KR20220142030A - 가스센서 어레이를 갖춘 전자코 시스템에서 순환신경망을 이용한 과도상태에서의 빠른 가스 분류 방법 - Google Patents

Abstract

본 발명은 가스센서 어레이를 갖춘 전자코 시스템에서 순환신경망을 이용한 과도상태에서의 빠른 가스 분류 방법에 관한 것으로, 더욱 상세하게는 다수의 가스센서 어레이를 사용하면서 적어도 3~5초 이내의 과도상태에서 빠르게 VOC 가스 분류가 가능하도록 한 가스센서 어레이를 갖춘 전자코 시스템에서 순환신경망을 이용한 과도상태에서의 빠른 가스 분류 방법에 관한 것이다.
이를 위하여 본 밟명은 가스 어레이를 이용하여 가스를 분류하는 방법에 있어서, 과도상태, 준과도상태 및 정상상태 중 과도상태에서, 히터 온도 375℃, 에탄올, 자일렌, 부탄올, 토루엔 및 포름알데히드 5ppm 각각 주입한 후 0,2초 간격으로 데이터를 취득하고, 히터 온도 400℃, 에탄올, 자일렌, 부탄올, 토루엔 및 포름알데히드 5ppm 각각 주입한 후 0,2초 간격으로 데이터를 취득하고, 히터 온도 425℃, 에탄올, 자일렌, 부탄올, 토루엔 및 포름알데히드 5ppm 각각 주입한 후 0,2초 간격으로 데이터를 취득하고, 히터 온도 450℃, 에탄올, 자일렌, 부탄올, 토루엔 및 포름알데히드 5ppm 각각 주입한 후 0,2초 간격으로 데이터를 취득한 후, 취득한 데이터는 RNN에 적용하여 가스 분류 및 인식 여부를 하는 것을 특징으로 한다.

Description

가스센서 어레이를 갖춘 전자코 시스템에서 순환신경망을 이용한 과도상태에서의 빠른 가스 분류 방법{Fast gas classification method in transient state using Recurrent neural network in an electronic nose system equipped with a gas sensor array}

본 발명은 가스센서 어레이를 갖춘 전자코 시스템에서 순환신경망을 이용한 과도상태에서의 빠른 가스 분류 방법에 관한 것으로, 더욱 상세하게는 다수의 가스센서 어레이를 사용하면서 적어도 3~5초 이내의 과도상태에서 빠르게 VOC 가스 분류가 가능하도록 한 가스센서 어레이를 갖춘 전자코 시스템에서 순환신경망을 이용한 과도상태에서의 빠른 가스 분류 방법에 관한 것이다.

일반적으로 인간의 코를 통한 냄새 인식 과정은 다음과 같이 정리할 수 있다. 냄새를 내는 화학 물질이호흡을 통해 코 안 점막에 접촉하면서 용해되면 후각 수용세포가 그 화학 물질을 인식한다. 그후 후각 상피 세포가 활성화되어 전기적 신호를 발생하면 후각 신경을 통하여 후각신경구에 도달한다. 그리고 후각신경구는 그 안에 있는 사구체와 승모세포를 통해 전기신호를 번연계의 시상이나측두엽의 후각 중추로 보내 그곳에서 해석하고 기억하는 것이다. 인간 코 점막 안에는 1,000 여종류의 약 5,000 만개의 후각 수용세포가 존재한다고 한다. 각각의 종류의 후각 수용세포는 3-4 개의 분자를 개별적으로 분별할 수 있으며, 이를 통해 1,000 여 종류의 후각 수용세포를 통하여3,000 ~ 10,000 종류의 냄새를 구분 감지한다.

따라서 근래에는 우리의 삶과 환경에 영향을 주는 냄새들을 해석하고 이들을 감지하는 후각기관의 역할에 대한 이해는 많은 연구자들의 오랜 소망이었다. 최근 재료 및 전자 공학과 컴퓨터의 눈부신 발전에 힘입어 인간의 감각을 모방하는 전자코의 개발이 활발하게 추진되고 있다. 특히 인공 지능 연구와 맞물린 센서기술의 비약적인 발전은 냄새를 인간의 후각기관과 비슷하게 감지하고 분석할 수 있는 인공 후각인식시스템 즉, 센서어레이를 이용한 전자코 시스템의 개발을 가능하게 하고 있다.

전자코를 통한 냄새 인식 과정도 인간의 코를 통한 냄새 인식 과정과 유사하다. 전자코는 먼저 냄새를 샘플링하는 별도의 기구(센서)를가진다. 일반적으로 전자코는 냄새의 디지털 패턴을 구하기 위하여 2 개 이상의 센서(센서어레이)를 사용하는데, 그곳에서 냄새는 정량적으로 샘플링 되고, 그 후 샘플링된 냄새샘플은 센서를 통해 전기적 신호로 변환되고 디지털화되면서 패턴화된다. 그 신호 패턴들은 머신러닝(machine learning) 방식을 통해 분별되고 DB 에 기록되는 것이다.

