAM(synchronous dynamic RAM) 등) 또는 비휘발성 메모리(non-volatile Memory, 예를 들면, OTPROM(one time programmable ROM), PROM(programmable ROM), EPROM(erasable and programmable ROM), EEPROM(electrically erasable and programmable ROM), mask ROM, flash ROM, NAND flash memory, NOR flash memory 등) 중 적어도 하나를 포함할 수 있다. 내장 메모리는 Solid State Drive (SSD)일 수도 있다. 그리고 외장 메모리는 flash drive, 예를 들면, CF(compact flash), SD(secure digital), Micro-SD(micro secure digital), Mini-SD(mini secure digital), xD(extreme digital) 또는 Memory Stick 등을 더 포함할 수 있다. 외장 메모리는 다양한 인터페이스를 통하여 센서 통합부와 기능적으로 연결될 수도 있다.
이하에서는 상기 사용자 단말기와 관련된 구체적인 사항에 대해 살펴보기로 한다.
<사용자 단말기의 주요 구성요소, 기능 및 효과>
* 입력 모듈
- 사용자 단말기는 문자입력 방식, 터치입력 방식 및 음성입력 방식 중 적어도 어느 하나 이상의 입력 방식을 통해 상하수도 이상상황에 대응되는 내용을 입력할 수도 있음
- 상기 입력 모듈은 숫자 또는 문자 정보를 입력 받고 각종 기능들을 설정하기 위한 다수의 입력키 및 기능키들을 포함할 수 있는데, 기능키들은 특정 기능을 수행하도록 설정된 방향키, 사이드 키 및 단축키 등을 포함하고, 입력 모듈은 사용자 단말기의 기능 제어와 관련한 키 신호를 생성하여 사용자 단말기로 전달할 수도 있음
- 쿼티 키패드, 3*4 키패드, 4*3 키패드, 볼 조이스틱(Ball Joystick), 옵티컬 조이스틱(Optical Joystick), 휠 키(Wheel Key), 터치 키(Touch key), 터치 패드(Touch Pad) 및 터치스크린(Touch-screen) 등과 같은 입력 수단들 중 어느 하나 또는 이들의 조합으로 형성할 수도 있음
- 일례로, 사용자 단말기가 풀 터치스크린을 지원하는 경우, 해당 단말기의 케이스 측면에 형성되는 볼륨 조절을 위한 볼륨 키, 화면 온/오프 및 휴대단말기 온/오프를 위한 전원 키 만을 포함할 수도 있고, 특히, 상하수도 관제서버 접속을 지시하는 입력 신호, 인증 정보입력에 해당하는 입력 신호, 특정 샌드 박스 선택을 지시하는 입력 신호, 콘텐츠의 색상, 투명도 변경을 지시하는 입력 신호 등과 같은 다양한 입력 신호 등을 생성하고, 이를 상하수도 관제서버에 전달할 수도 있음
* 단말기 제어모듈
- 사용자 단말기의 전송받고자 하는 상하수도 관제 및 방제 시스템의 전반적인 동작 및 사용자 단말기의 내부 블록들 간 신호 흐름을 제어하고, 데이터를 처리하는 데이터 처리 기능을 수행할 수도 있음
- 예를 들어, 단말기 제어모듈은 중앙 처리 장치(Central Processing Unit: CPU), 애플리케이션 프로세서(Application Processor) 등 및 사용자 단말기의 실시간 위치 정보를 생성하기 위한 GPS(Global Positioning System) 기반의 측정 센서를 구비할 수도 있음
더 나아가, 상기 사용자 단말기는 웨어러블 타입으로서, 사용자의 바이오 데이터를 수집하기 위한 생체신호 전극을 포함하는 심전도(ECG: electrocardiogram) 모듈 및 상기 심전도 모듈과 전기적으로 연결되기 위한 인터페이스 모듈을 구비하며, 상기 인터페이스 모듈은 이상상황 발생으로 인한 일례인 인명 사고 발생 시 사용자 단말기를 통하여 사용자의 바이오 데이터를 센싱하고, 상기 센싱된 사용자의 바이오 데이터를 응급 의료 관제서버, 상하수도 관제서버, 119 긴급구조 요청서버 및 112 신고 서버 중 적어도 어느 하나 이상의 서버에 전송한다.
