KR20230069613A - 비정상을 감지하는 방법 - Google Patents
비정상을 감지하는 방법 Download PDFInfo
- Publication number
- KR20230069613A KR20230069613A KR1020210155795A KR20210155795A KR20230069613A KR 20230069613 A KR20230069613 A KR 20230069613A KR 1020210155795 A KR1020210155795 A KR 1020210155795A KR 20210155795 A KR20210155795 A KR 20210155795A KR 20230069613 A KR20230069613 A KR 20230069613A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- neural network
- sensor data
- abnormality
- sensor
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000001514 detection method Methods 0.000 title claims description 21
- 230000002159 abnormal effect Effects 0.000 title claims description 19
- 238000003062 neural network model Methods 0.000 claims abstract description 118
- 230000005856 abnormality Effects 0.000 claims abstract description 105
- 238000000513 principal component analysis Methods 0.000 claims description 25
- 238000003860 storage Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 description 119
- 230000008569 process Effects 0.000 description 34
- 230000006870 function Effects 0.000 description 20
- 238000012545 processing Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 12
- 230000003287 optical effect Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 241000282326 Felis catus Species 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013498 data listing Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000000415 inactivating effect Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
-
- 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
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
-
- 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
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- 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
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/34—Director, elements to supervisory
- G05B2219/34465—Safety, control of correct operation, abnormal states
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Human Computer Interaction (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
본 개시의 몇몇 실시예에 따른 하나 이상의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 비정상(abnormal)을 감지하기 위한 방법으로서, 복수의 센서들 중에서 제 1 센서로부터 출력되는 제 1 센서 데이터를 획득하는 단계; 서로 다른 복수의 신경망 모델들 중에서 최적으로 판단된 제 1 신경망 모델을 선택하는 단계; 상기 제 1 센서 데이터를 상기 제 1 신경망 모델에 입력하여 제 1 출력 데이터를 생성하는 단계; 및 상기 제 1 센서 데이터 및 상기 제 1 출력 데이터에 기초하여 상기 제 1 센서 데이터에 비정상이 존재하는지 여부를 판단하는 단계;를 포함할 수 있다.
Description
본 개시는 비정상을 감지하는 방법에 관한 것으로, 보다 구체적으로, 신경망을 이용하여 비정상을 감지하는 방법에 관한 것이다.
일반적으로, 제조 현장에서는 제조 설비의 관리가 중요하다. 특히, 반도체 제조 설비와 같이 미세한 공정에서는 공정 상에서 높은 정확도가 요구되어 정상 상태를 유지하는 것이 중요하다.
따라서, 제조 현장에서는 설비 부품의 측정 데이터를 기반으로 정상 상태 여부를 파악하려고 하였다.
하지만, 기존에는 제조 현장에서 사람이 직접 설비 부품의 측정 데이터를 분석하므로, 분석하기 위한 일정 시간이 소요되었다. 그러므로, 기존에는 제조 설비의 상태를 실시간으로 파악하기 어렵고, 정확도가 높지 않다는 문제점이 있다.
따라서, 실시간으로 제조 설비의 비정상을 감지할 수 있는 방법에 대한 연구 및 개발의 필요성이 존재한다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 비정상을 감지하는 방법을 제공하고자 한다.
본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
전술한 바와 같은 과제를 해결하기 위한 본 개시의 몇몇 실시예에 따라, 하나 이상의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 비정상(abnormal)을 감지하기 위한 방법으로서, 복수의 센서들 중에서 제 1 센서로부터 출력되는 제 1 센서 데이터를 획득하는 단계; 서로 다른 복수의 신경망 모델들 중에서 최적으로 판단된 제 1 신경망 모델을 선택하는 단계; 상기 제 1 센서 데이터를 상기 제 1 신경망 모델에 입력하여 제 1 출력 데이터를 생성하는 단계; 및 상기 제 1 센서 데이터 및 상기 제 1 출력 데이터에 기초하여 상기 제 1 센서 데이터에 비정상이 존재하는지 여부를 판단하는 단계;를 포함할 수 있다.
대안적으로, 상기 제 1 센서 데이터 및 상기 제 1 출력 데이터에 기초하여 상기 제 1 센서 데이터에 비정상이 존재하는지 여부를 판단하는 단계는, 상기 제 1 센서 데이터 및 상기 제 1 출력 데이터를 비교하여 제 1 비교 결과데이터를 산출하는 단계; 및 상기 제 1 비교 결과데이터에 포함된 제 1 변수 값 및 상기 제 1 변수 값에 대응되는 제 1 임계 값에 기초하여 상기 제 1 센서 데이터에 비정상이 존재하는지 여부를 판단하는 단계;를 포함할 수 있다.
대안적으로, 상기 제 1 비교 결과데이터에 포함된 제 1 변수 값 및 상기 제 1 변수 값에 대응되는 제 1 임계 값에 기초하여 상기 제 1 센서 데이터에 비정상이 존재하는지 여부를 판단하는 단계는, 상기 제 1 변수 값이 상기 제 1 임계 값을 초과하는 경우, 상기 제 1 센서 데이터에 비정상이 존재하는 것으로 인식하고, 그리고 제 1 비정상 감지 신호를 생성하는 단계;를 포함하고, 상기 제 1 비정상 감지 신호는, 상기 제 1 센서 데이터에 기초하여 인식된 비정상 발생 원인에 관한 제 1 정보를 포함할 수 있다.
대안적으로, 상기 서로 다른 복수의 신경망 모델들 중에서 최적으로 판단된 상기 제 1 신경망 모델을 선택하는 단계는, 상기 제 1 센서 데이터에 포함되는 특징 값들 중에서 비정상이 존재하는지 여부를 판단하기 위한 기준이 되는 제 1 특징 값을 선정하는 단계; 상기 제 1 특징 값을 상기 복수의 신경망 모델들에 개별적으로 입력하여 상기 복수의 신경망 모델들 각각의 출력을 획득하는 단계; 및 상기 획득된 출력에 기초하여, 상기 복수의 신경망 모델들 각각의 성능들을 평가하고 그리고 평가된 성능 점수들에 기초하여 상기 복수의 신경망 모델들 중 상기 제 1 신경망 모델을 선택하는 단계;를 포함할 수 있다.
대안적으로, 상기 제 1 센서 데이터에 포함되는 특징 값들 중에서 비정상이 존재하는지 여부를 판단하기 위한 기준이 되는 상기 제 1 특징 값을 선정하는 단계는, SVM-RFE(support vector machine recursive feature elimination), mRMR(minimum redundancy maximum relevance), 주성분 분석(principle component analysis, PCA) 또는 다선형 주성분 분석(multilinear principal component analysis, MPCA) 중 적어도 하나를 이용하여 상기 제 1 특징 값을 선정하는 단계;를 포함할 수 있다.
대안적으로, 상기 복수의 센서들 중에서 제 2 센서로부터 출력되는 제 2 센서 데이터를 획득하는 단계; 서로 다른 복수의 신경망 모델들 중에서 최적으로 판단된 제 2 신경망 모델을 선택하는 단계; 상기 제 2 센서 데이터를 상기 제 2 신경망 모델에 입력하여 제 2 출력 데이터를 생성하는 단계; 상기 제 1 출력 데이터 및 상기 제 2 출력 데이터를 결합하여 제 1 결합 데이터를 생성하는 단계; 및 상기 제 1 결합 데이터 및 사전 저장된 정상 데이터에 기초하여 상기 제 1 결합 데이터에 비정상이 존재하는지 여부를 판단하는 단계;를 더 포함할 수 있다.
대안적으로, 상기 제 1 결합 데이터 및 상기 사전 저장된 정상 데이터에 기초하여 상기 제 1 결합 데이터에 비정상이 존재하는지 여부를 판단하는 단계는, 상기 제 1 결합 데이터 및 상기 사전 저장된 정상 데이터를 비교하여 종합 비교 결과데이터를 산출하는 단계; 및 상기 종합 비교 결과데이터에 포함된 제 2 변수 값 및 상기 제 2 변수 값에 대응되는 제 2 임계 값에 기초하여 상기 제 1 결합 데이터에 비정상이 존재하는지 여부를 판단하는 단계;를 포함할 수 있다.
대안적으로, 상기 종합 비교 결과데이터에 포함된 제 2 변수 값 및 상기 제 2 변수 값에 대응되는 제 2 임계 값에 기초하여 상기 제 1 결합 데이터에 비정상이 존재하는지 여부를 판단하는 단계는, 상기 제 2 변수 값이 상기 제 2 임계 값을 초과하는 경우, 상기 제 1 결합 데이터에 비정상이 존재하는 것으로 인식하고, 제 2 비정상 감지 신호를 생성하는 단계;를 포함하고, 상기 제 2 비정상 감지 신호는, 상기 제 1 결합 데이터에 기초하여 인식된 비정상 발생 원인에 관한 제 2 정보를 포함할 수 있다.
대안적으로, 상기 서로 다른 복수의 신경망 모델들 중에서 최적으로 판단된 상기 제 2 신경망 모델을 선택하는 단계는, 상기 제 2 센서 데이터에 포함되는 특징 값들 중에서 비정상이 존재하는지 여부를 판단하기 위한 기준이 되는 제 2 특징 값을 선정하는 단계; 상기 제 2 특징 값을 상기 복수의 신경망 모델들에 개별적으로 입력하여 상기 복수의 신경망 모델들 각각의 출력을 획득하는 단계; 및 상기 획득된 출력에 기초하여, 상기 복수의 신경망 모델들 각각의 성능들을 평가하고, 그리고 평가된 성능 점수들에 기초하여 상기 복수의 신경망 모델들 중 상기 제 2 신경망 모델을 선택하는 단계;를 포함할 수 있다.
대안적으로, 상기 제 2 센서 데이터에 포함되는 특징 값들 중에서 비정상이 존재하는지 여부를 판단하기 위한 기준이 되는 상기 제 2 특징 값을 선정하는 단계는, SVM-RFE(support vector machine recursive feature elimination), mRMR(minimum redundancy maximum relevance), 주성분 분석(principle component analysis, PCA) 또는 다선형 주성분 분석(multilinear principal component analysis, MPCA) 중 적어도 하나를 이용하여 상기 제 2 특징 값을 선정하는 단계;를 포함할 수 있다.
전술한 바와 같은 과제를 해결하기 위한 본 개시의 몇몇 다른 실시예에 따른 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 비정상을 감지하기 위해 컴퓨팅 장치의 프로세서로 하여금 이하의 단계들을 수행하기 위한 명령들을 포함하며, 상기 단계들은: 복수의 센서들 중에서 제 1 센서로부터 출력되는 제 1 센서 데이터를 획득하는 단계; 서로 다른 복수의 신경망 모델들 중에서 최적으로 판단된 제 1 신경망 모델을 선택하는 단계; 상기 제 1 센서 데이터를 상기 제 1 신경망 모델에 입력하여 제 1 출력 데이터를 생성하는 단계; 및 상기 제 1 센서 데이터 및 상기 제 1 출력 데이터에 기초하여 상기 제 1 센서 데이터에 비정상이 존재하는지 여부를 판단하는 단계;를 포함할 수 있다.
전술한 바와 같은 과제를 해결하기 위한 본 개시의 몇몇 또 다른 실시예에 따른 비정상을 감지하기 위한 컴퓨팅 장치에 있어서, 적어도 하나의 코어를 포함하는 프로세서; 상기 프로세서에 의해 실행가능한 컴퓨터 프로그램을 저장하는 메모리; 및 네트워크부;를 포함하고, 상기 프로세서는, 복수의 센서들 중에서 제 1 센서로부터 출력되는 제 1 센서 데이터를 획득하고, 서로 다른 복수의 신경망 모델들 중에서 최적으로 판단된 제 1 신경망 모델을 선택하고, 상기 제 1 센서 데이터를 상기 제 1 신경망 모델에 입력하여 제 1 출력 데이터를 생성하고, 그리고 상기 제 1 센서 데이터 및 상기 제 1 출력 데이터에 기초하여 상기 제 1 센서 데이터에 비정상이 존재하는지 여부를 판단할 수 있다.
본 개시는 신경망을 이용하여 비정상을 감지할 수 있다.
본 개시에서 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 몇몇 실시예에 따른 비정상을 감지하기 위한 시스템을 나타낸 도면이다.
도 2는 본 개시의 몇몇 실시예에 따른 비정상을 감지하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 3은 본 개시의 몇몇 실시예에 따른 신경망 모델을 나타낸 개략도이다.
도 4는 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치를 통해 비정상을 감지하는 과정을 설명하기 위한 흐름도이다.
도 5는 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치를 통해 제 1 신경망 모델을 선택하는 과정을 설명하기 위한 흐름도이다.
도 6은 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치를 통해 비정상을 감지하는 과정을 설명하기 위한 도면이다.
도 7은 본 개시의 몇몇 다른 실시예에 따른 컴퓨팅 장치를 통해 비정상을 감지하는 과정을 설명하기 위한 흐름도이다.
도 8은 본 개시의 몇몇 다른 실시예에 따른 컴퓨팅 장치를 통해 제 2 신경망 모델을 선택하는 과정을 설명하기 위한 흐름도이다.
도 9는 본 개시의 몇몇 다른 실시예에 따른 컴퓨팅 장치를 통해 비정상을 감지하는 과정을 설명하기 위한 도면이다.
도 10은 본 개시의 몇몇 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.
도 1은 본 개시의 몇몇 실시예에 따른 비정상을 감지하기 위한 시스템을 나타낸 도면이다.
도 2는 본 개시의 몇몇 실시예에 따른 비정상을 감지하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 3은 본 개시의 몇몇 실시예에 따른 신경망 모델을 나타낸 개략도이다.
도 4는 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치를 통해 비정상을 감지하는 과정을 설명하기 위한 흐름도이다.
도 5는 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치를 통해 제 1 신경망 모델을 선택하는 과정을 설명하기 위한 흐름도이다.
도 6은 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치를 통해 비정상을 감지하는 과정을 설명하기 위한 도면이다.
도 7은 본 개시의 몇몇 다른 실시예에 따른 컴퓨팅 장치를 통해 비정상을 감지하는 과정을 설명하기 위한 흐름도이다.
도 8은 본 개시의 몇몇 다른 실시예에 따른 컴퓨팅 장치를 통해 제 2 신경망 모델을 선택하는 과정을 설명하기 위한 흐름도이다.
도 9는 본 개시의 몇몇 다른 실시예에 따른 컴퓨팅 장치를 통해 비정상을 감지하는 과정을 설명하기 위한 도면이다.
도 10은 본 개시의 몇몇 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
그리고, "A 또는 B 중 적어도 하나"이라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우"를 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
본 개시에서 네트워크 함수와 인공 신경망, 신경망 모델 및 뉴럴 네트워크(neural network)는 상호교환가능하게 사용될 수 있다.
도 1은 본 개시의 몇몇 실시예에 따른 비정상을 감지하기 위한 시스템을 나타낸 도면이다.
도 1을 참조하면, 본 개시의 몇몇 실시예에 따른 비정상을 감지하기 위한 시스템은 컴퓨팅 장치(100), 외부 기기(200) 및 네트워크를 포함할 수 있다. 다만, 상술한 구성 요소들은 시스템을 구현하는데 있어서 필수적인 것은 아니며, 시스템은 위에 열거된 구성요소들보다 많거나, 또는 적은 구성요소들을 가질 수 있다.
먼저 컴퓨팅 장치(100)에 대한 구체적인 설명은 도 2를 참조하여 후술한다.
도 2는 본 개시의 몇몇 실시예에 따른 비정상을 감지하기 위한 컴퓨팅 장치의 블록 구성도이다.
도 2에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.
도 2를 참조하면, 컴퓨팅 장치(100)는 프로세서(110), 메모리(130) 및 네트워크부(150)를 포함할 수 있다.
본 개시의 몇몇 실시예에 따른 컴퓨팅 장치(100)는 비정상(abnormal)을 감지하기 위한 장치일 수 있다. 컴퓨팅 장치(100)는 복수의 센서들로부터 출력되는 센서 데이터들을 이용하여 센서 데이터들에 비정상이 존재하는지 여부를 판단하는 장치일 수 있다. 예를 들어, 컴퓨팅 장치(100)는 디바이스(예를 들어, 제조 설비)에 부착되어 있는 복수의 센서들로부터 출력되는 센서 데이터들을 이용하여 센서 데이터들에 비정상이 존재하는지 여부를 판단할 수 있다. 그리고, 센서 데이터에 비정상이 존재하는 경우, 컴퓨팅 장치(100)는 비정상이 존재하는 센서 데이터를 출력한 센서를 인식하고, 해당 센서가 부착된 디바이스에 문제가 생겼다는 것을 인식할 수 있다.
프로세서(110)는 통상적으로 컴퓨팅 장치(100)의 전반적인 동작을 제어할 수 있다. 프로세서(110)는 컴퓨팅 장치(100)에 포함된 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(130)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.
또한, 프로세서(110)는 메모리(130)에 저장된 응용 프로그램을 구동하기 위하여, 컴퓨팅 장치(100)의 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(110)는 상기 응용 프로그램의 구동을 위하여, 컴퓨팅 장치(100)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.
프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치(GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다. 예를 들어, 메모리(130)는 프로세서(110)가 생성한 비정상 감지 신호를 저장할 수 있다.
메모리(130)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
네트워크부(150)는 임의의 형태의 데이터 및 신호 등을 송수신할 수 있는 임의의 유무선 통신 네트워크가 본 개시 내용에서 표현되는 네트워크에 포함될 수 있다. 본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.
한편, 프로세서(110)는 복수의 센서들로부터 출력되는 센서 데이터들을 신경망 모델(300)에 입력하여 출력 데이터를 출력할 수 있다. 신경망 모델(300)은 도 3을 참조하여 후술한다.
도 3은 본 개시의 일 실시예에 따라 신경망 모델(300)을 나타낸 개략도이다.
본 명세서에 걸쳐, 연산 모델, 신경망, 신경망 모델, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.
본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에서 네트워크 함수는 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.
뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 뉴럴 네트워크가 특정한 동작을 수행하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.
뉴럴 네트워크는 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.
본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.
데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.
본 명세서에 걸쳐, 연산 모델, 신경망, 신경망 모델, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 이하에서는 신경망으로 통일하여 기술한다. 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 따라서, 컴퓨팅 장치(100)의 프로세서(110)는 신경망 모델(300)의 하이퍼 파라미터를 조정하여 신경망 모델(300)의 성능을 향상시킬 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
앞서 도 1 내지 3을 통해 서술한 컴퓨팅 장치(100)에서 신경망 모델(300)을 이용하여 비정상을 감지하는 방법에 대해서 도 4을 참조하여 후술한다.
도 4는 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치를 통해 비정상을 감지하는 과정을 설명하기 위한 흐름도이다.
도 4를 참조하면, 컴퓨팅 장치(100)의 프로세서(110)는 복수의 센서들 중에서 제 1 센서로부터 출력되는 제 1 센서 데이터를 획득할 수 있다(S110).
복수의 센서들은 공장 자동화 등을 수행하기 위하여 디바이스(device)의 품질, 성능, 또는 고장 여부를 측정하기 위한 것일 수 있다. 예를 들어, 복수의 센서들은 근접센서(proximity sensor), 조도 센서(illumination sensor), 터치 센서(touch sensor), 가속도 센서(acceleration sensor), 자기 센서(magnetic sensor), 중력 센서(G-sensor), 자이로스코프 센서(gyroscope sensor), 모션 센서(motion sensor), RGB 센서, 적외선 센서(IR 센서: infrared sensor), 지문인식 센서(finger scan sensor), 초음파 센서(ultrasonic sensor), 광 센서(optical sensor), 마이크로폰(microphone), 배터리 게이지(battery gauge), 환경 센서(예를 들어, 기압계, 습도계, 온도계, 방사능 감지 센서, 열 감지 센서, 가스 감지 센서 등), 화학 센서(예를 들어, 전자 코, 헬스케어 센서, 생체 인식 센서 등) 등과 같은 임의의 센서를 포함할 수 있다.
센서 데이터(예를 들어, 제 1 센서 데이터)는 전술한 복수의 센서들로부터 획득된 데이터 또는 값을 포함할 수 있다. 센서 데이터는 센서의 종류, 센서가 측정하는 디바이스의 종류 등에 따라 다양한 형태의 데이터 또는 값을 포함할 수 있다.
본 개시의 몇몇 실시예에 따르면, 프로세서(110)는 각 센서의 센서 데이터를 획득하는 경우, 각 센서가 부착된 디바이스의 정보를 탐색하여 획득할 수 있다. 따라서, 프로세서(110)는 특정 센서의 센서 데이터에서 비정상이 존재한다고 인식한 경우, 특정 센서가 부착된 디바이스의 정보를 생성하고, 외부 기기(200)에 디바이스의 정보를 전송하도록 네트워크부(150)를 제어할 수 있다. 외부 기기(200)의 사용자는 외부기기(200)로 전송된 디바이스의 정보를 통해 문제가 발생한 디바이스를 인식하고 대응할 수 있다.
컴퓨팅 장치(100)의 프로세서(110)는 서로 다른 복수의 신경망 모델들 중에서 최적으로 판단된 제 1 신경망 모델을 선택할 수 있다(S120).
구체적인 제 1 신경망 모델의 선택 방법에 대해서 도 5를 참조하여 후술한다.
도 5는 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치를 통해 제 1 신경망 모델을 선택하는 과정을 설명하기 위한 흐름도이다.
도 5를 참조하면, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 센서 데이터에 포함되는 특징 값들 중에서 비정상이 존재하는지 여부를 판단하기 위한 기준이 되는 제 1 특징 값을 선정할 수 있다(S121).
예를 들어, 컴퓨팅 장치(100)의 프로세서(110)는 SVM-RFE(support vector machine recursive feature elimination), mRMR(minimum redundancy maximum relevance), 주성분 분석(principle component analysis, PCA) 또는 다선형 주성분 분석(multilinear principal component analysis, MPCA) 중 적어도 하나를 이용하여 제 1 특징 값을 선정할 수 있다.
SVM-RFE는 특징 값들 중에서 기 설정된 가중치를 기반으로 특징 값을 선택하는 방법일 수 있다. 예를 들어, SVM-RFE는 가중치를 최적화하고, 특징 값들에 대하여 가중치를 기준으로 순위를 설정하고, 가장 낮은 순위의 특징 값은 선택에서 제거하는 방법일 수 있다. 그리고, SVM-RFE는 상술한 과정을 반복하여 최종적으로 남는 하나의 특징 값을 선택하는 방법일 수 있다.
mRMR은 특징 값들 중에서 종속 변수들과의 상관성과 독립 변수들과의 중복성을 기준으로 특징 값을 선택하는 방법일 수 있다. 예를 들어, mRMR은 특징 값들 중에서 종속 변수들과의 상관성이 높고, 독립 변수들과의 중복성이 낮은 특징 값을 선택하는 방법일 수 있다.
주성분 분석은 특징 값들 중에서 주성분이 되는 특징 값을 선택하는 방법일 수 있다. 예를 들어, 주성분 분석은 특징 값들을 1차원 벡터로 변환하여 좌표 상에 분포시키고 분포된 특징 값들 중에서 분산이 가장 큰 방향벡터를 가지는 특징 값을 선택하는 방법일 수 있다.
다선형 주성분 분석은 주성분 분석의 다선형 확장으로, 특징 값 중에서 주성분이 되는 특징 값을 선택하는 방법일 수 있다. 예를 들어, 다선형 주성분 분석은 특징 값들을 변환하지 않고 고유벡터를 사용하여 특징 값을 선택하는 방법일 수 있다.
컴퓨팅 장치(100)의 프로세서(110)는 제 1 특징 값을 복수의 신경망 모델들에 개별적으로 입력하여 복수의 신경망 모델들 각각의 출력을 획득할 수 있다(S122).
컴퓨팅 장치(100)의 프로세서(110)는 단계(S122)에서 획득된 출력에 기초하여, 복수의 신경망 모델들 각각의 성능들을 평가하고 그리고 평가된 성능 점수들에 기초하여 복수의 신경망 모델들 중 제 1 신경망 모델을 선택할 수 있다(S123).
예를 들어, 복수의 신경망 모델들 각각은 센서 데이터(예를 들어, 제 1 센서 데이터)에 포함되는 특징 값(예를 들어, 제 1 특징 값)을 학습 데이터로 사용하여 사전 학습된 신경망 모델들일 수 있다. 복수의 신경망 모델들은 서로 동일한 모델들이거나 또는 구현에 따라 학습 방식 및/또는 네트워크 구조가 상이한 모델들일 수도 있다.
다시 도 4를 참조하면, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 센서 데이터를 제 1 신경망 모델에 입력하여 제 1 출력 데이터를 생성할 수 있다(S130).
컴퓨팅 장치(100)의 프로세서(110)는 제 1 센서 데이터 및 제 1 출력 데이터에 기초하여 제 1 센서 데이터에 비정상이 존재하는지 여부를 판단할 수 있다(S140).
예를 들어, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 센서 데이터 및 제 1 출력 데이터를 비교하여 제 1 비교 결과데이터를 산출할 수 있다. 구체적으로, 프로세서(110)는 제 1 센서 데이터 및 제 1 출력 데이터를 합친 제 1 비교 합산데이터를 생성할 수 있다. 제 1 비교 합산데이터는 제 1 센서 데이터와 제 1 출력 데이터를 비교하여 서로 다른 부분만 남긴 잔여(residual) 데이터일 수 있다. 그리고, 프로세서(110)는 제 1 비교 합산데이터에서 노이즈를 제거하여 제 1 비교 결과데이터를 산출할 수 있다. 따라서, 제 1 비교 결과데이터에는 노이즈가 제거된 복수의 변수 값들이 포함될 수 있다.
또한, 프로세서(110)는 제 1 비교 결과데이터에 포함된 복수의 변수 값들 중에서 제 1 변수 값 및 제 1 변수 값에 대응되는 제 1 임계 값에 기초하여 제 1 센서 데이터에 비정상이 존재하는지 여부를 판단할 수 있다. 복수의 변수 값들은 센서 데이터 및 출력 데이터에 포함된 세부 데이터로부터 추정된 값들로, 특정한 성질을 나타내는 값일 수 있다. 예를 들어, 복수의 변수 값들은 이미지 센서를 통해 획득된 이미지에 관한 변수 값, 가속도 센서를 통해 획득된 가속도에 관한 변수 값 등을 포함할 수 있다.
복수의 변수 값들 각각에 대응되는 임계 값들은 반복 실험을 통해 통계적(statistical)으로 사전에 결정되어 메모리(130)에 저장되어 있을 수 있다. 다만, 임계 값들을 결정하는 방법은 상술한 방법에 한정되지 않으며 다양한 방법을 통해 결정될 수 있다. 프로세서(110)는 제 1 변수 값과 메모리(130)에 사전에 저장된 제 1 변수 값과 대응되는 제 1 임계 값을 비교하여 제 1 센서 데이터에 비정상이 존재하는지 여부를 판단할 수 있다.
예를 들어, 프로세서(110)는 제 1 변수 값이 제 1 임계 값을 초과하는 경우, 제 1 센서 데이터에 비정상이 존재하는 것으로 인식하고, 제 1 비정상 감지 신호를 생성할 수 있다. 또한, 프로세서(110)는 외부 기기(200)에 제 1 비정상 감지 신호를 전송할 수 있다. 제 1 비정상 감지 신호는 제 1 센서 데이터에 기초하여 인식된 비정상 발생 원인에 관한 제 1 정보를 포함할 수 있다. 비정상 발생 원인에 관한 제 1 정보는 제 1 센서 데이터를 획득한 시간, 제 1 센서가 부착된 디바이스의 정보 등을 포함할 수 있다.
다른 예를 들어, 프로세서(110)는 제 1 변수 값이 제 1 임계 값을 초과하지 않는 경우, 제 1 센서 데이터가 정상으로 인식하고, 제 1 정상 신호를 생성할 수 있다. 또한, 프로세서(110)는 외부 기기(200)에 현재 상태가 정상임을 알리는 제 1 정상 신호를 전송할 수 있다. 프로세서(110)는 제 1 정상 신호를 기 설정된 시간(예를 들어, 1분)마다 외부 기기(200)에 전송할 수 있다.
앞서 도 4 및 도 5를 통해 서술한 컴퓨팅 장치(100)에서 신경망 모델(300)을 이용하여 비정상을 감지하는 과정의 일 실시예에 대해서 도 6을 참조하여 후술한다.
도 6은 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치를 통해 비정상을 감지하는 과정을 설명하기 위한 도면이다.
도 6을 참조하면, 컴퓨팅 장치(100)의 프로세서(110)는 복수의 센서들 중에서 특정 센서로부터 출력되는 그래프로 표현된 센서 데이터(10)를 획득할 수 있다. 예를 들어, 복수의 센서들은 반도체 제조 디바이스를 측정하는 센서일 수 있다. 다만, 이에 한정되지 않고, 복수의 센서들은 다양한 디바이스를 측정할 수 있다.
다음으로, 컴퓨팅 장치(100)의 프로세서(110)는 신경망 모델(300)에 입력하여 그래프로 표현된 출력 데이터(20)를 생성할 수 있다. 신경망 모델(300)은 앞서 도 4 및 도 5를 통해 상술한 바와 같이 서로 다른 복수의 신경망 모델들 중에서 최적으로 판단된 특정 신경망 모델일 수 있다. 예를 들어, 신경망 모델(300)은 디노이징 오토 인코더(denoising autoencoder, DAE)일 수 있다. 디노이징 오토 인코더는 노이즈를 포함하는 데이터가 입력되면 노이즈가 제거된 데이터를 출력하도록 오토 인코더를 일부 변형한 신경망일 수 있다.
다음으로, 컴퓨팅 장치(100)의 프로세서(110)는 센서 데이터(10)와 출력 데이터(20)를 합쳐서 그래프로 표현한 비교 합산데이터(30)를 생성할 수 있다. 비교 합산 데이터(30)는 센서 데이터(10)와 출력 데이터(20)를 비교하여 서로 다른 부분만 그래프에 남겨놓은 데이터일 수 있다.
다음으로, 컴퓨팅 장치(100)의 프로세서(110)는 비교 합산 데이터(30)에서 노이즈를 제거하여 복수의 변수 값들만 존재하는 그래프로 표현한 비교 결과데이터(40)를 산출할 수 있다. 예를 들어, 비교 결과데이터(40)는 반도체 제조 디바이스에 부착된 센서로부터 획득한 센서 데이터(10)에서 웨이퍼와 웨이퍼 간의 변형(W2W variation) 및 센서의 노이즈가 제거된 데이터일 수 있다.
다음으로, 컴퓨팅 장치(100)의 프로세서(110)는 비교 결과데이터(40)에 포함된 복수의 변수 값들 중에서 제 1 변수 값 및 제 1 변수 값에 대응되는 제 1 임계 값에 기초하여 센서 데이터(10)에 비정상이 존재하는지 여부를 판단할 수 있다. 프로세서(110)는 비교 결과데이터(40)에 포함된 복수의 변수 값들 중에서 피크(peak) 값이 가장 높은 변수 값을 제 1 변수 값으로 선택할 수 있다. 프로세서(110)는 비교 결과데이터(40)에 포함된 복수의 변수 값들 중에서 무작위(random)로 제 1 변수 값을 선택할 수도 있다. 다만, 복수의 변수 값들 중에서 제 1 변수 값을 선택하는 방법은 이에 한정되지 않으며, 다양한 방법을 통해 제 1 변수 값을 선택할 수 있다.
도 4 내지 도 6을 참조하여 상술한 바와 같이, 컴퓨팅 장치(100)의 프로세서(110)는 복수의 신경망 모델들 중에서 최적으로 판단된 제 1 신경망 모델을 사용함으로써, 성능이 향상되어 비정상 여부에 대한 판단의 정확도가 향상될 수 잇다.
또한, 컴퓨팅 장치(100)의 프로세서(110)는 복수의 센서들로부터 실시간으로 센서 데이터를 획득하여 센서 데이터에 비정상이 존재하는지 여부를 판단함으로써, 실시간으로 센서가 부착된 디바이스의 상태를 인식할 수 있다.
한편, 컴퓨팅 장치(100)의 프로세서(110)에서 하나의 센서 데이터 뿐만 아니라 복수의 센서 데이터를 이용하여 비정상 데이터의 존재 여부를 판단하는 방법에 대해서 도 7 내지 도 9를 참조하여 후술한다. 도 4 내지 도 6을 통해서 상술한 컴퓨팅 장치(100)에 관한 내용들과 중복되는 부분은 생략될 수 있다.
도 7은 본 개시의 몇몇 다른 실시예에 따른 컴퓨팅 장치를 통해 비정상을 감지하는 과정을 설명하기 위한 흐름도이다.
도 7을 참조하면, 컴퓨팅 장치(100)의 프로세서(110)는 복수의 센서들 중에서 제 2 센서로부터 출력되는 제 2 센서 데이터를 획득할 수 있다(S150).
컴퓨팅 장치(100)의 프로세서(110)는 서로 다른 복수의 신경망 모델들 중에서 최적으로 판단된 제 2 신경망 모델을 선택할 수 있다(S160).
구체적인 제 2 신경망 모델의 선택 방법에 대해서 도 8을 참조하여 후술한다.
도 8은 본 개시의 몇몇 다른 실시예에 따른 컴퓨팅 장치를 통해 제 2 신경망 모델을 선택하는 과정을 설명하기 위한 흐름도이다.
도 8을 참조하면, 컴퓨팅 장치(100)의 프로세서(110)는 제 2 센서 데이터에 포함되는 특징 값들 중에서 비정상이 존재하는지 여부를 판단하기 위한 기준이 되는 제 2 특징 값을 선정할 수 있다(S161).
예를 들어, 컴퓨팅 장치(100)의 프로세서(110)는 SVM-RFE(support vector machine recursive feature elimination), mRMR(minimum redundancy maximum relevance), 주성분 분석(principle component analysis, PCA) 또는 다선형 주성분 분석(multilinear principal component analysis, MPCA) 중 적어도 하나를 이용하여 제 2 특징 값을 선정할 수 있다.
컴퓨팅 장치(100)의 프로세서(110)는 제 2 특징 값을 복수의 신경망 모델들에 개별적으로 입력하여 상기 복수의 신경망 모델들 각각의 출력을 획득할 수 있다(S162).
컴퓨팅 장치(100)의 프로세서(110)는 단계(S162)에서 획득된 출력에 기초하여, 복수의 신경망 모델들 각각의 성능들을 평가하고 그리고 평가된 성능 점수들에 기초하여 복수의 신경망 모델들 중 제 2 신경망 모델을 선택할 수 있다(S163).
예를 들어, 복수의 신경망 모델들 각각은 센서 데이터(예를 들어, 제 2 센서 데이터)에 포함되는 특징 값(예를 들어, 제 2 특징 값)을 학습 데이터로 사용하여 사전 학습된 신경망 모델들일 수 있다. 복수의 신경망 모델들은 서로 동일한 모델들이거나 또는 구현에 따라 학습 방식 및/또는 네트워크 구조가 상이한 모델들일 수도 있다.
다시 도 7을 참조하면, 컴퓨팅 장치(100)의 프로세서(110)는 제 2 센서 데이터를 제 2 신경망 모델에 입력하여 제 2 출력 데이터를 생성할 수 있다(S170).
컴퓨팅 장치(100)의 프로세서(110)는 제 1 출력 데이터 및 제 2 출력 데이터를 결합하여 제 1 결합 데이터를 생성할 수 있다(S180).
구체적으로, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 센서 데이터 및 제 1 출력 데이터를 비교하여 제 1 비교 결과데이터를 산출할 수 있다. 그리고, 프로세서(110)는 제 2 센서 데이터 및 제 2 출력 데이터를 비교하여 제 2 비교 결과데이터를 산출할 수 있다. 그리고, 프로세서(110)는 제 1 비교 결과데이터 및 제 2 비교 결과데이터를 결합하여 제 1 결합 데이터를 생성할 수 있다.
컴퓨팅 장치(100)의 프로세서(110)는 제 1 결합 데이터 및 메모리(130)에 사전 저장된 정상 데이터에 기초하여 제 1 결합 데이터에 비정상이 존재하는지 여부를 판단할 수 있다(S190).
예를 들어, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 결합 데이터 및 사전 저장된 정상 데이터를 비교하여 종합 비교 결과데이터를 산출할 수 있다. 또한, 프로세서(110)는 종합 비교 결과데이터에 포함된 제 2 변수 값 및 제 2 변수 값에 대응되는 제 2 임계 값에 기초하여 제 1 결합 데이터에 비정상이 존재하는지 여부를 판단할 수 있다. 복수의 변수 값들은 센서 데이터 및 출력 데이터에 포함된 세부 데이터로부터 추정된 값들일 수 있다. 복수의 변수 값들 각각에 대응되는 임계 값들은 반복 실험을 통해 통계적으로 사전에 결정되어 메모리(130)에 저장되어 있을 수 있다. 다만, 임계 값들을 결정하는 방법은 상술한 방법에 한정되지 않으며 다양한 방법을 통해 결정될 수 있다.