이러한 전자코 시스템의 기본은 여러개의 다른 종류의 화학적 가스센서들을 어레이(Array)화 하여 사용하는 것으로, 상기 센서어레이에 의해 측정된 데이터는 냄새에 따라 구분이 가능한 특징을 보이게 되며, 이는 각각의 센서가 냄새의 화학적인 성분에 따라 다른 민감도를 가지는 물질에 의해 제조되기 때문이다. 센서들 사이의 상대응답에 의해 만들어진 패턴은 신호처리 기법에 의해 각 냄새를 묘사할 수 있는 일종의 독특한 지문이 될 수 있다.

가스센서 어레이를 구성하기 위해 사용되는 일반적인 가스 센서는 보통 산화물 반도체(MOS)센서, 전도성 고분자(Conducting Polymer)센서, QMB(Quartz Micro-Balace)센서 등이 있으나, QMB 센서의 경우 산화물 반도체센서와 전도성 고분자센서에 비해 센서 특성이 다양하지 않기 때문에 다양한 종류의 센서가 다수 사용되어야 하는 전자코에서는 많이 사용되지 않는다. 그러나 본 발명에서는 센서의 종류는 구분하지 않는다.

또한, 전자코 시스템은 가스 크로마토그래피/질량 분석기(GC/MS)같이 정밀하게 복합적으로 섞여있는 각각의 화학적 성분의 부류는 가능하지는 않지만, 질과 양을 통한 화학적 특성들을 현장에서 알아낼 수 있어, 자세한 실험실 분석을 위한 기본자료 및 비용을 줄일 수 있게 할 수 있다.

벤젠, 자일렌, 톨루엔, 포름 알데히드 및 에탄올 등과 같은 대표적인 실내 휘발성 유기 화합물(VOC)은 인체 건강과 밀접한 관계가 있기 때문에 매우 민감하게 감지되어야 한다. 인간은 많은 시간을 인체에 유해한 VOC 가스에 노출되어 생활하기 때문에 이를 주의 깊게 모니터링 할 필요가 있다.

종래 가스센서 어레이를 이용하여 여러 VOC 가스를 인식하고 분류하고자 할 때 다음과 같은 문제점이 존재한다,

1. 수 십초의 시간이 지난 후에 분류와 인식이 가능하다는 것이다. 이 문제는 데이터의 취득이 가스 주입 후 데이터가 완전하게 안정된 상태에서 이루어지기 때문에 발생하는 문제이다. 보통 전도성고분자 센서보다 산화물 반도체 센서가 반응속도가 빠르긴 하지만, 산화물 반도체 센서도 과도상태를 벗어나 데이터의 취득이 이루어지는 정상상태에 도달하는 데 약 20초 이상이 필요하다. 가장 빠른 종류의 산화물 반도체를 사용하다 하더라도 10초 이상이 필요하다.

2. 비슷한 화학적 성분을 가지는 가스들을 분류하기 위해서는 가스 센서 어레이의 수가 많아야 한다는 것이다. 가 센서 어레이의 수가 증가하면 센서의 크기 뿐만 아니라 히터의 사용 증가에 따른 전력 소모가 커지는 문제가 존재한다. 이 문제를 해결하기 위해 히터를 사용하지 않는 Conducting Polymer 형 센서 어레이의 사용이 제시되어 왔지만 정상상태에 도달하는 시간이 느린 경우가 많다는 단점이 존재하며, 습도에 영향을 받는다는 단점 역시 존재한다. 습도가 증가하면 할수록 센서 반응의 오차가 증가한다.

3. 산화물 반도체 센서는 고감도, 빠른 응답, 간단한 구조, 손쉬운 통합 및 저렴한 비용으로 인해 VOC를 감지하고 분류하는 유망한 플랫폼 중 하나이다. 그러나 산화물 반도체 센서는 종종 다양한 VOC에 대해 유사한 가스 반응을 나타내기 때문에 분류의 어려움이 존재한다. 또한 산화물 반도체 센서가 가스에 반응하기 위해서는 센서에 히터를 이용하여 열을 가해야 하는데, 보통 250℃에서 450℃ 사이의 히터가 필요하다. 보통 히터의 온도가 높을수록 센서에 대한 민감도가 증가하기 때문에 높은 온도를 사용하여야 하나 전력소모가 크다는 문제가 존재하게 된다. 하지만 히터의 존재 때문에 습도에 대해서는 적은 영향을 받는다. 전도성 고분자 센서를 사용할 경우 다양한 특성의 센서를 어레이화할 수 있지만 반응속도가 지나치게 느리고 습도에 지니치게 민감하다는 문제점이 존재한다.