구체적으로, 이상상황 발생으로 인한 일례인 인명 사고 발생 중 사용자 단말기는 사용자의 심전도를 실시간으로 확인하고, 인명 사고 발생 시 사용자의 심전도에 나타나는 해당 사용자의 심장의 수축에 따른 활동전류 곡선 기반의 바이오 데이터가 일반 사람의 활동전류 곡선에 벗어나는 활동전류 곡선을 나타내는 바이오 데이터로 측정이 되면, 상기 인터페이스 모듈은 사용자의 바이오 데이터를 센싱하고, 센싱된 사용자의 바이오 데이터를 응급 의료 관제서버, 상하수도 관제서버, 119 긴급구조 요청서버 및 112 신고 서버로 전송한다.
또한, 상기 사용자의 바이오 데이터는 이상상황 발생으로 인한 일례인 인명 사고 발생 시 외에도 일례로, 이상상황 발생이 없더라도 사용자의 건강상태가 급성으로 맥박의 리듬이 빨라졌다가 늦어졌다가 하는 불규칙적인 상태의 바이오 데이터로 측정이 되면, 상기 인터페이스 모듈은 사용자의 바이오 데이터를 센싱하고, 센싱된 사용자의 바이오 데이터를 응급 의료 관제서버, 상하수도 관제서버, 119 긴급구조 요청서버 및 112 신고 서버로 전송한다.
도 2는 본 발명에 따른 실시간 상하수도 관제를 통한 딥러닝 기반 방제 시스템 중 상하수도 관제서버를 개략적으로 도시한 도면이다.
이하에서는 상기 상하수도 관제서버와 관련된 구체적인 사항에 대해 살펴보기로 한다.
<상하수도 관제서버의 주요 구성요소, 기능 및 효과>
* 데이터 생성모듈
- 감지 센서부에 의해 감지되는 압력, 소음, 온도, 습도, 진도 및 유량 중 적어도 어느 하나 이상의 상태 변화를 데이터로 생성함으로써 단순히 이상상황을 관제하는 것에서 더 나아가, 체계적인 데이터를 근거로 한 관제 시스템이 이루어질 수 있도록 함
- 해당 생성된 데이터에 근거한 시각적 통계 데이터를 생성할 수도 있음
- 시각적 통계 데이터로는 실시간으로 감지되는 압력, 소음, 온도, 습도, 진도 및 유량 중 적어도 어느 하나 이상에 대한 특성 변화를 초/분/시 단위를 기준으로 하여 시각적으로 분별 가능하도록 하는 통계 데이터 등이 따를 수도 있음
* 상황 판단모듈
- 데이터 생성모듈에 의해 생성된 데이터를 기반으로 정상, 관심, 주의, 경보 및 비상 중 적어도 어느 하나 이상의 상황으로 실시간 판단함으로써, 체계적이고 객관적인 데이터에 근거하여 직관적으로 상황을 인지할 수 있도록 함
- 정상으로는 실시간으로 생성되는 데이터 각각을 매칭하여 데이터상 아무런 변화가 없는 경우를 뜻함
- 관심으로는 실시간으로 생성되는 데이터 각각을 매칭하여 데이터상 특성의 변화는 없지만, 데이터상 감지되는 압력, 소음, 온도, 습도, 진도 및 유량 중 적어도 어느 하나 이상에 대한 변화가 발생되는 경우 및 그 외 데이터상 미세한 변화가 발생된 경우를 뜻함
