KR20230071456A - 화재발생모니터링장치 및 그 동작 방법 - Google Patents

화재발생모니터링장치 및 그 동작 방법 Download PDF

Info

Publication number
KR20230071456A
KR20230071456A KR1020210157678A KR20210157678A KR20230071456A KR 20230071456 A KR20230071456 A KR 20230071456A KR 1020210157678 A KR1020210157678 A KR 1020210157678A KR 20210157678 A KR20210157678 A KR 20210157678A KR 20230071456 A KR20230071456 A KR 20230071456A
Authority
KR
South Korea
Prior art keywords
fire
types
wavelet
monitoring device
sensor data
Prior art date
Application number
KR1020210157678A
Other languages
English (en)
Other versions
KR102593563B1 (ko
Inventor
서성호
강종석
허요섭
위 심
정현상
최재경
Original Assignee
한국과학기술정보연구원
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 한국과학기술정보연구원 filed Critical 한국과학기술정보연구원
Priority to KR1020210157678A priority Critical patent/KR102593563B1/ko
Publication of KR20230071456A publication Critical patent/KR20230071456A/ko
Application granted granted Critical
Publication of KR102593563B1 publication Critical patent/KR102593563B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B17/00—Fire alarms; Alarms responsive to explosion
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Emergency Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Fire Alarms (AREA)

Abstract

본 발명은, 웨이블릿 변환(Wavelet Transform) 기법을 적용하여, 이종의 다중 센서로부터 획득되는 복합적인 시계열 데이터 분석을 기반으로 다양한 유형의 화재에 대한 화재 발생 여부를 실시간으로 정확히 감지해낼 수 있는 화재발생모니터링장치 및 그 동작 방법에 관한 것이다.

