KR20230077434A - Apparatus for air quality management at construction sites based on Particulate Matter concentration correction and method therefor - Google Patents

Apparatus for air quality management at construction sites based on Particulate Matter concentration correction and method therefor Download PDF

Info

Publication number
KR20230077434A
KR20230077434A KR1020210164697A KR20210164697A KR20230077434A KR 20230077434 A KR20230077434 A KR 20230077434A KR 1020210164697 A KR1020210164697 A KR 1020210164697A KR 20210164697 A KR20210164697 A KR 20210164697A KR 20230077434 A KR20230077434 A KR 20230077434A
Authority
KR
South Korea
Prior art keywords
learning
fine dust
information
dust information
input data
Prior art date
Application number
KR1020210164697A
Other languages
Korean (ko)
Inventor
이준성
박영현
Original Assignee
에스케이플래닛 주식회사
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 에스케이플래닛 주식회사 filed Critical 에스케이플래닛 주식회사
Priority to KR1020210164697A priority Critical patent/KR20230077434A/en
Publication of KR20230077434A publication Critical patent/KR20230077434A/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Algebra (AREA)
  • Primary Health Care (AREA)
  • Combustion & Propulsion (AREA)
  • Marketing (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Economics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

According to the present invention, a method for managing air quality comprises the steps in which: a sensor unit measures a fine-dust concentration at a construction site to generate fine-dust information, and measures the weather at the construction site to generate weather information; a correction unit performs an operation in which weights between a plurality of layers are applied, on input data including the fine-dust information and the weather information through a correction model trained to correct the fine-dust information, thereby deriving corrected fine-dust information obtained by correcting the fine-dust information; and a driving unit controls that a dust suppression device at the construction site suppresses dust according to the corrected fine-dust information. Therefore, the method can manage air quality with higher accuracy.

Description

미세먼지농도 보정 기반의 공사 현장의 공기질 관리를 위한 장치 및 이를 위한 방법{Apparatus for air quality management at construction sites based on Particulate Matter concentration correction and method therefor}Apparatus for air quality management at construction sites based on Particulate Matter concentration correction and method therefor}

본 발명은 공사 현장의 공기질 관리를 위한 기술에 관한 것으로, 더욱 상세하게는, 미세먼지농도 보정 기반의 공사 현장의 공기질 관리를 위한 장치 및 이를 위한 방법에 관한 것이다. The present invention relates to a technology for managing air quality at a construction site, and more particularly, to an apparatus and method for managing air quality at a construction site based on fine dust concentration correction.

먼지는 대기 중에 떠다니거나 흩날려 내려오는 입자상 물질을 말하며, 입자의 크기가 작을수록 폐에 대한 악영향이 증가하는 것으로 알려져 있다. 대기 중 먼지 농도를 나타내는 통상적인 표현방법으로는 TSP(Total suspended Particles), PM(Particulate Metter)10, PM2.5 등이 있다. 총부유분진(TSP)은 통상적으로 50μm 이하의 모든 부유 먼지를 말한다. 입자의 크기가 10μm이상인 경우에는 도시미관에 영향을 미치긴 하지만 인체의 건강에는 영향이 적기 때문에 90년대 후반 TSP 에서 PM-10으로 환경기준이 변경되었다. 미세먼지(PM10, Particulate Metter)는 공기 속에 고체 입자와 액체 방울이 섞여 떠다니고 있는 것을 말한다. 미세먼지(PM10)는 직경이 2.5~10㎛로, 건축 및 건물 해체, 석탄 및 석유 연소, 산업공정, 비포장도로 등에서 주로 발생한다. 미세입자(PM2.5)는 직경이 2.5㎛ 미만으로, 대부분 대기 중의 화학반응을 통해 석탄, 석유, 휘발유, 디젤, 나무의 연소, 제련소, 제철소 등에서 발생한다. Dust refers to particulate matter that floats or blows down in the air, and it is known that the smaller the particle size, the greater the adverse effect on the lungs. Typical expression methods for expressing the concentration of dust in the air include TSP (Total suspended Particles), PM (Particulate Matter) 10, and PM2.5. Total suspended dust (TSP) usually refers to all suspended dust with a size of 50 μm or less. If the particle size is 10 μm or more, it affects the aesthetics of the city, but has little effect on human health, so the environmental standard was changed from TSP to PM-10 in the late 1990s. PM10 (Particulate Matter) refers to a mixture of solid particles and liquid droplets floating in the air. Fine dust (PM10) has a diameter of 2.5 to 10㎛ and is mainly generated from construction and building demolition, coal and oil combustion, industrial processes, and unpaved roads. Fine particles (PM2.5) are less than 2.5㎛ in diameter, and are mostly generated from coal, petroleum, gasoline, diesel, wood combustion, smelters, steel mills, etc. through chemical reactions in the atmosphere.

비산(飛散) 먼지는 비산분진이라고도 하며, 일정한 배출구 없이 대기 중에 직접 배출되는 먼지를 총칭한다. 비산 먼지는 건설업이나 시멘트, 석탄, 토사 등의 업종에서 많이 발생한다. 특히 건설공사장에서 배출되는 비산 먼지는 일일 공사 작업 물량, 공법, 기상 등에 따라 다양하게 발생한다. 환경부장관은 비산 먼지의 발생 억제를 위한 시설의 설치 또는 필요한 조치를 하지 않거나 그 시설이나 조치가 적합하지 않다고 인정될 때에는 그 사업을 하는 자에 대하여 필요한 시설의 설치나 조치의 이행 또는 개선을 명할 수 있다. Scattered dust is also called scattered dust, and is a general term for dust that is directly discharged into the atmosphere without a regular outlet. Scattering dust is generated a lot in industries such as construction, cement, coal, and earth sand. Particularly, scattering dust emitted from construction sites varies according to the daily amount of construction work, construction method, and weather. When the Minister of Environment fails to install facilities or take necessary measures to control fugitive dust, or the facilities or measures are deemed inappropriate, he may order the person conducting the business to install necessary facilities or implement or improve measures. there is.

건설현장의 공기질 관리를 위해서, 관리자가 항상 현장이나 관리자 화면을 모니터링 해야 하며, 관리자의 판단에 의해서 수동으로 현장의 공기질 정정 장비들을 제어한다. 종래의 경우, 건설현장의 공기질을 광산란식 센서를 사용하기 때문에 중량법 및 베타선 흡수법 대비 공기질 모니터링 결과의 정확도가 떨어지는 실정이다. In order to manage the air quality of the construction site, the manager must always monitor the site or the manager's screen, and manually control the air quality correction equipment at the site according to the manager's judgment. In the prior art, since a light scattering sensor is used for air quality at a construction site, the accuracy of the air quality monitoring result is lower than that of the weight method and the beta ray absorption method.

한국등록특허 제2220213호 (2021년02월19일 등록)Korean Registered Patent No. 2220213 (registered on February 19, 2021)

본 발명의 목적은 센서를 통해 측정된 먼지 농도를 보정하여 보정된 먼지 농도에 따라 공사 현장의 공기질 관리를 위한 장치 및 이를 위한 방법을 제공함에 있다. An object of the present invention is to provide a device and method for managing air quality in a construction site according to the corrected dust concentration by correcting the dust concentration measured through a sensor.

본 발명의 공기질 관리를 위한 방법은 센서부가 공사 현장의 미세먼지농도를 측정하여 미세먼지정보를 생성하고, 상기 공사현장의 기상을 측정하여 기상정보를 생성하는 단계와, 보정부가 미세먼지정보를 보정하도록 학습된 보정모델을 통해 상기 미세먼지정보 및 상기 기상정보를 포함하는 입력 데이터에 대해 복수의 계층 간 가중치가 적용되는 연산을 수행하여 상기 미세먼지정보를 보정한 보정미세먼지정보를 도출하는 단계와, 구동부가 상기 보정미세먼지정보에 따라 상기 공사현장의 먼지억제장치가 먼지 억제를 수행하도록 제어하는 단계를 포함한다. The method for air quality management of the present invention includes the steps of measuring the concentration of fine dust at a construction site by a sensor unit to generate fine dust information, measuring the weather at the construction site to generate weather information, and correcting the fine dust information by a correction unit. Deriving corrected fine dust information by correcting the fine dust information by performing an operation in which weights between a plurality of layers are applied to input data including the fine dust information and the weather information through a correction model learned to and controlling, by a driving unit, the dust suppression device at the construction site to perform dust suppression according to the corrected fine dust information.

상기 방법은 상기 기상정보를 생성하는 단계 전, 학습부가 학습용 미세먼지정보 및 학습용 기상정보를 포함하는 학습용 입력 데이터와, 상기 학습용 입력 데이터에 대한 레이블인 공시미세먼지정보를 포함하는 학습용 입력 데이터를 마련하는 단계와, 상기 학습부가 상기 학습용 입력 데이터를 학습이 완료되지 않은 보정모델에 입력하는 단계와, 상기 보정모델이 상기 학습용 입력 데이터에 대해 복수의 계층 간 가중치가 적용되는 연산을 수행하여 상기 학습용 미세먼지정보를 보정한 학습용 보정미세먼지정보를 도출하는 단계와, 상기 학습부가 손실함수를 통해 학습용 보정미세먼지정보와 입력된 학습용 입력 데이터에 대한 레이블인 상기 공시미세먼지정보와의 차이를 나타내는 손실이 최소가 되도록 역전파 알고리즘을 통해 상기 학습이 완료되지 않은 보정모델의 가중치를 갱신하는 최적화를 수행하는 단계를 더 포함한다. In the method, before the step of generating the weather information, the learning unit prepares input data for learning including fine dust information for learning and meteorological information for learning, and input data for learning including public fine dust information that is a label for the input data for learning. The learning unit inputs the learning input data to a correction model for which learning has not been completed, and the correction model performs an operation in which weights between a plurality of layers are applied to the learning input data, The step of deriving the corrected fine dust information for learning by correcting the dust information, and the learning unit has a loss representing the difference between the corrected fine dust information for learning and the public fine dust information, which is a label for the input data for learning, through a loss function The method may further include performing optimization of updating the weights of the calibration model for which learning has not been completed through a backpropagation algorithm so as to be minimized.

상기 학습용 입력 데이터를 마련하는 단계는 센서부가 통해 소정 기간 동안 소정 시간 주기로 공사 현장의 미세먼지농도를 측정하여 학습용 미세먼지정보를 생성하고, 상기 공사현장의 기상을 측정하여 학습용 기상정보를 생성하는 단계와, 학습부가 상기 소정 기간과 동일한 기간 동안 상기 소정 주기와 동기되는 시간 주기로 환경정보서버에 공시된 공시미세먼지정보를 수집하는 단계와, 상기 학습부가 상기 학습용 미세먼지정보, 상기 학습용 기상정보 및 상기 공시미세먼지정보에 대해 전처리를 수행하는 단계와, 상기 학습부가 상기 학습용 미세먼지정보 및 상기 학습용 기상정보를 학습용 입력 데이터로 설정하고, 상기 공시미세먼지정보를 상기 학습용 입력 데이터에 대응하는 레이블로 설정하여 학습 데이터를 마련하는 단계를 포함한다. The step of preparing input data for learning includes measuring the concentration of fine dust at a construction site at a predetermined time period for a predetermined period through a sensor unit to generate fine dust information for learning, and generating weather information for learning by measuring the weather at the construction site. and collecting, by the learning unit, the fine dust information for learning, the meteorological information for learning, and the Performing pre-processing on public fine dust information, the learning unit setting the fine dust information for learning and the meteorological information for learning as input data for learning, and setting the public fine dust information as a label corresponding to the input data for learning and preparing learning data.