- 주의로는 실시간으로 생성되는 데이터 각각을 매칭하여 데이터상 전반적인 변화가 발생되는 경우를 뜻함
- 경보로는 실시간으로 생성되는 데이터 각각을 매칭하여 데이터상 전반적인 급격한 변화가 발생되는 경우를 뜻함
- 비상으로는 실시간으로 생성되는 데이터 각각을 매칭하여 데이터상 전반적으로 측정 불가할 정도의 급격한 변화의 차이가 발생되는 경우를 뜻함
- 상기 실시간으로 판단된 상황에 따라 사용자 단말기, 응급 의료 관제서버, 상하수도 관제서버, 119 긴급구조 요청서버 및 112 신고 서버로 판단된 상황을 전송할 수도 있음
* 노드정보 관리모듈
- 감지 센서부의 감지 대상이 되는 상하수도 관로의 구간별 노드에 대한 정보를 관리함으로써, 감지 대상이 되는 상하수도 관로에 대해서 객관적인 정보를 근거로 하는 효율적이고 체계적인 감지가 이루어질 수 있도록 함
- 상하수도 관로의 구간별 노드에 대한 정보로는 해당 관로의 매설 연수, 교체 시기, 수리 횟수, 수리된 부분, 생산 연도, 관로 매설 위치, 관로가 매설된 기간 등이 따를 수 있음
* 이상상황 분석모듈
- 감지 센서부를 통해 감지된 이상상황 발생 횟수 및 노드정보를 머신러닝(Machine Learning) 방식을 이용하여 매칭시켜 노드별 이상상황 발생률을 분석함으로써, 이상상황 발생 시기를 예측 가능하도록 하는 데이터의 근거가 될 수 있도록 함
- 상기 분석된 감지 센서부의 감지 대상이 되는 상하수도 관로에 대한 이상상황 발생률에 근거하여 해당 관로의 교체에 대한 사전 알림을 사용자 단말기로 전송할 수도 있음
* 이상상황 예측모듈
- 이상상황 분석모듈에 의해 분석된 데이터에 근거한 딥 러닝(Deep learning) 방식을 이용하여 이상상황 발생 시기를 예측함으로써, 감지 대상에 대해 미리 능동적인 대처가 가능하도록 함
또한, 본 발명에서의 상하수도 관제서버에 대해 더욱 구체적으로 살펴보면, 상하수도 관제서버에 의해 관리되는 각종 데이터(예: 이상상황 감지 여부에 따라 수집된 데이터, 감지 센서부에 의해 감지되는 압력, 소음, 온도, 습도, 진도 및 유량 중 적어도 어느 하나 이상의 상태 변화 데이터, 상황 판단모듈에 의해 판단된 데이터, 감지 센서부의 감지 대상이 되는 상하수도 관로의 구간별 노드에 대한 정보 데이터, 감지 센서부를 통해 감지된 이상상황 발생 횟수 데이터 등)를 전처리(데이터 전처리 모듈)하여, 상기 전처리된 데이터에 근거하여 통계 데이터를 획득하고, 전처리된 데이터 및 획득된 통계 데이터 중 적어도 어느 하나 이상의 데이터에 근거한 머신러닝(Machine Learning) 방식을 이용하여 감지 센서부를 통해 감지된 이상상황 발생 횟수 및 노드정보를 매칭시켜 노드별 이상상황 발생률을 분석하는 이상상황 분석모듈을 구비할 수도 있다.
여기서, 이상상황 발생률 분석의 사전단계로써 수행되는 데이터 전처리란, 상하수도 관제서버에 의해 관리되는 각종 데이터(예: 이상상황 감지 여부에 따라 수집된 데이터, 감지 센서부에 의해 감지되는 압력, 소음, 온도, 습도, 진도 및 유량 중 적어도 어느 하나 이상의 상태 변화 데이터, 상황 판단모듈에 의해 판단된 데이터, 감지 센서부의 감지 대상이 되는 상하수도 관로의 구간별 노드에 대한 정보 데이터, 감지 센서부를 통해 감지된 이상상황 발생 횟수 데이터 등)를 가공하여, 분석에 더 도움이 되는 정보를 이끌어내고, 더욱 상세하게는 가공된 데이터를 기반으로 경향성 및 변화 추이 반영, 주기함수의 결합 변환을 통한 연속적 데이터의 패턴을 분석, 시계열 데이터를 문자열 형태로 변환하여 패턴을 분석, 시계열 데이터를 문자열 형태로 변환하여 패턴을 분석하는 과정 등이 포함될 수도 있고, 추가적으로, 데이터 전처리 모듈이 수행하는 데이터 전처리는 더욱 상세하게는 해당 데이터의 노이즈를 제거하는 평활화(Smoothing), 해당 데이터를 더 작은 범위에 들어가게 하기 위해 다듬는 정규화(Normalization), 해당 데이터 값을 다른 범위나 상위 레벨의 개념으로 대체하는 이산화(Discretization) 등을 포함할 수도 있다.
상기 이상상황 분석모듈에서 행하여 지는 분석을 구체적으로 살펴보면, 전처리된 데이터에 근거하여 이상상황 발생에 대한 시간 혹은 기간별, 위치별, 횟수별 등과 같은 객관적 요소로 분류된 통계 데이터를 획득하고, 해당 전처리된 데이터 및 획득된 통계 데이터 중 적어도 어느 하나 이상의 데이터를 통해 단일 분석 알고리즘인 의사 결정 트리(Decision Tree)를 기반으로 감지 센서부를 통해 감지된 이상상황 발생 횟수 및 노드정보를 매칭시켜 노드별 이상상황 발생률을 분석하기 위한 모델을 구성한 다음, 상이한 단일 분석 알고리즘을 병렬로 배치하여, 복수의 단일 분석 알고리즘의 결합/조합 형태인 부스팅(Boosting) 기법을 활용하여, 부스티드 트리(Boosted Tree) 형태로 분석 모델을 업데이트할 수도 있다. 더욱이, 단일 분석 알고리즘 중 불량 단일 분석 알고리즘이 반복되어 발생되는 패턴을 분석하여, 복수의 단일 분석 알고리즘 형태로 분석 모델 업데이트 시 불량 단일 분석 알고리즘을 제외할 수도 있다.
또한, 상기 상하수도 관제서버는 전처리된 데이터 및 획득된 통계 데이터 중 적어도 어느 하나 이상의 데이터에 근거한 머신러닝(Machine Learning) 방식을 이용하여 이상상황 발생 횟수 및 노드정보를 매칭시켜 노드별 이상상황 발생률을 분석하기 위한 이상상황 분석모듈을 구비할 수도 있다.
더욱 구체적으로, 상기 이상상황 분석모듈은 전처리된 데이터 및 획득된 통계 데이터 중 적어도 어느 하나 이상의 데이터를 기반으로 머신러닝(Machine Learning) 방식 중 하나인 경사 하강법(Gradient Descent)을 이용하여 이상상황 발생 횟수 및 노드정보를 매칭시켜 노드별 이상상황 발생률을 분석하는데, 머신러닝은 기본적으로 에이전트가 어떤 행위를 선택하여 얻게 되는 시행착오를 통해 주어진 환경(state)을 학습하고, 정해진 정책에 따라 행동(action)을 결정하고 실행하여 행동에 따라 얻게 되는 보상(reward)을 기초로 행동정책을 수정해가면서 학습하는 기계학습의 일종이다.
구체적으로, 경사 하강법에 대해 살펴보면 경사 하강법은 우선적으로 머신러닝 회귀 분석은 주어진 데이터가 어떤 함수로부터 생성되었는가를 알아보는 '함수 관계'를 추측하는 것으로, 다시 말해서 데이터 세트(x, y)로부터 학습 알고리즘을 이용하여 가설을 생성하고 생성된 가설에 데이터를 입력하여 예측 값 데이터를 얻고, 이러한 가설에 해당하는 식이 어떤 방정식인지, 계수는 어떤 것을 의미하는지 알아가는 과정이라고 할 수 있다.
또한, 머신러닝 회귀 분석에서 방정식의 계수가 선형인 경우 선형 회귀 분석(Linear Regression Analysis)이라 하고, 방정식의 계수가 여러 개이면 다중 선형 회귀 분석(Multiple Linear Regression Analysis)이라 하며, 테스트 데이터는 y=x 그래프에 약간의 오차를 섞어 만든 데이터로 학습을 통해 데이터에 맞는 가중치 값(w)과 편향 값(b)을 찾아 수행한 결과를 나타내어 y = wx + b 과 같은 정의에 따라 결과값과의 오차를 경사 하강법(Gradient Descent)을 통해 알맞은 함수를 찾을 수 있다.
또한, 데이터에 대한 가설을 학습할 때 그려진 선과 각 데이터의 분포의 차이를 계산하여 차이가 가장 적은 것이 이 모델에 적합한 선이라는 것을 알 수 있고, 이를 비용함수(Cost Function)라 하며, 비용함수를 이용하여 실제 세운 가설과 나타내는 값이 얼마나 다른 지를 유추해 볼 수 있다.
구체적으로, 비용함수(오차함수)는 두 개의 매개변수(w, b) 로 구성되어 있으므로 이를 2차원 공간에 표현할 수 있음에 따라, 각 점에서 오차함수의 높이는 직선에 대한 오차이고, 어떤 직선들은 다른 직선들보다 더 작은 오차를 가지게 되며, 가령 텐서 플로우에서 경사 하강법 알고리즘을 수행할 때 이 평면의 한 지점에서 시작하여 더 작은 오차를 갖는 직선을 찾아 이동해 나간다.
또한, 오차함수의 기울기를 계산하기 위하여 오차함수를 미분하는 과정을 거치게 되고, 직선을 찾아가는 과정의 반복이 있을 때마다 움직일 방향을 알아가기 위해 w와 b에 대한 편미분 방정식 계산이 필요하다.
다중 회귀 분석은 단일 회귀 분석에서 쓰였던 입력 데이터 x가 2개 이상이 되고, 일례로 두 개의 변수(x1, x2)를 갖는 다중 회귀 분석의 경우 y = w1*x1 + x2*x2 + b 와 같이 정의하고 학습을 통해 데이터에 맞는 평면을 찾을 수 있다.
위와 같은 단일, 다중 선형 회귀 분석을 통하여 어떠한 데이터가 존재하면 그 데이터를 표현하는 함수를 학습할 수 있다는 것을 알 수 있다.
또한, 경사 하강법은 cost 비용을 최소화하기 위한 최적화 알고리즘으로, 최적화란 여러 가지 허용되는 값들 중에서 주어진 기준을 가장 잘 만족하는 것을 선택하는 것이고, 해당 함수의 최소값 위치를 찾기 위해 비용함수의 기울기 반대 방향으로 정의한 스텝 사이즈(Step Size)를 가지고 조금씩 움직이면서 최적의 파라미터를 찾는 과정이라고 할 수 있으며, 간략하게는 기울기로 함수의 최소값을 찾는 방법이다.
추가적으로, 상기 상하수도 관제서버는 이상상황 분석모듈에 의해 분석된 데이터, 전처리된 데이터 및 획득된 통계 데이터 중 적어도 어느 하나 이상의 데이터에 근거한 딥 러닝(Deep Learning) 방식을 이용하여 이상상황 발생 시기를 예측하기 위한 이상상황 예측모듈을 구비할 수도 있는데, 여기서 딥 러닝 방식의 알고리즘에 대해 살펴보면, 딥러닝 알고리즘 중 일부는 컨벌루션 신경망(CNN: convolution neural network) 알고리즘으로 구현될 수 있고, 컨벌루션 신경망 알고리즘은 하나 이상의 컨벌루션 레이어, 하나 이상의 활성 함수, 및 하나 이상의 풀링(pooling) 레이어를 포함할 수도 있고, 이때 각각의 컨벌루션 레이어는 하나 이상의 컨벌루션 필터로 구성될 수도 있다. 이러한 컨벌루션 신경망의 구조는 본 발명의 구체적 실시 형태에 따라 달라질 수도 있다.