프로세서(110)는 종합 비교 결과데이터에 포함된 제 2 변수 값과 메모리(130)에 사전에 저장된 제 2 변수 값과 대응되는 제 2 임계 값을 비교하여 제 1 결합 데이터에 비정상이 존재하는지 여부를 판단할 수 있다.
예를 들어, 프로세서(110)는 제 2 변수 값이 제 2 임계 값을 초과하는 경우, 제 1 결합 데이터에 비정상이 존재하는 것으로 인식하고, 제 2 비정상 감지 신호를 생성할 수 있다. 또한, 프로세서(110)는 외부 기기(200)에 제 2 비정상 감지 신호를 전송할 수 있다. 제 2 비정상 감지 신호는 제 1 결합 데이터에 기초하여 인식된 비정상 발생 원인에 관한 제 2 정보를 포함할 수 있다. 비정상 발생 원인에 관한 제 2 정보는 제 2 변수 값을 포함하는 해당 센서 데이터를 획득한 시간, 해당 센서가 부착된 디바이스의 정보 등을 포함할 수 있다. 프로세서(110)는 제 2 변수 값이 어떤 센서의 비교 결과데이터에 포함되어 있는지 확인하여 비정상이 포함된 센서 데이터를 출력한 센서를 인식할 수 있다. 예를 들어, 프로세서(110)는 제 2 변수 값이 제 1 센서의 제 1 비교 결과데이터에 포함되어 있는 것을 확인한 경우, 제 1 센서 데이터를 획득한 시간, 제 1 센서가 부착된 디바이스 정보 등을 포함하는 제 2 비정상 감지 신호를 외부 기기(200)에 전송할 수 있다.
다른 예를 들어, 프로세서(110)는 제 2 변수 값이 제 2 임계 값을 초과하지 않는 경우, 제 1 결합 데이터를 정상으로 인식하고, 제 2 정상 신호를 생성할 수 있다. 또한, 프로세서(110)는 외부 기기(200)에 제 2 정상 신호를 전송할 수 있다. 프로세서(110)는 제 2 정상 신호를 기 설정된 시간(예를 들어, 1분)마다 외부 기기(200)에 전송할 수 있다.
앞서 도 7 및 도 8을 통해 서술한 컴퓨팅 장치(100)에서 신경망 모델(300)을 이용하여 비정상을 감지하는 과정의 일 실시예에 대해서 도 9를 참조하여 후술한다.
도 9는 본 개시의 몇몇 다른 실시예에 따른 컴퓨팅 장치를 통해 비정상을 감지하는 과정을 설명하기 위한 도면이다.
도 9를 참조하면, 컴퓨팅 장치(100)의 프로세서(110)는 복수의 센서들 중에서 제 1 센서, 제 2 센서 및 제 3 센서로부터 각각 출력되는 그래프로 표현된 제 1 센서 데이터(11), 제 2 센서 데이터(12) 및 제 3 센서 데이터(13)를 획득할 수 있다.
다음으로, 컴퓨팅 장치(100)의 프로세서(110)는 신경망 모델 중에서 각각의 센서 데이터에 최적으로 판단된 신경망 모델에 각각 센서 데이터를 입력하여 비교 결과데이터를 각각 획득할 수 있다.
예를 들어, 프로세서(110)는 제 1 센서 데이터(11)에 제 1 신경망 모델(310)이 최적인 것으로 판단하고, 제 1 신경망 모델(310)에 제 1 센서 데이터(11)을 입력하여 제 1 비교 결과데이터(41)를 산출할 수 있다. 프로세서(110)는 제 2 센서 데이터(12)에 제 2 신경망 모델(320)이 최적인 것으로 판단하고, 제 2 신경망 모델(320)에 제 2 센서 데이터(12)을 입력하여 제 2 비교 결과데이터(42)를 산출할 수 있다. 프로세서(110)는 제 3 센서 데이터(13)에 제 3 신경망 모델(330)이 최적인 것으로 판단하고, 제 3 신경망 모델(330)에 제 3 센서 데이터(13)을 입력하여 제 3 비교 결과데이터(43)를 산출할 수 있다. 여기서, 프로세서(110)가 센서 데이터를 신경망 모델에 입력하여 비교 결과데이터를 산출하는 구체적인 과정은 도 6을 통해 상술한 내용으로 대체될 수 있다.
다른 예를 들어, 프로세서(110)는 제 1 센서 데이터(11)에 제 1 신경망 모델(310)이 최적인 것으로 판단하고, 제 1 신경망 모델(310)에 제 1 센서 데이터(11)을 입력하여 제 1 비교 결과데이터(41)를 산출할 수 있다. 프로세서(110)는 제 2 센서 데이터(12)에 제 1 신경망 모델(310)이 최적인 것으로 판단하고 제 1 신경망 모델(310)에 제 2 센서 데이터(12)을 입력하여 제 2 비교 결과데이터(42)를 산출할 수 있다. 프로세서(110)는 제 3 센서 데이터(13)에 제 1 신경망 모델(310)이 최적인 것으로 판단하고, 제 1 신경망 모델(310)에 제 3 센서 데이터(13)을 입력하여 제 3 비교 결과데이터(43)를 산출할 수 있다. 즉, 프로세서(110)는 하나의 신경망 모델만을 이용하여 복수의 센서들 각각의 비교 결과데이터를 각각 산출할 수도 있다.
다음으로, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 비교 결과데이터(41), 제 2 비교 결과데이터(42) 및 제 3 비교 결과데이터(43)을 결합하여 제 1 결합 데이터(50)를 생성할 수 있다.
다음으로, 컴퓨팅 장치(100)의 프로세서(110)는 제 1 결합 데이터 및 사전 저장된 정상 데이터를 비교하여 종합 비교 결과데이터를 생성할 수 있다.
다음으로, 컴퓨팅 장치(100)의 프로세서(110)는 종합 비교 결과데이터에 포함된 제 2 변수 값 및 제 2 변수 값에 대응되는 제 2 임계 값에 기초하여 제 1 결합 데이터 비정상이 존재하는지 여부를 판단할 수 있다. 프로세서(110)는 종합 비교 결과데이터에 포함된 복수의 변수 값들 중에서 피크(peak) 값이 가장 높은 변수 값을 제 2 변수 값으로 선택할 수 있다. 프로세서(110)는 종합 비교 결과데이터에 포함된 복수의 변수 값들 중에서 무작위(random)로 제 2 변수 값을 선택할 수도 있다. 다만, 복수의 변수 값들 중에서 제 2 변수 값을 선택하는 방법은 이에 한정되지 않으며, 다양한 방법을 통해 제 2 변수 값을 선택할 수 있다.
도 7 내지 도 9를 참조하여 상술한 바와 같이, 컴퓨팅 장치(100)의 프로세서(110)는 복수의 센서들로부터 획득된 센서 데이터를 결합한 결합 데이터를 이용하여 비정상 여부를 판단함으로써, 복수의 센서들을 일괄적으로 관리하여 비정상 여부를 판단하는 시간을 단축할 수 있다.
다시 도 1을 참조하면, 외부 기기(200)는 컴퓨팅 장치(100)와 통신을 위한 매커니즘을 갖는 시스템에서의 임의의 형태의 노드들을 의미할 수 있다. 예를 들어, 외부 기기(200)는 모바일 단말기, 스마트 폰 등을 포함하는 사용자 단말일 수 있다. 외부 기기(200)는 컴퓨팅 장치(100)로부터 비정상 감지 신호들(예를 들어, 제 1 비정상 감지 신호, 제 2 비정상 감지 신호 등)을 수신할 수 있다.
네트워크는 임의의 형태의 데이터 및 신호 등을 송수신할 수 있는 임의의 유무선 통신 네트워크를 포함할 수 있다. 구체적으로, 네트워크는 컴퓨팅 장치(100)와 외부 기기(200) 비정상 감지 신호들을 송수신할 수 있는 유무선 통신 네트워크를 포함할 수 있다.
도 1 내지 9를 참조하여 상술한 바와 같이, 본 개시의 몇몇 실시예에 따른 컴퓨팅 장치(100)는 디바이스에 부착된 센서들로부터 센서 데이터를 획득하고, 비정상 여부를 판단하여 외부 기기(200)에 신호를 전송할 수 있다. 따라서, 외부 기기(200)의 사용자는 컴퓨팅 장치(100)로부터 수신한 신호에 기초하여 실시간으로 디바이스의 정상 여부를 파악하고 대응할 수 있다.
도 10은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
Claims (12)
- 하나 이상의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 비정상(abnormal)을 감지하기 위한 방법으로서,
복수의 센서들 중에서 제 1 센서로부터 출력되는 제 1 센서 데이터를 획득하는 단계;
서로 다른 복수의 신경망 모델들 중에서 최적으로 판단된 제 1 신경망 모델을 선택하는 단계;
상기 제 1 센서 데이터를 상기 제 1 신경망 모델에 입력하여 제 1 출력 데이터를 생성하는 단계; 및
상기 제 1 센서 데이터 및 상기 제 1 출력 데이터에 기초하여 상기 제 1 센서 데이터에 비정상이 존재하는지 여부를 판단하는 단계;
를 포함하는,
비정상을 감지하기 위한 방법.
- 제 1 항에 있어서,
상기 제 1 센서 데이터 및 상기 제 1 출력 데이터에 기초하여 상기 제 1 센서 데이터에 비정상이 존재하는지 여부를 판단하는 단계는,
상기 제 1 센서 데이터 및 상기 제 1 출력 데이터를 비교하여 제 1 비교 결과데이터를 산출하는 단계; 및
상기 제 1 비교 결과데이터에 포함된 제 1 변수 값 및 상기 제 1 변수 값에 대응되는 제 1 임계 값에 기초하여 상기 제 1 센서 데이터에 비정상이 존재하는지 여부를 판단하는 단계;
를 포함하는,
비정상을 감지하기 위한 방법.
- 제 2 항에 있어서,
상기 제 1 비교 결과데이터에 포함된 제 1 변수 값 및 상기 제 1 변수 값에 대응되는 제 1 임계 값에 기초하여 상기 제 1 센서 데이터에 비정상이 존재하는지 여부를 판단하는 단계는,
상기 제 1 변수 값이 상기 제 1 임계 값을 초과하는 경우, 상기 제 1 센서 데이터에 비정상이 존재하는 것으로 인식하고, 그리고 제 1 비정상 감지 신호를 생성하는 단계;
를 포함하고,
상기 제 1 비정상 감지 신호는,
상기 제 1 센서 데이터에 기초하여 인식된 비정상 발생 원인에 관한 제 1 정보를 포함하는,
비정상을 감지하기 위한 방법.
- 제 1 항에 있어서,
상기 서로 다른 복수의 신경망 모델들 중에서 최적으로 판단된 상기 제 1 신경망 모델을 선택하는 단계는,
상기 제 1 센서 데이터에 포함되는 특징 값들 중에서 비정상이 존재하는지 여부를 판단하기 위한 기준이 되는 제 1 특징 값을 선정하는 단계;
상기 제 1 특징 값을 상기 복수의 신경망 모델들에 개별적으로 입력하여 상기 복수의 신경망 모델들 각각의 출력을 획득하는 단계; 및
상기 획득된 출력에 기초하여, 상기 복수의 신경망 모델들 각각의 성능들을 평가하고 그리고 평가된 성능 점수들에 기초하여 상기 복수의 신경망 모델들 중 상기 제 1 신경망 모델을 선택하는 단계;
를 포함하는,
비정상을 감지하기 위한 방법.
- 제 4 항에 있어서,
상기 제 1 센서 데이터에 포함되는 특징 값들 중에서 비정상이 존재하는지 여부를 판단하기 위한 기준이 되는 상기 제 1 특징 값을 선정하는 단계는,
SVM-RFE(support vector machine recursive feature elimination), mRMR(minimum redundancy maximum relevance), 주성분 분석(principle component analysis, PCA) 또는 다선형 주성분 분석(multilinear principal component analysis, MPCA) 중 적어도 하나를 이용하여 상기 제 1 특징 값을 선정하는 단계;
를 포함하는,
비정상을 감지하기 위한 방법.
- 제 1 항에 있어서,
상기 복수의 센서들 중에서 제 2 센서로부터 출력되는 제 2 센서 데이터를 획득하는 단계;
서로 다른 복수의 신경망 모델들 중에서 최적으로 판단된 제 2 신경망 모델을 선택하는 단계;
상기 제 2 센서 데이터를 상기 제 2 신경망 모델에 입력하여 제 2 출력 데이터를 생성하는 단계;
상기 제 1 출력 데이터 및 상기 제 2 출력 데이터를 결합하여 제 1 결합 데이터를 생성하는 단계; 및
상기 제 1 결합 데이터 및 사전 저장된 정상 데이터에 기초하여 상기 제 1 결합 데이터에 비정상이 존재하는지 여부를 판단하는 단계;
를 더 포함하는,
비정상을 감지하기 위한 방법.
- 제 6 항에 있어서,
상기 제 1 결합 데이터 및 상기 사전 저장된 정상 데이터에 기초하여 상기 제 1 결합 데이터에 비정상이 존재하는지 여부를 판단하는 단계는,
상기 제 1 결합 데이터 및 상기 사전 저장된 정상 데이터를 비교하여 종합 비교 결과데이터를 산출하는 단계; 및
상기 종합 비교 결과데이터에 포함된 제 2 변수 값 및 상기 제 2 변수 값에 대응되는 제 2 임계 값에 기초하여 상기 제 1 결합 데이터에 비정상이 존재하는지 여부를 판단하는 단계;
를 포함하는,
비정상을 감지하기 위한 방법.
- 제 7 항에 있어서,
상기 종합 비교 결과데이터에 포함된 제 2 변수 값 및 상기 제 2 변수 값에 대응되는 제 2 임계 값에 기초하여 상기 제 1 결합 데이터에 비정상이 존재하는지 여부를 판단하는 단계는,
상기 제 2 변수 값이 상기 제 2 임계 값을 초과하는 경우, 상기 제 1 결합 데이터에 비정상이 존재하는 것으로 인식하고, 그리고 제 2 비정상 감지 신호를 생성하는 단계;
를 포함하고,
상기 제 2 비정상 감지 신호는,
상기 제 1 결합 데이터에 기초하여 인식된 비정상 발생 원인에 관한 제 2 정보를 포함하는,
비정상을 감지하기 위한 방법.
- 제 6 항에 있어서,
상기 서로 다른 복수의 신경망 모델들 중에서 최적으로 판단된 상기 제 2 신경망 모델을 선택하는 단계는,
상기 제 2 센서 데이터에 포함되는 특징 값들 중에서 비정상이 존재하는지 여부를 판단하기 위한 기준이 되는 제 2 특징 값을 선정하는 단계;
상기 제 2 특징 값을 상기 복수의 신경망 모델들에 개별적으로 입력하여 상기 복수의 신경망 모델들 각각의 출력을 획득하는 단계; 및
상기 획득된 출력에 기초하여, 상기 복수의 신경망 모델들 각각의 성능들을 평가하고 그리고 평가된 성능 점수들에 기초하여 상기 복수의 신경망 모델들 중 상기 제 2 신경망 모델을 선택하는 단계;
를 포함하는,
비정상을 감지하기 위한 방법.
- 제 9 항에 있어서,
상기 제 2 센서 데이터에 포함되는 특징 값들 중에서 비정상이 존재하는지 여부를 판단하기 위한 기준이 되는 상기 제 2 특징 값을 선정하는 단계는,
SVM-RFE(support vector machine recursive feature elimination), mRMR(minimum redundancy maximum relevance), 주성분 분석(principle component analysis, PCA) 또는 다선형 주성분 분석(multilinear principal component analysis, MPCA) 중 적어도 하나를 이용하여 상기 제 2 특징 값을 선정하는 단계;
를 포함하는,
비정상을 감지하기 위한 방법.
- 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서,
상기 컴퓨터 프로그램은 비정상을 감지하기 위해 컴퓨팅 장치의 프로세서로 하여금 이하의 단계들을 수행하기 위한 명령들을 포함하며, 상기 단계들은:
복수의 센서들 중에서 제 1 센서로부터 출력되는 제 1 센서 데이터를 획득하는 단계;
서로 다른 복수의 신경망 모델들 중에서 최적으로 판단된 제 1 신경망 모델을 선택하는 단계;
상기 제 1 센서 데이터를 상기 제 1 신경망 모델에 입력하여 제 1 출력 데이터를 생성하는 단계; 및
상기 제 1 센서 데이터 및 상기 제 1 출력 데이터에 기초하여 상기 제 1 센서 데이터에 비정상이 존재하는지 여부를 판단하는 단계;
를 포함하는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.
- 비정상을 감지하기 위한 컴퓨팅 장치에 있어서,
적어도 하나의 코어를 포함하는 프로세서;
상기 프로세서에 의해 실행가능한 컴퓨터 프로그램을 저장하는 메모리; 및
네트워크부;
를 포함하고,
상기 프로세서는,
복수의 센서들 중에서 제 1 센서로부터 출력되는 제 1 센서 데이터를 획득하고,
서로 다른 복수의 신경망 모델들 중에서 최적으로 판단된 제 1 신경망 모델을 선택하고,
상기 제 1 센서 데이터를 상기 제 1 신경망 모델에 입력하여 제 1 출력 데이터를 생성하고, 그리고
상기 제 1 센서 데이터 및 상기 제 1 출력 데이터에 기초하여 상기 제 1 센서 데이터에 비정상이 존재하는지 여부를 판단하는,
컴퓨팅 장치.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210155795A KR20230069613A (ko) | 2021-11-12 | 2021-11-12 | 비정상을 감지하는 방법 |
| US17/984,156 US20230152777A1 (en) | 2021-11-12 | 2022-11-09 | Method for detecting abnormality |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210155795A KR20230069613A (ko) | 2021-11-12 | 2021-11-12 | 비정상을 감지하는 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230069613A true KR20230069613A (ko) | 2023-05-19 |
Family
ID=86324610
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210155795A KR20230069613A (ko) | 2021-11-12 | 2021-11-12 | 비정상을 감지하는 방법 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20230152777A1 (ko) |
| KR (1) | KR20230069613A (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102619793B1 (ko) * | 2023-08-22 | 2024-01-03 | 주식회사 에이아이비즈 | Ai 기반 안전 센서 이상치 감지 및 알람 분류 방법, 컴퓨팅 장치 및 컴퓨터 프로그램 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117390017B (zh) * | 2023-09-27 | 2024-05-24 | 国网湖北省电力有限公司黄冈供电公司 | 一种大数据信息安全系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120074630A (ko) | 2010-12-28 | 2012-07-06 | 주식회사 포스코 | 설비 이상을 예측하기 위한 의사 결정 나무 구축 방법 및 그 시스템 |
-
2021
- 2021-11-12 KR KR1020210155795A patent/KR20230069613A/ko not_active Application Discontinuation
-
2022
- 2022-11-09 US US17/984,156 patent/US20230152777A1/en active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120074630A (ko) | 2010-12-28 | 2012-07-06 | 주식회사 포스코 | 설비 이상을 예측하기 위한 의사 결정 나무 구축 방법 및 그 시스템 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102619793B1 (ko) * | 2023-08-22 | 2024-01-03 | 주식회사 에이아이비즈 | Ai 기반 안전 센서 이상치 감지 및 알람 분류 방법, 컴퓨팅 장치 및 컴퓨터 프로그램 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20230152777A1 (en) | 2023-05-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102531645B1 (ko) | 모델의 성능 테스트를 위한 컴퓨터 프로그램 | |
| KR102295805B1 (ko) | 학습 데이터 관리 방법 | |
| KR102583582B1 (ko) | 어노말리 데이터 생성 방법 | |
| KR102313626B1 (ko) | 신경망을 학습시키는 방법 | |
| US20230152777A1 (en) | Method for detecting abnormality | |
| KR102372487B1 (ko) | 입력 데이터의 처리를 위한 최적의 어노말리 감지 모델 결정 방법 | |
| KR20220163241A (ko) | 생체신호 분석 방법 | |
| US11625574B2 (en) | Method for generating abnormal data | |
| KR20210074269A (ko) | 입력 데이터의 처리를 위한 최적의 어노말리 감지 모델 결정 방법 | |
| KR102549702B1 (ko) | 신경망을 학습시키는 방법 | |
| KR102287673B1 (ko) | 비정상 데이터 생성 방법 | |
| KR102292703B1 (ko) | 피처 셋 정보에 기초한 전이 학습 방법 | |
| KR102320707B1 (ko) | 설비 모니터링 시스템의 설비 고장 분류 방법 | |
| KR20230031419A (ko) | 신경망 모델의 다양성을 위한 학습 방법 | |
| KR102562197B1 (ko) | 오토 인코더 모델의 데이터 선별 및 비정상 스코어 산출 방법 | |
| KR20210050414A (ko) | 신경망을 학습시키는 방법 | |
| KR102479218B1 (ko) | 오토 인코더 모델의 선택 및 최적화 방법 | |
| US20230267311A1 (en) | Method Of Selection And Optimization Of Auto-Encoder Model | |
| KR102517968B1 (ko) | 신경망 모델을 이용한 이미지 특징 추출 방법 | |
| KR102570771B1 (ko) | 강화학습 알고리즘의 파라미터 조절 방법 | |
| KR102552230B1 (ko) | 클라우드 플랫폼에서 인공지능 모델을 활용한 데이터 라벨링 방법 | |
| KR102508654B1 (ko) | 이미지 기반 테이블 경계선 생성 방법 | |
| KR102440629B1 (ko) | 반도체 설계를 위한 신경망 모델 학습 방법 | |
| KR20230103820A (ko) | 결측치 데이터 대체를 수행하는 gan 모델을 트레이닝하는 방법 및 장치 | |
| KR20230103818A (ko) | 데이터 클러스터링 방법 및 장치 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |