KR20220170144A - 이상 탐지 서버, 방법 및 컴퓨터 프로그램 - Google Patents

이상 탐지 서버, 방법 및 컴퓨터 프로그램 Download PDF

Info

Publication number
KR20220170144A
KR20220170144A KR1020210080821A KR20210080821A KR20220170144A KR 20220170144 A KR20220170144 A KR 20220170144A KR 1020210080821 A KR1020210080821 A KR 1020210080821A KR 20210080821 A KR20210080821 A KR 20210080821A KR 20220170144 A KR20220170144 A KR 20220170144A
Authority
KR
South Korea
Prior art keywords
sound data
linear regression
deep learning
regression model
model
Prior art date
Application number
KR1020210080821A
Other languages
English (en)
Inventor
이정준
Original Assignee
주식회사 케이티
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 주식회사 케이티 filed Critical 주식회사 케이티
Priority to KR1020210080821A priority Critical patent/KR20220170144A/ko
Publication of KR20220170144A publication Critical patent/KR20220170144A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

설비의 사운드 데이터를 이용하여 설비의 이상을 탐지하는 서버에 있어서, 설비로부터 사운드 데이터를 수집하는 데이터 수집부; 상기 수집된 사운드 데이터 중 적어도 일부를 이용하여 상기 설비의 이상을 탐지하는 딥러닝 모델을 학습시키는 딥러닝 모델 학습부; 상기 적어도 일부의 사운드 데이터 및 상기 딥러닝 모델의 학습 결과에 기초하여 상기 딥러닝 모델에 대응하는 선형 회귀 모델을 생성하는 선형 회귀 모델 생성부; 상기 사운드 데이터 중 적어도 다른 일부를 이용하여 상기 선형 회귀 모델을 학습시키는 선형 회귀 모델 학습부; 및 상기 선형 회귀 모델에 상기 설비의 실시간 사운드 데이터를 입력하여 상기 설비의 이상을 탐지하는 이상 탐지부를 포함한다.

Description

이상 탐지 서버, 방법 및 컴퓨터 프로그램{SERVER, METHOD AND COMPUTER PROGRAM FOR DETECTING ABNORMALITY}
본 발명은 이상 탐지 서버, 방법 및 컴퓨터 프로그램에 관한 것이다.
설비 예지 보전 기술은 각각의 설비 상태를 정량적으로 파악하여 설비의 현재 상태나 앞으로 일어날 수 있는 이상 상황을 미리 예상하여 유지하고 보수하는 기술이다.
종래의 예지 보전 기술은 설비의 이상 상태를 검출하기 위해 설비의 사운드 데이터를 이용했다. 설비의 사운드 데이터를 수집하여 패턴을 분석함으로써 해당 설비의 이상 상태를 검출할 수 있었다.
구체적으로, 종래의 예지 보전 기술은 현장의 설비로부터 사운드 데이터를 수신하고, 수신한 사운드 데이터에 기초하여 딥러닝 모델을 구축하고, 구축된 딥러닝 모델을 이용하여 실시간으로 수신한 설비의 사운드 데이터로부터 해당 설비의 이상 상태를 검출할 수 있었다.
그러나, 종래의 예지 보전 기술에 따르면 설비의 이상 상태를 검출하는 딥러닝 모델을 구축하기 위해서는 무수히 많은 학습 데이터를 이용하여 딥러닝 모델을 학습시켜야 했다. 따라서, 딥러닝 모델의 학습을 위해 상당한 시간 및 비용이 소요하게 됐다.
이와 관련하여, 선행기술인 한국등록특허 제1969504호는 사운드 이벤트 검출 장치에 관한 것으로, 오디오 신호를 포함하는 훈련 데이터를 이용하여 심층 신경망을 학습하는 학습 모듈 및 학습된 심층 신경망과 예제 노이즈들을 이용하여 이벤트 종류를 검출하는 이벤트 검출 모듈을 개시하고 있다. 구체적으로, 사운드 이벤트 검출 장치의 이벤트 검출 모듈은 오디오 신호들에 대한 특징 데이터들을 추출하고 추출된 특징 데이터들로부터 예제 노이즈들을 추출하여 훈련용 결합 데이터를 생성하는 점에 대해 개시하고 있다.
한국공개특허공보 제2019-0106902호 (2019. 9. 18. 공개) 한국등록특허공보 제1969504호 (2019. 4. 10. 등록)
본 발명은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 설비의 사운드 데이터를 이용하여 설비의 이상을 검출하는 딥러닝 모델을 학습하기 위해 소요되는 시간을 효율적으로 단축시킬 수 있는 이상 탐지 서버를 제공하고자 한다.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 달성하기 위한 수단으로서, 본 발명의 일 실시예는, 설비의 사운드 데이터를 이용하여 설비의 이상을 탐지하는 서버에 있어서, 설비로부터 사운드 데이터를 수집하는 데이터 수집부; 상기 수집된 사운드 데이터 중 적어도 일부를 이용하여 상기 설비의 이상을 탐지하는 딥러닝 모델을 학습시키는 딥러닝 모델 학습부; 상기 적어도 일부의 사운드 데이터 및 상기 딥러닝 모델의 학습 결과에 기초하여 상기 딥러닝 모델에 대응하는 선형 회귀 모델을 생성하는 선형 회귀 모델 생성부; 상기 사운드 데이터 중 적어도 다른 일부를 이용하여 상기 선형 회귀 모델을 학습시키는 선형 회귀 모델 학습부; 및 상기 선형 회귀 모델에 상기 설비의 실시간 사운드 데이터를 입력하여 상기 설비의 이상을 탐지하는 이상 탐지부를 포함하는, 이상 탐지 서버를 제공 할 수 있다.
본 발명의 다른 실시예는, 설비의 사운드 데이터를 이용하여 설비의 이상을 탐지하는 방법에 있어서, 설비로부터 사운드 데이터를 수집하는 단계; 상기 수집된 사운드 데이터 중 적어도 일부를 이용하여 상기 설비의 이상을 탐지하는 딥러닝 모델을 학습시키는 단계; 상기 적어도 일부의 사운드 데이터 및 상기 딥러닝 모델의 학습 결과에 기초하여 상기 딥러닝 모델에 대응하는 선형 회귀 모델을 생성하는 단계; 상기 사운드 데이터 중 적어도 다른 일부를 이용하여 상기 선형 회귀 모델을 학습시키는 단계; 및 상기 선형 회귀 모델에 상기 설비의 실시간 사운드 데이터를 입력하여 상기 설비의 이상을 탐지하는 단계를 포함하는, 이상 탐지 방법을 제공할 수 있다.
본 발명의 또 다른 실시예는, 설비의 사운드 데이터를 이용하여 설비의 이상을 탐지 하는 명령어들의 시퀀스를 포함하는 컴퓨터 판독가능 기록매체에 저장된 컴퓨터 프로그램에 있어서, 상기 컴퓨터 프로그램은 컴퓨팅 장치에 의해 실행될 경우, 설비로부터 사운드 데이터를 수집하고, 상기 수집된 사운드 데이터 중 적어도 일부를 이용하여 상기 설비의 이상을 탐지하는 딥러닝 모델을 학습시키고, 상기 적어도 일부의 사운드 데이터 및 상기 딥러닝 모델의 학습 결과에 기초하여 상기 딥러닝 모델에 대응하는 선형 회귀 모델을 생성하고, 상기 사운드 데이터 중 적어도 다른 일부를 이용하여 상기 선형 회귀 모델을 학습시키고, 상기 선형 회귀 모델에 상기 설비의 실시간 사운드 데이터를 입력하여 상기 설비의 이상을 탐지하도록 하는 명령어들의 시퀀스를 포함하는, 컴퓨터 판독가능 기록매체에 저장된 컴퓨터 프로그램을 제공할 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본 발명을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 기재된 추가적인 실시예가 존재할 수 있다.
전술한 본 발명의 과제 해결 수단 중 어느 하나에 의하면, 수집한 설비의 사운드 데이터 중 일부만을 이용하여 설비의 이상을 탐지하는 딥러닝 모델을 학습시키고, 딥러닝 모델에 대응하는 선형 회귀 모델을 생성하여 나머지 사운드 데이터를 통해 선형 회귀 모델을 학습시킴으로써, 설비의 이상을 탐지하는 모델을 학습하는데 소요되는 시간을 보다 효과적으로 단축시킬 수 있는 이상 탐지 서버, 방법 및 컴퓨터 프로그램을 제공할 수 있다.
또한, 딥러닝 모델과 같은 성능을 가지는 선형 회귀 모델을 이용하여 학습에 소요되는 시간을 단축시킬 뿐만 아니라 수집한 사운드 데이터로부터 설비의 이상을 정확하게 탐지할 수 있는 이상 탐지 서버, 방법 및 컴퓨터 프로그램을 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 이상 탐지 서버의 구성도이다.
도 2는 본 발명의 일 실시예에 따른 이상 탐지 서버의 흐름도를 설명하기 위한 예시적인 도면이다.
도 3은 본 발명의 일 실시예에 따른 딥러닝 모델을 설명하기 위한 예시적인 도면이다.
도 4는 본 발명의 일 실시예에 따른 선형 회귀 모델 생성부를 설명하기 위한 예시적인 도면이다.
도 5는 본 발명의 일 실시예에 따른 이상 탐지 방법의 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다.
본 명세서에 있어서 단말 또는 디바이스가 수행하는 것으로 기술된 동작이나 기능 중 일부는 해당 단말 또는 디바이스와 연결된 서버에서 대신 수행될 수도 있다. 이와 마찬가지로, 서버가 수행하는 것으로 기술된 동작이나 기능 중 일부도 해당 서버와 연결된 단말 또는 디바이스에서 수행될 수도 있다.
이하 첨부된 도면을 참고하여 본 발명의 일 실시예를 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 이상 탐지 서버의 구성도이다. 도 1을 참조하면, 이상 탐지 서버(100)는 데이터 수집부(110), 딥러닝 모델 학습부(120), 선형 회귀 모델 생성부(130), 선형 회귀 모델 학습부(140) 및 이상 탐지부(150)를 포함할 수 있다. 다만 위 구성 요소들(110 내지 150)은 이상 탐지 서버(100)에 의하여 제어될 수 있는 구성요소들을 예시적으로 도시한 것일 뿐이다.
도 1의 이상 탐지 서버(100)의 각 구성요소들은 일반적으로 네트워크(network)를 통해 연결된다. 예를 들어, 도 1에 도시된 바와 같이, 데이터 수집부(110), 딥러닝 모델 학습부(120), 선형 회귀 모델 생성부(130), 선형 회귀 모델 학습부(140) 및 이상 탐지부(150)는 동시에 또는 시간 간격을 두고 연결될 수 있다.
네트워크는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조를 의미하는 것으로, 근거리 통신망(LAN: Local Area Network), 광역 통신망(WAN: Wide Area Network), 인터넷 (WWW: World Wide Web), 유무선 데이터 통신망, 전화망, 유무선 텔레비전 통신망 등을 포함한다. 무선 데이터 통신망의 일례에는 3G, 4G, 5G, 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), WIMAX(World Interoperability for Microwave Access), 와이파이(Wi-Fi), 블루투스 통신, 적외선 통신, 초음파 통신, 가시광 통신(VLC: Visible Light Communication), 라이파이(LiFi) 등이 포함되나 이에 한정되지는 않는다.
본 발명의 일 실시예에 따른 이상 탐지 서버(100)는 설비의 사운드 데이터를 이용하여 이상 상태를 검출하는 모델을 학습하는데 소요되는 시간을 효율적으로 단축시킬 수 있다.
예를 들어, 이상 탐지 서버(100)는 딥러닝 모델과 동일하거나 유사한 성능을 가지는 선형 회귀 모델을 생성하여 선형 회귀 모델을 학습시킴으로써, 이상 상태를 검출하는 모델의 학습에 소요되는 시간을 보다 효과적으로 단축시킬 뿐만 아니라 수집한 사운드 데이터를 이용하여 설비의 이상을 정확하게 탐지할 수 있다.
도 2는 본 발명의 일 실시예에 따른 이상 탐지 서버의 흐름도를 설명하기 위한 예시적인 도면이다. 도 1 및 도 2를 참조하면, 본 발명의 일 실시예에 따른 데이터 수집부(110)는 설비로부터 사운드 데이터(210)를 수집할 수 있다. 예를 들어, 데이터 수집부(110)는 현장의 설비로부터 사운드 데이터(210)를 수집할 수 있고, 수집된 설비의 사운드 데이터(210)는 각 설비의 사운드 파일에 이상 유무에 대한 값이 라벨링되어 있을 수 있다.
딥러닝 모델 학습부(120)는 수집된 사운드 데이터(210)를 이용하여 설비의 이상을 탐지하는 딥러닝 모델(220)을 학습시킬 수 있다. 예를 들어, 딥러닝 모델 학습부(120)는 전처리 과정을 거친 사운드 데이터(210)를 이용하여 딥러닝 모델(220)을 학습시킬 수 있다.
딥러닝 모델 학습부(120)는 전처리부(121)를 포함할 수 있다. 전처리부(121)는 사운드 데이터의 FFT(Fast Fourier Transformation)에 기초한 전처리를 수행하여 사운드 데이터를 행렬 데이터로 변환시킬 수 있다. 예를 들어, 전처리부(121)는 함수의 근사값을 계산하는 알고리즘을 이용하여 입력값의 연산 횟수를 줄일 수 있도록 사운드 데이터를 변환시킬 수 있다. 예를 들어, 전처리부(121)는 44.1KHz 샘플링 레이트(Sampling Rate)를 가지는 사운드 데이터를 각 주파수 대역에서 숫자로 변환시켜 총 2,048개의 숫자를 포함하는 행렬 데이터로 변환시킬 수 있다.
딥러닝 모델(220)은 행렬 데이터를 입력 받아 1차원 데이터로 출력하도록 학습될 수 있다. 예를 들어, 딥러닝 모델(220)은 전처리 과정을 거쳐 행렬 데이터로 변환된 사운드 데이터(210)를 입력 받아 연산 과정을 거쳐 1차원 데이터를 출력할 수 있다.
도 3은 본 발명의 일 실시예에 따른 딥러닝 모델을 설명하기 위한 예시적인 도면이다. 딥러닝 모델은 일반적으로 수개의 층에서 수십개의 층이 사용된다. 예를 들어, 딥러닝 모델은 도 3과 같이, 5개의 층으로 구성될 수 있다. 입력층(Input Layer)에 입력값을 입력하면, 입력값은 계산을 거쳐 다음층으로 입력된다. 입력값은 각 층의 계산을 거쳐 출력층(Output Layer)에 입력된다. 이때, 각 층의 원은 입력 데이터의 변수, 차원을 의미할 수 있다.
예를 들어, 도 3의 딥러닝 모델의 입력층의 변수가 2048개라고 가정해보자. 두번째 층의 변수는 입력층의 변수의
Figure pat00001
이고, 세번째 층의 변수는 두번째 층의 변수의
Figure pat00002
이고, 네번째 층의 변수는 세번째 층의
Figure pat00003
이라고 설정하면, 딥러닝 모델은 총 7개의 층으로 이루어질 수 있고, 입력값은 일곱번째 층을 거쳐 1차원 데이터의 출력값으로 도출될 수 있다.
총 7개의 층으로 이루어진 딥러닝 모델은 첫번째 층의 2048개의 변수, 두번째 층의 1024개의 변수, 세번째 층의 256개의 변수, 네번째 층의 64개의 변수, 다섯번째 층의 16개의 변수, 여섯번째 층의 4개의 변수 및 일곱번째 층의 1개의 변수를 포함할 수 있다. 즉, 딥러닝 모델은 총 237만개의 변수를 학습시켜야 2048 차원의 입력값으로부터 1차원의 최적의 출력값을 도출할 수 있게 된다. 따라서, 딥러닝 모델을 학습하기 위해서는 상당한 시간 및 비용이 발생한다.
다시 도 2를 참조하면, 본 발명의 일 실시예에 따른 딥러닝 모델 학습부(120)는 수집된 사운드 데이터 중 적어도 일부(211)를 이용하여 설비의 이상을 탐지하는 딥러닝 모델(220)을 학습시킬 수 있다. 예를 들어, 딥러닝 모델 학습부(120)는 수집된 사운드 데이터(210)를 절반으로 나누고, 절반의 사운드 데이터(211)를 이용하여 딥러닝 모델(220)을 학습시킬 수 있다.
여기서, 적어도 다른 일부의 사운드 데이터(211)는 딥러닝 모델(220)을 완전 학습시키기에 불충분한 양이고, 딥러닝 모델 학습부(120)는 수집된 적어도 다른 일부의 사운드 데이터(211)를 이용하여 딥러닝 모델(220)을 불완전 학습시킬 수 있다. 예를 들어, 딥러닝 모델 학습부(120)는 수집된 사운드 데이터의 절반을 이용하여 총 237만개의 변수를 가진 입력값에 대한 최적의 1차원의 출력값을 도출할 수 있다. 따라서, 종래 기술에 따른 딥러닝 모델에 있어서 최적의 출력값을 도출하는데 T만큼의 학습 시간이 소요될 경우, 본 발명에 따른 딥러닝 모델(220)은
Figure pat00004
T만큼 학습이 이루어질 수 있다.
선형 회귀 모델 생성부(130)는 적어도 다른 일부의 사운드 데이터(212) 및 딥러닝 모델(220)의 학습 결과(220a)에 기초하여 딥러닝 모델(220)에 대응하는 선형 회귀 모델(230)을 생성할 수 있다. 예를 들어, 선형 회귀 모델 생성부(130)는 나머지 절반의 사운드 데이터(212)와 딥러닝 모델(220)의 학습 결과(220a)를 이용하여 딥러닝 모델(220)과 동일하거나 유사한 성능을 가지는 선형 회귀 모델(230)을 생성할 수 있다.
도 4는 본 발명의 일 실시예에 따른 선형 회귀 모델 생성부를 설명하기 위한 예시적인 도면이다. 도 4를 참조하면, 선형 회귀 모델 생성부(130)는 딥러닝 모델(420)에 입력된 입력 데이터(410)와 이에 대응하는 출력 데이터(430)를 이용하여 선형 회귀 모델(230)의 계수(
Figure pat00005
)를 추정할 수 있다.
선형 회귀 모델 생성부(130)는 커널 트릭(Kernel Trick)을 이용하여 선형 회귀 모델의 계수를 추정할 수 있다. 커널 트릭은 비선형 분류를 하기 위해 주어진 데이터를 고차원 특징 공간으로 사상하는 것으로, 선형 회귀 모델 생성부(130)가 커널 트릭을 이용함으로써 적은 계산량으로 신속하게 선형 회귀 모델의 계수를 도출할 수 있다. 예를 들어, 선형 회귀 모델 생성부(130)는 딥러닝 모델(420)의 입력 데이터(410)와 출력 데이터(430)를 하나의 쌍으로 매핑하고, 입력 데이터(410)와 출력 데이터(430)의 쌍에 기초하여 선형 회귀 모델(230)의 계수(
Figure pat00006
)를 추정할 수 있다.
선형 회귀 모델 생성부(130)는 입력 데이터(410)의 차원을 보정하고 보정된 차원의 입력 데이터(410)를 이용하여 선형 회귀 모델(230)의 계수(
Figure pat00007
)를 도출할 수 있다.
본 발명의 일 실시예에 따른 선형 회귀 모델 생성부(130)는 데이터 보정부(131)를 포함할 수 있다. 데이터 보정부(131)는 설비의 특성에 기초하여 일정 범위의 주파수 대역을 설정하고, 설정된 주파수 대역을 벗어나는 사운드 데이터를 제외시키거나 보정하여 사운드 데이터의 주파수 대역을 일정 범위로 보정할 수 있다.
예를 들어, 44.1KHz 샘플링 레이트를 가지는 설비의 사운드 데이터의 경우, 데이터 보정부(131)는 사운드 데이터의 주파수 대역을 3KHz에서 15KHz로 설정할 수 있다. 3KHz 미만의 주파수는 주변 환경의 노이즈로 인해 변동이 심하여 오차를 크게 발생시킬 수 있고, 15KHz를 초과하는 주파수는 전처리 과정을 거쳐 변환된 행렬의 변수값이 거의 '0'에 가까운 값이 일정하게 나타나는 경우가 대부분이므로, 데이터 보정부(131)는 설비의 사운드 데이터에서 3KHz 미만의 주파수와 15KHz를 초과하는 주파수를 제외시킬 수 있다.
예를 들어, 데이터 보정부(131)는 2048차원의 입력 데이터(410)에서 3KHz에 해당하는 279차원 미만의 변수와 15KHz에 해당하는 1393차원 초과의 변수를 제외시킬 수 있다.
데이터 보정부(131)는 보정된 입력 데이터(410)에 대해 정규화를 수행할 수 있다. 예를 들어, 데이터 보정부(131)는 보정된 입력 데이터(410)의 평균 및 표준편차를 산출할 수 있다. 데이터 보정부(131)는 산출된 평균 및 표준편차를 이용하여 입력 데이터(410)의 각 변수를 정규화시킬 수 있다. 데이터 보정부(131)는 정규화를 통해 특정 변수로 인해 과적합되는 현상을 방지할 수 있다.
데이터 보정부(131)는 입력 데이터(410,
Figure pat00008
)의 주파수 대역을 일정 범위로 설정하고 정규화를 수행함으로써 선형 회귀 모델의 계수(
Figure pat00009
)를 추정하기 위한 입력 데이터(
Figure pat00010
)로 변환시킬 수 있다. 예를 들어, 100만개의 데이터가 존재하는 경우, 100만개의 데이터 중 임의로 한 개를 선출하면, 선출된 데이터 X의 실제 값은 [원소1, 원소2, 원소3, ??, 원소2048] 이라는 길이가 2048인 벡터 형태이다. 따라서, 데이터 보정부(131)는 X의 실제 값 중 원소279부터 원소1393까지를 추출하여 하기 수학식 1과 같이 입력 데이터(
Figure pat00011
)를 가공할 수 있다.
<수학식 1>
Figure pat00012
여기서,
Figure pat00013
는 279부터 1393 사이의 간격을 일정하게 나눌 수 있는 미리 설정된 크기의 숫자이다. 일반적으로 d의 값은, 30~70 사이의 값이 적절하다. 그리고, 수학식 1에서 첫 '
Figure pat00014
' 부분은 279, 279+d, 279+2d, 279+3d 등으로 점차 d씩 커지는 일정한 간격의 원소 나열을 설명하는 것이다. 수학식 1에서 두번째 '
Figure pat00015
' 부분은 데이터 X의 실제 값에서 d간격으로 선발된 원소 279부터 원소 1393까지의 원소들 중 둘을 중복 허용하여 선출하여 서로 곱한 값을 포함할 수 있다. 예를 들어, 원소279*원소279, 원소279*원소279+d, …, 원소279*원소1393, …, 원소1393*원소1393 등일 수 있다. 마찬가지로, 중복 허용하여 셋을 뽑거나 넷을 뽑는 것도 포함할 수 있으나, 일반적으로 둘을 뽑는 것까지 포함하는 경우가 상대적으로 계산량 대비 효율적이다. 선형 회귀 모델 생성부(130)는 변환된 입력 데이터(
Figure pat00016
)를 쌍으로 내적하여 내적 결과를 행렬 형태로 저장할 수 있다. 예를 들어, 선형 회귀 모델 생성부(130)는 변환되어 (1, 2, 3, 4)의 변수를 포함하는 입력 데이터
Figure pat00017
와 (1, 0, 4, -2)의 변수를 포함하는 입력 데이터
Figure pat00018
를 내적하여, 내적 결과인 '5'를 행렬의 한 성분으로 저장할 수 있다.
선형 회귀 모델 생성부(130)는 예를 들어, 수학식 2를 이용하여 선형 회귀 모델(440)의 계수(
Figure pat00019
)를 추정할 수 있다. 하기 수학식 2에서 좌측의
Figure pat00020
직접 산출하는 것은 매우 복잡하기 때문에, 본 발명에서는 수학식 2를 통해
Figure pat00021
를 간접적으로 산출한다.
<수학식 2>
Figure pat00022
Figure pat00023
Figure pat00024
<
Figure pat00025
,
Figure pat00026
>
여기서,
Figure pat00027
는 입력되는 데이터의 번호를 의미할 수 있다. 예를 들어, 100만개의 데이터가 존재하는 경우,
Figure pat00028
는 1부터 100만까지의 숫자 중 하나가 될 수 있다. 즉,
Figure pat00029
는 100만개의 데이터 중 1개를 지칭하게 된다.
또한, 수학식 2에서
Figure pat00030
는 모든 데이터들에 대해 미리 산출되어 있기 때문에,
Figure pat00031
와
Figure pat00032
는 고정된 문자열이다. 즉, 수학식 2에서는 보정계수
Figure pat00033
만을 산출하여 수학식 2에 반영하면, 추정하고자 하는 선형 회귀 모델(440)의 계수(
Figure pat00034
) 및
Figure pat00035
를 간접적으로 산출할 수 있다.
한편, 보정계수
Figure pat00036
는 입력 데이터(410)의 개수와 같은 크기의 벡터로서, 하기 수학식 3에 의해 결정될 수 있다.
<수학식 3>
Figure pat00037
+ LR * (y - K *
Figure pat00038
)
수학식 3에서, LR은 학습 비율(Learning Rate)을 나타내는 상수로서 예를 들어, 0.1~0.01사이의 값일 수 있다. 수학식 3에 따르면,
Figure pat00039
는 좌변의
Figure pat00040
+ LR * (y - K *
Figure pat00041
)에 의해 업데이트될 수 있다.
여기서, K는 <
Figure pat00042
,
Figure pat00043
> 의 계산값을 행렬의 i, j 성분으로 갖는 정사각형 행렬을 의미한다.
선형 회귀 모델 생성부(130)는 모든 출력 데이터(430, y)를 수학식 3에 입력함으로써
Figure pat00044
를 반복적으로 업데이트하여 수렴하는
Figure pat00045
값을 도출할 수 있다. 예를 들어, 선형 회귀 모델 생성부(130)는 출력 데이터(430)를 수학식 3에 입력하여
Figure pat00046
를 반복적으로 업데이트하는 동안
Figure pat00047
값이 5% 미만으로 변화하는 경우 수렴한 것으로 간주할 수 있다.
선형 회귀 모델 생성부(130)는 수렴한
Figure pat00048
값을 수학식 2에 입력하여 선형 회귀 모델(440)의 계수(
Figure pat00049
)를 추정할 수 있다.
선형 회귀 모델 생성부(130)는 수렴한
Figure pat00050
값을 모든 입력 데이터(410)에 적용시켜 계수(
Figure pat00051
)를 도출할 수 있다. 선형 회귀 모델 생성부(130)는
Figure pat00052
를 이용하여 수렴값을 산출함으로써 선형 회귀 모델(440)의 계수(
Figure pat00053
)를 보다 신속하게 추정할 수 있다. 선형 회귀 모델 생성부(130)는 추정된 계수(
Figure pat00054
)를 이용하여 딥러닝 모델(420)에 대응하는 선형 회귀 모델(440)을 생성할 수 있다.
다시 도 2를 참조하면, 선형 회귀 모델 학습부(140)는 사운드 데이터 중 적어도 다른 일부(212)를 이용하여 선형 회귀 모델(230)을 학습시킬 수 있다. 예를 들어, 선형 회귀 모델 학습부(140)는 생성된 선형 회귀 모델(230)에 나머지 절반의 사운드 데이터(212)를 입력하여 선형 회귀 모델(230)을 학습시킬 수 있다.
선형 회귀 모델(230)은, 약 237만개의 변수를 학습시켜 입력값에 대한 최적의 출력값을 도출하는 딥러닝 모델(220)과는 달리, 약 3000~12000개의 변수를 학습시키는 학습 과정을 거쳐 입력값으로부터 최적의 출력값을 도출시킬 수 있다. 선형 회귀 모델(230)은 딥러닝 모델(220)을 학습시키기 위한 변수의
Figure pat00055
, 약 0.5% 미만의 변수만으로도 딥러닝 모델(220)과 동일하거나 유사한 성능을 가질 수 있다.
따라서, 본 발명에서는 선형 회귀 모델(230)을 생성하기 위해 딥러닝 모델(220)을 최소한으로 학습하고, 생성된 선형 회귀 모델(230)을 학습함으로써 이상 탐지를 위한 모델의 학습에 소요되는 시간을 효율적으로 단축시킬 수 있다.
즉, 종래 기술에 따라 수집한 설비의 사운드 데이터로부터 딥러닝 모델을 학습하는데 총 T시간이 소요된다면, 본 발명에 따른 이상 탐지 서버는 수집한 설비의 사운드 데이터에서, 일 예로, 절반의 데이터만으로 딥러닝 모델을 학습하고, 나머지 절반의 데이터로 선형 회귀 모델을 학습하기 때문에
Figure pat00056
T+2Q시간이 소요될 수 있다. 여기서, Q시간은 선형 회귀 모델을 학습하는데 소요되는 시간으로 T>200Q이므로, 본 발명에 따른 이상 탐지 서버는 설비의 이상을 탐지하는 모델을 학습하기 위해 소요되는 시간을 보다 효과적으로 단축시킬 수 있다.
본 발명의 일 실시예에 따른 이상 탐지부(150)는 선형 회귀 모델에 설비의 실시간 사운드 데이터를 입력하여 설비의 이상을 탐지할 수 있다. 예를 들어, 이상 탐지부(150)는 학습된 선형 회귀 모델(230)을 이용하여 설비의 실시간 사운드 데이터로부터 설비의 상태를 모니터링할 수 있다.
도 5는 본 발명의 일 실시예에 따른 이상 탐지 방법의 순서도이다. 도 5에 도시된 이상 탐지 방법은 도 1 내지 도 4에 도시된 실시예에 따라 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하 생략된 내용이라고 하더라도 도 1 내지 도 4에 도시된 실시예에 따른 이상 탐지 서버에서 설비의 사운드 데이터를 이용하여 설비의 이상을 탐지하는 방법에도 적용된다.
단계 S510에서 이상 탐지 서버는 설비로부터 사운드 데이터를 수집할 수 있다.
단계 S520에서 이상 탐지 서버는 수집된 사운드 데이터 중 적어도 일부를 이용하여 설비의 이상을 탐지하는 딥러닝 모델을 학습시킬 수 있다.
단계 S530에서 이상 탐지 서버는 적어도 일부의 사운드 데이터 및 딥러닝 모델의 학습 결과에 기초하여 딥러닝 모델에 대응하는 선형 회귀 모델을 생성할 수 있다.
단계 S540에서 이상 탐지 서버는 사운드 데이터 중 적어도 다른 일부를 이용하여 선형 회귀 모델을 학습시킬 수 있다.
단계 S550에서 이상 탐지 서버는 선형 회귀 모델에 설비의 실시간 사운드 데이터를 입력하여 설비의 이상을 탐지할 수 있다.
상술한 설명에서, 단계 S510 내지 S550는 본 발명의 구현 예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 전환될 수도 있다.
도 1 내지 도 5를 통해 설명된 이상 탐지 서버에서 설비의 이상을 탐지하는 방법은 컴퓨터에 의해 실행되는 컴퓨터 판독가능 기록매체에 저장된 컴퓨터 프로그램 또는 컴퓨터에 의해 실행 가능한 명령어들을 포함하는 기록 매체의 형태로도 구현될 수 있다. 또한, 도 1 내지 도 5를 통해 설명된 이상 탐지 서버에서 설비의 이상을 탐지하는 방법은 컴퓨터에 의해 실행되는 컴퓨터 판독가능 기록매체에 저장된 컴퓨터 프로그램의 형태로도 구현될 수 있다.
컴퓨터 판독 가능 기록매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 기록매체는 컴퓨터 저장 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100: 이상 탐지 서버
110: 데이터 수집부
120: 딥러닝 모델 학습부
130: 선형 회귀 모델 생성부
140: 선형 회귀 모델 학습부
150: 이상 탐지부

Claims (15)

  1. 설비의 사운드 데이터를 이용하여 설비의 이상을 탐지하는 서버에 있어서,
    설비로부터 사운드 데이터를 수집하는 데이터 수집부;
    상기 수집된 사운드 데이터 중 적어도 일부를 이용하여 상기 설비의 이상을 탐지하는 딥러닝 모델을 학습시키는 딥러닝 모델 학습부;
    상기 적어도 일부의 사운드 데이터 및 상기 딥러닝 모델의 학습 결과에 기초하여 상기 딥러닝 모델에 대응하는 선형 회귀 모델을 생성하는 선형 회귀 모델 생성부;
    상기 사운드 데이터 중 적어도 다른 일부를 이용하여 상기 선형 회귀 모델을 학습시키는 선형 회귀 모델 학습부; 및
    상기 선형 회귀 모델에 상기 설비의 실시간 사운드 데이터를 입력하여 상기 설비의 이상을 탐지하는 이상 탐지부
    를 포함하는, 이상 탐지 서버.
  2. 제 1 항에 있어서,
    상기 선형 회귀 모델 생성부는 상기 딥러닝 모델에 입력된 입력 데이터와 이에 대응하는 출력 데이터를 이용하여 상기 선형 회귀 모델의 계수를 추정하는 것인, 이상 탐지 서버.
  3. 제 2 항에 있어서,
    상기 선형 회귀 모델 생성부는,
    커널 트릭(Kernel Trick)을 이용하여 상기 선형 회귀 모델의 계수를 추정하는 것인, 이상 탐지 서버.
  4. 제 1 항에 있어서,
    상기 사운드 데이터 중 적어도 다른 일부는 상기 딥러닝 모델을 완전 학습시키기에 불충분한 양이고,
    상기 딥러닝 모델 학습부는 상기 수집된 사운드 데이터 중 적어도 일부를 이용하여 상기 딥러닝 모델을 불완전 학습시키는 것인, 이상 탐지 서버.
  5. 제 1 항에 있어서,
    상기 딥러닝 모델 학습부는,
    상기 사운드 데이터의 FFT(Fast Fourier Transformation)에 기초한 전처리를 수행하여 상기 사운드 데이터를 행렬 데이터로 변환시키는 전처리부
    를 포함하는, 이상 탐지 서버.
  6. 제 5 항에 있어서,
    상기 딥러닝 모델은 상기 행렬 데이터를 입력 받아 1차원 데이터로 출력하는 것인, 이상 탐지 서버.
  7. 제 1 항에 있어서,
    상기 선형 회귀 모델 생성부는,
    상기 설비의 특성에 기초하여 일정 범위의 주파수 대역을 설정하고, 상기 설정된 주파수 대역을 벗어나는 상기 사운드 데이터를 제외시키거나 보정하여 상기 사운드 데이터의 주파수 대역을 상기 일정 범위로 보정하는 데이터 보정부
    를 포함하는, 이상 탐지 서버.
  8. 이상 탐지 서버에 의해 수행되는 설비의 이상을 탐지하는 방법에 있어서,
    설비로부터 사운드 데이터를 수집하는 단계;
    상기 수집된 사운드 데이터 중 적어도 일부를 이용하여 상기 설비의 이상을 탐지하는 딥러닝 모델을 학습시키는 단계;
    상기 적어도 일부의 사운드 데이터 및 상기 딥러닝 모델의 학습 결과에 기초하여 상기 딥러닝 모델에 대응하는 선형 회귀 모델을 생성하는 단계;
    상기 사운드 데이터 중 적어도 다른 일부를 이용하여 상기 선형 회귀 모델을 학습시키는 단계; 및
    상기 선형 회귀 모델에 상기 설비의 실시간 사운드 데이터를 입력하여 상기 설비의 이상을 탐지하는 단계
    를 포함하는, 이상 탐지 방법.
  9. 제 8 항에 있어서,
    상기 선형 회귀 모델을 생성하는 단계는,
    상기 딥러닝 모델에 입력된 입력 데이터와 이에 대응하는 출력 데이터를 이용하여 상기 선형 회귀 모델의 계수를 추정하는 단계
    를 포함하는 것인, 이상 탐지 방법.
  10. 제 9 항에 있어서,
    상기 선형 회귀 모델을 생성하는 단계는,
    커널 트릭(Kernel Trick)을 이용하여 상기 선형 회귀 모델의 계수를 추정하는 것인, 이상 탐지 방법.
  11. 제 8 항에 있어서,
    상기 사운드 데이터 중 적어도 다른 일부는 상기 딥러닝 모델을 완전 학습시키기에 불충분한 양이고,
    상기 딥러닝 모델을 학습시키는 단계는,
    상기 수집된 사운드 데이터 중 적어도 일부를 이용하여 상기 딥러닝 모델을 불완전 학습시키는 것인, 이상 탐지 방법.
  12. 제 8 항에 있어서,
    상기 딥러닝 모델을 학습시키는 단계는,
    상기 사운드 데이터의 FFT(Fast Fourier Transformation)에 기초한 전처리를 수행하여 상기 사운드 데이터를 행렬 데이터로 변환시키는 단계
    를 포함하는 것인, 이상 탐지 방법.
  13. 제 12 항에 있어서,
    상기 딥러닝 모델은 상기 행렬 데이터를 입력 받아 1차원 데이터로 출력하는 것인, 이상 탐지 방법.
  14. 제 8 항에 있어서,
    상기 선형 회귀 모델을 생성하는 단계는,
    상기 설비의 특성에 기초하여 일정 범위의 주파수 대역을 설정하고, 상기 설정된 주파수 대역을 벗어나는 상기 사운드 데이터를 제외시키거나 보정하여 상기 사운드 데이터의 주파수 대역을 상기 일정 범위로 보정하는 단계
    를 더 포함하는 것인, 이상 탐지 방법.
  15. 설비의 사운드 데이터를 이용하여 설비의 이상을 탐지하는 명령어들의 시퀀스를 포함하는 컴퓨터 판독가능 기록매체에 저장된 컴퓨터 프로그램에 있어서,
    상기 컴퓨터 프로그램은 컴퓨팅 장치에 의해 실행될 경우,
    설비로부터 사운드 데이터를 수집하고,
    상기 수집된 사운드 데이터 중 적어도 일부를 이용하여 상기 설비의 이상을 탐지하는 딥러닝 모델을 학습시키고,
    상기 적어도 일부의 사운드 데이터 및 상기 딥러닝 모델의 학습 결과에 기초하여 상기 딥러닝 모델에 대응하는 선형 회귀 모델을 생성하고,
    상기 사운드 데이터 중 적어도 다른 일부를 이용하여 상기 선형 회귀 모델을 학습시키고,
    상기 선형 회귀 모델에 상기 설비의 실시간 사운드 데이터를 입력하여 상기 설비의 이상을 탐지하도록 하는 명령어들의 시퀀스를 포함하는, 컴퓨터 판독가능 기록매체에 저장된 컴퓨터 프로그램.
KR1020210080821A 2021-06-22 2021-06-22 이상 탐지 서버, 방법 및 컴퓨터 프로그램 KR20220170144A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210080821A KR20220170144A (ko) 2021-06-22 2021-06-22 이상 탐지 서버, 방법 및 컴퓨터 프로그램

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210080821A KR20220170144A (ko) 2021-06-22 2021-06-22 이상 탐지 서버, 방법 및 컴퓨터 프로그램

Publications (1)

Publication Number Publication Date
KR20220170144A true KR20220170144A (ko) 2022-12-29

Family

ID=84539553

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210080821A KR20220170144A (ko) 2021-06-22 2021-06-22 이상 탐지 서버, 방법 및 컴퓨터 프로그램

Country Status (1)

Country Link
KR (1) KR20220170144A (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101969504B1 (ko) 2017-05-02 2019-04-16 서강대학교산학협력단 심층 신경망을 기반으로 한 사운드 이벤트 검출 방법 및 사운드 이벤트 검출 장치
KR20190106902A (ko) 2019-08-29 2019-09-18 엘지전자 주식회사 사운드 분석 방법 및 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101969504B1 (ko) 2017-05-02 2019-04-16 서강대학교산학협력단 심층 신경망을 기반으로 한 사운드 이벤트 검출 방법 및 사운드 이벤트 검출 장치
KR20190106902A (ko) 2019-08-29 2019-09-18 엘지전자 주식회사 사운드 분석 방법 및 장치

Similar Documents

Publication Publication Date Title
EP3515041B1 (en) System and method for abstracting characteristics of cyber-physical systems
Xie et al. Time series prediction based on NARX neural networks: An advanced approach
CN111768795A (zh) 语音信号的噪声抑制方法、装置、设备及存储介质
CN111985650B (zh) 一种兼顾通用性与个性化的活动识别模型与系统
CN104809722A (zh) 一种基于红外热像的电气设备故障诊断方法
CN116010900A (zh) 基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法
Dammavalam et al. Quality assessment of pixel-level imagefusion using fuzzy logic
CN112151067B (zh) 一种基于卷积神经网络的数字音频篡改被动检测方法
CN112418175A (zh) 基于域迁移的滚动轴承故障诊断方法、系统及存储介质
CN103268484A (zh) 用于高精度人脸识别的分类器设计方法
CN111291669A (zh) 一种双通道俯角人脸融合校正gan网络及人脸融合校正方法
US20140086479A1 (en) Signal processing apparatus, signal processing method, output apparatus, output method, and program
CN116527346A (zh) 基于深度学习图神经网络理论的威胁节点感知方法
Yuan et al. A multichannel MN-GCN for wheelset-bearing system fault diagnosis
CN118133225A (zh) 人工智能驱动的多模态检测系统及方法
CN108550152B (zh) 基于深度特征感知推理的全参考图像质量客观评价方法
KR20220170144A (ko) 이상 탐지 서버, 방법 및 컴퓨터 프로그램
KR20220059837A (ko) 기계 상태를 모니터링 하기 위한 예지 정비 모델 학습 방법, 서버 및 컴퓨터 프로그램
CN115438753B (zh) 一种基于生成的衡量联邦学习协议数据安全性的方法
CN115580547A (zh) 基于网络数据流间时空相关性的网站指纹识别方法和系统
CN117670097A (zh) 一种基于联邦学习的金融企业数字化转型成效评估系统
Bosma et al. Estimating solar and wind power production using computer vision deep learning techniques on weather maps
KR102340387B1 (ko) 뇌 연결성 학습 방법 및 이를 위한 시스템
CN115270906A (zh) 基于电网频率深浅层特征融合的数字音频篡改被动检测方法及装置
CN114565785A (zh) 一种基于三分支孪生网络的无监督视频异常检测方法