Description

화재발생모니터링장치 및 그 동작 방법{DEVICE AND METHOD FOR MONITORING THE PRESENCE OF FIRE}
본 발명은 이종의 다중 센서에서 측정되는 센서 신호로부터 생성되는 복합적인 시계열 데이터 분석을 기반으로 화재 발생 여부를 감지하는 기술에 관한 것이다.
도시화의 급속한 진행에 따라 건물의 고층화, 유수시설의 노후화 등이 진행되고 있으며 이로 인해, 고층건물의 화재와 같은 안전사고 및 인재가 증가하고 있다.
따라서, 이처럼 고층건물, 지하도 등 다양한 도시시설에서 발생될 수 있는 안전사고 및 인재에 대해 "실시간 사고 주변환경 정보"의 확보와 “상황에 따른 지능형 정보”의 제공 등에 대한 필요성이 급증하고 있다.
이와 관련하여, 기존에는 멀티 센서를 이용한 화재 감지 방식 등이 적용되고 있으나, 각 센서에서 측정된 센서 신호 크기의 임계 값(threshold)를 경계로 화재 상황을 판단하는 정도가 대부분이어서, 사고 당시 상황의 정보와 판단이 반영되지 않는 단순 경보 수순의 대피정보를 시설에 거주 및 위치한 요구자에게 제공하고 있는 실정이다.
따라서, 기존의 고정 임계 값(threshold)을 사용한 화재 감지 방법은 현재 또는 이전 시간의 센서 데이터를 적용하여 종종 잘못된 경보를 유발하는 단점이 있고, 사고 진행에 대한 상황 데이터 기반의 모니터링에 따른 예측 정보가 부재하여, 정확한 실시간 판단, 대응 전략 수립이 실질적으로 어려운 것이 현실이다.
이에 본 발명에서는, 다양한 유형의 화재에 대한 화재 발생 여부를 실시간으로 정확히 감지해낼 수 있는 기술을 제안하고자 한다.
본 발명은 상기한 사정을 감안하여 창출된 것으로서, 본 발명에서 해결하고자 하는 과제는, 이종의 다중 센서에서 측정되는 센서 신호로부터 생성되는 복합적인 시계열 데이터 분석을 기반으로, 다양한 유형의 화재에 대한 화재 발생 여부를 실시간으로 정확히 감지해낼 수 있는 기술을 실현하는데 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 화재발생모니터링장치는, 화재 상황과 관련되는 이종의 다중 센서로부터 다중 채널 센서데이터를 획득하는 데이터획득부; 상기 다중 채널 센서데이터에 웨이블릿 변환(Wavelet Transform) 기법을 적용하여, 화재 상황을 구분하기 위한 2 이상의 화재 유형 별 특징벡터를 결정하는 특징벡터결정부; 및 상기 2 이상의 화재 유형 별로 기 생성된 화재탐지 모델을 이용하여 상기 2 이상의 화재 유형 별 특징벡터에 대해 획득되는 각 탐지 결과값의 조합을 근거로, 화재 발생 여부를 감지하는 화재감지부를 포함한다.
구체적으로, 상기 데이터획득부는, 상기 이종의 다중 센서로부터, 현재 시점(t)에서 과거 시점(t-q)까지의 시계열 데이터로 구성된 상기 다중 채널 센서데이터를 획득할 수 있다.
구체적으로, 상기 특징벡터결정부는, 상기 다중 채널 센서데이터에 웨이블릿 변환 기법 적용 시, 급격한 신호 변화 패턴을 갖는 제1 웨이블릿 함수 및 지속적인 신호 증가 패턴을 갖는 제2 웨이블릿 함수를 적용할 수 있다.
구체적으로, 상기 특징벡터결정부는, 상기 다중 채널 센서데이터에 웨이블릿 변환 기법을 적용하여 웨이블릿 계수(C)를 산출하고, 특징 선택을 위해 기 정의된 특정 머신러닝 기법을 근거로, 상기 산출된 웨이블릿 계수(C) 중에서 상기 2 이상의 화재 유형 별로 사용할 웨이블릿 계수(C)를 선별하여, 상기 2 이상의 화재 유형 별 특징벡터로 결정할 수 있다.
구체적으로, 상기 2 이상의 화재 유형은, 화염(flaming), 히팅(heating) 및 스몰더링(smouldering) 중 적어도 하나를 포함하며, 상기 화염 유형의 특징벡터는 상기 제1 웨이블릿 함수 적용에 따라 산출되는 웨이블릿 계수(C)와 관련되며, 상기 히팅 및 스몰더링 유형의 특징벡터는 상기 제2 웨이블릿 함수 적용에 따라 산출되는 웨이블릿 계수(C)와 관련될 수 있다.
구체적으로, 상기 2 이상의 화재 유형 별로 기 생성된 화재탐지 모델은, 비화재 상황에서 상기 이종의 다중 센서로부터 획득한 다중 채널 센서데이터를 근거로 결정되는 상기 2 이상의 화재 유형 별 특징벡터를 각기 학습 데이터로 하여, 상기 2 이상의 화재 유형 별로 기 학습된 최근접 이웃(nearest neighbor, NN) 모델일 수 있다.
구체적으로, 상기 화재감지부는, 상기 2 이상의 화재 유형 별 특징벡터 각각을 상기 2 이상의 화재 유형 별 화재탐지 모델 중 대응되는 화재탐지 모델에 입력하여 탐지 결과값을 획득하고, 상기 2 이상의 화재 유형 별로 획득한 각 탐지 결과값의 조합이 기 정의된 화재 감지조건을 만족하는 경우, 화재 발생으로 감지할 수 있다.
구체적으로, 화재 발생에 따른 경보를 발생하는 경보발생부를 더 포함하며; 상기 경보발생부는, 상기 화재감지부에서 화재 발생이 감지되는 경우, 상기 감지된 화재의 화재 시작 시간을 추정하고 상기 화재 시작 시간부터 상기 화재감지부에서 화재 발생이 연속하여 감지되면 경보를 발생할 수 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 화재발생모니터링장치의 동작 방법은, 화재 상황과 관련되는 이종의 다중 센서로부터 다중 채널 센서데이터를 획득하는 데이터획득단계; 상기 다중 채널 센서데이터에 웨이블릿 변환(Wavelet Transform) 기법을 적용하여, 화재 상황을 구분하기 위한 2 이상의 화재 유형 별 특징벡터를 결정하는 특징벡터결정단계; 및 상기 2 이상의 화재 유형 별로 기 생성된 화재탐지 모델을 이용하여 상기 2 이상의 화재 유형 별 특징벡터에 대해 획득되는 각 탐지 결과값의 조합을 근거로, 화재 발생 여부를 감지하는 화재감지단계를 포함한다.
구체적으로, 상기 데이터획득단계는, 상기 이종의 다중 센서로부터, 현재 시점(t)에서 과거 시점(t-q)까지의 시계열 데이터로 구성된 상기 다중 채널 센서데이터를 획득할 수 있다.
구체적으로, 상기 특징벡터결정단계는, 상기 다중 채널 센서데이터에 웨이블릿 변환 기법 적용 시, 급격한 신호 변화 패턴을 갖는 제1 웨이블릿 함수 및 지속적인 신호 증가 패턴을 갖는 제2 웨이블릿 함수를 적용할 수 있다.
구체적으로, 상기 특징벡터결정단계는, 상기 다중 채널 센서데이터에 웨이블릿 변환 기법을 적용하여 웨이블릿 계수(C)를 산출하고, 특징 선택을 위해 기 정의된 특정 머신러닝 기법을 근거로, 상기 산출된 웨이블릿 계수(C) 중에서 상기 2 이상의 화재 유형 별로 특정 웨이블릿 계수(C)를 선별하여, 상기 2 이상의 화재 유형 별 특징벡터로 결정할 수 있다.
구체적으로, 상기 2 이상의 화재 유형 별로 기 생성된 화재탐지 모델은, 비화재 상황에서 상기 이종의 다중 센서로부터 획득한 센서데이터를 근거로 결정되는 상기 2 이상의 화재 유형 별 특징벡터를 각기 학습 데이터로 하여, 상기 2 이상의 화재 유형 별로 기 학습된 최근접 이웃(nearest neighbor, NN) 모델일 수 있다.
구체적으로, 상기 화재감지단계는, 상기 2 이상의 화재 유형 별 특징벡터 각각을 상기 2 이상의 화재 유형 별 화재탐지 모델 중 대응되는 화재탐지 모델에 입력하여 탐지 결과값을 획득하고, 상기 2 이상의 화재 유형 별로 획득한 각 탐지 결과값의 조합이 기 정의된 화재 감지조건을 만족하는 경우, 화재 발생으로 감지할 수 있다.
구체적으로, 상기 화재 발생이 감지되는 경우, 상기 감지된 화재의 화재 시작 시간을 추정하고 상기 화재 시작 시간부터 화재 발생이 연속하여 감지되면 화재 발생에 따른 경보를 발생하는 단계를 더 포함할 수 있다.
이에, 본 발명의 화재발생모니터링장치 및 그 동작 방법에 따르면, 다중 해상도 특성의 웨이블릿 변환(Wavelet Transform)을 활용한 머신러닝 기법 기반의 모델 생성 및 복합적인 시계열 데이터 분석 기반의 화재 유형 별 최적 특징(feature)을 획득을 통해, 다양한 화재 유형을 반영하여 화재 발생 여부를 감지하는 구체적인 기술 구현을 실현하고 있다.
이에, 본 발명에 따르면, 전술의 구체적인 기술 구현을 통해서, 이종의 다중 센서에서 측정되는 센서 신호로부터 생성되는 복합적인 시계열 데이터 분석을 기반으로 다양한 유형의 화재에 대한 화재 발생 여부를 실시간 감지할 수 있는 효과, 이때 화재 발생 여부를 감지하는 정확도, 정밀도, 재현율을 향상시키는 효과를 도출한다.
도 1은 본 발명의 일 실시 예에 따른 화재 모니터링 환경을 설명하기 위한 예시도이다.
도 2는 본 발명의 일 실시 예에 따른 화재발생모니터링장치의 개략적인 구성도이다.
도 3 및 도 4는 본 발명에서 활용하는 웨이블릿 변환(Wavelet Transform)을 설명하는 예시도이다.
도 5는 본 발명의 일 실시 예에 따른 화재발생모니터링장치의 동작 방법을 설명하기 위한 동작 흐름도이다.
이하, 첨부된 도면을 참조하여 본 발명의 다양한 실시 예에 대하여 설명한다.
본 발명은 이종의 다중 센서에서 측정되는 센서 신호로부터 생성되는 복합적인 시계열 데이터 분석을 기반으로 화재 발생 여부를 감지하는 기술에 관한 것이다.
이와 관련하여, 기존에도 멀티 센서를 통해 실시간 정보를 수집하여 화재 상황에 대한 결과를 예측 및 모니터링하기 위한 기술이 존재하다.
그러나, 기존 기술의 경우, 각 센서에서 측정된 센서 신호 크기의 임계 값(threshold)를 경계로 화재 상황을 판단하는 정도가 대부분이어서, 사고 당시 상황의 정보와 판단이 반영되지 않는 단순 경보 수순의 대피정보를 시설에 거주 및 위치한 요구자에게 제공하고 있는 실정이다.
따라서, 고정 임계 값(threshold)을 사용한 기존 기술은, 현재 또는 이전 시간의 센서 데이터를 적용하여 종종 잘못된 경보를 유발하는 단점이 있고, 사고 진행에 대한 상황 데이터 기반의 모니터링에 따른 예측 정보가 부재하여, 정확한 실시간 판단, 대응 전략 수립이 실질적으로 어려운 것이 현실이다.
이에 본 발명에서는, 다양한 유형의 화재에 대한 화재 발생 여부를 실시간으로 정확히 감지해낼 수 있는 기술을 제안하고자 한다.
보다 구체적으로, 본 발명은, 이종의 다중 센서에서 측정되는 센서 신호로부터 생성되는 복합적인 시계열 데이터 분석을 기반으로, 다양한 유형의 화재에 대한 화재 발생 여부를 실시간으로 정확히 감지해낼 수 있는 기술을 제안하고자 한다.
이와 관련하여, 도 1에서는 본 발명의 일 실시 예에 따른 화재 모니터링 환경을 예시적으로 보여주고 있다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 화재 모니터링 환경에서는, 서로 다른 종류(이종)의 다중 센서에서 측정되는 센서 신호로부터 생성되는 복합적인 시계열 데이터 분석을 기반으로 화재 발생 여부를 감지하기 위한 화재발생모니터링장치(100)의 구성을 제안한다.
화재발생모니터링장치(100)는, 웨이블릿 변환(Wavelet Transform)을 활용한 머신러닝 기법 기반의 모델 생성 및 복합적인 시계열 데이터 분석 기반의 화재 유형 별 최적 특징(feature)을 획득, 이를 근거로 화재 발생 여부를 감지하는 장치를 일컫는 것으로서, 예컨대, 소프트웨어(예: 애플리케이션)를 탑재한 컴퓨팅장치(예: PC), 또는 유무선 통신망을 통해 접속 가능한 서버의 형태로 구현될 수 있다.
참고로, 이러한 화재발생모니터링장치(100)가 서버의 형태로 구현되는 경우에는, 예컨대, 웹 서버, 데이터베이스 서버, 프록시 서버 등의 형태로 구현될 수 있으며, 네트워크 부하 분산 메커니즘, 내지 서비스 장치가 인터넷 또는 다른 네트워크 상에서 동작할 수 있도록 하는 다양한 소프트웨어 중 하나 이상이 설치될 수 있으며, 이를 통해 컴퓨터화된 시스템으로도 구현될 수 있다.
이상 본 발명의 일 실시 예에 따른 화재 모니터링 환경에서는, 위 구성을 통해서 다양한 유형의 화재에 대한 화재 발생 여부를 실시간으로 감지할 수 있으며, 이하에서는 이를 실현하기 위한 화재발생모니터링장치(100)의 구성에 대해 보다 구체적으로 살펴보기로 한다.
도 2는 본 발명의 일 실시 예에 따른 화재발생모니터링장치(100)의 개략적인 구성을 보여주고 있다.
도 2에 도시된 바와 같이, 본 발명의 일 실시 예에 따른 화재발생모니터링장치(100)는 데이터획득부(110), 특징벡터결정부(120), 화재감지부(130)를 포함하는 구성일 수 있다.
또한, 본 발명의 일 실시 예에 따른 화재발생모니터링장치(100)는 전술한 구성 이외에 화재 발생 판별 결과를 검증하는 경보발생부(140)를 더 포함할 수 있다.
한편, 본 발명의 일 실시 예에 따른 화재발생모니터링장치(100)는 전술한 구성 이외에, 이종의 다중 센서로부터 센서 신호를 수신하는 등 외부와 데이터 송수신 및 통신하기 위한 통신부(150)의 구성을 더 포함할 수 있다.
여기서, 통신부(150)는 예컨대, 안테나 시스템, RF 송수신기, 하나 이상의 증폭기, 튜너, 하나 이상의 발진기, 디지털 신호 처리기, 코덱(CODEC) 칩셋, 및 메모리 등을 포함하지만 이에 제한되지는 않으며, 이 기능을 수행하는 공지의 회로는 모두 포함할 수 있다.
이상 데이터획득부(110), 특징벡터결정부(120), 화재감지부(130) 및 경보발생부(140)를 포함하는 화재발생모니터링장치(100)의 전체 구성 내지는 적어도 일부의 구성은 소프트웨어 모듈 또는 하드웨어 모듈 형태로 구현되거나, 내지는 소프트웨어 모듈과 하드웨어 모듈이 조합된 형태로도 구현될 수 있다.
여기서, 소프트웨어 모듈이란, 예컨대, 화재발생모니터링장치(100)에 내에서 연산을 수행하는 프로세서에 의해 실행되는 명령어로 이해될 수 있으며, 이러한 명령어는 화재발생모니터링장치(100) 내 메모리에 탑재된 형태를 가질 수 있을 것이다.
이상, 본 발명의 일 실시예에 따른 화재발생모니터링장치(100)는 전술한 구성을 통해 다양한 유형의 화재에 대한 화재 발생 여부를 감지할 수 있다.
먼저, 본 발명에 대하여 간단히 설명하면, 화재발생모니터링장치(100)는, 이종의 다중 센서를 사용하여 화재 상황과 관련된 데이터를 시계열적으로 연속 수집하고, 수집된 데이터를 Wavelet Transform 기법을 적용하여 특징벡터(특징 데이터)를 추출하며, 이후 추출한 특징벡터 중에서 머신러닝 성능을 극대화할 수 있는 특징벡터를 선별/결정하고, 최종 결정된 특징벡터를 머신러닝 모델(예: LSTM(Long Short Term Memory) 기법 기반의 모델)의 파이프 라인에 연결함으로써, Wavelet Transform을 활용한 머신러닝 기법 기반의 모델을 생성할 수 있다.
이에, 화재발생모니터링장치(100)는, 이종의 다중 센서로부터 시계열적으로 연속 입력되는 데이터를 앞서 생성한 모델을 기반으로 분석함으로써, 화재 발생의 여부를 판별/감지할 수 있다.
이하에서는, 본 발명의 화재발생모니터링장치(100) 내 각 구성에 대해 보다 구체적으로 설명하기로 한다.
데이터획득부(110)는, 화재 상황과 관련되는 이종의 다중 센서로부터 다중 채널 센서데이터를 획득하는 기능을 수행한다.
구체적으로, 데이터획득부(110)는, 이종의 다중 센서로부터, 현재 시점(t)에서 과거 시점(t-q)까지의 시계열 데이터로 구성된 상기 다중 채널 센서데이터를 획득할 수 있다.
본 발명에서는, 화재 상황과 관련되는 서로 다른 종류(이종)의 다중 센서가 사용되는 것을 전제로 한다.
이에 일 실시 예를 설명하면, 데이터획득부(110)는, 화재 상황과 관련된 이종의 다중 센서에서 측정/수신되는 센서 신호를 사용하여, 화재 발생 여부를 감지하고자 하는 시점(t) 마다, 각 센서 별로 현재 시점(t)에서 과거 시점(t-q)까지 p개의 서로 다른 시계열 데이터로 구성되는 센서데이터를 생성함으로써 이종의 다중 센서에 대한 다중 채널 센서데이터를 획득할 수 있다.
이때, 본 발명에서는, 전술과 같이 획득한 다중 채널 센서데이터를, 후술할 2 이상의 화재 유형 별로 구분할 수 있다.
특징벡터결정부(120)는, 데이터획득부(110)에서 획득한 다중 채널 센서데이터에 웨이블릿 변환(Wavelet Transform) 기법을 적용하여, 화재 상황을 구분하기 위한 2 이상의 화재 유형 별 특징벡터를 결정하는 기능을 수행한다.
이하 설명에서는, 2 이상의 화재 유형으로서, 화염(flaming), 히팅(heating) 및 스몰더링(smouldering), 이렇게 3가지 화재 유형을 가정하여 설명하겠다.
즉, 특징벡터결정부(120)는, 데이터획득부(110)에서 획득한 다중 채널 센서데이터에 Wavelet Transform 기법을 적용하여, 화염(flaming), 히팅(heating) 및 스몰더링(smouldering)의 화재 유형 별로 화재 상황과 관련되는 센서 신호의 변화를 식별하기 위한 특징벡터(특징 데이터)를 추출하며 더 나아가 머신러닝 성능을 극대화할 수 있는 최적의 특징벡터를 선별/결정할 수 있다.
구체적인 실시 예를 설명하면, 특징벡터결정부(120)는, 다중 채널 센서데이터에 Wavelet Transform 기법 적용 시, 급격한 신호 변화 패턴을 갖는 제1 웨이블릿 함수 및 지속적인 신호 증가 패턴을 갖는 제2 웨이블릿 함수를 적용한다.