상기 전처리를 수행하는 단계는 상기 학습부가 상기 공시미세먼지정보에 대해 상기 학습용 미세먼지정보, 상기 학습용 기상정보의 샘플링 레이트와 동일한 샘플링 레이트로 리샘플링을 수행하는 단계와, 상기 학습부가 상기 학습용 미세먼지정보, 상기 학습용 기상정보 및 상기 공시미세먼지정보에 대해 이상치 제거, 결측치 보간, 스케일링(scaling) 및 재구조화(Reshaping) 중 적어도 하나를 수행하는 단계를 포함한다. The performing of the preprocessing may include performing resampling by the learning unit on the public fine dust information at a sampling rate identical to the sampling rate of the fine dust information for learning and the weather information for learning, and the learning unit performing resampling of the fine dust information for learning. , performing at least one of outlier removal, missing value interpolation, scaling, and reshaping on the meteorological information for learning and the public fine dust information.

상기 보정모델의 가중치를 갱신하는 최적화를 수행하는 단계는 상기 학습부가 손실 함수

Figure pat00001
에 따라 산출되는 손실이 최소가 되도록 역전파 알고리즘을 통해 상기 진단망의 가중치를 갱신하며, 상기 CE는 학습용 보정미세먼지정보와 레이블인 공시미세먼지정보의 차이를 나타내는 손실이고, 상기 Lx는 레이블인 공시미세먼지정보이며, 상기 Sx는 학습용 보정미세먼지정보인 것을 특징으로 한다. The step of performing optimization of updating the weights of the correction model is a loss function by the learning unit.
Figure pat00001
The weights of the diagnostic network are updated through a backpropagation algorithm so that the loss calculated according to is minimized, the CE is a loss representing the difference between the corrected fine dust information for learning and the public fine dust information that is a label, and the Lx is a label. It is public fine dust information, and the Sx is characterized in that it is corrected fine dust information for learning.

본 발명의 공기질 관리를 위한 장치는 공사 현장의 미세먼지농도를 측정하여 미세먼지정보를 생성하고, 상기 공사현장의 기상을 측정하여 기상정보를 생성하는 센서부와, 미세먼지정보를 보정하도록 학습된 보정모델을 통해 상기 미세먼지정보 및 상기 기상정보를 포함하는 입력 데이터에 대해 복수의 계층 간 가중치가 적용되는 연산을 수행하여 상기 미세먼지정보를 보정한 보정미세먼지정보를 도출하는 보정부와, 상기 보정미세먼지정보에 따라 상기 공사현장의 먼지억제장치가 먼지 억제를 수행하도록 제어하는 구동부를 포함한다. An apparatus for air quality management of the present invention measures the concentration of fine dust at a construction site to generate fine dust information, measures the weather at the construction site to generate weather information, and learns to correct the fine dust information. A correction unit for deriving corrected fine dust information obtained by correcting the fine dust information by performing an operation in which weights between a plurality of layers are applied to input data including the fine dust information and the weather information through a correction model; and a driving unit for controlling the dust suppression device of the construction site to perform dust suppression according to corrected fine dust information.

상기 장치는 학습용 미세먼지정보 및 학습용 기상정보를 포함하는 학습용 입력 데이터와, 상기 학습용 입력 데이터에 대한 레이블인 공시미세먼지정보를 포함하는 학습 데이터를 마련하고, 상기 학습용 입력 데이터를 학습이 완료되지 않은 보정모델에 입력하여 상기 보정모델이 상기 학습용 입력 데이터에 대해 복수의 계층 간 가중치가 적용되는 연산을 수행하여 상기 학습용 미세먼지정보를 보정한 학습용 보정미세먼지정보를 도출하면, 손실함수를 통해 학습용 보정미세먼지정보와 입력된 학습용 입력 데이터에 대한 레이블인 상기 공시미세먼지정보와의 차이를 나타내는 손실이 최소가 되도록 역전파 알고리즘을 통해 상기 학습이 완료되지 않은 보정모델의 가중치를 갱신하는 최적화를 수행하는 학습부를 더 포함한다. The device prepares learning input data including fine dust information for learning and meteorological information for learning, and learning data including public fine dust information that is a label for the learning input data, and sets the learning input data to those whose learning has not been completed. When the correction model derives corrected fine dust information for learning obtained by correcting the fine dust information for learning by performing an operation in which weights between a plurality of layers are applied to the input data for learning, the correction model for learning is corrected through a loss function. Optimization to update the weight of the calibration model whose learning has not been completed through a backpropagation algorithm so that the loss representing the difference between the fine dust information and the public fine dust information, which is a label for the input data for learning, is minimized Further includes a learning unit.

상기 센서부는 통해 소정 기간 동안 소정 시간 주기로 공사 현장의 미세먼지농도를 측정하여 학습용 미세먼지정보를 생성하고, 상기 공사현장의 기상을 측정하여 학습용 기상정보를 생성할 수 있다. 이때, 상기 학습부는 상기 소정 기간과 동일한 기간 동안 상기 소정 주기와 동기되는 시간 주기로 환경정보서버에 공시된 공시미세먼지정보를 수집하고, 상기 학습용 미세먼지정보, 상기 학습용 기상정보 및 상기 공시미세먼지정보에 대해 전처리를 수행하고, 상기 학습용 미세먼지정보 및 상기 학습용 기상정보를 학습용 입력 데이터로 설정하고, 상기 공시미세먼지정보를 상기 학습용 입력 데이터에 대응하는 레이블로 설정하여 학습 데이터를 마련하는 것을 특징으로 한다. Through the sensor unit, the concentration of fine dust at a construction site is measured at a predetermined time period for a predetermined period of time to generate fine dust information for learning, and weather information for learning can be generated by measuring the weather at the construction site. At this time, the learning unit collects public fine dust information announced to the environment information server at a time period synchronized with the predetermined period during the same period as the predetermined period, and collects the fine dust information for learning, the meteorological information for learning, and the public fine dust information. Performing preprocessing for , setting the fine dust information for learning and the meteorological information for learning as input data for learning, and setting the public fine dust information as a label corresponding to the input data for learning to prepare learning data. do.

상기 학습부는 상기 공시미세먼지정보에 대해 상기 학습용 미세먼지정보, 상기 학습용 기상정보의 샘플링 레이트와 동일한 샘플링 레이트로 리샘플링을 수행하고, 상기 학습용 미세먼지정보, 상기 학습용 기상정보 및 상기 공시미세먼지정보에 대해 이상치 제거, 결측치 보간, 스케일링(scaling) 및 재구조화(Reshaping) 중 적어도 하나를 수행하는 것을 특징으로 한다. The learning unit performs resampling on the public fine dust information at the same sampling rate as the sampling rate of the fine dust information for learning and the weather information for learning, and performs resampling on the fine dust information for learning, the weather information for learning, and the public fine dust information. It is characterized by performing at least one of outlier removal, missing value interpolation, scaling, and reshaping for

상기 학습부는 손실 함수

Figure pat00002
에 따라 산출되는 손실이 최소가 되도록 역전파 알고리즘을 통해 상기 진단망의 가중치를 갱신하며, 상기 CE는 학습용 보정미세먼지정보와 레이블인 공시미세먼지정보의 차이를 나타내는 손실이고, 상기 Lx는 레이블인 공시미세먼지정보이며, 상기 Sx는 학습용 보정미세먼지정보인 것을 특징으로 한다. The learning part is a loss function
Figure pat00002
The weights of the diagnostic network are updated through a backpropagation algorithm so that the loss calculated according to is minimized, the CE is a loss representing the difference between the corrected fine dust information for learning and the public fine dust information that is a label, and the Lx is a label. It is public fine dust information, and the Sx is characterized in that it is corrected fine dust information for learning.

본 발명에 따르면, 공공 기관에서 공시하는 공시미세먼지정보를 이용하여 보정모델을 학습시키고, 학습된 보정모델을 이용하여 광산란식 센서를 통해 측정된 공사 현장의 미세먼지농도의 측정값인 미세먼지정보를 보정하고, 이를 이용하여 공기질을 관리함으로써 보다 높은 정확도로 공기질을 관리할 수 있다. According to the present invention, a correction model is learned using publicly announced fine dust information announced by public institutions, and fine dust information, which is a measurement value of the concentration of fine dust at a construction site measured through a light scattering sensor using the learned correction model It is possible to manage air quality with higher accuracy by correcting and using this to manage air quality.

도 1은 본 발명의 실시예에 따른 미세먼지농도 보정 기반의 공사 현장의 공기질 관리를 위한 시스템을 설명하기 위한 도면이다.
도 2는 본 발명의 실시예에 따른 공기질관리장치의 구성을 설명하기 위한 블록도이다.
도 3은 본 발명의 실시예에 따른 공기질관리장치의 세부적인 구성을 설명하기 위한 블록도이다.
도 4는 본 발명의 실시예에 따른 보정모델(CM)을 생성하기 위한 학습 데이터를 마련하는 방법을 설명하기 위한 흐름도이다.
도 5는 본 발명의 실시예에 따른 미세먼지정보를 보정하여 보정미세먼지정보를 산출하도록 보정모델을 학습시키는 방법을 설명하기 위한 흐름도이다.
도 6은 본 발명의 실시예에 따른 미세먼지농도 보정 기반의 공사 현장의 공기질 관리를 위한 방법을 설명하기 위한 흐름도이다.
도 7은 본 발명의 일 실시예에 따른 미세먼지농도 보정 기반의 공사 현장의 공기질 관리를 위한 장치의 제어부를 구현하기 위한 하드웨어 시스템의 예시도이다.1 is a diagram for explaining a system for air quality management at a construction site based on fine dust concentration correction according to an embodiment of the present invention.
2 is a block diagram for explaining the configuration of an air quality management device according to an embodiment of the present invention.
3 is a block diagram for explaining the detailed configuration of an air quality management device according to an embodiment of the present invention.
4 is a flowchart illustrating a method of preparing learning data for generating a correction model (CM) according to an embodiment of the present invention.
5 is a flowchart illustrating a method of learning a correction model to calculate corrected fine dust information by correcting fine dust information according to an embodiment of the present invention.
6 is a flowchart illustrating a method for air quality management at a construction site based on fine dust concentration correction according to an embodiment of the present invention.
7 is an exemplary diagram of a hardware system for implementing a control unit of a device for managing air quality at a construction site based on fine dust concentration correction according to an embodiment of the present invention.

본 발명의 과제 해결 수단의 특징 및 이점을 보다 명확히 하기 위하여, 첨부된 도면에 도시된 본 발명의 특정 실시 예를 참조하여 본 발명을 더 상세하게 설명한다. In order to clarify the characteristics and advantages of the problem solving means of the present invention, the present invention will be described in more detail with reference to specific embodiments of the present invention shown in the accompanying drawings.

다만, 하기의 설명 및 첨부된 도면에서 본 발명의 요지를 흐릴 수 있는 공지 기능 또는 구성에 대한 상세한 설명은 생략한다. 또한, 도면 전체에 걸쳐 동일한 구성 요소들은 가능한 한 동일한 도면 부호로 나타내고 있음에 유의하여야 한다. However, detailed descriptions of well-known functions or configurations that may obscure the gist of the present invention will be omitted in the following description and accompanying drawings. In addition, it should be noted that the same components are indicated by the same reference numerals throughout the drawings as much as possible.

이하의 설명 및 도면에서 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정해서 해석되어서는 아니 되며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위한 용어의 개념으로 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다. 따라서 본 명세서에 기재된 실시 예와 도면에 도시된 구성은 본 발명의 가장 바람직한 일 실시 예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다. The terms or words used in the following description and drawings should not be construed as being limited to a common or dictionary meaning, and the inventor may appropriately define the concept of terms for explaining his/her invention in the best way. It should be interpreted as a meaning and concept consistent with the technical idea of the present invention based on the principle that there is. Therefore, the embodiments described in this specification and the configurations shown in the drawings are only one of the most preferred embodiments of the present invention, and do not represent all of the technical ideas of the present invention. It should be understood that there may be equivalents and variations.

또한, 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하기 위해 사용하는 것으로, 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용될 뿐, 상기 구성요소들을 한정하기 위해 사용되지 않는다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제2 구성요소는 제1 구성요소로 명명될 수 있고, 유사하게 제1 구성요소도 제2 구성요소로 명명될 수 있다. In addition, terms including ordinal numbers, such as first and second, are used to describe various components, and are used only for the purpose of distinguishing one component from other components, and to limit the components. Not used. For example, a second element may be termed a first element, and similarly, a first element may be termed a second element, without departing from the scope of the present invention.

더하여, 어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급할 경우, 이는 논리적 또는 물리적으로 연결되거나, 접속될 수 있음을 의미한다. 다시 말해, 구성요소가 다른 구성요소에 직접적으로 연결되거나 접속되어 있을 수 있지만, 중간에 다른 구성요소가 존재할 수도 있으며, 간접적으로 연결되거나 접속될 수도 있다고 이해되어야 할 것이다. Additionally, when an element is referred to as being “connected” or “connected” to another element, it means that it is logically or physically connected or capable of being connected. In other words, it should be understood that a component may be directly connected or connected to another component, but another component may exist in the middle, or may be indirectly connected or connected.

또한, 본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, 본 명세서에서 기술되는 "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. In addition, terms used in this specification are only used to describe specific embodiments, and are not intended to limit the present invention. Singular expressions include plural expressions unless the context clearly dictates otherwise. In addition, terms such as "include" or "having" described in this specification are intended to designate that there is a feature, number, step, operation, component, part, or combination thereof described in the specification, but one or the It should be understood that the above does not preclude the possibility of the presence or addition of other features, numbers, steps, operations, components, parts, or combinations thereof.

또한, 명세서에 기재된 "…부", "…기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. In addition, terms such as “… unit”, “… unit”, and “module” described in the specification mean a unit that processes at least one function or operation, which may be implemented as hardware or software or a combination of hardware and software. there is.

또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사어는 본 발명을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다. Also, "a or an", "one", "the" and similar words in the context of describing the invention (particularly in the context of the claims below) indicate otherwise in this specification. may be used in the sense of including both the singular and the plural, unless otherwise clearly contradicted by the context.

아울러, 본 발명의 범위 내의 실시 예들은 컴퓨터 실행가능 명령어 또는 컴퓨터 판독가능 매체에 저장된 데이터 구조를 가지거나 전달하는 컴퓨터 판독가능 매체를 포함한다. 이러한 컴퓨터 판독가능 매체는, 범용 또는 특수 목적의 컴퓨터 시스템에 의해 액세스 가능한 임의의 이용 가능한 매체일 수 있다. 예로서, 이러한 컴퓨터 판독가능 매체는 RAM, ROM, EPROM, CD-ROM 또는 기타 광 디스크 저장장치, 자기 디스크 저장장치 또는 기타 자기 저장장치, 또는 컴퓨터 실행가능 명령어, 컴퓨터 판독가능 명령어 또는 데이터 구조의 형태로 된 소정의 프로그램 코드 수단을 저장하거나 전달하는 데에 이용될 수 있고, 범용 또는 특수 목적 컴퓨터 시스템에 의해 액세스 될 수 있는 임의의 기타 매체와 같은 물리적 저장 매체를 포함할 수 있지만, 이에 한정되지 않는다. In addition, embodiments within the scope of the present invention include computer-readable media having or conveying computer-executable instructions or data structures stored thereon. Such computer readable media can be any available media that can be accessed by a general purpose or special purpose computer system. By way of example, such computer readable media may be in the form of RAM, ROM, EPROM, CD-ROM or other optical disk storage, magnetic disk storage or other magnetic storage, or computer executable instructions, computer readable instructions or data structures. physical storage media such as, but not limited to, any other medium that can be used to store or convey any program code means in a computer system and which can be accessed by a general purpose or special purpose computer system. .

이하의 설명 및 특허 청구 범위에서, "네트워크"는 컴퓨터 시스템들 및/또는 모듈들 간의 전자 데이터를 전송할 수 있게 하는 하나 이상의 데이터 링크로서 정의된다. 정보가 네트워크 또는 다른 (유선, 무선, 또는 유선 또는 무선의 조합인) 통신 접속을 통하여 컴퓨터 시스템에 전송되거나 제공될 때, 이 접속은 컴퓨터-판독가능매체로서 이해될 수 있다. 컴퓨터 판독가능 명령어는, 예를 들면, 범용 컴퓨터 시스템 또는 특수 목적 컴퓨터 시스템이 특정 기능 또는 기능의 그룹을 수행하도록 하는 명령어 및 데이터를 포함한다. 컴퓨터 실행가능 명령어는, 예를 들면, 어셈블리어, 또는 심지어는 소스코드와 같은 이진, 중간 포맷 명령어일 수 있다. In the following description and claims, a "network" is defined as one or more data links that enable the transfer of electronic data between computer systems and/or modules. When information is transmitted or provided to a computer system over a network or other (wired, wireless, or combination of wired or wireless) communication connection, the connection may be understood as a computer-readable medium. Computer readable instructions include, for example, instructions and data that cause a general purpose or special purpose computer system to perform a particular function or group of functions. Computer executable instructions may be, for example, binary, intermediate format instructions, such as assembly language, or even source code.

아울러, 본 발명은 퍼스널 컴퓨터, 랩탑 컴퓨터, 핸드헬드 장치, 멀티프로세서 시스템, 마이크로프로세서-기반 또는 프로그램 가능한 가전제품(programmable consumer electronics), 네트워크 PC, 미니컴퓨터, 메인프레임 컴퓨터, 모바일 전화, PDA, 페이저(pager) 등을 포함하는 다양한 유형의 컴퓨터 시스템 구성을 가지는 네트워크 컴퓨팅 환경에서 적용될 수 있다. 본 발명은 또한 네트워크를 통해 유선 데이터 링크, 무선 데이터 링크, 또는 유선 및 무선 데이터 링크의 조합으로 링크된 로컬 및 원격 컴퓨터 시스템 모두가 태스크를 수행하는 분산형 시스템 환경에서 실행될 수 있다. 분산형 시스템 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치에 위치될 수 있다. In addition, the present invention relates to personal computers, laptop computers, handheld devices, multiprocessor systems, microprocessor-based or programmable consumer electronics, network PCs, minicomputers, mainframe computers, mobile phones, PDAs, pagers It can be applied in a network computing environment having various types of computer system configurations including (pager) and the like. The invention may also be practiced in distributed system environments where tasks are performed by both local and remote computer systems linked by wired data links, wireless data links, or a combination of wired and wireless data links through a network. In a distributed system environment, program modules may be located in local and remote memory storage devices.

먼저, 본 발명의 실시예에 따른 미세먼지농도 보정 기반의 공사 현장의 공기질 관리를 위한 시스템에 대해서 설명하기로 한다. 도 1은 본 발명의 실시예에 따른 미세먼지농도 보정 기반의 공사 현장의 공기질 관리를 위한 시스템을 설명하기 위한 도면이다. First, a system for air quality management at a construction site based on fine dust concentration correction according to an embodiment of the present invention will be described. 1 is a diagram for explaining a system for air quality management at a construction site based on fine dust concentration correction according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 실시예에 따른 시스템은 공기질관리장치(10), 먼지억제장치(20), 관제서버(30), 환경정보서버(40), 관리자장치(50)를 포함한다. Referring to FIG. 1 , the system according to an embodiment of the present invention includes an air quality management device 10, a dust suppression device 20, a control server 30, an environment information server 40, and a manager device 50. .

공기질관리장치(10)는 공사 현장(CI)의 미세먼지농도를 측정하여 미세먼지정보를 생성하기 위한 하고, 공사 현장(CI)의 온도, 기온, 습도, 기압, 풍향, 풍속 등의 기상을 측정하여 기상정보를 생성한 후, 학습된 회귀 모델인 보정모델(CM)을 통해 미세먼지정보를 보정하여 보정미세먼지정보를 도출한다. 공기질관리장치(10)는 환경정보서버(40)로부터 크롤링(Crawling)을 통해 공시된 공시미세먼지정보를 수집하고, 수집된 공시미세먼지정보를 이용하여 보정모델(CM)을 학습시킬 수 있다. 그리고 보정미세먼지정보에 따라 공사현장(CI)의 먼지억제장치(20)를 제어한다. 본 발명의 실시예에 따른 공기질관리장치(10)는 IoT(Internet of Things) 장치가 될 수 있고, 통신 기능을 포함한다. 이에 따라, 공기질관리장치(10)는 도시 되지는 않았지만, 액세스 네트워크를 통해 코어 네트워크에 접속하여 관제서버(30) 및 환경정보서버(40)와 통신할 수 있다. The air quality management device 10 measures the concentration of fine dust at the construction site (CI) to generate fine dust information, and measures weather such as temperature, temperature, humidity, atmospheric pressure, wind direction, and wind speed at the construction site (CI). After generating the meteorological information, the fine dust information is corrected through the learned regression model, the correction model (CM), to derive the corrected fine dust information. The air quality management device 10 may collect publicly announced fine dust information from the environmental information server 40 through crawling, and learn a correction model (CM) using the collected public fine dust information. In addition, the dust suppression device 20 of the construction site (CI) is controlled according to the corrected fine dust information. The air quality management device 10 according to an embodiment of the present invention may be an Internet of Things (IoT) device and includes a communication function. Accordingly, although not shown, the air quality management device 10 may communicate with the control server 30 and the environment information server 40 by accessing the core network through the access network.

먼지억제장치(20)는 공사 현장 전역에 물을 분사하여 분사되는 물로 하여금 먼지를 흡착하여 먼지를 억제하기 위한 것이다. 대표적으로, 먼지억제장치(20)는 살수기를 예시할 수 있다. 먼지억제장치(20)는 공기질관리장치(10)의 제어에 따라 공사 현장 전역에 물방울 형태로 물을 분사하여 먼지를 억제시킨다. 또한, 먼지억제장치(20)는 공기질관리장치(10)의 제어에 따라 물의 분사를 중단할 수 있다. 본 발명의 실시예에 따른 먼지억제장치(20)는 IoT(Internet of Things) 장치가 될 수 있고, 통신 기능을 포함한다. 이에 따라, 먼지억제장치(20)는 공기질관리장치(10)와 통신할 수 있다. The dust suppression device 20 is for suppressing dust by spraying water on the entire construction site and adsorbing dust by the sprayed water. Representatively, the dust suppression device 20 may exemplify a water sprinkler. The dust suppression device 20 suppresses dust by spraying water in the form of water droplets throughout the construction site under the control of the air quality management device 10 . In addition, the dust suppression device 20 may stop spraying water according to the control of the air quality management device 10 . The dust suppression device 20 according to an embodiment of the present invention may be an IoT (Internet of Things) device and includes a communication function. Accordingly, the dust suppression device 20 may communicate with the air quality management device 10 .

관제서버(30)는 기본적으로, 공기질관리장치(10)를 관리하기 위한 것이다. 관제서버(30)는 공기질관리장치(10)로부터 공사현장(CI)의 미세먼지정보 및 보정미세먼지정보를 수신하고, 수신된 공사현장(CI)의 미세먼지정보 및 보정미세먼지정보를 관리자장치(50)에 제공할 수 있다. The control server 30 is basically for managing the air quality management device 10 . The control server 30 receives fine dust information and corrected fine dust information of the construction site (CI) from the air quality management device 10, and transmits the received fine dust information and corrected fine dust information of the construction site (CI) to the manager device (50) can be provided.

환경정보서버(40)는 복수의 권역 별로 설치된 복수의 미세먼지 센서로부터 수집된 미세먼지(Particulate Metter: PM) 농도를 복수의 권역 별로 나타내는 공시미세먼지정보를 소정의 웹 페이지인 미세먼지정보공개 페이지에 공시할 수 있다. 따라서 공기질관리장치(10)는 환경정보서버(40)에 접속하여 크롤링(Crawling)을 통해 공시된 공시미세먼지정보를 수집할 수 있다. 예를 들면, 환경정보서버(40)는 한국환경공단에서 운영하는 서버(www.airkorea.or.kr)가 될 수 있다. The environmental information server 40 provides public fine dust information indicating the concentration of particulate metter (PM) collected from a plurality of fine dust sensors installed in a plurality of regions by a plurality of regions to a predetermined web page, a fine dust information disclosure page. may be published on Accordingly, the air quality management device 10 may access the environment information server 40 and collect publicly announced fine dust information through crawling. For example, the environmental information server 40 may be a server (www.airkorea.or.kr) operated by the Korea Environment Corporation.

관리자장치(50)는 공사 현장에 대한 관리 책임이 있는 관리자가 사용하는 장치이다. 관리자장치(50)는 스마트폰, 태블릿, 패블릿 등을 예시할 수 있다. 관리자장치(50)는 관제서버(30)로부터 공기질관리장치(10)가 제공한 공사현장(CI)의 미세먼지정보 및 보정미세먼지정보를 수신하고, 이를 표시함으로써, 관리자가 지속적으로 공사현장의 미세먼지농도의 상태를 모니터링할 수 있도록 한다. The manager device 50 is a device used by a manager responsible for managing a construction site. The manager device 50 may exemplify a smart phone, a tablet, a phablet, and the like. The manager device 50 receives the fine dust information and corrected fine dust information of the construction site (CI) provided by the air quality management device 10 from the control server 30 and displays them, so that the manager continuously monitors the construction site. It is possible to monitor the state of fine dust concentration.

다음으로, 본 발명의 실시예에 따른 공기질관리장치(10)의 구성에 대해 보다 상세하게 설명하기로 한다. 도 2는 본 발명의 실시예에 따른 공기질관리장치의 구성을 설명하기 위한 블록도이다. 도 3은 본 발명의 실시예에 따른 공기질관리장치의 세부적인 구성을 설명하기 위한 블록도이다. Next, the configuration of the air quality management device 10 according to an embodiment of the present invention will be described in more detail. 2 is a block diagram for explaining the configuration of an air quality management device according to an embodiment of the present invention. 3 is a block diagram for explaining the detailed configuration of an air quality management device according to an embodiment of the present invention.

먼저, 도 2를 참조하면, 본 발명의 실시예에 따른 관제서버(30)는 통신부(11), 센서부(12), 저장부(13) 및 제어부(14)를 포함한다. First, referring to FIG. 2 , the control server 30 according to an embodiment of the present invention includes a communication unit 11, a sensor unit 12, a storage unit 13 and a control unit 14.

통신부(11)은 먼지억제장치(20), 관제서버(30) 및 환경정보서버(40)와 통신하기 위한 것이다. 통신부(11)은 네트워크를 통해 데이터를 송수신하기 위해 송신되는 신호를 변조하고, 수신되는 신호를 복조하는 모뎀(modem)을 포함할 수 있다. 이러한 통신부(11)은 제어부(14)로부터 전달받은 데이터를 네트워크를 통해 다른 장치로 전송할 수 있다. 또한, 통신부(11)은 네트워크를 통해 다른 장치로부터 수신된 데이터를 제어부(14)로 전달할 수 있다. The communication unit 11 is for communicating with the dust suppression device 20, the control server 30, and the environment information server 40. The communication unit 11 may include a modem that modulates a transmitted signal and demodulates a received signal in order to transmit and receive data through a network. The communication unit 11 may transmit data received from the control unit 14 to another device through a network. Also, the communication unit 11 may transfer data received from another device to the control unit 14 through a network.

센서부(12)는 복수의 센서를 포함한다. 이러한 복수의 센서는 공사 현장(CI)의 미세먼지농도를 측정하여 미세먼지정보를 생성하기 위한 미세먼지센서, 공사 현장(CI)의 온도, 기온, 습도, 기압, 풍향, 풍속 등의 기상을 측정하여 기상정보를 생성하기 위한 복수의 기상정보센서를 포함한다. 특히, 미세먼지센서는 광산란식 센서가 될 수 있다. The sensor unit 12 includes a plurality of sensors. These multiple sensors measure the fine dust concentration of the construction site (CI) to generate fine dust information, measure the weather such as temperature, temperature, humidity, atmospheric pressure, wind direction, and wind speed of the construction site (CI) and a plurality of weather information sensors for generating weather information. In particular, the fine dust sensor may be a light scattering sensor.

저장부(13)는 공기질관리장치(10)의 동작에 필요한 프로그램 및 데이터를 저장하는 역할을 수행한다. 예컨대, 저장부(13)는 센서부(12)가 측정한 미세먼지정보(학습용 미세먼지정보), 기상정보(학습용 기상정보) 등을 누적하여 저장할 수 있다. 또한, 저장부(13)은 환경정보서버(40)로부터 수집된 공시미세먼지정보를 누적하여 저장할 수 있다. 저장부(13)에 저장되는 각 종 데이터는 관리자의 조작에 따라 등록, 삭제, 변경, 추가될 수 있다. The storage unit 13 serves to store programs and data necessary for the operation of the air quality management device 10 . For example, the storage unit 13 may accumulate and store fine dust information (fine dust information for learning) and weather information (meteorological information for learning) measured by the sensor unit 12 . In addition, the storage unit 13 may accumulate and store publicly announced fine dust information collected from the environment information server 40 . Various kinds of data stored in the storage unit 13 can be registered, deleted, changed, or added according to the manager's manipulation.

제어부(14)는 공기질관리장치(10)의 전반적인 동작 및 공기질관리장치(10)의 내부 블록들 간 신호 흐름을 제어하고, 데이터를 처리하는 데이터 처리 기능을 수행할 수 있다. 제어부(14)은 중앙처리장치(central processing unit), 이미지 프로세서(Image processor) 혹은 GPU(Graphic Processing Unit), 디지털신호처리기(digital signal processor) 등이 될 수 있다. 이러한 제어부(14)은 도 3에 도시된 바와 같이, 학습부(100), 보정부(200) 및 구동부(300)를 포함한다. The control unit 14 may control the overall operation of the air quality management device 10 and signal flow between internal blocks of the air quality management device 10, and may perform a data processing function of processing data. The controller 14 may be a central processing unit, an image processor, a graphics processing unit (GPU), or a digital signal processor. As shown in FIG. 3 , the control unit 14 includes a learning unit 100, a correcting unit 200, and a driving unit 300.

학습부(100)는 학습부(100)는 보정모델(CM)을 생성하기 위한 것이다. 학습부(100)는 학습을 통해 보정모델(CM)을 생성한 후, 생성된 보정모델(CM)을 보정부(200)에 제공한다. The learning unit 100 is for generating a correction model (CM). After the learning unit 100 generates a correction model (CM) through learning, the generated correction model (CM) is provided to the correction unit 200 .

생성 방식에 따르면, 보정모델(CM)은 학습(Machine Learning/Deep Learning)에 의해 생성되는 학습 모델(Machine Learning Model/Deep Learning Model)이 될 수 있다. 또한, 보정모델(CM)은 변수의 관점에 따르면, 회귀 모델(Regression Model)이 될 수 있다. 특히, 보정모델(CM)은 입력되는 미세먼지정보 및 기상정보를 기초로 미세먼지정보를 보정한 보정미세먼지정보를 생성하는 생성형 네트워크가 될 수 있다. 검출모델(DM)은 RBM(Restricted Boltzmann Machine), AE(Auto-Encoder), GAN(Generative Adversarial Network) 등을 예시할 수 있다. 이러한 보정모델(CM)은 복수의 계층을 포함한다. 또한, 복수의 계층 각각은 복수의 연산을 포함한다. 또한, 복수의 계층 간은 가중치로 연결된다. 이에 따라, 보정모델(CM)에 미세먼지정보 및 기상정보를 포함하는 입력 데이터가 입력되면, 검출모델(DM)은 복수의 계층 간 가중치가 적용되는 복수의 연산을 수행하여 미세먼지정보를 보정한 보정미세먼지정보를 도출한다. 여기서, 복수의 계층은 완전연결계층(Fully-connected layer), 컨벌루션계층(Convolutional layer), 순환계층(Recurrent layer), 그래프계층(Graph layer) 중 하나 이상의 조합을 포함한다. According to the generation method, the correction model (CM) may be a learning model (Machine Learning Model/Deep Learning Model) generated by learning (Machine Learning/Deep Learning). In addition, the correction model (CM) may be a regression model according to the viewpoint of variables. In particular, the correction model (CM) may be a generation type network that generates corrected fine dust information by correcting fine dust information based on input fine dust information and meteorological information. The detection model DM may be a Restricted Boltzmann Machine (RBM), an Auto-Encoder (AE), or a Generative Adversarial Network (GAN). This correction model (CM) includes a plurality of layers. Also, each of the plurality of layers includes a plurality of operations. In addition, a plurality of layers are connected by weights. Accordingly, when input data including fine dust information and meteorological information is input to the correction model (CM), the detection model (DM) corrects the fine dust information by performing a plurality of calculations to which weights between a plurality of layers are applied. Derive corrected fine dust information. Here, the plurality of layers include a combination of one or more of a fully-connected layer, a convolutional layer, a recurrent layer, and a graph layer.

보정부(200)는 학습이 완료된 보정모델(CM)을 이용하여 미세먼지정보를 보정한 보정미세먼지정보를 도출한다. The correction unit 200 derives corrected fine dust information obtained by correcting the fine dust information using the learned correction model (CM).

구동부(300)는 보정미세먼지정보에 따라 미세먼지농도가 기 설정된 임계치 이상이면, 공사현장(CI)의 먼지억제장치(20)가 먼지 억제를 수행하도록 제어한다. The driving unit 300 controls the dust suppression device 20 of the construction site CI to perform dust suppression if the fine dust concentration is equal to or greater than a preset threshold value according to the corrected fine dust information.

전술한 학습부(100), 보정부(200) 및 구동부(300)를 포함하는 제어부(130)의 동작에 대해서는 아래에서 더 상세하게 설명될 것이다. Operations of the control unit 130 including the above-described learning unit 100, correcting unit 200, and driving unit 300 will be described in more detail below.

다음으로, 본 발명의 실시예에 따른 보정모델(CM)을 생성하기 위한 학습 데이터를 마련하는 방법에 대해서 설명하기로 한다. 도 4는 본 발명의 실시예에 따른 보정모델(CM)을 생성하기 위한 학습 데이터를 마련하는 방법을 설명하기 위한 흐름도이다. Next, a method of preparing learning data for generating a correction model (CM) according to an embodiment of the present invention will be described. 4 is a flowchart illustrating a method of preparing learning data for generating a correction model (CM) according to an embodiment of the present invention.

도 4를 참조하면, 센서부(12)는 학습부(100)의 제어에 따라 S110 단계에서 공사 현장의 미세먼지농도를 측정하여 학습용 미세먼지정보를 생성하고, 상기 공사현장의 기상을 측정하여 학습용 기상정보를 생성한다. 이때, 학습부(100)는 S120 단계에서 통신부(11)를 통해 학습용 미세먼지정보 및 환경정보서버에 공시된 공시미세먼지정보를 수집한다. 전술한 S110 단계 및 S120 단계는 동일한 기간 동안 동일한 시간 주기로 이루어진다. Referring to FIG. 4 , the sensor unit 12 generates fine dust information for learning by measuring the concentration of fine dust at the construction site in step S110 under the control of the learning unit 100, and measures the weather at the construction site for learning. generate weather information. At this time, the learning unit 100 collects the fine dust information for learning and the public fine dust information announced to the environment information server through the communication unit 11 in step S120. The aforementioned steps S110 and S120 are performed at the same time period during the same period.

전술한 바에 따라 복수의 학습용 미세먼지정보 및 복수의 학습용 기상정보와, 이에 대응하는 복수의 공시미세먼지정보가 수집되면, 학습부(100)는 S130 단계에서 학습용 미세먼지정보, 학습용 기상정보 및 공시미세먼지정보에 대해 전처리를 수행한다. As described above, when a plurality of fine dust information for learning, a plurality of meteorological information for learning, and a plurality of publicly announced fine dust information corresponding thereto are collected, the learning unit 100 discloses the fine dust information for learning, the weather information for learning, and the notification in step S130. Preprocessing is performed on the fine dust information.

이때, 학습부(100)는 공시미세먼지정보에 대해 학습용 미세먼지정보, 학습용 기상정보의 샘플링 레이트와 동일한 샘플링 레이트로 리샘플링을 수행한다. 이에 따라, 공시미세먼지정보는 학습용 미세먼지정보, 학습용 기상정보와 동일한 샘플링 레이트를 가진다. 그런 다음, 학습부(100)는 학습용 미세먼지정보, 학습용 기상정보 및 공시미세먼지정보에 대해 이상치 제거, 결측치 보간, 스케일링(scaling) 및 재구조화(Reshaping) 중 적어도 하나를 수행할 수 있다. At this time, the learning unit 100 performs resampling at the same sampling rate as the sampling rate of the fine dust information for learning and the meteorological information for learning with respect to the public fine dust information. Accordingly, the public fine dust information has the same sampling rate as the fine dust information for learning and the meteorological information for learning. Then, the learning unit 100 may perform at least one of removing outliers, interpolating missing values, scaling, and reshaping the fine dust information for learning, weather information for learning, and public fine dust information.

다음으로, 학습부(100)는 S140 단계에서 학습용 미세먼지정보 및 학습용 기상정보를 학습용 입력 데이터로 설정하고, 공시미세먼지정보를 학습용 입력 데이터에 대응하는 레이블로 설정하여 학습 데이터를 마련한다. Next, the learning unit 100 prepares learning data by setting fine dust information for learning and meteorological information for learning as input data for learning, and setting public fine dust information as a label corresponding to the input data for learning in step S140.

다음으로, 보정모델(CM)을 학습시키는 방법에 대해서 설명한다. 도 5는 본 발명의 실시예에 따른 미세먼지정보를 보정하여 보정미세먼지정보를 산출하도록 보정모델을 학습시키는 방법을 설명하기 위한 흐름도이다. Next, a method for learning the correction model (CM) will be described. 5 is a flowchart illustrating a method of learning a correction model to calculate corrected fine dust information by correcting fine dust information according to an embodiment of the present invention.

도 5를 참조하면, 학습부(100)는 S210 단계에서 학습 데이터를 마련한 상태이다. 이러한 S210 단계는 앞서 도 4를 통해 상세하게 설명되었다. 즉, 학습 데이터는 학습용 미세먼지정보 및 학습용 기상정보를 포함하는 학습용 입력 데이터와, 학습용 입력 데이터의 레이블인 공시미세먼지정보를 포함한다. Referring to FIG. 5 , the learning unit 100 is in a state in which learning data is prepared in step S210. This step S210 has been described in detail with reference to FIG. 4 above. That is, the learning data includes input data for learning including fine dust information for learning and meteorological information for learning, and public fine dust information that is a label of the input data for learning.

다음으로, 학습부(100)는 S220 단계에서 학습용 입력 데이터를 보정모델(CM)에 입력한다. S220 단계의 보정모델(CM)은 초기화 상태를 포함하여 학습이 완료되지 않은 상태의 모델이다. Next, the learning unit 100 inputs input data for learning to the correction model (CM) in step S220. The correction model (CM) of step S220 is a model in a state in which learning has not been completed, including an initialization state.

학습용 입력 데이터가 입력되면, 보정모델(CM)은 S230 단계에서 입력된 학습용 분석 데이터에 대해 복수의 계층 간 가중치가 적용되는 연산을 수행하여 상기 학습용 미세먼지정보를 보정한 학습용 보정미세먼지정보를 도출한다. When the input data for learning is input, the correction model (CM) derives corrected fine dust information for learning by correcting the fine dust information for learning by performing an operation in which weights between a plurality of layers are applied to the analysis data for learning input in step S230. do.

그러면, 학습부(100)는 S240 단계에서 학습용 보정미세먼지정보와 입력된 학습용 입력 데이터에 대한 레이블인 공시미세먼지정보와의 차이를 나타내는 손실을 산출한다. 예를 들면, 학습부(100)는 다음의 수학식 1과 같은 손실 함수를 통해 학습용 보정미세먼지정보와 레이블인 공시미세먼지정보의 차이인 손실을 도출할 수 있다. Then, the learning unit 100 calculates a loss indicating a difference between the corrected fine dust information for learning and the public fine dust information that is a label for the input data for learning in step S240. For example, the learning unit 100 may derive a loss, which is a difference between corrected fine dust information for learning and publicly announced fine dust information as a label, through a loss function such as Equation 1 below.

Figure pat00003
Figure pat00003

수학식 1에서, CE는 학습용 보정미세먼지정보와 레이블인 공시미세먼지정보의 차이를 나타내는 손실을 의미한다. Lx는 레이블인 공시미세먼지정보이며, Sx는 보정모델(CM)의 출력인 학습용 보정미세먼지정보를 나타낸다. In Equation 1, CE means a loss representing the difference between corrected fine dust information for learning and publicly announced fine dust information as a label. Lx is published fine dust information as a label, and Sx represents corrected fine dust information for learning, which is an output of the correction model (CM).

그런 다음, 학습부(100)는 S250 단계에서 산출된 손실이 최소가 되도록 역전파(Backpropagation) 알고리즘을 통해 보정모델(CM)의 가중치(w)를 갱신하는 최적화를 수행할 수 있다. Then, the learning unit 100 may perform optimization of updating the weight w of the correction model CM through a backpropagation algorithm so that the loss calculated in step S250 is minimized.

전술한 S210 단계 내지 S250 단계는 복수의 서로 다른 학습용 분석 데이터를 이용하여 반복하여 수행되며, 이러한 반복은 평가 지표를 통해 원하는 정확도에 도달할 때까지 이루어질 수 있다. The aforementioned steps S210 to S250 are repeatedly performed using a plurality of different analysis data for learning, and such repetition may be performed until a desired accuracy is reached through an evaluation index.

전술한 바와 같은 절차에 따라 보정모델(CM)에 대한 학습이 완료되면, 보정모델(CM)을 이용하여 공사현장의 공기질을 관리할 수 있다. 이러한 방법에 대해서 설명하기로 한다. 도 6은 본 발명의 실시예에 따른 미세먼지농도 보정 기반의 공사 현장의 공기질 관리를 위한 방법을 설명하기 위한 흐름도이다. When the learning of the correction model (CM) is completed according to the procedure described above, the air quality of the construction site can be managed using the correction model (CM). These methods will be described. 6 is a flowchart illustrating a method for air quality management at a construction site based on fine dust concentration correction according to an embodiment of the present invention.

센서부(12)는 보정부(200)의 제어에 따라 S310 단계에서 공사 현장(CI)의 미세먼지농도를 측정하여 측정된 미세먼지농도를 나타내는 미세먼지정보를 생성하고, 공사현장(CI)의 온도, 기온, 습도, 기압, 풍향, 풍속 등의 기상을 측정하여 측정된 온도, 기온, 습도, 기압, 풍향, 풍속 등의 기상을 나타내는 기상정보를 생성한다. The sensor unit 12 measures the fine dust concentration of the construction site (CI) in step S310 under the control of the correction unit 200 to generate fine dust information representing the measured concentration of fine dust, and Weather information such as temperature, temperature, humidity, atmospheric pressure, wind direction, and wind speed is measured to generate weather information such as the measured temperature, temperature, humidity, atmospheric pressure, wind direction, and wind speed.

이어서, 보정부(200)는 S320 단계에서 미세먼지정보를 보정하도록 학습된 보정모델(CM)에 미세먼지정보 및 기상정보를 포함하는 입력 데이터를 입력한다. 그러면, 보정모델(CM)은 S330 단계에서 미세먼지정보 및 기상정보를 포함하는 입력 데이터에 대해 복수의 계층 간 가중치가 적용되는 연산을 수행함으로써 미세먼지정보를 보정하여 보정된 미세먼지농도를 나타내는 보정미세먼지정보를 도출한다. Subsequently, the correction unit 200 inputs input data including fine dust information and meteorological information to the correction model (CM) learned to correct the fine dust information in step S320. Then, the correction model (CM) corrects the fine dust information by performing an operation in which weights between a plurality of layers are applied to the input data including fine dust information and meteorological information in step S330 to correct the fine dust concentration. Derive fine dust information.

이러한 보정미세먼지정보는 구동부(300)로 출력되며, 구동부(300)는 S340 단계에서 보정미세먼지정보가 나타내는 보정된 미세먼지농도가 기 설정된 기준치 이상인지 여부를 판별한다. This corrected fine dust information is output to the drive unit 300, and the drive unit 300 determines whether or not the corrected fine dust concentration indicated by the corrected fine dust information is equal to or greater than a predetermined reference value in step S340.

S340 단계의 판별 결과, 보정된 미세먼지농도가 기 설정된 기준치 이상이면, 구동부(300)는 S350 단계에서 먼지억제장치(20)가 가동 중인지 여부를 확인하고, 미가동 중인 경우, 통신부(11)를 통해 먼지억제장치(20)에 접속하여 먼지억제장치(20)를 가동하도록 제어한다. As a result of the determination in step S340, if the corrected fine dust concentration is equal to or greater than the preset reference value, the driving unit 300 checks whether the dust suppression device 20 is operating in step S350, and if not operating, the communication unit 11 It is connected to the dust suppression device 20 through and controls the dust suppression device 20 to operate.

반면, S340 단계의 진단 결과, 보정된 미세먼지농도가 기 설정된 기준치 미만이면, 구동부(300)는 S370 단계에서 먼지억제장치(20)가 가동 중인지 여부를 확인하고, 가동 중인 경우, S380 단계에서 통신부(11)를 통해 먼지억제장치(20)에 접속하여 먼지억제장치(20)의 가동을 중단하도록 제어한다. On the other hand, as a result of the diagnosis in step S340, if the corrected fine dust concentration is less than the preset reference value, the drive unit 300 checks whether the dust suppression device 20 is operating in step S370, and if it is in operation, the communication unit in step S380. It is connected to the dust suppression device 20 through (11) and controls to stop the operation of the dust suppression device 20.

이상 설명한 제어부(13) 내 각 구성은 프로세서에 의해 실행되는 소프트웨어 모듈 또는 하드웨어 모듈 형태로 구현되거나, 소프트웨어 모듈과 하드웨어 모듈이 조합된 형태로도 구현될 수 있다.Each component in the control unit 13 described above may be implemented in the form of a software module or hardware module executed by a processor, or may be implemented in the form of a combination of a software module and a hardware module.

이와 같이, 프로세서에 의해 실행되는 소프트웨어 모듈, 하드웨어 모듈, 내지는 소프트웨어 모듈과 하드웨어 모듈이 조합된 형태는 실제 하드웨어 시스템(예: 컴퓨터 시스템)으로 구현될 수 있을 것이다.As such, a software module executed by a processor, a hardware module, or a combination of software modules and hardware modules may be implemented as an actual hardware system (eg, a computer system).

따라서, 이하에서는 도 7을 참조하여 본 발명의 일 실시예에 따른 미세먼지농도 보정 기반의 공사 현장의 공기질 관리를 위한 장치의 제어부를 하드웨어 형태로 구현한 하드웨어 시스템(2000)에 대해서 설명하기로 한다.Therefore, hereinafter, a hardware system 2000 in which a control unit of a device for air quality management at a construction site based on fine dust concentration correction according to an embodiment of the present invention is implemented in a hardware form with reference to FIG. 7 will be described. .

도 7에 도시된 바와 같이, 본 발명의 일 실시예에 따른 하드웨어 시스템(2000)은, 프로세서부(2100), 메모리 인터페이스부(2200), 및 주변장치 인터페이스부(2300)를 포함하는 구성을 가질 수 있다.As shown in FIG. 7 , a hardware system 2000 according to an embodiment of the present invention has a configuration including a processor unit 2100, a memory interface unit 2200, and a peripheral device interface unit 2300. can

이러한, 하드웨어 시스템(2000) 내 각 구성은, 개별 부품이거나 하나 이상의 집적 회로에 집적될 수 있으며, 이러한 각 구성들은 버스 시스템(도시안됨)에 의해서 결합될 수 있다.Each component in the hardware system 2000 may be an individual part or integrated into one or more integrated circuits, and each component may be coupled by a bus system (not shown).

여기서, 버스 시스템의 경우, 적절한 브리지들, 어댑터들, 및/또는 제어기들에 의해 연결된 임의의 하나 이상의 개별적인 물리 버스들, 통신 라인들/인터페이스들, 및/또는 멀티 드롭(multi-drop) 또는 포인트 투 포인트(point-to-point) 연결들을 나타내는 추상화(abstraction)이다.where, in the case of a bus system, any one or more individual physical buses, communication lines/interfaces, and/or multi-drop or point-to-point communication lines connected by suitable bridges, adapters, and/or controllers; It is an abstraction representing point-to-point connections.

프로세서부(2100)는 하드웨어 시스템에서 다양한 기능들을 수행하기 위해 메모리 인터페이스부(2200)를 통해 메모리부(2210)와 통신함으로써, 메모리부(2210)에 저장된 다양한 소프트웨어 모듈들을 실행하는 역할을 수행하게 된다.The processor unit 2100 performs a role of executing various software modules stored in the memory unit 2210 by communicating with the memory unit 2210 through the memory interface unit 2200 to perform various functions in the hardware system. .

여기서, 메모리부(2210)에는 앞서 도 3를 참조하여 설명한 제어부(13) 내 각 구성인 학습부(100), 보정부(200) 및 구동부(300)가 소프트웨어 모듈 형태로 저장될 수 있으며, 그 외 운영 체계(OS)가 추가로 저장될 수 있다.Here, the memory unit 2210 may store the learning unit 100, the correction unit 200, and the driving unit 300, which are each component of the control unit 13 described above with reference to FIG. 3, in the form of software modules. Other operating systems (OS) may be additionally stored.

운영 체계(예: I-OS, Android, Darwin, RTXC, LINUX, UNIX, OS X, WINDOWS, 또는 VxWorks와 같은 임베디드 운영 체계)의 경우, 일반적인 시스템 작업들(예를 들어, 메모리 관리, 저장 장치 제어, 전력 관리 등)을 제어 및 관리하는 다양한 절차, 명령어 세트, 소프트웨어 컴포넌트 및/또는 드라이버를 포함하고 있으며 다양한 하드웨어 모듈과 소프트웨어 모듈 간의 통신을 용이하게 하는 역할을 수행하게 된다.For operating systems (e.g. embedded operating systems such as I-OS, Android, Darwin, RTXC, LINUX, UNIX, OS X, WINDOWS, or VxWorks), general system tasks (e.g. memory management, storage control) , power management, etc.) and includes various procedures, command sets, software components and/or drivers that control and manage, and plays a role in facilitating communication between various hardware modules and software modules.

참고로, 메모리부(2210)는 캐쉬, 메인 메모리 및 보조 기억장치(secondary memory)를 포함하지만 이에 제한되지 않는 메모리 계층구조가 포함할 수 있는데, 이러한 메모리 계층구조의 경우 예컨대 RAM(예: SRAM, DRAM, DDRAM), ROM, FLASH, 자기 및/또는 광 저장 장치[예: 디스크 드라이브, 자기 테이프, CD(compact disk) 및 DVD(digital video disc) 등]의 임의의 조합을 통해서 구현될 수 있다.For reference, the memory unit 2210 may include a memory hierarchy including, but not limited to, a cache, a main memory, and a secondary memory. In the case of such a memory hierarchy, for example, RAM (eg, SRAM, DRAM, DDRAM), ROM, FLASH, magnetic and/or optical storage devices such as disk drives, magnetic tapes, compact disks (CDs), and digital video discs (DVDs).

주변장치 인터페이스부(2300)는 프로세서부(2100)와 주변장치 간에 통신을 가능하게 하는 역할을 수행한다.The peripheral device interface unit 2300 serves to enable communication between the processor unit 2100 and peripheral devices.

여기서 주변장치의 경우, 하드웨어 시스템(2000)에 상이한 기능을 제공하기 위한 것으로서, 본 발명의 일 실시예에서는, 예컨대, 통신부(2310)가 포함될 수 있다.Here, in the case of a peripheral device, it is for providing different functions to the hardware system 2000, and in one embodiment of the present invention, for example, a communication unit 2310 may be included.

여기서, 통신부(2310)는 다른 장치와의 통신 기능을 제공하는 역할을 수행하는 수행하게 되며, 이를 위해 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 회로를 포함할 수 있다.Here, the communication unit 2310 serves to provide a communication function with other devices, and for this purpose, for example, an antenna system, an RF transceiver, one or more amplifiers, a tuner, one or more oscillators, a digital signal processor, a codec ( CODEC) chipset, memory, etc., but are not limited thereto, and may include a known circuit that performs this function.

이러한, 통신부(2310)가 지원하는 통신 프로토콜로는, 예컨대, 무선랜(Wireless LAN: WLAN), DLNA(Digital Living Network Alliance), 와이브로(Wireless Broadband: Wibro), 와이맥스(World Interoperability for Microwave Access: Wimax), GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), IEEE 802.16, 롱 텀 에볼루션(Long Term Evolution: LTE), LTE-A(Long Term Evolution-Advanced), 5G 통신시스템, 광대역 무선 이동 통신 서비스(Wireless Mobile Broadband Service: WMBS), 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association: IrDA), UWB(Ultra-Wideband), 지그비(ZigBee), 인접 자장 통신(Near Field Communication: NFC), 초음파 통신(Ultra Sound Communication: USC), 가시광 통신(Visible Light Communication: VLC), 와이 파이(Wi-Fi), 와이 파이 다이렉트(Wi-Fi Direct) 등이 포함될 수 있다. 또한, 유선 통신망으로는 유선 LAN(Local Area Network), 유선 WAN(Wide Area Network), 전력선 통신(Power Line Communication: PLC), USB 통신, 이더넷(Ethernet), 시리얼 통신(serial communication), 광/동축 케이블 등이 포함될 수 있으며, 이제 제한되는 것이 아닌, 다른 장치와의 통신 환경을 제공할 수 있는 프로토콜은 모두 포함될 수 있다.Such communication protocols supported by the communication unit 2310 include, for example, Wireless LAN (WLAN), Digital Living Network Alliance (DLNA), Wireless Broadband (Wibro), and World Interoperability for Microwave Access (Wimax). ), GSM (Global System for Mobile communication), CDMA (Code Division Multi Access), CDMA2000 (Code Division Multi Access 2000), EV-DO (Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA (Wideband CDMA) , HSDPA (High Speed Downlink Packet Access), HSUPA (High Speed Uplink Packet Access), IEEE 802.16, Long Term Evolution (LTE), LTE-A (Long Term Evolution-Advanced), 5G communication system, broadband wireless Wireless Mobile Broadband Service (WMBS), Bluetooth, Radio Frequency Identification (RFID), Infrared Data Association (IrDA), Ultra-Wideband (UWB), ZigBee, Near Field Communication ( Near Field Communication (NFC), Ultra Sound Communication (USC), Visible Light Communication (VLC), Wi-Fi, Wi-Fi Direct, and the like may be included. In addition, wired communication networks include wired local area network (LAN), wired wide area network (WAN), power line communication (PLC), USB communication, Ethernet, serial communication, optical/coaxial A cable may be included, and all protocols capable of providing a communication environment with other devices may be included, which are not now limited.

본 발명의 일 실시예에 따른 하드웨어 시스템(2000)에서 메모리부(2210)에 소프트웨어 모듈 형태로 저장되어 있는 제어부(13) 내 각 구성은, 프로세서부(2100)에 의해 실행되는 명령어의 형태로 메모리 인터페이스부(2200)와 주변장치 인터페이스부(2300)를 매개로 통신부(2310)와의 인터페이스를 수행한다. In the hardware system 2000 according to an embodiment of the present invention, each component in the control unit 13 stored in the form of a software module in the memory unit 2210 is memory in the form of instructions executed by the processor unit 2100. An interface with the communication unit 2310 is performed via the interface unit 2200 and the peripheral device interface unit 2300.

이상에서 설명한 바와 같이, 본 명세서는 다수의 특정한 구현물의 세부사항들을 포함하지만, 이들은 어떠한 발명이나 청구 가능한 것의 범위에 대해서도 제한적인 것으로서 이해되어서는 안 되며, 오히려 특정한 발명의 특정한 실시형태에 특유할 수 있는 특징들에 대한 설명으로서 이해되어야 한다. 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.As set forth above, this specification contains many specific implementation details, but these should not be construed as limiting on the scope of any invention or claimables, but rather may be specific to a particular embodiment of a particular invention. It should be understood as a description of the features in Certain features that are described in this specification in the context of separate embodiments may also be implemented in combination in a single embodiment. Conversely, various features that are described in the context of a single embodiment can also be implemented in multiple embodiments individually or in any suitable subcombination. Further, while features may operate in particular combinations and are initially depicted as such claimed, one or more features from a claimed combination may in some cases be excluded from that combination, and the claimed combination is a subcombination. or sub-combination variations.

마찬가지로, 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.Similarly, while actions are depicted in the drawings in a particular order, it should not be construed as requiring that those actions be performed in the specific order shown or in the sequential order, or that all depicted actions must be performed to obtain desired results. In certain cases, multitasking and parallel processing can be advantageous. Further, the separation of various system components in the embodiments described above should not be understood as requiring such separation in all embodiments, and the program components and systems described may generally be integrated together into a single software product or packaged into multiple software products. You have to understand that you can.

본 명세서에서 설명한 주제의 특정한 실시형태를 설명하였다. 기타의 실시형태들은 이하의 청구항의 범위 내에 속한다. 예컨대, 청구항에서 인용된 동작들은 상이한 순서로 수행되면서도 여전히 바람직한 결과를 성취할 수 있다. 일 예로서, 첨부도면에 도시한 프로세스는 바람직한 결과를 얻기 위하여 반드시 그 특정한 도시된 순서나 순차적인 순서를 요구하지 않는다. 특정한 구현예에서, 멀티태스킹과 병렬 프로세싱이 유리할 수 있다.Specific embodiments of the subject matter described herein have been described. Other embodiments are within the scope of the following claims. For example, the actions recited in the claims can be performed in a different order and still achieve desirable results. As an example, the processes depicted in the accompanying drawings do not necessarily require the specific depicted order or sequential order in order to obtain desirable results. In certain implementations, multitasking and parallel processing may be advantageous.

본 기술한 설명은 본 발명의 최상의 모드를 제시하고 있으며, 본 발명을 설명하기 위하여, 그리고 당업자가 본 발명을 제작 및 이용할 수 있도록 하기 위한 예를 제공하고 있다. 이렇게 작성된 명세서는 그 제시된 구체적인 용어에 본 발명을 제한하는 것이 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.The present description presents the best mode of the invention and provides examples to illustrate the invention and to enable those skilled in the art to make and use the invention. The specification thus prepared does not limit the invention to the specific terms presented. Therefore, although the present invention has been described in detail with reference to the above examples, those skilled in the art may make alterations, changes and modifications to the present examples without departing from the scope of the present invention.

따라서 본 발명의 범위는 설명된 실시 예에 의하여 정할 것이 아니고 특허청구범위에 의해 정하여져야 한다.Therefore, the scope of the present invention should not be determined by the described embodiments, but by the claims.

본 발명은 미세먼지농도 보정 기반의 공사 현장의 공기질 관리를 위한 장치 및 이를 위한 방법에 관한 것으로서, 본 발명은 공공 기관에서 공시하는 공시미세먼지정보를 이용하여 보정모델을 학습시키고, 학습된 보정모델을 이용하여 광산란식 센서를 통해 측정된 공사 현장의 미세먼지농도의 측정값인 미세먼지정보를 보정하고, 이를 이용하여 공기질을 관리함으로써 보다 높은 정확도로 공기질을 관리할 수 있다. 따라서 본 발명은 시판 또는 영업의 가능성이 충분할 뿐만 아니라 현실적으로 명백하게 실시할 수 있는 정도이므로 산업상 이용가능성이 있다. The present invention relates to a device for air quality management at a construction site based on fine dust concentration correction and a method therefor. It is possible to manage the air quality with higher accuracy by correcting the fine dust information, which is the measured value of the concentration of fine dust at the construction site, measured through the light scattering sensor, and managing the air quality using this. Therefore, the present invention has industrial applicability because it is not only sufficiently commercially available or commercially viable, but also to the extent that it can be clearly practiced in reality.

10: 공기질관리장치 20: 먼지억제장치
30: 관제서버 40: 환경정보서버
50: 관리자장치 11: 통신부
12: 센서부 13: 저장부
14: 제어부 100: 학습부
200: 보정부 300: 구동부 10: air quality management device 20: dust suppression device
30: control server 40: environment information server
50: manager device 11: communication unit
12: sensor unit 13: storage unit
14: control unit 100: learning unit
200: correction unit 300: driving unit

Claims (10)

센서부가 공사 현장의 미세먼지농도를 측정하여 미세먼지정보를 생성하고, 상기 공사현장의 기상을 측정하여 기상정보를 생성하는 단계;
보정부가 미세먼지정보를 보정하도록 학습된 보정모델을 통해 상기 미세먼지정보 및 상기 기상정보를 포함하는 입력 데이터에 대해 복수의 계층 간 가중치가 적용되는 연산을 수행하여 상기 미세먼지정보를 보정한 보정미세먼지정보를 도출하는 단계; 및
구동부가 상기 보정미세먼지정보에 따라 상기 공사현장의 먼지억제장치가 먼지 억제를 수행하도록 제어하는 단계;
를 포함하는 것을 특징으로 하는
공기질 관리를 위한 방법. generating fine dust information by measuring the concentration of fine dust at the construction site by a sensor unit, and generating weather information by measuring the weather at the construction site;
Correction fine dust information corrected by performing an operation in which weights between a plurality of layers are applied to input data including the fine dust information and the weather information through a correction model learned to correct the fine dust information by the correction unit. Deriving dust information; and
Controlling, by a driving unit, the dust suppression device of the construction site to perform dust suppression according to the corrected fine dust information;
characterized in that it includes
How to manage air quality. 제1항에 있어서,
상기 기상정보를 생성하는 단계 전,
학습부가 학습용 미세먼지정보 및 학습용 기상정보를 포함하는 학습용 입력 데이터와, 상기 학습용 입력 데이터에 대한 레이블인 공시미세먼지정보를 포함하는 학습용 입력 데이터를 마련하는 단계;
상기 학습부가 상기 학습용 입력 데이터를 학습이 완료되지 않은 보정모델에 입력하는 단계;
상기 보정모델이 상기 학습용 입력 데이터에 대해 복수의 계층 간 가중치가 적용되는 연산을 수행하여 상기 학습용 미세먼지정보를 보정한 학습용 보정미세먼지정보를 도출하는 단계; 및
상기 학습부가 손실함수를 통해 학습용 보정미세먼지정보와 입력된 학습용 입력 데이터에 대한 레이블인 상기 공시미세먼지정보와의 차이를 나타내는 손실이 최소가 되도록 역전파 알고리즘을 통해 상기 학습이 완료되지 않은 보정모델의 가중치를 갱신하는 최적화를 수행하는 단계;
를 더 포함하는 것을 특징으로 하는
공기질 관리를 위한 방법. According to claim 1,
Before the step of generating the weather information,
Preparing, by a learning unit, input data for learning including fine dust information for learning and meteorological information for learning, and input data for learning including public fine dust information that is a label for the input data for learning;
inputting, by the learning unit, the input data for learning to a calibration model for which learning has not been completed;
deriving corrected fine dust information for learning by correcting the fine dust information for learning by the correction model performing an operation to which weights between a plurality of layers are applied to the input data for learning; and
The learning unit uses a backpropagation algorithm to minimize the loss representing the difference between the corrected fine dust information for learning and the official fine dust information, which is a label for the input data for learning, through a loss function. Performing optimization to update the weight of ;
characterized in that it further comprises
How to manage air quality. 제2항에 있어서,
상기 학습용 입력 데이터를 마련하는 단계는
센서부가 통해 소정 기간 동안 소정 시간 주기로 공사 현장의 미세먼지농도를 측정하여 학습용 미세먼지정보를 생성하고, 상기 공사현장의 기상을 측정하여 학습용 기상정보를 생성하는 단계;
학습부가 상기 소정 기간과 동일한 기간 동안 상기 소정 주기와 동기되는 시간 주기로 환경정보서버에 공시된 공시미세먼지정보를 수집하는 단계;
상기 학습부가 상기 학습용 미세먼지정보, 상기 학습용 기상정보 및 상기 공시미세먼지정보에 대해 전처리를 수행하는 단계;
상기 학습부가 상기 학습용 미세먼지정보 및 상기 학습용 기상정보를 학습용 입력 데이터로 설정하고, 상기 공시미세먼지정보를 상기 학습용 입력 데이터에 대응하는 레이블로 설정하여 학습 데이터를 마련하는 단계;
를 포함하는 것을 특징으로 하는
공기질 관리를 위한 방법. According to claim 2,
The step of preparing the input data for learning
generating fine dust information for learning by measuring the concentration of fine dust at a construction site at a predetermined time period for a predetermined period through a sensor unit, and generating weather information for learning by measuring the weather at the construction site;
Collecting, by a learning unit, published fine dust information published in an environment information server at a time period synchronized with the predetermined period for a period equal to the predetermined period;
performing pre-processing by the learning unit on the fine dust information for learning, the meteorological information for learning, and the public fine dust information;
preparing learning data by setting, by the learning unit, the fine dust information for learning and the meteorological information for learning as input data for learning, and setting the public fine dust information as a label corresponding to the input data for learning;
characterized in that it includes
How to manage air quality. 제3항에 있어서,
상기 전처리를 수행하는 단계는
상기 학습부가 상기 공시미세먼지정보에 대해 상기 학습용 미세먼지정보, 상기 학습용 기상정보의 샘플링 레이트와 동일한 샘플링 레이트로 리샘플링을 수행하는 단계; 및
상기 학습부가 상기 학습용 미세먼지정보, 상기 학습용 기상정보 및 상기 공시미세먼지정보에 대해 이상치 제거, 결측치 보간, 스케일링(scaling) 및 재구조화(Reshaping) 중 적어도 하나를 수행하는 단계;
를 포함하는 것을 특징으로 하는
공기질 관리를 위한 방법. According to claim 3,
The step of performing the preprocessing is
Performing, by the learning unit, resampling of the public fine dust information at a sampling rate identical to that of the fine dust information for learning and the meteorological information for learning; and
Performing, by the learning unit, at least one of removing outliers, interpolating missing values, scaling, and reshaping the fine dust information for learning, the meteorological information for learning, and the public fine dust information;
characterized in that it includes
How to manage air quality. 제2항에 있어서,
상기 보정모델의 가중치를 갱신하는 최적화를 수행하는 단계는
상기 학습부가
손실 함수
Figure pat00004

에 따라 산출되는 손실이 최소가 되도록 역전파 알고리즘을 통해 상기 진단망의 가중치를 갱신하며,
상기 CE는 학습용 보정미세먼지정보와 레이블인 공시미세먼지정보의 차이를 나타내는 손실이고,
상기 Lx는 레이블인 공시미세먼지정보이며,
상기 Sx는 학습용 보정미세먼지정보인 것을 특징으로 하는
공기질 관리를 위한 방법. According to claim 2,
The step of performing optimization of updating the weights of the correction model
the learning section
loss function
Figure pat00004

Updating the weights of the diagnostic network through a backpropagation algorithm so that the loss calculated according to
The CE is a loss representing the difference between corrected fine dust information for learning and publicly announced fine dust information as a label,
The Lx is public fine dust information that is a label,
The Sx is characterized in that the correction fine dust information for learning
How to manage air quality. 공사 현장의 미세먼지농도를 측정하여 미세먼지정보를 생성하고, 상기 공사현장의 기상을 측정하여 기상정보를 생성하는 센서부;
미세먼지정보를 보정하도록 학습된 보정모델을 통해 상기 미세먼지정보 및 상기 기상정보를 포함하는 입력 데이터에 대해 복수의 계층 간 가중치가 적용되는 연산을 수행하여 상기 미세먼지정보를 보정한 보정미세먼지정보를 도출하는 보정부; 및
상기 보정미세먼지정보에 따라 상기 공사현장의 먼지억제장치가 먼지 억제를 수행하도록 제어하는 구동부;
를 포함하는 것을 특징으로 하는
공기질 관리를 위한 장치. A sensor unit for generating fine dust information by measuring the concentration of fine dust at the construction site and generating weather information by measuring the weather at the construction site;
Corrected fine dust information obtained by correcting the fine dust information by performing an operation in which weights between a plurality of layers are applied to the input data including the fine dust information and the weather information through a correction model learned to correct the fine dust information. a correction unit that derives; and
a driving unit controlling the dust suppression device of the construction site to perform dust suppression according to the corrected fine dust information;
characterized in that it includes
Devices for air quality management. 제6항에 있어서,
학습용 미세먼지정보 및 학습용 기상정보를 포함하는 학습용 입력 데이터와, 상기 학습용 입력 데이터에 대한 레이블인 공시미세먼지정보를 포함하는 학습 데이터를 마련하고,
상기 학습용 입력 데이터를 학습이 완료되지 않은 보정모델에 입력하여
상기 보정모델이 상기 학습용 입력 데이터에 대해 복수의 계층 간 가중치가 적용되는 연산을 수행하여 상기 학습용 미세먼지정보를 보정한 학습용 보정미세먼지정보를 도출하면,
손실함수를 통해 학습용 보정미세먼지정보와 입력된 학습용 입력 데이터에 대한 레이블인 상기 공시미세먼지정보와의 차이를 나타내는 손실이 최소가 되도록 역전파 알고리즘을 통해 상기 학습이 완료되지 않은 보정모델의 가중치를 갱신하는 최적화를 수행하는 학습부;
를 더 포함하는 것을 특징으로 하는
공기질 관리를 위한 장치. According to claim 6,
Prepare learning input data including fine dust information for learning and meteorological information for learning, and learning data including public fine dust information that is a label for the learning input data,
By inputting the learning input data into a calibration model that has not been trained,
When the correction model derives corrected fine dust information for learning obtained by correcting the fine dust information for learning by performing an operation in which weights between a plurality of layers are applied to the input data for learning,
Through the loss function, the weight of the correction model for which the learning has not been completed is determined through a backpropagation algorithm so that the loss representing the difference between the corrected fine dust information for learning and the public fine dust information, which is a label for the input data for learning, is minimized. a learning unit that performs updating optimization;
characterized in that it further comprises
Devices for air quality management. 제7항에 있어서,
상기 센서부는
통해 소정 기간 동안 소정 시간 주기로 공사 현장의 미세먼지농도를 측정하여 학습용 미세먼지정보를 생성하고, 상기 공사현장의 기상을 측정하여 학습용 기상정보를 생성하며,
상기 학습부는
상기 소정 기간과 동일한 기간 동안 상기 소정 주기와 동기되는 시간 주기로 환경정보서버에 공시된 공시미세먼지정보를 수집하고,
상기 학습용 미세먼지정보, 상기 학습용 기상정보 및 상기 공시미세먼지정보에 대해 전처리를 수행하고,
상기 학습용 미세먼지정보 및 상기 학습용 기상정보를 학습용 입력 데이터로 설정하고, 상기 공시미세먼지정보를 상기 학습용 입력 데이터에 대응하는 레이블로 설정하여 학습 데이터를 마련하는 것을 특징으로 하는
공기질 관리를 위한 장치. According to claim 7,
The sensor part
Measures the concentration of fine dust at a construction site at a predetermined time period for a predetermined period of time to generate fine dust information for learning, measures the weather at the construction site to generate weather information for learning,
The learning department
During the same period as the predetermined period, the public fine dust information announced to the environment information server is collected at a time period synchronized with the predetermined period,
Preprocessing is performed on the fine dust information for learning, the meteorological information for learning, and the public fine dust information;
Characterized in that the learning data is prepared by setting the fine dust information for learning and the meteorological information for learning as input data for learning, and setting the public fine dust information as a label corresponding to the input data for learning
Devices for air quality management. 제8항에 있어서,
상기 학습부는
상기 공시미세먼지정보에 대해 상기 학습용 미세먼지정보, 상기 학습용 기상정보의 샘플링 레이트와 동일한 샘플링 레이트로 리샘플링을 수행하고,
상기 학습용 미세먼지정보, 상기 학습용 기상정보 및 상기 공시미세먼지정보에 대해 이상치 제거, 결측치 보간, 스케일링(scaling) 및 재구조화(Reshaping) 중 적어도 하나를 수행하는 것을 특징으로 하는
공기질 관리를 위한 장치. According to claim 8,
The learning department
Resampling is performed at the same sampling rate as the sampling rate of the fine dust information for learning and the meteorological information for learning with respect to the public fine dust information;
Characterized in that performing at least one of outlier removal, missing value interpolation, scaling, and reshaping on the fine dust information for learning, the meteorological information for learning, and the public fine dust information
Devices for air quality management. 제7항에 있어서,
상기 학습부는
손실 함수
Figure pat00005

에 따라 산출되는 손실이 최소가 되도록 역전파 알고리즘을 통해 상기 진단망의 가중치를 갱신하며,
상기 CE는 학습용 보정미세먼지정보와 레이블인 공시미세먼지정보의 차이를 나타내는 손실이고,
상기 Lx는 레이블인 공시미세먼지정보이며,
상기 Sx는 학습용 보정미세먼지정보인 것을 특징으로 하는
공기질 관리를 위한 장치. According to claim 7,
The learning department
loss function
Figure pat00005

Updating the weights of the diagnostic network through a backpropagation algorithm so that the loss calculated according to
The CE is a loss representing the difference between corrected fine dust information for learning and publicly announced fine dust information as a label,
The Lx is public fine dust information that is a label,
The Sx is characterized in that the correction fine dust information for learning
Devices for air quality management.
KR1020210164697A 2021-11-25 2021-11-25 Apparatus for air quality management at construction sites based on Particulate Matter concentration correction and method therefor KR20230077434A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210164697A KR20230077434A (en) 2021-11-25 2021-11-25 Apparatus for air quality management at construction sites based on Particulate Matter concentration correction and method therefor

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210164697A KR20230077434A (en) 2021-11-25 2021-11-25 Apparatus for air quality management at construction sites based on Particulate Matter concentration correction and method therefor

Publications (1)

Publication Number Publication Date
KR20230077434A true KR20230077434A (en) 2023-06-01

Family

ID=86770927

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210164697A KR20230077434A (en) 2021-11-25 2021-11-25 Apparatus for air quality management at construction sites based on Particulate Matter concentration correction and method therefor

Country Status (1)

Country Link
KR (1) KR20230077434A (en)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102220213B1 (en) 2019-10-21 2021-02-24 연세대학교 산학협력단 Real-time TSP Measuring System

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102220213B1 (en) 2019-10-21 2021-02-24 연세대학교 산학협력단 Real-time TSP Measuring System

Similar Documents

Publication Publication Date Title
JP6842466B2 (en) Computer systems, neural network systems, methods, computer executable programs and vehicles
Dhingra et al. Internet of things-based fog and cloud computing technology for smart traffic monitoring
US20210209544A1 (en) Methods and systems for managing shipped objects
US9881507B2 (en) Turbulence detection and monitoring
US20180225976A1 (en) Automated real-time clearance analysis for air traffic
EP3926582A1 (en) Model generating apparatus, method, and program, and prediction apparatus
US9064389B1 (en) Intelligent sensor for an automated inspection system
JP2020514916A (en) Homogeneous model of heterogeneous product life cycle data
US20230045366A1 (en) Remote pneumatic testing system
WO2018086074A1 (en) Data acquisition method, data acquisition device, and data acquisition system
US8712744B1 (en) Simulation tool for air traffic communications security
KR20230077434A (en) Apparatus for air quality management at construction sites based on Particulate Matter concentration correction and method therefor
Murthy et al. Real Time Weather Monitoring System using IoT
Vilayatkar et al. IoT based weather monitoring system using Raspberry Pi
CN103558809A (en) Methods and apparatus to configure a process control device
US10571438B2 (en) Structural health monitoring and baseline deviation assessment
Aman et al. Addressing data veracity in big data applications
KR20220127605A (en) Apparatus for detecting abnormality of Particulate Matter sensor based on Multiple Hypothesis Autoencoder (MH-AE) and method therefor
CN113574418A (en) Weather prediction data creation program, weather prediction data creation method, and moving object
US11610140B2 (en) Predicting fatigue of an asset that heals
KR102613227B1 (en) Electronic device for evaluating water supply reliability in agricultural reservoir based on big data and machine learning and controlling method thereof
CN115456168B (en) Training method of reinforcement learning model, energy consumption determining method and device
KR20220116643A (en) Apparatus for suppressing dust on construction site based on diagnosis using deep learning model (DLM) and method therefor
Alwahaibi et al. Smart IoT based disaster monitoring and management system for Dams in Oman
KR20230045492A (en) Apparatus for deriving a dangerous section of a road based on noise generated from the road and method therefor