도 3은 본 발명에 따른 실시간 상하수도 관제를 통한 딥러닝 기반 방제 방법을 도시한 도면이다.
한편으로, 본 발명에 따른 실시간 상하수도 관제를 통한 딥러닝 기반 방제 방법은 기본적으로 상하수도 관로 이상상황 감지단계, 이상상황 전송단계, 데이터 수집단계, 이상상황 발생률 분석단계, 이상상황 예측단계 및 이상상황 확인단계를 포함하여 구성된다.
보다 구체적으로 도 3을 참고하면, 상기 감지 센서부가 상하수도 관로의 구간별 노드에 대한 이상상황을 실시간으로 감지하는 상하수도 관로 이상상황 감지단계와, 상기 통신부가 감지 센서부에 의한 이상상황 여부를 통신망에 의해 전송하는 이상상황 전송단계와, 상기 상하수도 관제서버가 통신부를 통해 수신되는 이상상황 감지 여부에 따른 데이터를 수집하는 데이터 수집단계와, 상기 감지 센서부를 통해 감지된 이상상황 발생 횟수 및 노드정보를 매칭시켜 노드별 이상상황 발생률을 분석하는 이상상황 발생률 분석단계와, 상기 분석된 데이터에 근거하여 이상상황 발생 시기를 예측하는 이상상황 예측단계와, 상기 상하수도 관제서버와 연동되어 실시간으로 이상상황 감지 여부, 발생률, 발생 시기 예측을 확인하는 이상상황 확인단계를 포함하여 이루어진다.
이상에서 첨부된 도면을 참조하여 본 발명을 설명함에 있어 특정형상 및 방향을 위주로 설명하였으나, 본 발명은 그 발명에 속하는 기술분야에서 통상의 지식을 가진 사람에 의하여 다양한 변형 및 변경이 가능하고, 이러한 변형 및 변경은 본 발명의 권리범위에 포함되는 것으로 해석되어야 한다.
Claims (10)
- 상하수도 관로의 구간별 노드에 대한 이상상황을 실시간으로 감지하기 위한 감지 센서부와;
상기 감지 센서부에 의한 이상상황 여부를 통신망에 의해 전송하기 위한 통신부와;
상기 통신부를 통해 수신되는 이상상황 감지 여부에 따른 데이터를 수집하여 관리하기 위한 상하수도 관제서버와;
상기 상하수도 관제서버와 연동되어 실시간으로 이상상황 감지 여부를 확인하기 위한 사용자 단말기;를 포함하는 것을 특징으로 하는 실시간 상하수도 관제를 통한 딥러닝 기반 방제 시스템.
- 청구항 1에 있어서,
상기 감지 센서부는 상하수도 관로의 구간별 노드에 대한 이상상황을 압력, 소음, 온도, 습도, 진도 및 유량 중 적어도 어느 하나 이상을 기초로 감지하는 것을 특징으로 하는 실시간 상하수도 관제를 통한 딥러닝 기반 방제 시스템.
- 청구항 1에 있어서,
상기 상하수도 관제서버는 상하수도 관로의 구간별 유량 데이터 합산을 기초로 변동되고 있는 유량 데이터를 도출하여 실시간으로 누수 발생에 대한 모니터링을 하기 위한 누수 모니터링 모듈을 구비하는 것을 특징으로 하는 실시간 상하수도 관제를 통한 딥러닝 기반 방제 시스템.
- 청구항 3에 있어서,
상기 누수 모니터링 모듈은 상하수도 관로의 구간별 노드 중 상부 노드로부터 도출된 유량 데이터와 하부 노드로부터 도출된 유량 데이터의 합산이 오차 범위를 넘어가는 경우 누수 발생에 대한 경고를 사용자 단말기로 안내하는 것을 특징으로 하는 실시간 상하수도 관제를 통한 딥러닝 기반 방제 시스템.
- 청구항 3에 있어서,
상기 누수 모니터링 모듈은 이상상황 감지 여부에 따른 데이터가 임계 수치를 넘어가는 경우 지하 매설물의 상태가 비정상적임에 대한 경고를 사용자 단말기로 안내하는 것을 특징으로 하는 실시간 상하수도 관제를 통한 딥러닝 기반 방제 시스템.
- 청구항 2에 있어서,
상기 상하수도 관제서버는 감지 센서부에 의해 감지되는 압력, 소음, 온도, 습도, 진도 및 유량 중 적어도 어느 하나 이상의 상태 변화를 데이터로 생성하기 위한 데이터 생성모듈을 구비하는 것을 특징으로 하는 실시간 상하수도 관제를 통한 딥러닝 기반 방제 시스템.
- 청구항 6에 있어서,
상기 상하수도 관제서버는 생성된 데이터를 기반으로 정상, 관심, 주의, 경보 및 비상 중 적어도 어느 하나 이상의 상황으로 실시간 판단하기 위한 상황 판단모듈을 구비하는 것을 특징으로 하는 실시간 상하수도 관제를 통한 딥러닝 기반 방제 시스템.
- 청구항 1에 있어서,
상기 상하수도 관제서버는 감지 센서부의 감지 대상이 되는 상하수도 관로의 구간별 노드에 대한 정보를 관리하기 위한 노드정보 관리모듈과;
상기 감지 센서부를 통해 감지된 이상상황 발생 횟수 및 노드정보를 머신러닝(Machine Learning) 방식을 이용하여 매칭시켜 노드별 이상상황 발생률을 분석하기 위한 이상상황 분석모듈과;
상기 이상상황 분석모듈에 의해 분석된 데이터에 근거한 딥 러닝(Deep learning) 방식을 이용하여 이상상황 발생 시기를 예측하기 위한 이상상황 예측모듈을 구비하는 것을 특징으로 하는 실시간 상하수도 관제를 통한 딥러닝 기반 방제 시스템.
- 청구항 1에 있어서,
상기 사용자 단말기는 웨어러블 타입이고 사용자의 바이오 데이터를 수집하기 위한 생체신호 전극을 포함하는 심전도(ECG: electrocardiogram) 모듈 및
상기 심전도 모듈과 전기적으로 연결되기 위한 인터페이스 모듈을 구비하는 것을 특징으로 하는 실시간 상하수도 관제를 통한 딥러닝 기반 방제 시스템.
- 청구항 9에 있어서,
상기 인터페이스 모듈은 이상상황 발생시 사용자 단말기를 통하여 사용자의 바이오 데이터를 센싱하고,
상기 센싱된 사용자의 바이오 데이터를 응급 의료 관제서버, 상하수도 관제서버 및 119 긴급구조 요청서버 중 적어도 어느 하나 이상의 서버로 전송하는 것을 특징으로 하는 실시간 상하수도 관제를 통한 딥러닝 기반 방제 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210021069A KR20220117566A (ko) | 2021-02-17 | 2021-02-17 | 실시간 상하수도 관제를 통한 딥러닝 기반 방제 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210021069A KR20220117566A (ko) | 2021-02-17 | 2021-02-17 | 실시간 상하수도 관제를 통한 딥러닝 기반 방제 시스템 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20220117566A true KR20220117566A (ko) | 2022-08-24 |
Family
ID=83111988
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210021069A KR20220117566A (ko) | 2021-02-17 | 2021-02-17 | 실시간 상하수도 관제를 통한 딥러닝 기반 방제 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20220117566A (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117912211A (zh) * | 2024-03-18 | 2024-04-19 | 延安大学西安创新学院 | 基于物联网的园林环境数据分析及报警系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101737524B1 (ko) | 2016-10-12 | 2017-05-29 | 주식회사 이콘 | 상하수도 시설 원격 감시 제어 시스템 및 방법 |
| KR102099657B1 (ko) | 2019-08-19 | 2020-04-10 | (주)에스유지 | IoT 플랫폼 기반의 지하매설물 센서모니터링 관제 방법 |
-
2021
- 2021-02-17 KR KR1020210021069A patent/KR20220117566A/ko not_active IP Right Cessation
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101737524B1 (ko) | 2016-10-12 | 2017-05-29 | 주식회사 이콘 | 상하수도 시설 원격 감시 제어 시스템 및 방법 |
| KR102099657B1 (ko) | 2019-08-19 | 2020-04-10 | (주)에스유지 | IoT 플랫폼 기반의 지하매설물 센서모니터링 관제 방법 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117912211A (zh) * | 2024-03-18 | 2024-04-19 | 延安大学西安创新学院 | 基于物联网的园林环境数据分析及报警系统 |
| CN117912211B (zh) * | 2024-03-18 | 2024-05-31 | 延安大学西安创新学院 | 基于物联网的园林环境数据分析及报警系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11868684B2 (en) | Digital platform using cyber-physical twin structures providing an evolving digital representation of a risk-related real world asset for quantifying risk measurements, and method thereof | |
| Surya | Risk analysis model that uses machine learning to predict the likelihood of a fire occurring at a given property | |
| Mounce et al. | Novelty detection for time series data analysis in water distribution systems using support vector machines | |
| JP2023017888A (ja) | 根本的原因分析を実行してプラントワイド操業での希少イベントの発生の予測モデルを構築するコンピュータシステムおよび方法 | |
| JP2020017952A (ja) | 警告するための方法と装置 | |
| CN111385140B (zh) | 生成监控网络物理系统的数据以早期确定异常的系统和方法 | |
| US20200050182A1 (en) | Automated anomaly precursor detection | |
| RU2724075C1 (ru) | Система и способ определения источника аномалии в кибер-физической системе, обладающей определенными характеристиками | |
| Saneja et al. | An efficient approach for outlier detection in big sensor data of health care | |
| JP7056823B2 (ja) | ローカル分析の監視のシステム及び方法 | |
| Zanfei et al. | Novel approach for burst detection in water distribution systems based on graph neural networks | |
| Simeone et al. | Cloud-based platform for intelligent healthcare monitoring and risk prevention in hazardous manufacturing contexts | |
| US20230013006A1 (en) | A system for monitoring and controlling a dynamic network | |
| US20200284938A1 (en) | Remote vibration detection of submerged equipment using magnetic field sensing | |
| EP3674946B1 (en) | System and method for detecting anomalies in cyber-physical system with determined characteristics | |
| KR20220117566A (ko) | 실시간 상하수도 관제를 통한 딥러닝 기반 방제 시스템 | |
| CN117319451A (zh) | 基于多模态大数据的城市级消防物联网监管系统及其方法 | |
| US11348013B2 (en) | Determining, encoding, and transmission of classification variables at end-device for remote monitoring | |
| Kumar et al. | Intelligent framework for degradation monitoring, defect identification and estimation of remaining useful life (RUL) of bearing | |
| Upasane et al. | A Type-2 Fuzzy-Based Explainable AI System for Predictive Maintenance Within the Water Pumping Industry | |
| Zhu et al. | Using a vae-som architecture for anomaly detection of flexible sensors in limb prosthesis | |
| Farhat et al. | Medical equipment efficient failure management in IoT environment | |
| Hu et al. | Digital twin-enhanced predictive maintenance for indoor climate: a parallel LSTM-autoencoder failure prediction approach | |
| Manocha | IoT‐assisted irregular environmental event determination for health analysis of pregnant females | |
| Conde | Environmental sensor anomaly detection using learning machines |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| AMND | Amendment | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| X091 | Application refused [patent] | ||
| AMND | Amendment | ||
| X601 | Decision of rejection after re-examination |