웨이블릿 변환(Wavelet Transform)은 시간적으로 주파수 성분이 변하는 신호에 대하여 시간 및 주파수 성분을 나타내는 변환 기법으로서, 시간적으로 한정되어 있는 Wavelet 함수를 사용한다.
도 3에 도시된 바와 같이, 웨이블릿 변환에 사용할 수 있는 Wavelet 함수는 여러 종류가 있으며, 응용 분야에 따라 하나를 선택해서 사용하면 된다는 유연성도 지니고 있다.
도 4를 참조하여, Wavelet Transform 기법의 적용을 간단히 설명하면, Wavelet 함수를 변환 대상의 신호 상에서 이동시키면서(A->B) 비교하는 과정을 거쳐, 신호 및 Wavelet 함수 간 유사도를 C라는 웨이블릿 계수로서 산출할 수 있다.
도 4 에서 알 수 있듯이, Wavelet 함수가 갖는 패턴/스케일에 따라, Wavelet 함수의 패턴/스케일이 정밀/작을수록 신호가 급격히 변하는 구간에서 큰 C값이 산출되고(A) 신호 내 완만한 변화 구간에서 작은 C값이 산출될 것이다(C).
반대로, Wavelet 함수의 패턴/스케일이 완만/클수록, 신호 내 완만한 변화 구간에서 큰 C값이 산출되며 신호가 급격히 변하는 구간에서 작은 C값이 산출될 것이다.
이에, 본 발명에서는, Wavelet Transform 기법에서 사용될 수 있는 Wavelet 함수 중 기본 함수로 사용되고 있는 "정밀한(finer)" 신호 변화 패턴 및 "굵은 (coarser)" 신호 변화 패턴을 갖는 두 가지 Wavelet 함수를 사용하고자 한다.
즉, "정밀한(finer)" 신호 변화 패턴을 갖는 Wavelet 함수(이하, finer 패턴 Wavelet 함수)는 급격하게 변하는 신호 식별에 강한 특성을 가지며, 전술의 제1 웨이블릿 함수는 finer 패턴 Wavelet 함수를 의미한다.
한편, "굵은(coarser)" 신호 변화 패턴을 갖는 Wavelet 함수(이하, coarser 패턴 Wavelet 함수)는 완만하게 변하는(예: 증가 추세)의 신호 식별에 강한 특성을 가지며, 전술의 제2 웨이블릿 함수는 coarser 패턴 Wavelet 함수를 의미한다.
다시 본 발명의 설명을 이어가면, 특징벡터결정부(120)는, Wavelet Transform 기법 적용 시, 두 가지 Wavelet 함수로서 finer 패턴 Wavelet 함수 및 coarser 패턴 Wavelet 함수를 적용할 수 있다.
이에, 특징벡터결정부(120)는, 다중 채널 센서데이터에 두 가지 Wavelet 함수로서 finer 패턴 Wavelet 함수 및 coarser 패턴 Wavelet 함수를 적용하여, 다중 채널 센서데이터에 대해 신호 및 함수 간 유사도를 나타내는 웨이블릿 계수(C)를 산출함으로써, 웨이블릿 계수(C)를 특징벡터로서 추출/사용할 수 있다.
한편, 본 발명에서는, 여기에 추가하여 시간 도메인 외에도, 평균(mean), 표준 편차(standard deviation), 왜도(skewness), 평균제곱근(RMS), 폼 팩터(form factor), crest-factor, 에너지(energy), 섀넌-엔트로피(Shannon-entropy), 로그 에너지 엔트로피(log-energy entropy) 및 사분위 범위(interquartile range)와 같은 웨이블릿 도메인의 통계적 특징도 웨이블릿을 기반으로 추가적으로 추출하여, 특징벡터로서 사용할 수도 있다.
그리고, 특징벡터결정부(120)는, 다중 채널 센서데이터에 대해 산출된 웨이블릿 계수(C) 중에서, 최적의 특징벡터를 선별/결정한다.
이때 본 발명에서는, 화염(flaming) 유형에 결정되는 특징벡터는 제1 웨이블릿 함수(finer 패턴 Wavelet 함수) 적용에 따라 산출되는 웨이블릿 계수(C)와 관련되며, 가열(heating) 및 스몰더링(smouldering) 유형에 결정되는 특징벡터는 제2 웨이블릿 함수(및 coarser 패턴 Wavelet 함수 별로) 적용에 따라 산출되는 웨이블릿 계수(C)와 관련될 수 있다.
보다 구체적인 실시 예를 설명하면, 특징벡터결정부(120)는, 특징 선택을 위해 기 정의된 특정 머신러닝 기법을 근거로, 전술과 같이 다중 채널 센서데이터에 대해 산출된 웨이블릿 계수(C) 중에서 2 이상의 화재 유형(flaming, heating smouldering) 별로 사용할 최적의 웨이블릿 계수(C)를 선별하여, 2 이상의 화재 유형(flaming, heating smouldering) 별 특징벡터로 결정할 수 있다.
즉, 특징벡터결정부(120)는, 다중 채널 센서데이터에 대해 산출된 웨이블릿 계수(C) 중에서 머신러닝 성능을 극대화할 수 있는 최적의 특징벡터를 선별/결정하는 것이다.
구체적인 실시 예를 들면, 본 발명에서는, 특징 선택을 위한 머신러닝 기법 중 하나인 SFFS(Sequential Forward Floating Search) 기법을 사용할 수 있다. SFFS 기법은, 가장 의미없는 특징들은 제거하고 가장 의미있는 특징들은 추가하는 연산을 통해 최적의 특징을 선택하는 기법이다.
이에, 특징벡터결정부(120)는, 전술과 같이 다중 채널 센서데이터에 대해 센서 신호의 변화를 식별하기 위한 특징벡터(C)가 추출되면, SFFS 기법을 적용하여 화염(flaming), 히팅(heating) 및 스몰더링(smouldering)의 화재 유형 별로 센서 신호의 변화를 식별하기 위한 최적의 특징벡터를 선별/결정할 수 있다.
화염(flaming) 유형 화재 감지를 위한 센서의 센서 신호는 화재 발생 시 급격한 변화를 가지며, 이는 finer 패턴 Wavelet 함수로 잘 식별될 수 있고, 반면 가열(heating) 및 smouldering 유형 화재 감지를 위한 센서의 센서 신호는 화재 발생 시 완만하게 증가하는 추세의 변화를 가지며, 이는 coarser 패턴 Wavelet 함수로 잘 식별될 수 있다.
이에 본 발명에서는, 다중 채널 센서데이터에 두 가지 Wavelet 함수로서 finer 패턴 Wavelet 함수 및 coarser 패턴 Wavelet 함수를 적용하여 특징벡터(C)를 추출하였으므로, SFFS 기법을 적용하게 되면 화염(flaming) 유형의 경우 finer 패턴 Wavelet 함수에 따른 웨이블릿 계수(C)가 최적의 특징벡터로 결정될 수 있고, 반면 가열(heating) 및 스몰더링(smouldering) 유형의 경우 coarser 패턴 Wavelet 함수에 웨이블릿 계수(C)가 최적의 특징벡터로 결정될 수 있다.
이렇듯, 본 발명에서는, 다중 해상도 특성의 웨이블릿 변환(Wavelet Transform)을 활용하여 이종의 다중 센서로부터 획득되는 복합적인 시계열 데이터(다중 채널 센서데이터) 분석 기반의 화재 유형 별 최적 특징(feature)을 추출/선별/결정하는 구체적인 기술 구성을 구현하고 있다.
화재감지부(130)는, 2 이상의 화재 유형(flaming, heating smouldering) 별로 기 생성된 화재탐지 모델을 이용하여, 전술에서 추출/선별/결정한 2 이상의 화재(flaming, heating smouldering) 유형 별 특징벡터에 대한 각 탐지 결과값을 얻고, 각 탐지 결과값의 조합을 근거로 화재 발생 여부를 감지하는 기능을 수행한다.
본 발명에서는, 2 이상의 화재 유형, 즉 화염(flaming), 히팅(heating) 및 스몰더링(smouldering) 별로 화재탐지 모델을 기 생성한다.
구체적인 실시 예를 설명하면, 본 발명에서는, 전술한 데이터획득부(110), 특징벡터결정부(120)에 대한 설명과 같이, 이종의 다중 센서로부터 획득되는 복합적인 시계열 데이터(다중 채널 센서데이터)에 대해 Wavelet Transform 기법을 적용하여 화재 유형(flaming, heating smouldering) 별로 특징벡터를 추출하고(더 나아가, 최적의 특징벡터 선별/결정), 이를 각기 학습 데이터로 하여 화재 유형(flaming, heating smouldering) 별로 머신러닝 기법 기반의 화재탐지 모델을 구축/생성할 수 있다.
이렇게 생성되는 화재 유형(flaming, heating smouldering) 별 화재탐지 모델은, 전술과 같이 화재 유형(flaming, heating smouldering) 별로 특징벡터를 학습 데이터로 학습하여 생성되는 최근접 이웃(nearest neighbor, NN) 모델일 수 있다.