한편, 일반적인 가스 분류 방법은 정상상태에서 데이터를 취득한 후 분류 알고리즘을 이용하여 가스를 분류하는 것이다. 이 방법은 데이터 취득을 위해 보통 15초 이상을 기다려야 한다. 산화물 반도체를 사용할 경우, 분류 정확도를 높이기 위해 높은 온도의 히터를 사용해야 하기 때문에 전력소모가 심하게 된다. 전도성 고분자를 사용할 경우, 히터를 사용하지 않아도 되지만 습도를 낮게 유지하기 위한 별도의 장치가 필요하게 된다.

과도상태에서의 데이터를 이용하여 분류가 가능하다면 빠르게 가스의 분류와 인식이 가능하다는 점 이외에도 다양한 장점을 가진다. 산화물 반도체 센서가 사용될 경우 히터의 동작시간을 줄여 전력소모를 줄일 수 있으며 과도상태에서는 온도의 영향을 덜 받을 수 있기 때문에 히터 온도를 낮게 가져가 전력소모와 더불어 히터 온도를 일정하게 유지하기 위해 필요한 히터 온제어 회로를 간단하게 설계하는 것이 가능하다. 전도성 고분자 센서가 사용되는 경우에도 과도상태에서는 습도의 영향이 정상상태보다 적기 때문에 습도를 제거하거나 습도를 일정하게 유지하기 위한 정밀한 장비의 사용을 최소화할 수 있다.

따라서 본 발명에서는 상기와 같은 제반 문제점을 해결하기 위해 딥러닝 알고리즘의 일종인 Recurrent Neural Network을 이용하여 과도상태에서 가스를 인식하고 분류하는 방법을 제안하고자 한다.

본 발명이 이루고자 하는 기술적 과제는 다수의 가스센서 어레이를 사용하면서 적어도 3~5초 이내의 과도상태에서 빠르게 VOC 가스 분류가 가능하도록 한 가스센서 어레이를 갖춘 전자코 시스템에서 순환신경망을 이용한 과도상태에서의 빠른 가스 분류 방법을 제공하는데 있다.

본 발명의 실시예에 따르면, 과도상태, 준과도상태 및 정상상태 중 과도상태에서, 히터 온도 375℃, 에탄올, 자일렌, 부탄올, 토루엔 및 포름알데히드 5ppm 각각 주입한 후 0,2초 간격으로 데이터를 취득하고, 히터 온도 400℃, 에탄올, 자일렌, 부탄올, 토루엔 및 포름알데히드 5ppm 각각 주입한 후 0,2초 간격으로 데이터를 취득하고, 히터 온도 425℃, 에탄올, 자일렌, 부탄올, 토루엔 및 포름알데히드 5ppm 각각 주입한 후 0,2초 간격으로 데이터를 취득하고, 히터 온도 450℃, 에탄올, 자일렌, 부탄올, 토루엔 및 포름알데히드 5ppm 각각 주입한 후 0,2초 간격으로 데이터를 취득한 후, 취득한 데이터는 RNN에 적용하여 가스 분류 및 인식 여부를 하는 것을 제공될 수 있다.

취득한 각 데이터는 상기 RNN을 이용하여 훈련 패턴을 수천회 학습시키고, 학습 후에 학습에 참여하지 않은 히터온도는 특정 히터온도에서 에탄올, 자일렌, 부탄올, 토루엔 및 포름알데히드를 각각 주입하여 얻은 데이터를 인가하여 가스의 종류 및 인식 능력을 알아보는 것을 포함할 수 있다.

상기 RNN의 알고리즘 중에서 LSTM을 사용하거나 RNN 중에서 시계열 데이터를 처리할 수 있는 알고리즘 적용이 가능한 것을 선택할 수 있다.

RNN을 위해 사용되는 데이터는,

여기서 N은 센서의 수이고, M은 시계열의 수

를 포함한다.

이상에서 살펴본 바와 같이 본 발명에 따르면, 다수의 가스센서 어레이를 사용하면서 적어도 3~5초 이내의 과도상태에서 빠르게 VOC 가스 분류가 가능한 것이다.

도1은 본 발명에 따른 가스센서 어레이를 이용한 전자코 시스템을 나타낸 구성도이다.
도2는 본 발명에 따른 가스센서의 동적 응답을 나타낸 그래프이다.
도3은 본 발명 실시예에 따른 각각의 온도에서 5개의 가스를 주입후, 정상상태 25초에서 데이터를 취득한 후 주성분 분석법에 따른 결과도이다.
도4는 본 발명에 따른 과도상태에서의 RNN을 적용한 그래프이다.
도5는 본 발명에 따른 시계열 데이터를 사용하는 RNN의 기본을 나타낸 구조도이다.
도6은 본 발명에 따른 RNN에서 사용되는 LSTM 알고리즘의 구조도이다.
도7의 350℃에서 5개의 가스 데이터를 4번 반복하여 훈련시킬 때, RNN에서 반복 학습 횟수에 따른 Loss율이다.

본 발명과 본 발명 동작상의 이점 및 본 발명의 실시에 의하여 달성되는 목적을 설명하기 위하여 이하에서는 본 발명의 바람직한 실시예를 예시하고 이를 참조하여 살펴본다.

먼저, 본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로서, 본 발명을 한정하려는 의도가 아니며, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 또한 본 출원에서, 사용되는 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소 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.

본 발명을 설명함에 있어서, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.

도1은 본 발명에 따른 가스센서 어레이를 이용한 전자코 시스템을 나타낸 구성도이다.

도1에 도시되는 바와 같이, 본 발명을 실시하기 위해서는 활성탄필터, 솔레노이드밸브, 에어펌프, 유량제어기, 센서챔버 및 데이터 취득회로로 크게 나뉘어진다.

본 발명을 실현하기 위해 다수의 MOS 센서를 이용하여 어레이를 구성하였다. 가스센서 어레이로 사용되는 MOS 센서는 서로 다른 특성을 가지는 센서들이며, 산화물 반도체 센서 뿐만 아니라 전도성 고분자 센서를 비롯한 다양한 센서를 대상으로 하였다.

센서챔버내에 설치 사용되는 센서는 온도와 습도에 영향을 받아 오차를 가지게 되기 때문에 일정한 온도와 습도를 유지 시켜주는 것은 시스템의 정확도를 증가시키기 위해 반드시 필요하다. 따라서 센서챔버에 히터를 장착하여 일정한 온도를 유지해주는 것이 중요하지만, 공지의 히터가 사용됨으로 그에 대한 구체적인 설명은 생략하기로 한다.

활성탄필터는 전자코 시스템 내부를 어느정도 일정한 온도 및 습도를 유지시키는 기능뿐만 아니라, 측정의 기준이 되는 제로가스(Zero Gas)를 발생시키기 위한 목적으로 사용된다. 여기서, 활성탄필터를 실시예로 설명하였지만 일정한 온도 및 습도를 유지시킬 수 있다면 활성탄 이외에도 실리카겔 같이 습도 제거 기능을 가지는 다양한 재료가 사용 될 수 있음을 밝혀둔다.

데이터 취득회로는 데이터 취득을 하기 위해 변환기와 메인 프로세서를 포함하는데, 메인 프로세서는 데이터 취득과 에어펌프, 유량제어기 및 솔레노이드 밸브 등을 제어하도록 구성된다.

이와 같은 구성을 갖는 가스센서 어레이를 갖춘 전자코 시스템은 솔레노이드 벨브와 에어펌프를 이용하여 센서챔버내로 가스를 주입하게 되고,이때 센서챔버내에 장치된 가스센서 어레이는 주입가스에 대한 반응을 각 센서들의 저항 변화로 나타나게 되며 이를 전압으로 환산하여 저항변화를 구하게 된다. 이때 측정가스에 대한 응답은 기준 가스일 때의 저항값과 측정가스 일 때의 저항값의 차로 표시하게 된다.

에어펌프는 PWM 펄스등 다양한 방법에 의해 유량을 조절할 수 있도록 구성되며, 유량의 정확한 조절을 위해 유량제어기(Flow Meter)가 시스템 전면부에 설치 사용되는 구성을 갖는다.

이와 같이 가스센서 어레이를 갖춘 전자코 시스템은 다음과 같은 과정을 거치면서 가스 종류가 빠르게 분류될 수 있을 것이다.

(실시예)

본 발명은 과도상태, 준과도상태 및 정상상태 중 과도상태에서, 히터 온도 375℃, 에탄올, 자일렌, 부탄올, 토루엔 및 포름알데히드 5ppm 각각 주입한 후 0,2초 간격으로 데이터를 취득하고, 히터 온도 400℃, 에탄올, 자일렌, 부탄올, 토루엔 및 포름알데히드 5ppm 각각 주입한 후 0,2초 간격으로 데이터를 취득하고, 히터 온도 425℃, 에탄올, 자일렌, 부탄올, 토루엔 및 포름알데히드 5ppm 각각 주입한 후 0,2초 간격으로 데이터를 취득하고, 히터 온도 450℃, 에탄올, 자일렌, 부탄올, 토루엔 및 포름알데히드 5ppm 각각 주입한 후 0,2초 간격으로 데이터를 취득한 후, 취득한 데이터는 RNN(Recurrent Neural Network, 순환신경망)에 적용하여 가스 분류 및 인식 여부를 하는 것을 기본 특징으로 한다.

가스센서 어레이를 이용하여 가스를 분류하기 위해 히터 온도는 375℃, 400℃, 425℃, 450℃로 각각 설정 하였고, 가스는 에탄올, 자일렌, 부탄올, 토루엔 및 포름알데히드를 사용 하였으며, 0,2초 간격으로 데이터를 취득하였다.

한편, 취득한 각 데이터는 상기 RNN을 이용하여 훈련 패턴을 수천회 학습시키고, 학습 후에 학습에 참여하지 않은 히 터온도는 특정 히터온도에서 에탄올, 자일렌, 부탄올, 토루엔 및 포름알데히드를 각각 주입하여 얻은 데이터를 인가하여 가스의 종류 및 인식 능력을 알아 보았다.

예를 들어, 375℃, 400℃, 425℃의 데이터로 학습 후에 450℃의 데이터 인식률과, 375℃, 400℃, 450℃의 데이터로 학습 후에 425℃의 데이터 인식률과, 400℃, 425℃, 450℃의 데이터로 학습 후에 375℃의 데이터 인식률을 확인 하였다.

본 발명은 낮은 온도 및 과도상태에서 빠른 분류를 위해 RNN의 적용하고 분류를 위한 데이터를 살펴보면 다음과 같다.

도2는 본 발명에 따른 가스센서의 동적 응답을 나타낸 그래프이다.

가스센서 어레이를 이용하여 가스를 분류하기 위한 원시 데이터의 취득은 가스 주입후 가스센서의 동적 동작이 정상상태에 도달한 상태에서 이루어지며, 대부분의 가스센서가 정상상태에 도달하기 위해서는 수십초의 시간이 필요하다.

이러한 가스센서 어레이의 동적 동작은 정상상태 뿐만 아니라 과도상태 응답에서도 많은 정보를 제공할 수 있다고 보고되고 있으나, 실제 패턴인식 알고리즘에 적용할 때에는 과도상태에서의 심한 변동성 때문에 정상상태에서 데이터를 취득하고 있다.

도2에서와 같이 가스센서의 반응은 크게 과도상태, 준과도상태 및 정상상태로 구분할 수 있으나 과도상태와 준과도상태에서는 각 센서 데이터가 중첩되는 현상이 강하게 나타나기 때문에 정상상태에 도달했을 때 한 시점에서 데이터를 취득한 후, 이를 학습 시키는 방법을 사용하였다. 도2에서와 같이 정상상태에서는 각 가스센서 데이터가 구분되어 나타나는 것을 알 수 있다.

도3은 본 발명 실시예에 따른 각각의 온도에서 5개의 가스를 주입후, 정상상태 25초에서 데이터를 취득한 후 주성분 분석법에 따른 결과도이다.

5개 가스인 에탄올, 자일렌, 부탄올, 토루엔 및 포름알데히드 5ppm에서의 센서 반응을 정상상태에서 취득한 후, 주성분 분석법(PCA)을 통해 분류 가능성을 알아본 분석도로서, (a)는 히터 온도 350℃에서 5개의 가스를 각각 인가 한 후의 PCA 분석 결과이며, (b)는 375도℃, (c)는 400℃ 및, (d)는 425℃의 결과이다.

도3에서와 같이 (a)의 350℃에서는 토루엔과 자일렌이 거의 붙어 있어 분류가 어렵다는 것을 알 수 있으며, (b)의 375℃에서도 에탄올과 포름알데히드의 분류 가능성이 낮다는 것을 확인할 수 있다. (c)와 (d)에서는 분류가 가능하다는 것을 알 수 있다. 따라서 정상상태에서 데이터를 취득할 경우 최소한 히터온도가 400℃ 이상이 되어야 한다는 것을 확인 하였다.

도4는 본 발명에 따른 과도상태에서의 RNN을 적용한 그래프이다.

따라서 본 발명은 준과도상태 뿐만 아니라 과도상태에서의 시계열 데이터를 이용하여 가스 분류를 시행하여 빠른 인식을 목적으로 한다.

도2에서 설명한 바와 같이 센서의 분류와 인식을 위해 정상상태에서의 데이터를 이용할 경우 도2의 데이터를 이용한다.

, 여기서

은 센서의 수

그러나, 본 발명에서는 과도상태에서의 시계열 데이터를 이용하여 분류 및 인식이 이루어지기 때문에 RNN에서 사용되는 시계열 데이터는 도4에 도시되는 바와 같이 가스가 주입된 후 0.2초 간격으로 데이터를 취득한다.

RNN을 위해 사용되는 데이터는,

여기서 N은 센서의 수이고, M은 시계열의 수

정상상태에서 데이터를 취득할 경우, 가스 분류를 위해 사용 가능한 데이터가 단지 센서의 수 만큼밖에 되지 않는다. 즉 가스센서 어레이가 5개로 구성되어 있을 경우 단지 데이터는 5개이다. 그러나 RNN을 적용할 경우, 0.2초 간격으로 과도상태서 취득한 데이터가 사용되기 때문에 많은 정보를 가진 수 많은 데이터를 사용하게 된다. 만약 0.2초 간격으로 2.4초까지의 데이터를 사용했다고 가정하면 5개의 센서 데이터가 10개의 시점에서 취득되므로 50개의 데이터가 사용된다고 할 수 있다. 시계열 데이터가 늘어날수록 분류 정확도는 증가한다.

상기와 같이 본 발명은 0,2초 간격으로 데이터를 취득하여 RNN에 적용하였지만, 데이터 취득을 위한 시간 간격은 조건에 따라 조정 가능하다.

도5는 본 발명에 따른 시계열 데이터를 사용하는 RNN의 기본을 나타낸 구조도이다.

RNN은 시퀀스 데이터를 모델링 하기 위해 등장했다. 기존의 뉴럴 네트워크와 다른 점은 지금까지의 입력 데이터를 요약한 정보인 ‘기억’(다른 말로 hidden state)을 갖고 있다는 점이다. 새로운 입력이 들어올 때마다 네트워크는 자신의 기억을 조금씩 수정하며, 결국 입력을 모두 처리하고 난 후 네트워크에게 남겨진 기억은 시퀀스 전체를 요약하는 정보가 된다.

도6은 본 발명에 따른 RNN에서 사용되는 LSTM 알고리즘의 구조도이다.

그러나 RNN은 관련 정보와 그 정보를 사용하는 지점이 먼 경우에 역전파 기울기(Back Propagation Gradient)가 점차 줄어 학습 능력이 저하되며 기울기가 사라지는 문제(Vanishing Gradient Problem)가 발생한다. 이러한 문제를 극복하기 위한 알고리즘이 LSTM이며 RNN의 은익상태(Hidden State)에 셀상태(Cell State)를 추가한 구조이다. 본 발명에서는 LSTM 모델을 사용한다.

LSTM(Long Short Term Memory networks)은 장기 의존성 학습이 가능한 종류의 순환 신경망이다. 장기간 이전 데이터를 기억하는 것이 LSTM의 기본이며, LSTM은 장기적인 정보를 저장하기 위한 복잡한 구조를 가지고 있다.

LSTM 장치는 크게 "포겟 게이트

", "입력 게이트

" 및 "출력 게이트

"의 세 가지 게이트로 구성된다.

포켓 케이트(Forget gate)는 Forget gate weight, hidden state 및 현재 입력을 기반으로 셀 상태의 어떤 부분을 삭제할 것인지 결정하고, 입력 게이트는 입력 게이트 가중치, 숨겨진 상태 및 현재 입력을 기반으로 셀 상태에 추가할 새 입력의 양을 결정하며, 출력 게이트는 출력 게이트 가중치, 숨김상태 및 현재 입력에 따라 셀 상태가 현재 출력에 미치는 영향을 결정한다.

셀 상태 및 셀 상태가 LSTM 장치의 출력에 각각 영향을 미치는 정도. 이러한 가중치는 모델에 의해 학습된다. 따라서 모델은 입력이 도착할 때 셀 상태의 어떤 부분을 잊어야 하는지, 어떤 입력이 중요하고 기억해야 하는지, 주어진 입력에 대해 얼마나 많은 출력이 셀 상태에 의존해야 하는지를 학습한다. 이를 통해 LSTM RNN 모델은 셀 상태에서 장거리 종속성을 효과적으로 캡처하고 기존 RNN 아키텍처가 직면한 기울기 소실 문제를 극복할 수 있다.

상기와 같은 RNN에서 사용되는 LSTM 알고리즘에 대한 식은 다음과 같다.

1. Input Gate :

2. Forget Gate :

3. Output Gate :

4. Cell update :

5. Cell State :

6. output :

&

상기 1은 잊기 게이트 벡터를 도출하는 식이며 이전의 정보들의 가중치를 결정한다. 2는 입력 게이트 벡터를 도출하는 식으로 새로운 정보를 취득한다. 3은 은닉상태를 도출하는 식이다. 4는 셀 상태 벡터를 도출하며, 5는 출력 게이트 벡터로 출력의 가능성이 큰 것을 구한다. 마지막으로 6에서 출력 벡터를 도출이 가능하다.

상기에서는 RNN의 알고리즘 중에서 LSTM을 사용하였지만, RNN 중에서 시계열 데이터를 처리할 수 있는 다양한 알고리즘의 적용도 가능하다.

(데이터 인식률 실험)

한편, 과도상태의 시계열 데이터를 RNN에 적용하였을 때의 결과를 입증하기 위한 결과는 표1 내지 표3에 나타내었다.

조건은 5개의 가스 센서를 이용하여 0.2초 간격으로 데이터를 취득하였으며, 실험에서 사용된 VOC 가스는 에탄올, 토루엔, 자일렌, 벤젠, 포름알데히드 5개이다.

375℃, 400℃, 425℃의 데이터로 학습 후에 450℃의 데이터 인식률

	2초	3초	4초	6초	8초	10초
인식률	80% (1개 가스 오인식)	100%	100%	100%	100%	100%

표1에서는 가스센서의 히터 온도가 375℃인 상태에서 5개의 가스를 각각 주입하여 0.2초 간격으로 데이터를 취득하고, 400℃인 상태에서 5개의 가스를 각각 주입하여 0.2초 간격으로 데이터를 취득하고, 425℃에서 5개의 가스를 각각 주입하여 0.2초 간격으로 데이터를 취득한 후, 취득한 데이터를 RNN을 이용하여 약 2000번을 학습시켰다.

학습후에 학습에 참여하지 않은 히터온도 450℃에서의 5개의 가스를 주입하여 얻은 데이터를 인가하여 가스의 종류를 제대로 인식하는지 알아본 결과이다.

표1에서 알 수 있듯이 2초까지의 시계열 데이터에서는 1개 가스를 오인식하였지만 3초부터 10초까지는 100% 인식 하였음을 알 수 있다.

375℃, 400℃, 450℃의 데이터로 학습 후에 425℃의 데이터 인식률

	2초	3초	4초	6초	8초	10초
인식률	60% (2개 가스 오인식)	100%	100%	100%	100%	100%

표2에서는 가스센서의 히터 온도가 375℃인 상태에서 5개의 가스를 각각 주입하여 0.2초 간격으로 데이터를 취득하고, 400℃인 상태에서 5개의 가스를 각각 주입하여 0.2초 간격으로 데이터를 취득하고, 450℃에서 5개의 가스를 각각 주입하여 0.2초 간격으로 데이터를 취득한 후, 취득한 데이터를 RNN을 이용하여 약 2000번을 학습시켰다.

학습 후에 학습에 참여하지 않은 히터온도 425℃에서의 5개의 가스를 주입하여 얻은 데이터를 인가하여 가스의 종류를 제대로 인식하는지 알아본 결과이다.

표2에서 알 수 있듯이 2초까지의 시계열 데이터에서는 2개 가스를 오인식하였지만 3초부터 10초까지는 100% 인식 하였음을 알 수 있다.

400℃, 425℃, 450℃의 데이터로 학습 후에 375℃의 데이터 인식률

	2초	3초	4초	6초	8초	10초
인식률	60% (1개 가스 오인식)	100%	100%	100%	100%	100%

표3에서는 가스센서의 히터 온도가 400℃인 상태에서 5개의 가스를 각각 주입하여 0.2초 간격으로 데이터를 취득하고, 425℃인 상태에서 5개의 가스를 각각 주입하여 0.2초 간격으로 데이터를 취득하고, 450℃에서 5개의 가스를 각각 주입하여 0.2초 간격으로 데이터를 취득한 후, 취득한 데이터를 RNN을 이용하여 약 2000번을 학습시켰다.

학습 후에 학습에 참여하지 않은 히터온도 375℃에서의 5개의 가스를 주입하여 얻은 데이터를 인가하여 가스의 종류를 제대로 인식하는지 알아본 결과이다.

표2에서 알 수 있듯이 2초까지의 시계열 데이터에서는 1개 가스를 오인식하였지만 3초부터 10초까지는 100% 인식 하였음을 알 수 있다.

따라서 표1 내지 표3에서와 같이 본 발명은 과도상태에서는 히터온도의 영향을 덜 받으면서도 가스 분류 및 인식 능력이 우수하다는 것을 알 수 있었다.

(가스 인식률 실험)

한편, 히터온도를 고정한 상태에서 5개의 가스를 각각 주입하여 0.2초 간격으로 데이터를 취득하였으며, 이를 총 4번 반복하여 얻은 데이터를 훈련패턴으로 정하고 학습하고, 학습 후에 같은 온도에서 5개의 가스를 각각 주입하여 얻은 데이터를 이용하여 분류 능력을 확인하였다. 이 결과는 표 4와 표5에 각각 나타내었다.

350℃에서 5개의 가스 데이터를 4번 반복하여 훈련시킨 후, 350℃에서의 미 훈련 가스의 인식률

0.2초

0.4초

0.6초

0.8초

1.0초

1.2초

1.4초

1.6초

1.8초

2.0초

2.2초

2.4초

2.6초

2.8초

3.0초

에탄올

x

x

x

o

o

o

o

o

o

o

o

o

o

o

o

토루엔

o

x

x

x

x

x

x

x

o

o

o

o

o

o

o

자일렌

x

x

x

x

x

x

x

x

x

o

o

o

o

o

o

메탄올

x

x

x

x

o

o

o

o

o

o

o

o

o

o

o

포름알데히드

x

x

x

o

o

o

o

o

o

o

o

o

o

o

o

인식률 (%)

0

0

20

40

60

60

60

60

80

100

100

100

100

100

100

표4에서는 350℃에서 실험이 이루어졌으며, 훈련 패턴을 약 2000번 학습시켰다. 이는 표4에 나타낸 바와 같이 0.2초 부터 0.4초까지는 가스를 오인식하다가 0.6초 부터 1.8초까지는 인식률이 점차 높아지면서, 2초 부터는 100% 인식 가능하다는 것을 알 수 있었다.

이는 도7의 350℃에서 5개의 가스 데이터를 4번 반복하여 훈련시킬 때, RNN에서 반복 학습 횟수에 따른 Loss율을 나타내었다.

400℃에서 5개의 가스 데이터를 4번 반복하여 훈련시킨 후, 400℃에서의 미 훈련 가스의 인식률

0.2초

0.4초

0.6초

0.8초

1.0초

1.2초

1.4초

1.6초

1.8초

2.0초

2.2초

2.4초

2.6초

2.8초

3.0초

에탄올

x

x

x

x

o

x

o

o

o

o

o

o

o

o

o

토루엔

x

x

x

x

x

x

x

o

o

o

o

o

o

o

o

자일렌

x

x

x

x

x

x

x

x

o

o

o

o

o

o

o

메탄올

x

x

x

x

x

o

o

o

o

o

o

o

o

o

o

포름알데히드

x

x

x

x

o

o

o

o

o

o

o

o

o

o

o

인식률 (%)

0

0

0

0

40

40

60

80

100

100

100

100

100

100

100

표5에서는 400℃에서 실험이 이루어졌으며, 훈련 패턴을 약 2000번 학습시켰다. 이는 표5에 나타낸 바와 같이 0.2초부터 0.8초까지는 가스를 오인식 하다가 1.0초 부터 1.6초까지는 인식률이 점차 높아지면서, 1.8초 부터는 100% 인식 가능하다는 것을 알 수 있었다.

이상에서 실시예들을 중심으로 설명하였으나 이는 단지 예시일 뿐 본 발명을 한정하는 것이 아니며, 본 발명이 속하는 분야의 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성을 벗어나지 않는 범위에서 이상에 예시되지 않은 여러 가지의 변형과 응용이 가능함을 알 수 있을 것이다. 예를 들어, 실시예들에 구체적으로 나타난 각 구성 요소는 변형하여 실시할 수 있는 것이다. 그리고 이러한 변형과 응용에 관계된 차이점들은 첨부한 청구 범위에서 규정하는 본 발명의 범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (4)

1. 가스 어레이를 이용하여 가스를 분류하는 방법에 있어서,
   과도상태, 준과도상태 및 정상상태 중 과도상태에서,
   히터 온도 375℃, 에탄올, 자일렌, 부탄올, 토루엔 및 포름알데히드 5ppm 각각 주입한 후 0,2초 간격으로 데이터를 취득하고,
   히터 온도 400℃, 에탄올, 자일렌, 부탄올, 토루엔 및 포름알데히드 5ppm 각각 주입한 후 0,2초 간격으로 데이터를 취득하고,
   히터 온도 425℃, 에탄올, 자일렌, 부탄올, 토루엔 및 포름알데히드 5ppm 각각 주입한 후 0,2초 간격으로 데이터를 취득하고,
   히터 온도 450℃, 에탄올, 자일렌, 부탄올, 토루엔 및 포름알데히드 5ppm 각각 주입한 후 0,2초 간격으로 데이터를 취득한 후,
   취득한 데이터는 RNN에 적용하여 가스 분류 및 인식 여부를 하는 것을 특징으로 하는 가스센서 어레이를 갖춘 전자코 시스템에서 순환신경망을 이용한 과도상태에서의 빠른 가스 분류 방법.
   
2. 제1항에 있어서,
   취득한 각 데이터는 상기 RNN을 이용하여 훈련 패턴을 수천회 학습시키고, 학습 후에 학습에 참여하지 않은 히터온도는 특정 히터온도에서 에탄올, 자일렌, 부탄올, 토루엔 및 포름알데히드를 각각 주입하여 얻은 데이터를 인가하여 가스의 종류 및 인식 능력을 알아보는 것을 특징으로 하는 가스센서 어레이를 갖춘 전자코 시스템에서 순환신경망을 이용한 과도상태에서의 빠른 가스 분류 방법.
   
3. 제1항에 있어서, 상기 RNN의 알고리즘 중에서 LSTM을 사용하거나 RNN 중에서 시계열 데이터를 처리할 수 있는 알고리즘 적용이 가능한 것을 특징으로 하는 가스센서 어레이를 갖춘 전자코 시스템에서 순환신경망을 이용한 과도상태에서의 빠른 가스 분류 방법.
   
4. 제1항에 있어서,
   상기 RNN을 위해 사용되는 데이터는
   

   

   
   여기서 N은 센서의 수이고, M은 시계열의 수
   인 것을 특징으로 하는 가스센서 어레이를 갖춘 전자코 시스템에서 순환신경망을 이용한 과도상태에서의 빠른 가스 분류 방법.
   

Images