이에, 화재감지부(130)는, 화재 유형(flaming, heating smouldering) 별 특징벡터 각각을 화재 유형(flaming, heating smouldering) 별 NN 모델 중 대응되는 해당 NN 모델에 입력하여, 화재 유형(flaming, heating smouldering) 별로 "화재" 또는 "비화재"를 나타내는 지표의 탐지 결과값을 획득할 수 있다.
그리고, 화재감지부(130)는, 화재 유형(flaming, heating smouldering) 별로 획득한 각 탐지 결과값의 조합이 기 정의된 화재 감지조건을 만족하는 경우, 화재 발생으로 감지할 수 있다.
구체적인 실시 예를 설명하면, 본 발명에서 정의하는 화재 감지조건은, 화재 투표 규칙(K-out-of-P)이라 칭할 수 있으며, 이는 화재 유형(유형 종류: P개)을 유권자로 간주하여 K개 이상의 화재 유형에서 화재로 탐지하는 경우, 화재 발생으로 분류/감지하는 방식으로 이해될 수 있다.
일 예로서, 본 발명에서는 전술과 같이 화재 유형의 종류로서 화염(flaming), 히팅(heating) 및 스몰더링(smouldering)를 가정할 때, 화재 감지조건으로서의 화재 투표 규칙(K-out-of-P)을, w-out-of-3로 정의할 수 있다(w: whole).
이러한 실시 예의 경우, 화재감지부(130)는, 화재 유형(flaming, heating smouldering) 별 NN 모델로부터 획득한 3개의 각 탐지 결과값이 모두 "화재"를 나타낼 때 화재 감지조건(w-out-of-3)을 만족하므로, 화재 발생으로 감지할 수 있다.
물론, 본 발명에는, 화재 감지조건(K-out-of-P)을 다양하게 변경 정의할 수도 있다.
더 나아가, 경보발생부(140)는, 화재 발생에 따른 경보를 발생하는 기능을 수행한다.
이러한 경보발생부(140)는, 화재감지부(130)에서 화재 발생으로 감지하는 경우 즉시 화재 발생에 따른 경보를 발생할 수도 있다.
한편, 경보발생부(140)는, 오경보를 줄이기 위해, 화재감지부(130)에서 화재 발생의 감지가 일정 시간 동안 유지되는 경우에 한해서 경보를 발생할 수도 있다.
구체적으로 설명하면, 경보발생부(140)는, 화재감지부(130)에서 화재 발생이 감지되는 경우, 금번 감지된 화재의 화재 시작 시간을 추정할 수 있다.
예를 들면, 경보발생부(140)는 화재감지부(130)에서 화재 발생이 처음 감지되는 경우, 금번 감지 시점을 화재 시작 시간으로 추정할 수 있고 또는 금번 감지 시 사용한 다중 채널 센서데이터를 구성하는 센서 신호의 시점 중 가장 빠른 시점(예: 현재(t)-q)을 화재 시작 시간으로 추정할 수도 있다.
그리고, 경보발생부(140)는, 추정한 화재 시작 시간부터 화재감지부(130)에서 기 설정된 설정 시간(예: XX 초) 내에 화재 발생이 연속하여 감지되거나, 추정한 화재 시작 시간부터 화재감지부(130)에서 화재 발생이 연속하여 기 설정된 횟수(예: N회) 감지되면, 화재 발생으로 최종 판단하여 화재 발생에 따른 경보를 발생할 수 있다.
이상에서 살펴본 바와 같이, 본 발명의 화재발생모니터링장치(100)에 따르면, 다중 해상도 특성의 웨이블릿 변환(Wavelet Transform)을 활용하여, 머신러닝 기법 기반의 모델을 생성하고 복합적인 시계열 데이터 분석 기반의 화재 유형 별 최적의 특징(feature)을 획득하는 구체적인 기술 구성을 구현하고 있다.
이렇듯, 본 발명에 따르면, 전술의 구체적인 기술 구현을 기반으로, 이종의 다양한 센서 신호로부터 최적의 특징(feature)을 웨이블릿 변환(Wavelet Transform)의 특성에 기인하여 효과적으로 캡처/획득할 수 있고 모델 생성 및 실시간 감지에 활용할 수 있기 때문에, 복합적인 시계열 데이터 분석을 기반으로 다양한 유형의 화재에 대한 화재 발생 여부를 실시간 감지할 수 있는 효과, 이때 화재 발생 여부를 감지하는 정확도, 정밀도, 재현율을 향상시키는 효과를 도출할 수 있다.
이상 본 발명의 일 실시 예에 따른 화재발생모니터링장치(100)의 구성에 대한 설명을 마치고, 도 5를 참조하여 화재발생모니터링장치(100)의 동작 방법에 대한 설명을 이어 가기로 한다.
먼저, 본 발명의 화재발생모니터링장치(100)는, 2 이상의 화재 유형, 예를 들면 화염(flaming), 히팅(heating) 및 스몰더링(smouldering) 유형 별로 화재탐지 모델을 기 생성할 수 있다(S10).
구체적인 실시 예를 설명하면, 본 발명의 화재발생모니터링장치(100)는, 전술의 도 2를 참조로 하는 데이터획득부(110), 특징벡터결정부(120)에 대한 설명과 같이, 이종의 다중 센서로부터 획득되는 복합적인 시계열 데이터(다중 채널 센서데이터)에 대해 Wavelet Transform 기법을 적용하여 화재 유형(flaming, heating smouldering) 별로 특징벡터를 추출하고(더 나아가, 최적의 특징벡터 선별/결정), 이를 각기 학습 데이터로 하여 화재 유형(flaming, heating smouldering) 별로 머신러닝 기법 기반의 화재탐지 모델을 구축/생성할 수 있다.
이렇게 생성되는 화재 유형(flaming, heating smouldering) 별 화재탐지 모델은, 전술과 같이 화재 유형(flaming, heating smouldering) 별로 특징벡터를 학습 데이터로 학습하여 생성되는 최근접 이웃(nearest neighbor, NN) 모델일 수 있다.
한편, 본 발명의 화재발생모니터링장치(100)는, 화재 상황과 관련된 이종의 다중 센서에서 측정되는 센서 신호를 수신한다(S20).
이에, 본 발명의 화재발생모니터링장치(100)는, 이종의 다중 센서로부터의 센서 신호를 사용하여, 화재 발생 여부를 감지하고자 하는 시점(t) 마다, 각 센서 별로 현재 시점(t)에서 과거 시점(t-q)까지 p개의 서로 다른 시계열 데이터로 구성되는 센서데이터를 생성함으로써 이종의 다중 센서에 대한 다중 채널 센서데이터를 획득할 수 있다(S30).
이후, 본 발명의 화재발생모니터링장치(100)는, S30단계에서 획득한 다중 채널 센서데이터에 두 가지 Wavelet 함수로서 finer 패턴 Wavelet 함수 및 coarser 패턴 Wavelet 함수를 적용하여, 다중 채널 센서데이터에 대해 신호 및 함수 간 유사도를 나타내는 웨이블릿 계수(C)를 산출함으로써 웨이블릿 계수(C)를 특징벡터로서 추출할 수 있다(S40).
그리고, 본 발명의 화재발생모니터링장치(100)는, S40단계를 거쳐 다중 채널 센서데이터에 대해 산출/추출한 특징벡터(C) 중에서, 최적의 특징벡터를 선별/결정한다(S50).
보다 구체적인 실시 예를 설명하면, 본 발명의 화재발생모니터링장치(100)는, S40단계를 거쳐 다중 채널 센서데이터에 대해 센서 신호의 변화를 식별하기 위한 특징벡터(C)가 추출되면, 머신러닝 기법 중 하나인 SFFS 기법을 적용하여 화염(flaming), 히팅(heating) 및 스몰더링(smouldering)의 화재 유형 별로 센서 신호의 변화를 식별하기 위한 최적의 특징벡터를 선별/결정할 수 있다(S50).
화염(flaming) 유형 화재 감지를 위한 센서의 센서 신호는 화재 발생 시 급격한 변화를 가지며, 이는 finer 패턴 Wavelet 함수로 잘 식별될 수 있고, 반면 가열(heating) 및 smouldering 유형 화재 감지를 위한 센서의 센서 신호는 화재 발생 시 완만하게 증가하는 추세의 변화를 가지며, 이는 coarser 패턴 Wavelet 함수로 잘 식별될 수 있다.
이에 본 발명에서는, 다중 채널 센서데이터에 두 가지 Wavelet 함수로서 finer 패턴 Wavelet 함수 및 coarser 패턴 Wavelet 함수를 적용하여 특징벡터(C)를 추출하였으므로, SFFS 기법을 적용하게 되면 화염(flaming) 유형의 경우 finer 패턴 Wavelet 함수에 따른 웨이블릿 계수(C)가 최적의 특징벡터로 결정될 수 있고, 반면 가열(heating) 및 스몰더링(smouldering) 유형의 경우 coarser 패턴 Wavelet 함수에 웨이블릿 계수(C)가 최적의 특징벡터로 결정될 수 있다.
이후 본 발명의 화재발생모니터링장치(100)는, 화재 유형(flaming, heating smouldering) 별로 결정한 최적의 특징벡터(C) 각각을 화재 유형(flaming, heating smouldering) 별 NN 모델 중 대응되는 해당 NN 모델에 입력하여, 화재 유형(flaming, heating smouldering) 별로 "화재" 또는 "비화재"를 나타내는 지표의 탐지 결과값을 획득할 수 있다(S60).
그리고, 본 발명의 화재발생모니터링장치(100)는, 화재 유형(flaming, heating smouldering) 별로 획득한 각 탐지 결과값의 조합이 기 정의된 화재 감지조건을 만족하는 경우(S70 Yes), 화재 발생으로 감지할 수 있다.
구체적인 실시 예를 설명하면, 화재 감지조건으로서의 화재 투표 규칙(K-out-of-P)을, w-out-of-3로 정의할 수 있다(w: whole).
이러한 실시 예의 경우, 본 발명의 화재발생모니터링장치(100)는, 화재 유형(flaming, heating smouldering) 별 NN 모델로부터 획득한 3개의 각 탐지 결과값이 모두 "화재"를 나타낼 때 화재 감지조건(w-out-of-3)을 만족하므로(S70 Yes), 화재 발생으로 감지할 수 있다.
한편, 본 발명의 화재발생모니터링장치(100)는, 화재 발생이 감지되면(S70 Yes), 화재 발생에 따른 경보를 발생할 수도 있다.
더 구체적인 실시 예를 설명하면, 본 발명의 화재발생모니터링장치(100)는, 화재 발생이 감지되면(S70 Yes), 금번 감지된 화재의 화재 시작 시간을 추정하고, 추정한 화재 시작 시간부터 기 설정된 설정 시간(예: XX 초) 내에 화재 발생이 연속하여 감지되거나(S80 Yes), 추정한 화재 시작 시간부터 화재 발생이 연속하여 기 설정된 횟수(예: N회) 감지되면(S80 Yes), 화재 발생으로 최종 판단하여 화재 발생에 따른 경보를 발생할 수 있다(S90).
이상에서 살펴본 바와 같이, 본 발명의 실시 예에 따른 화재발생모니터링장치(100)의 동작 방법에 따르면, 다중 해상도 특성의 웨이블릿 변환(Wavelet Transform)을 활용한 머신러닝 기법 기반의 모델 생성 및 복합적인 시계열 데이터 분석 기반의 화재 유형 별 최적 특징(feature)을 획득을 통해, 다양한 화재 유형을 반영하여 화재 발생 여부를 감지하는 구체적인 기술 구성을 실현하고 있다.
이에, 본 발명에 따르면, 전술의 구체적인 기술 구현을 통해서, 이종의 다중 센서로부터 획득되는 복합적인 시계열 데이터 분석을 기반으로 다양한 유형의 화재에 대한 화재 발생 여부를 실시간 감지할 수 있는 효과, 이때 화재 발생 여부를 감지하는 정확도, 정밀도, 재현율을 향상시키는 효과를 도출한다.
한편, 본 명세서에서 설명하는 기능적인 동작과 주제의 구현물들은 디지털 전자 회로로 구현되거나, 본 명세서에서 개시하는 구조 및 그 구조적인 등가물들을 포함하는 컴퓨터 소프트웨어, 펌웨어 혹은 하드웨어로 구현되거나, 이들 중 하나 이상의 결합으로 구현 가능하다. 본 명세서에서 설명하는 주제의 구현물들은 하나 이상의 컴퓨터 프로그램 제품, 다시 말해 처리 시스템의 동작을 처리하기 위하여 혹은 이것에 의한 실행을 위하여 유형의 프로그램 저장매체 상에 인코딩된 컴퓨터 프로그램 명령에 관한 하나 이상의 모듈로서 구현될 수 있다.
컴퓨터로 판독 가능한 매체는 기계로 판독 가능한 저장 장치, 기계로 판독 가능한 저장 기판, 메모리 장치, 기계로 판독 가능한 전파형 신호에 영향을 미치는 물질의 조성물 혹은 이들 중 하나 이상의 조합일 수 있다.
본 명세서에서 "시스템"이나 "장치"라 함은 예컨대 프로그래머블 프로세서, 컴퓨터 혹은 다중 프로세서나 컴퓨터를 포함하여 데이터를 처리하기 위한 모든 기구, 장치 및 기계를 포괄한다. 처리 시스템은, 하드웨어에 부가하여, 예컨대 프로세서 펌웨어를 구성하는 코드, 프로토콜 스택, 데이터베이스 관리 시스템, 운영 체제 혹은 이들 중 하나 이상의 조합 등 요청 시 컴퓨터 프로그램에 대한 실행 환경을 형성하는 코드를 포함할 수 있다.
컴퓨터 프로그램(프로그램, 소프트웨어, 소프트웨어 애플리케이션, 스크립트 혹은 코드로도 알려져 있음)은 컴파일되거나 해석된 언어나 선언적 혹은 절차적 언어를 포함하는 프로그래밍 언어의 어떠한 형태로도 작성될 수 있으며, 독립형 프로그램이나 모듈, 컴포넌트, 서브루틴 혹은 컴퓨터 환경에서 사용하기에 적합한 다른 유닛을 포함하여 어떠한 형태로도 전개될 수 있다. 컴퓨터 프로그램은 파일 시스템의 파일에 반드시 대응하는 것은 아니다. 프로그램은 요청된 프로그램에 제공되는 단일 파일 내에, 혹은 다중의 상호 작용하는 파일(예컨대, 하나 이상의 모듈, 하위 프로그램 혹은 코드의 일부를 저장하는 파일) 내에, 혹은 다른 프로그램이나 데이터를 보유하는 파일의 일부(예컨대, 마크업 언어 문서 내에 저장되는 하나 이상의 스크립트) 내에 저장될 수 있다. 컴퓨터 프로그램은 하나의 사이트에 위치하거나 복수의 사이트에 걸쳐서 분산되어 통신 네트워크에 의해 상호 접속된 다중 컴퓨터나 하나의 컴퓨터 상에서 실행되도록 전개될 수 있다.
한편, 컴퓨터 프로그램 명령어와 데이터를 저장하기에 적합한 컴퓨터로 판독 가능한 매체는, 예컨대 EPROM, EEPROM 및 플래시메모리 장치와 같은 반도체 메모리 장치, 예컨대 내부 하드디스크나 외장형 디스크와 같은 자기 디스크, 자기광학 디스크 및 CD-ROM과 DVD-ROM 디스크를 포함하여 모든 형태의 비휘발성 메모리, 매체 및 메모리 장치를 포함할 수 있다. 프로세서와 메모리는 특수 목적의 논리 회로에 의해 보충되거나, 그것에 통합될 수 있다.
본 명세서에서 설명한 주제의 구현물은 예컨대 데이터 서버와 같은 백엔드 컴포넌트를 포함하거나, 예컨대 애플리케이션 서버와 같은 미들웨어 컴포넌트를 포함하거나, 예컨대 사용자가 본 명세서에서 설명한 주제의 구현물과 상호 작용할 수 있는 웹 브라우저나 그래픽 유저 인터페이스를 갖는 클라이언트 컴퓨터와 같은 프론트엔드 컴포넌트 혹은 그러한 백엔드, 미들웨어 혹은 프론트엔드 컴포넌트의 하나 이상의 모든 조합을 포함하는 연산 시스템에서 구현될 수도 있다. 시스템의 컴포넌트는 예컨대 통신 네트워크와 같은 디지털 데이터 통신의 어떠한 형태나 매체에 의해서도 상호 접속 가능하다.
본 명세서는 다수의 특정한 구현물의 세부사항들을 포함하지만, 이들은 어떠한 발명이나 청구 가능한 것의 범위에 대해서도 제한적인 것으로서 이해되어서는 안되며, 오히려 특정한 발명의 특정한 실시형태에 특유할 수 있는 특징들에 대한 설명으로서 이해되어야 한다. 마찬가지로, 개별적인 실시형태의 문맥에서 본 명세서에 기술된 특정한 특징들은 단일 실시형태에서 조합하여 구현될 수도 있다. 반대로, 단일 실시형태의 문맥에서 기술한 다양한 특징들 역시 개별적으로 혹은 어떠한 적절한 하위 조합으로도 복수의 실시형태에서 구현 가능하다. 나아가, 특징들이 특정한 조합으로 동작하고 초기에 그와 같이 청구된 바와 같이 묘사될 수 있지만, 청구된 조합으로부터의 하나 이상의 특징들은 일부 경우에 그 조합으로부터 배제될 수 있으며, 그 청구된 조합은 하위 조합이나 하위 조합의 변형물로 변경될 수 있다.
또한, 본 명세서에서는 특정한 순서로 도면에서 동작들을 묘사하고 있지만, 이는 바람직한 결과를 얻기 위하여 도시된 그 특정한 순서나 순차적인 순서대로 그러한 동작들을 수행하여야 한다거나 모든 도시된 동작들이 수행되어야 하는 것으로 이해되어서는 안 된다. 특정한 경우, 멀티태스킹과 병렬 프로세싱이 유리할 수 있다. 또한, 상술한 실시형태의 다양한 시스템 컴포넌트의 분리는 그러한 분리를 모든 실시형태에서 요구하는 것으로 이해되어서는 안되며, 설명한 프로그램 컴포넌트와 시스템들은 일반적으로 단일의 소프트웨어 제품으로 함께 통합되거나 다중 소프트웨어 제품에 패키징될 수 있다는 점을 이해하여야 한다
이와 같이, 본 명세서는 그 제시된 구체적인 용어에 본 발명을 제한하려는 의도가 아니다. 따라서, 상술한 예를 참조하여 본 발명을 상세하게 설명하였지만, 당업자라면 본 발명의 범위를 벗어나지 않으면서도 본 예들에 대한 개조, 변경 및 변형을 가할 수 있다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
본 발명에 따른 화재발생모니터링장치 및 그 동작 방법에 따르면, 이종의 다중 센서로부터 획득되는 복합적인 시계열 데이터 분석을 기반으로 다양한 유형의 화재에 대한 화재 발생 여부를 실시간으로 정확히 감지해낼 수 있다는 점에서 기존 기술의 한계를 뛰어 넘음에 따라 관련 기술에 대한 이용만이 아닌 적용되는 장치의 시판 또는 영업의 가능성이 충분할 뿐만 아니라 현실적으로 명백하게 실시할 수 있는 정도이므로 산업상 이용가능성이 있는 발명이다.
100: 화재발생모니터링장치
110: 데이터획득부 120: 특징벡터결정부
130: 화재감지부 140 : 경보발생부

Claims (15)

  1. 화재 상황과 관련되는 이종의 다중 센서로부터 다중 채널 센서데이터를 획득하는 데이터획득부;
    상기 다중 채널 센서데이터에 웨이블릿 변환(Wavelet Transform) 기법을 적용하여, 화재 상황을 구분하기 위한 2 이상의 화재 유형 별 특징벡터를 결정하는 특징벡터결정부; 및
    상기 2 이상의 화재 유형 별로 기 생성된 화재탐지 모델을 이용하여 상기 2 이상의 화재 유형 별 특징벡터에 대해 획득되는 각 탐지 결과값의 조합을 근거로, 화재 발생 여부를 감지하는 화재감지부를 포함하는 것을 특징으로 하는 화재발생모니터링장치.
  2. 제 1 항에 있어서,
    상기 데이터획득부는,
    상기 이종의 다중 센서로부터, 현재 시점(t)에서 과거 시점(t-q)까지의 시계열 데이터로 구성된 상기 다중 채널 센서데이터를 획득하는 것을 특징으로 하는 화재발생모니터링장치.
  3. 제 1 항에 있어서,
    상기 특징벡터결정부는,
    상기 다중 채널 센서데이터에 웨이블릿 변환 기법 적용 시, 급격한 신호 변화 패턴을 갖는 제1 웨이블릿 함수 및 지속적인 신호 증가 패턴을 갖는 제2 웨이블릿 함수를 적용하는 것을 특징으로 하는 화재발생모니터링장치.
  4. 제 1 항에 있어서,
    상기 특징벡터결정부는,
    상기 다중 채널 센서데이터에 웨이블릿 변환 기법을 적용하여 웨이블릿 계수(C)를 산출하고,
    특징 선택을 위해 기 정의된 특정 머신러닝 기법을 근거로, 상기 산출된 웨이블릿 계수(C) 중에서 상기 2 이상의 화재 유형 별로 사용할 웨이블릿 계수(C)를 선별하여, 상기 2 이상의 화재 유형 별 특징벡터로 결정하는 것을 특징으로 하는 화재발생모니터링장치.
  5. 제 3 항에 있어서,
    상기 2 이상의 화재 유형은, 화염(flaming), 히팅(heating) 및 스몰더링(smouldering) 중 적어도 하나를 포함하며,
    상기 화염 유형의 특징벡터는 상기 제1 웨이블릿 함수 적용에 따라 산출되는 웨이블릿 계수(C)와 관련되며, 상기 히팅 및 스몰더링 유형의 특징벡터는 상기 제2 웨이블릿 함수 적용에 따라 산출되는 웨이블릿 계수(C)와 관련되는 것을 특징으로 하는 화재발생모니터링장치.
  6. 제 1 항에 있어서,
    상기 2 이상의 화재 유형 별로 기 생성된 화재탐지 모델은,
    비화재 상황에서 상기 이종의 다중 센서로부터 획득한 다중 채널 센서데이터를 근거로 결정되는 상기 2 이상의 화재 유형 별 특징벡터를 각기 학습 데이터로 하여, 상기 2 이상의 화재 유형 별로 기 학습된 최근접 이웃(nearest neighbor, NN) 모델인 것을 특징으로 하는 화재발생모니터링장치.
  7. 제 1 항에 있어서,
    상기 화재감지부는,
    상기 2 이상의 화재 유형 별 특징벡터 각각을 상기 2 이상의 화재 유형 별 화재탐지 모델 중 대응되는 화재탐지 모델에 입력하여 탐지 결과값을 획득하고,
    상기 2 이상의 화재 유형 별로 획득한 각 탐지 결과값의 조합이 기 정의된 화재 감지조건을 만족하는 경우, 화재 발생으로 감지하는 것을 특징으로 하는 화재발생모니터링장치.
  8. 제 1 항에 있어서,
    화재 발생에 따른 경보를 발생하는 경보발생부를 더 포함하며;
    상기 경보발생부는,
    상기 화재감지부에서 화재 발생이 감지되는 경우, 상기 감지된 화재의 화재 시작 시간을 추정하고 상기 화재 시작 시간부터 상기 화재감지부에서 화재 발생이 연속하여 감지되면 경보를 발생하는 것을 특징으로 하는 화재발생모니터링장치.
  9. 화재 상황과 관련되는 이종의 다중 센서로부터 다중 채널 센서데이터를 획득하는 데이터획득단계;
    상기 다중 채널 센서데이터에 웨이블릿 변환(Wavelet Transform) 기법을 적용하여, 화재 상황을 구분하기 위한 2 이상의 화재 유형 별 특징벡터를 결정하는 특징벡터결정단계; 및
    상기 2 이상의 화재 유형 별로 기 생성된 화재탐지 모델을 이용하여 상기 2 이상의 화재 유형 별 특징벡터에 대해 획득되는 각 탐지 결과값의 조합을 근거로, 화재 발생 여부를 감지하는 화재감지단계를 포함하는 것을 특징으로 하는 화재발생모니터링장치의 동작 방법.
  10. 제 9 항에 있어서,
    상기 데이터획득단계는,
    상기 이종의 다중 센서로부터, 현재 시점(t)에서 과거 시점(t-q)까지의 시계열 데이터로 구성된 상기 다중 채널 센서데이터를 획득하는 것을 특징으로 하는 화재발생모니터링장치의 동작 방법.
  11. 제 9 항에 있어서,
    상기 특징벡터결정단계는,
    상기 다중 채널 센서데이터에 웨이블릿 변환 기법 적용 시, 급격한 신호 변화 패턴을 갖는 제1 웨이블릿 함수 및 지속적인 신호 증가 패턴을 갖는 제2 웨이블릿 함수를 적용하는 것을 특징으로 하는 화재발생모니터링장치의 동작 방법.
  12. 제 9 항에 있어서,
    상기 특징벡터결정단계는,
    상기 다중 채널 센서데이터에 웨이블릿 변환 기법을 적용하여 웨이블릿 계수(C)를 산출하고,
    특징 선택을 위해 기 정의된 특정 머신러닝 기법을 근거로, 상기 산출된 웨이블릿 계수(C) 중에서 상기 2 이상의 화재 유형 별로 특정 웨이블릿 계수(C)를 선별하여, 상기 2 이상의 화재 유형 별 특징벡터로 결정하는 것을 특징으로 하는 화재발생모니터링장치의 동작 방법.
  13. 제 9 항에 있어서,
    상기 2 이상의 화재 유형 별로 기 생성된 화재탐지 모델은,
    비화재 상황에서 상기 이종의 다중 센서로부터 획득한 센서데이터를 근거로 결정되는 상기 2 이상의 화재 유형 별 특징벡터를 각기 학습 데이터로 하여, 상기 2 이상의 화재 유형 별로 기 학습된 최근접 이웃(nearest neighbor, NN) 모델인 것을 특징으로 하는 화재발생모니터링장치의 동작 방법.
  14. 제 9 항에 있어서,
    상기 화재감지단계는,
    상기 2 이상의 화재 유형 별 특징벡터 각각을 상기 2 이상의 화재 유형 별 화재탐지 모델 중 대응되는 화재탐지 모델에 입력하여 탐지 결과값을 획득하고,
    상기 2 이상의 화재 유형 별로 획득한 각 탐지 결과값의 조합이 기 정의된 화재 감지조건을 만족하는 경우, 화재 발생으로 감지하는 것을 특징으로 하는 화재발생모니터링장치의 동작 방법.
  15. 제 9 항에 있어서,
    상기 화재 발생이 감지되는 경우, 상기 감지된 화재의 화재 시작 시간을 추정하고 상기 화재 시작 시간부터 화재 발생이 연속하여 감지되면 화재 발생에 따른 경보를 발생하는 단계를 더 포함하는 것을 특징으로 하는 화재발생모니터링장치의 동작 방법.
KR1020210157678A 2021-11-16 2021-11-16 화재발생모니터링장치 및 그 동작 방법 KR102593563B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210157678A KR102593563B1 (ko) 2021-11-16 2021-11-16 화재발생모니터링장치 및 그 동작 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210157678A KR102593563B1 (ko) 2021-11-16 2021-11-16 화재발생모니터링장치 및 그 동작 방법

Publications (2)

Publication Number Publication Date
KR20230071456A true KR20230071456A (ko) 2023-05-23
KR102593563B1 KR102593563B1 (ko) 2023-10-24

Family

ID=86544408

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210157678A KR102593563B1 (ko) 2021-11-16 2021-11-16 화재발생모니터링장치 및 그 동작 방법

Country Status (1)

Country Link
KR (1) KR102593563B1 (ko)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012518846A (ja) * 2009-02-19 2012-08-16 パナソニック株式会社 異常挙動を予測するためのシステムおよび方法
KR101856479B1 (ko) * 2017-09-15 2018-06-19 주식회사 에프에스 전통시장 화재 예방을 위한 화재 감지 및 제어 시스템, 및 그 방법
KR102250200B1 (ko) * 2020-08-03 2021-05-10 한국과학기술정보연구원 화재모니터링장치 및 그 동작 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012518846A (ja) * 2009-02-19 2012-08-16 パナソニック株式会社 異常挙動を予測するためのシステムおよび方法
KR101856479B1 (ko) * 2017-09-15 2018-06-19 주식회사 에프에스 전통시장 화재 예방을 위한 화재 감지 및 제어 시스템, 및 그 방법
KR102250200B1 (ko) * 2020-08-03 2021-05-10 한국과학기술정보연구원 화재모니터링장치 및 그 동작 방법

Also Published As

Publication number Publication date
KR102593563B1 (ko) 2023-10-24

Similar Documents

Publication Publication Date Title
US10235231B2 (en) Anomaly fusion on temporal casualty graphs
CN106104496B (zh) 用于任意时序的不受监督的异常检测
US10914608B2 (en) Data analytic engine towards the self-management of complex physical systems
US20170132523A1 (en) Periodicity Analysis on Heterogeneous Logs
CN113518011B (zh) 异常检测方法和装置、电子设备及计算机可读存储介质
JP6374466B2 (ja) センサインタフェース装置、測定情報通信システム、測定情報通信方法、及び測定情報通信プログラム
CA2471013A1 (en) Method and system for analyzing and predicting the behavior of systems
CN113516820B (zh) 一种火灾预警方法和预警系统
KR102300049B1 (ko) 머신러닝 기반 주파수 분석을 이용한 고장 진단 장치 및 방법
KR102416474B1 (ko) 기계학습 기반 고장 진단 장치 및 방법
CN117235653B (zh) 一种电源连接器故障实时监测方法及系统
US20230351158A1 (en) Apparatus, system and method for detecting anomalies in a grid
Silva et al. Assets predictive maintenance using convolutional neural networks
Pan et al. Cognitive acoustic analytics service for Internet of Things
CN114492629A (zh) 异常检测方法、装置、电子设备及存储介质
WO2008127539A1 (en) Machine condition monitoring using discontinuity detection
CN114978877A (zh) 一种异常处理方法、装置、电子设备及计算机可读介质
CN117388893B (zh) 一种基于gps的多设备定位系统
CN110490132B (zh) 数据处理方法和装置
KR20230071456A (ko) 화재발생모니터링장치 및 그 동작 방법
KR102250200B1 (ko) 화재모니터링장치 및 그 동작 방법
KR102417675B1 (ko) 재난위기수준표출장치 및 그 동작 방법
KR20220014748A (ko) 화재모니터링장치 및 그 동작 방법
CN117454315B (zh) 人机终端画面数据交互方法及系统
CN117648632B (zh) 光纤振动异常识别方法、装置、设备及计算机程序产品

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant