KR20230094589A - System and method for Indoor space anomaly analysis for facility management - Google Patents

System and method for Indoor space anomaly analysis for facility management Download PDF

Info

Publication number
KR20230094589A
KR20230094589A KR1020210183869A KR20210183869A KR20230094589A KR 20230094589 A KR20230094589 A KR 20230094589A KR 1020210183869 A KR1020210183869 A KR 1020210183869A KR 20210183869 A KR20210183869 A KR 20210183869A KR 20230094589 A KR20230094589 A KR 20230094589A
Authority
KR
South Korea
Prior art keywords
data
learning
indoor space
indoor
environment data
Prior art date
Application number
KR1020210183869A
Other languages
Korean (ko)
Inventor
정유석
김병곤
이재강
정도영
Original Assignee
한국건설기술연구원
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 한국건설기술연구원 filed Critical 한국건설기술연구원
Priority to KR1020210183869A priority Critical patent/KR20230094589A/en
Publication of KR20230094589A publication Critical patent/KR20230094589A/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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/80—Homes; Buildings
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/40—Maintenance of things

Abstract

본 발명의 일 기술적 측면에 따른 시설관리를 위한 실내공간 이상 분석 시스템은, 실내 공간에 구비되고, 실내 공간의 온도, 습도 및 밝기 정보를 포함하는 실내 환경 데이터를 수집하여 제공하는 복수의 IoT(Internet on Things) 기기 및 상기 복수의 IoT 기기에서 수집된 실내 환경 데이터를 이용하여 상기 실내 공간과 관련된 상기 온도, 상기 습도 및 상기 밝기 정보 간의 상호 연관성을 학습하는 환경 데이터 학습모델을 포함하는 컴퓨팅 장치를 포함할 수 있다. 상기 컴퓨팅 장치는, 상기 환경 데이터 학습 모델을 이용하여 상기 실내 공간에 대한 학습 추정 데이터를 산출하고, 상기 산출된 학습 추정 데이터와 상기 수집된 실내 환경 데이터 간의 차이를 기초로 비정상 상황 여부를 판단할 수 있다.An indoor space anomaly analysis system for facility management according to one technical aspect of the present invention is provided in an indoor space, and collects and provides indoor environment data including temperature, humidity, and brightness information of the indoor space (IoT). on Things) device and a computing device including an environment data learning model that learns the mutual correlation among the temperature, humidity, and brightness information related to the indoor space using indoor environment data collected from the plurality of IoT devices. can do. The computing device may calculate learning estimation data for the indoor space using the environment data learning model, and determine whether or not there is an abnormal situation based on a difference between the calculated learning estimation data and the collected indoor environment data. there is.

Description

시설관리를 위한 실내공간 이상분석 시스템 및 그 방법 {System and method for Indoor space anomaly analysis for facility management}Indoor space anomaly analysis system and method for facility management {System and method for Indoor space anomaly analysis for facility management}

본 발명은 시설 관리 기술에 관한 것으로, 구체적으로 시설관리를 위한 실내공간 이상 분석 시스템 및 그 방법에 관한 것이다.The present invention relates to facility management technology, and more specifically, to an indoor space anomaly analysis system and method for facility management.

인터넷 및 전자 기술의 발전에 따라 다양한 환경에 대한 IoT (Internet on Things) 기술이 개발되고 있다. 이러한 IoT 기술 분야 중 하나로서 시설 관리 분야가 있다. With the development of the Internet and electronic technology, Internet on Things (IoT) technologies for various environments are being developed. As one of these IoT technology fields, there is a facility management field.

시설 관리는 오피스, 주거공간 등에 대한 관리 기술로서, 특히 최근에는 공유 오피스나 오픈 오피스 등이 활발하게 사용됨에 따라, 유지보수를 위한 시설 관리에 대한 요구가 발생하고 있다. Facility management is a management technology for offices, residential spaces, etc., and in recent years, as shared offices or open offices are actively used, there is a demand for facility management for maintenance.

종래의 경우에는, 이러한 공유 오피스 등의 관리를 위하여, 별도의 관리인을 두어야 하는 등의 한계가 있었다. 예컨대, 공유 오피스에 CCTV나 IoT 센서 등을 구비하고, 이에 대한 데이터를 사용자가 직접 모니터링 하면서 시설 관리를 수행하는 등이 종래의 방식이었다. In the case of the prior art, there was a limitation such as having to have a separate manager for management of such a shared office. For example, it has been a conventional method to provide a CCTV or IoT sensor in a shared office, and to perform facility management while a user directly monitors data for this.

그러나, 이러한 종래 방식의 경우, 휴먼 리소스가 요구될 뿐만 아니라, 감지 데이터에 대하여 관리자가 직접 관리를 하므로 보안성 및 프라이버시의 문제가 발생하는 등의 한계가 있었다. However, in the case of such a conventional method, not only human resources are required, but also problems of security and privacy occur because the manager directly manages the sensed data.

본 발명의 일 기술적 측면은 상기한 종래 기술의 문제점을 해결하기 위한 것으로써, 학습 모델을 이용하여 실내 공간에서 수집된 실내 환경 데이터를 학습하고, 이를 기반으로 장래의 환경 데이터를 정확하게 추정할 수 있는, 시설관리를 위한 실내공간 이상 분석 시스템 및 그 방법을 제공하는 것이다.One technical aspect of the present invention is to solve the above-described problems of the prior art, learning indoor environment data collected in an indoor space using a learning model, and based on this learning, future environment data can be accurately estimated To provide an indoor space anomaly analysis system and method for facility management.

또한, 본 발명의 일 기술적 측면은, 학습 모델을 이용하여 추정된 장래의 환경 데이터에 기준 오차를 도출하여 반영하며 임계치를 설정하고, 임계치를 초과하는 상황에 대하서는 비상 상황으로 판별함으로써, 정확하면서도 오류를 최소화 할 수 있는, 시설관리를 위한 실내공간 이상 분석 시스템 및 그 방법을 제공하는 것이다.In addition, one technical aspect of the present invention derives and reflects a reference error to future environmental data estimated using a learning model, sets a threshold, and determines a situation exceeding the threshold as an emergency situation, thereby providing accurate and It is to provide an indoor space anomaly analysis system and method for facility management that can minimize errors.

또한, 본 발명의 일 기술적 측면은, 학습 모델의 학습 상황에 따라 기준 오차를 동적으로 설정함으로써, 임계치의 설정을 보다 정확하게 설정할 수 있는, 시설관리를 위한 실내공간 이상 분석 시스템 및 그 방법을 제공하는 것이다.In addition, one technical aspect of the present invention is to provide an indoor space anomaly analysis system and method for facility management that can more accurately set the threshold value by dynamically setting the reference error according to the learning situation of the learning model. will be.

본 발명의 상기 목적과 여러 가지 장점은 이 기술분야에 숙련된 사람들에 의해 본 발명의 바람직한 실시예로부터 더욱 명확하게 될 것이다.The above objects and various advantages of the present invention will become more apparent from preferred embodiments of the present invention by those skilled in the art.

본 발명의 일 기술적 측면은 시설관리를 위한 실내공간 이상 분석 시스템을 제안한다. 상기 시설관리를 위한 실내공간 이상 분석 시스템은, 실내 공간에 구비되고, 실내 공간의 온도, 습도 및 밝기 정보를 포함하는 실내 환경 데이터를 수집하여 제공하는 복수의 IoT(Internet on Things) 기기 및 상기 복수의 IoT 기기에서 수집된 실내 환경 데이터를 이용하여 상기 실내 공간과 관련된 상기 온도, 상기 습도 및 상기 밝기 정보 간의 상호 연관성을 학습하는 환경 데이터 학습모델을 포함하는 컴퓨팅 장치를 포함할 수 있다. 상기 컴퓨팅 장치는, 상기 환경 데이터 학습 모델을 이용하여 상기 실내 공간에 대한 학습 추정 데이터를 산출하고, 상기 산출된 학습 추정 데이터와 상기 수집된 실내 환경 데이터 간의 차이를 기초로 비정상 상황 여부를 판단할 수 있다.One technical aspect of the present invention proposes an indoor space anomaly analysis system for facility management. The indoor space anomaly analysis system for facility management includes a plurality of IoT (Internet on Things) devices provided in an indoor space and collecting and providing indoor environment data including temperature, humidity, and brightness information of the indoor space, and the plurality of A computing device including an environment data learning model that learns a correlation between the temperature, the humidity, and the brightness information related to the indoor space using indoor environment data collected from an IoT device of the . The computing device may calculate learning estimation data for the indoor space using the environment data learning model, and determine whether or not there is an abnormal situation based on a difference between the calculated learning estimation data and the collected indoor environment data. there is.

일 실시예에서, 상기 복수의 IoT 기기는, 온도 센서, 습도 센서 및 밝기 센서를 포함하는 센서부, 무선 통신망에 접속하여 상기 컴퓨터 장치와의 통신 연결을 형성하는 통신부 및 단위 시간마다 동작하도록 상기 센서부를 설정하고, 상기 센서부에서 상기 단위 시간마다 수집된 센싱 데이터를 해당 IoT 기기의 실내 환경 데이터로서 상기 컴퓨텅 장치에 송신하도록 제어하는 제어부를 포함 할 수 있다.In one embodiment, the plurality of IoT devices include a sensor unit including a temperature sensor, a humidity sensor, and a brightness sensor, a communication unit that connects to a wireless communication network to form a communication connection with the computer device, and the sensor to operate at every unit time. It may include a control unit that sets a unit and controls the sensing data collected by the sensor unit for each unit time to be transmitted to the computer device as indoor environment data of a corresponding IoT device.

일 실시예에서, 상기 컴퓨팅 장치는, 상기 복수의 IoT 기기와 연동하여, 상기 복수의 IoT 기기로부터 각각 복수의 실내 환경 데이터를 수집하는 환경 데이터 수집부, 상기 복수의 IoT 기기로부터 각각 수집된 실내 환경 데이터를 학습 데이터로 설정하여, 상기 실내 공간과 관련된 상기 온도, 상기 습도 및 상기 밝기 정보 간의 상호 연관성을 딥 러닝 기반으로 학습하는 환경 데이터 학습 모델 및 상기 환경 데이터 학습 모델을 이용하여 상기 실내 공간에 대한 학습 추정 데이터를 산출하고, 상기 산출된 학습 추정 데이터와 상기 수집된 실내 환경 데이터 간의 차이를 기초로 비정상 상황 여부를 판단하는 이상 상황 검출부를 포함 할 수 있다.In one embodiment, the computing device includes an environmental data collection unit that collects a plurality of indoor environment data from the plurality of IoT devices in conjunction with the plurality of IoT devices, and an indoor environment collected from the plurality of IoT devices, respectively. By setting data as learning data, an environment data learning model that learns the mutual correlation among the temperature, humidity, and brightness information related to the indoor space based on deep learning, and an environment data learning model for the indoor space and an abnormal situation detection unit that calculates learning estimation data and determines whether or not an abnormal situation exists based on a difference between the calculated learning estimation data and the collected indoor environment data.

일 실시예에서, 상기 환경 데이터 학습 모델은, 서로 다른 IoT 기기 간에서, 실내 환경 데이터 간의 상호 연관성을 학습하는 제1 학습 모델 및 하나의 IoT 기기에서 수집된 실내 환경 데이터에 대하여, 실내 환경 데이터 요소 간의 상호 연관성을 학습하는 제2 학습 모델을 포함 할 수 있다.In one embodiment, the environmental data learning model is a first learning model for learning the correlation between indoor environment data between different IoT devices and an indoor environment data element for indoor environment data collected from one IoT device. It may include a second learning model that learns the mutual correlation between

일 실시예에서, 상기 이상 상황 검출부는, 상기 환경 데이터 학습 모델에서 출력된 학습 추정 데이터를 기준값으로 설정하고, 설정된 기준값에 기준 오차를 반영하여 학습 기준 임계값을 설정하며, 수집된 실내 환경 데이터가 상기 학습 기준 임계값을 초과하면 비정상 상황으로 판단 할 수 있다.In one embodiment, the abnormal situation detection unit sets the learning estimation data output from the environmental data learning model as a reference value, sets a learning reference threshold by reflecting a reference error to the set reference value, and sets the collected indoor environment data If the learning criterion threshold is exceeded, it may be determined as an abnormal situation.

일 실시예에서, 상기 컴퓨팅 장치는, 상기 환경 데이터 수집부에서 수집된 상기 복수의 실내 환경 데이터에 포함된 복수의 센싱 데이터를 모니터링하고, 상기 복수의 센싱 데이터에 대하여 기 설정된 수집 범위를 초과하는 센싱 데이터를 식별하고 식별된 센싱 데이터를 학습 대상에서 배제함으로써 환경 데이터를 검증하는 환경 데이터 검증부를 더 포함할 수 있다.In one embodiment, the computing device monitors a plurality of sensing data included in the plurality of indoor environment data collected by the environmental data collection unit, and senses the plurality of sensing data exceeding a predetermined collection range. The environmental data verifier may further include identifying data and verifying the environmental data by excluding the identified sensing data from a learning target.

본 발명의 일 기술적 측면은 시설관리를 위한 실내공간 이상 분석 방법을 제안한다. 상기 시설관리를 위한 실내공간 이상 분석 방법은, 실내 공간에 구비되어 실내 공간의 온도, 습도 및 밝기 정보를 포함하는 실내 환경 데이터를 수집하여 제공하는 복수의 IoT(Internet on Things) 기기와 연동하여 실내공간에 대한 이상을 분석하는 컴퓨팅 장치에서 수행되는 실내공간 이상 분석 방법으로서, 상기 복수의 IoT 기기와 연동하여, 상기 복수의 IoT 기기로부터 각각 복수의 실내 환경 데이터를 수집하는 단계, 상기 복수의 IoT 기기로부터 각각 수집된 실내 환경 데이터를 학습 데이터로 설정하여, 상기 실내 공간과 관련된 상기 온도, 상기 습도 및 상기 밝기 정보 간의 상호 연관성을 딥 러닝 기반으로 학습하여 환경 데이터 학습 모델을 구축하는 단계 및 상기 환경 데이터 학습 모델을 이용하여 상기 실내 공간에 대한 학습 추정 데이터를 산출하고, 상기 산출된 학습 추정 데이터와 상기 수집된 실내 환경 데이터 간의 차이를 기초로 비정상 상황 여부를 판단하는 단계를 포함 할 수 있다.One technical aspect of the present invention proposes an indoor space anomaly analysis method for facility management. The indoor space anomaly analysis method for facility management is provided in the indoor space in conjunction with a plurality of IoT (Internet on Things) devices that collect and provide indoor environment data including temperature, humidity, and brightness information of the indoor space. An indoor spatial anomaly analysis method performed in a computing device that analyzes spatial anomalies, comprising: collecting a plurality of indoor environment data from the plurality of IoT devices in conjunction with the plurality of IoT devices; Establishing an environmental data learning model by setting the indoor environment data collected from each as learning data and learning the mutual correlation among the temperature, humidity, and brightness information related to the indoor space based on deep learning, and the environmental data Calculating learning estimation data for the indoor space using a learning model, and determining whether or not an abnormal situation exists based on a difference between the calculated learning estimation data and the collected indoor environment data.

일 실시예에서,, 상기 환경 데이터 학습 모델은, 서로 다른 IoT 기기 간에서, 실내 환경 데이터 간의 상호 연관성을 학습하는 제1 학습 모델 및 하나의 IoT 기기에서 수집된 실내 환경 데이터에 대하여, 실내 환경 데이터 요소 간의 상호 연관성을 학습하는 제2 학습 모델을 포함 할 수 있다.In one embodiment, the environmental data learning model is a first learning model for learning the correlation between indoor environment data between different IoT devices and indoor environment data collected from one IoT device. A second learning model for learning the correlation between elements may be included.

일 실시예에서, 상기 실내공간 이상 분석 방법은, 상기 환경 데이터 수집부에서 수집된 상기 복수의 실내 환경 데이터에 포함된 복수의 센싱 데이터를 모니터링하고, 상기 복수의 센싱 데이터에 대하여 기 설정된 수집 범위를 초과하는 센싱 데이터를 식별하고 식별된 센싱 데이터를 학습 대상에서 배제함으로써 환경 데이터를 검증하는 단계를 더 포함 할 수 있다.In one embodiment, the indoor space abnormality analysis method monitors a plurality of sensing data included in the plurality of indoor environment data collected by the environmental data collection unit, and sets a predetermined collection range for the plurality of sensing data. The method may further include verifying the environmental data by identifying excessive sensing data and excluding the identified sensing data from the learning target.

일 실시예에서, 상기 비정상 상황 여부를 판단하는 단계는, 상기 환경 데이터 학습 모델에서 출력된 학습 추정 데이터를 기준값으로 설정하는 단계, 설정된 기준값에 기준 오차를 반영하여 학습 기준 임계값을 설정하는 단계 및 수집된 실내 환경 데이터가 상기 학습 기준 임계값을 초과하면 비정상 상황으로 판단하는 단계를 포함할 수 있다.In one embodiment, the step of determining whether or not the abnormal situation may include setting learning estimation data output from the environmental data learning model as a reference value, setting a learning criterion threshold by reflecting a reference error to the set reference value, and The method may include determining an abnormal situation when the collected indoor environment data exceeds the learning criterion threshold.

본 발명의 일 기술적 측면은 저장매체를 제안한다. 상기 저장 매체는 컴퓨터 판독 가능한 인스트럭션들(instructions)을 저장하고 있는 저장 매체로서, 상기 인스트럭션들은, 컴퓨팅 장치에 의해 실행될 때, 상기 컴퓨팅 장치로 하여금, 복수의 IoT 기기와 연동하여, 상기 복수의 IoT 기기로부터 각각 복수의 실내 환경 데이터를 수집하는 동작, 상기 복수의 IoT 기기로부터 각각 수집된 실내 환경 데이터를 학습 데이터로 설정하여, 상기 실내 공간과 관련된 상기 온도, 상기 습도 및 상기 밝기 정보 간의 상호 연관성을 딥 러닝 기반으로 학습하여 환경 데이터 학습 모델을 구축하는 동작 및 상기 환경 데이터 학습 모델을 이용하여 상기 실내 공간에 대한 학습 추정 데이터를 산출하고, 상기 산출된 학습 추정 데이터와 상기 수집된 실내 환경 데이터 간의 차이를 기초로 비정상 상황 여부를 판단하는 동작을 수행하도록 할 수 있다.One technical aspect of the present invention proposes a storage medium. The storage medium is a storage medium storing computer readable instructions, and the instructions, when executed by a computing device, cause the computing device to interwork with a plurality of IoT devices, and to perform the plurality of IoT devices. Collecting a plurality of indoor environment data respectively from the plurality of IoT devices, setting the indoor environment data collected from the plurality of IoT devices as learning data to deepen the mutual correlation among the temperature, humidity, and brightness information related to the indoor space. An operation of constructing an environmental data learning model by learning based on learning and calculating learning estimation data for the indoor space using the environmental data learning model, and calculating a difference between the calculated learning estimation data and the collected indoor environment data Based on this, it is possible to perform an operation for determining whether or not there is an abnormal situation.

상기한 과제의 해결 수단은, 본 발명의 특징을 모두 열거한 것은 아니다. 본 발명의 과제 해결을 위한 다양한 수단들은 이하의 상세한 설명의 구체적인 실시형태를 참조하여 보다 상세하게 이해될 수 있을 것이다.The means for solving the problems described above do not enumerate all the features of the present invention. Various means for solving the problems of the present invention will be understood in more detail with reference to specific embodiments of the detailed description below.

본 발명의 일 실시형태에 따르면, 학습 모델을 이용하여 실내 공간에서 수집된 실내 환경 데이터를 학습하고, 이를 기반으로 장래의 환경 데이터를 정확하게 추정할 수 있는 효과가 있다.According to an embodiment of the present invention, there is an effect of learning indoor environment data collected in an indoor space using a learning model and accurately estimating future environment data based on the learning.

또한, 본 발명의 일 실시형태에 따르면, 학습 모델을 이용하여 추정된 장래의 환경 데이터에 기준 오차를 도출하여 반영하며 임계치를 설정하고, 임계치를 초과하는 상황에 대하서는 비상 상황으로 판별함으로써, 정확하면서도 오류를 최소화 할 수 있는 효과가 있다.In addition, according to an embodiment of the present invention, a reference error is derived and reflected in future environmental data estimated using a learning model, a threshold value is set, and a situation exceeding the threshold value is determined as an emergency situation. However, it has the effect of minimizing errors.

또한, 본 발명의 일 실시형태에 따르면, 학습 모델의 학습 상황에 따라 기준 오차를 동적으로 설정함으로써, 임계치의 설정을 보다 정확하게 설정할 수 있는 효과가 있다.In addition, according to an embodiment of the present invention, by dynamically setting the reference error according to the learning situation of the learning model, it is possible to set the threshold value more accurately.

도 1은 본 발명의 일 실시예에 따른 시설관리를 위한 실내공간 이상 분석 시스템의 일 적용예를 설명하는 도면이다.
도 2는 본 발명의 일 실시예에 따른 IoT 기기의 일 예를 설명하는 블록 구성도이다.
도 3은 이러한 IoT 장치의 일 예를 도시하는 도면이다.
도 4는 복수의 IoT 기기가 실내에 배치되는 일 예를 설명하는 도면이다.
도 5는 본 발명의 일 실시예에 따른 컴퓨팅 장치의 예시적인 컴퓨팅 운영 환경을 설명하는 도면이다.
도 6은 본 발명의 일 실시예에 따른 컴퓨팅 장치를 설명하는 블록 구성도이다.
도 7은 본 발명의 일 실시예에 따른 시설관리를 위한 실내공간 이상 분석 방법을 설명하는 순서도이다.
도 8은 본 발명의 일 실시예에 따른 도 6의 이상 상황 검출부에서 제공하는 이상 상황 검출방법의 일 예를 도시하는 순서도이다.
도 9는 환경 데이터 학습 모델의 일 실시예를 도시하는 블록 구성도이다.
도 10은 이상 상황 검출부의 일 실시예를 도시하는 블록 구성도이다.
도 11은 도 10에 도시된 이상 상황 검출부에 의한 이상 상황 검출방법의 일 예를 도시하는 순서도이다.
도 12은 복수의 케이스로 구분되는 복수의 학습 모델을 포함하는 환경 학습 모델의 다른 일 예를 설명하는 표이다.
도 13은 도 12에 도시된 예에서, 제1 케이스에 대한 예측치(Prediction)과 실제 감지 데이터(True)간의 관계를 도시하는 그래프이다.
도 14는 도 12에 도시된 예에서, 제2 케이스에 대한 예측치(Prediction)과 실제 감지 데이터(True)간의 관계를 도시하는 그래프이다.
도 15는 도 12에 도시된 예에서, 제3 케이스에 대한 예측치(Prediction)과 실제 감지 데이터(True)간의 관계를 도시하는 그래프이다.
도 16은 도 13 내지 도 15의 케이스들에 대한 평균절대비오차(MAPE)와 상관도(Correlation)를 도시하는 표이다.1 is a diagram illustrating an application example of an indoor space anomaly analysis system for facility management according to an embodiment of the present invention.
2 is a block diagram illustrating an example of an IoT device according to an embodiment of the present invention.
3 is a diagram illustrating an example of such an IoT device.
4 is a diagram illustrating an example in which a plurality of IoT devices are disposed indoors.
5 is a diagram illustrating an exemplary computing operating environment of a computing device according to an embodiment of the present invention.
6 is a block diagram illustrating a computing device according to an embodiment of the present invention.
7 is a flowchart illustrating an indoor space anomaly analysis method for facility management according to an embodiment of the present invention.
8 is a flowchart illustrating an example of an abnormal situation detection method provided by the abnormal situation detection unit of FIG. 6 according to an embodiment of the present invention.
9 is a block diagram illustrating an embodiment of an environment data learning model.
10 is a block configuration diagram illustrating an embodiment of an abnormal situation detection unit.
FIG. 11 is a flowchart illustrating an example of a method for detecting an abnormal situation by the abnormal situation detector shown in FIG. 10 .
12 is a table for explaining another example of an environmental learning model including a plurality of learning models classified into a plurality of cases.
FIG. 13 is a graph illustrating a relationship between predicted values (Prediction) and actual sensed data (True) for the first case in the example shown in FIG. 12 .
FIG. 14 is a graph illustrating a relationship between predicted values (Prediction) and actual sensed data (True) for the second case in the example shown in FIG. 12 .
FIG. 15 is a graph illustrating a relationship between predicted values (Prediction) and actual sensed data (True) for the third case in the example shown in FIG. 12 .
FIG. 16 is a table showing mean absolute error margin (MAPE) and correlation for the cases of FIGS. 13 to 15 .

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시 형태들을 설명한다. Hereinafter, preferred embodiments of the present invention will be described with reference to the accompanying drawings.

그러나, 본 발명의 실시형태는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하 설명하는 실시 형태로 한정되는 것은 아니다. 또한, 본 발명의 실시형태는 당해 기술분야에서 평균적인 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위해서 제공되는 것이다. However, the embodiments of the present invention can be modified in many different forms, and the scope of the present invention is not limited to the embodiments described below. In addition, the embodiments of the present invention are provided to more completely explain the present invention to those skilled in the art.

즉, 전술한 목적, 특징 및 장점은 첨부된 도면을 참조하여 상세하게 후술되며, 이에 따라 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. 본 발명을 설명함에 있어서 본 발명과 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 상세한 설명을 생략한다. 이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명하기로 한다. 도면에서 동일한 참조부호는 동일 또는 유사한 구성요소를 가리키는 것으로 사용된다.That is, the above objects, features, and advantages will be described later in detail with reference to the accompanying drawings, and accordingly, those skilled in the art to which the present invention belongs will be able to easily implement the technical spirit of the present invention. In describing the present invention, if it is determined that the detailed description of the known technology related to the present invention may unnecessarily obscure the subject matter of the present invention, the detailed description will be omitted. Hereinafter, preferred embodiments according to the present invention will be described in detail with reference to the accompanying drawings. In the drawings, the same reference numerals are used to indicate the same or similar components.

또한, 본 명세서에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "구성된다" 또는 "포함한다" 등의 용어는 명세서 상에 기재된 여러 구성 요소들, 또는 여러 단계들을 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.Also, singular expressions used in this specification include plural expressions unless the context clearly indicates otherwise. In this application, terms such as "consisting of" or "comprising" should not be construed as necessarily including all of the various components or steps described in the specification, and some of the components or some of the steps It should be construed that it may not be included, or may further include additional components or steps.

또한, 이하에서 본 발명에 따른 시스템을 설명하기 위하여 다양한 구성요소 및 그의 하부 구성요소에 대하여 설명하고 있다. 이러한 구성요소 및 그의 하부 구성요소들은, 하드웨어, 소프트웨어 또는 이들의 조합 등 다양한 형태로서 구현될 수 있다. 예컨대, 각 요소들은 해당 기능을 수행하기 위한 전자적 구성으로 구현되거나, 또는 전자적 시스템에서 구동 가능한 소프트웨어 자체이거나 그러한 소프트웨어의 일 기능적인 요소로 구현될 수 있다. 또는, 전자적 구성과 그에 대응되는 구동 소프트웨어로 구현될 수 있다.In addition, in order to describe the system according to the present invention, various components and sub-components thereof are described below. These components and their subcomponents may be implemented in various forms, such as hardware, software, or a combination thereof. For example, each element may be implemented as an electronic configuration for performing a corresponding function, or may be implemented as software itself that can be run in an electronic system or as one functional element of such software. Alternatively, it may be implemented as an electronic configuration and corresponding driving software.

본 명세서에 설명된 다양한 기법은 하드웨어 또는 소프트웨어와 함께 구현되거나, 적합한 경우에 이들 모두의 조합과 함께 구현될 수 있다. 본 명세서에 사용된 바와 같은 "부(Unit)", "서버(Server)" 및 "시스템(System)" 등의 용어는 마찬가지로 컴퓨터 관련 엔티티(Entity), 즉 하드웨어, 하드웨어 및 소프트웨어의 조합, 소프트웨어 또는 실행 시의 소프트웨어와 등가로 취급할 수 있다. 또한, 본 발명의 시스템에서 실행되는 각 기능은 모듈단위로 구성될 수 있고, 하나의 물리적 메모리에 기록되거나, 둘 이상의 메모리 및 기록매체 사이에 분산되어 기록될 수 있다.The various techniques described herein may be implemented with hardware or software, or a combination of both where appropriate. As used herein, the terms "Unit", "Server" and "System" likewise refer to a computer-related entity, that is, hardware, a combination of hardware and software, software or It can be treated as equivalent to running software. In addition, each function executed in the system of the present invention may be configured in module units and recorded in one physical memory or distributed between two or more memories and recording media.

본 발명의 실시형태를 설명하기 위하여 다양한 순서도가 개시되고 있으나, 이는 각 단계의 설명의 편의를 위한 것으로, 반드시 순서도의 순서에 따라 각 단계가 수행되는 것은 아니다. 즉, 순서도에서의 각 단계는, 서로 동시에 수행되거나, 순서도에 따른 순서대로 수행되거나, 또는 순서도에서의 순서와 반대의 순서로도 수행될 수 있다. Although various flow charts have been disclosed to describe the embodiments of the present invention, these are for convenience of description of each step, and each step is not necessarily performed in the order of the flowchart. That is, each step in the flowchart may be performed simultaneously with each other, in an order according to the flowchart, or in an order reverse to that in the flowchart.

본 출원에서는 실내의 3개 공간에 IoT(Internet on Things) 장치로 수집한 실내공간의 상태 정보를 수집하고 이러한 실내 상태 정보를 학습 모델의 학습 대상으로 하여 학습을 수하고 이를 기반으로 실내공간의 이상상황을 분석할 쉬 있는 시스템을 제안한다In this application, the state information of the indoor space collected by IoT (Internet on Things) devices in three indoor spaces is collected, and the indoor state information is used as the learning target of the learning model to learn, and based on this, the ideal of the indoor space Suggests an easy system to analyze the situation

도 1은 본 발명의 일 실시예에 따른 시설관리를 위한 실내공간 이상 분석 시스템의 일 적용예를 설명하는 도면이다.1 is a diagram illustrating an application example of an indoor space anomaly analysis system for facility management according to an embodiment of the present invention.

도 1을 참조하면, 시설관리를 위한 실내공간 이상 분석 시스템은 IoT 기기(100) 및 컴퓨팅 장치(300)를 포함할 수 있다. 실시예에 따라, 컴퓨팅 장치(300)에 접속하여 토공사 공정관리에 대한 정보 조회 및 감독을 위한 관리자 단말(500)을 더 포함할 수 있다.Referring to FIG. 1 , an indoor space anomaly analysis system for facility management may include an IoT device 100 and a computing device 300. Depending on the embodiment, a manager terminal 500 for accessing the computing device 300 to inquire and supervise information on earthworks process management may be further included.

IoT 기기(100)는 실내 공간에 구비되고, 실내 공간의 온도, 습도 및 밝기 정보를 포함하는 실내 환경 데이터를 수집한다. The IoT device 100 is provided in an indoor space and collects indoor environment data including temperature, humidity, and brightness information of the indoor space.

본 명세서에서는 실내 환경 데이터로서 실내 공간의 온도, 습도 및 밝기 정보를 일 요소로서 설명하나, 이에 한정되는 것은 아니며 센서로서 감지 가능한 다양한 정보 등이 실내 환경 데이터로서 수집될 수 있다. In the present specification, information on temperature, humidity, and brightness of an indoor space is described as one element as indoor environment data, but is not limited thereto, and various information detectable by a sensor may be collected as indoor environment data.

IoT 기기(100)는 수집한 실내 환경 데이터를 컴퓨팅 장치(300)에게 제공한다.The IoT device 100 provides the collected indoor environment data to the computing device 300 .

컴퓨팅 장치(300)는 수집한 실내 환경 데이터를 대상으로 학습을 수행하여 학습 모델을 구비한다. 컴퓨팅 장치(300)는 학습 모델에서 예측되는 실내 환경 데이터(이하, 이를 '학습 추정 데이터'라 칭함)와, IoT 기기(100)에서 수집되는 실내 환경 데이터를 비교하고, 이를 기반으로 비정상 상황 여부를 판단할 수 있다. The computing device 300 performs learning on the collected indoor environment data and has a learning model. The computing device 300 compares the indoor environment data predicted by the learning model (hereinafter, referred to as 'learning estimation data') and the indoor environment data collected from the IoT device 100, and determines whether or not an abnormal situation is present based on this can judge

컴퓨팅 장치(300)는 복수의 IoT 기기에서 수집된 실내 환경 데이터를 이용하여 실내 공간과 관련된 상기 온도, 상기 습도 및 상기 밝기 정보 간의 상호 연관성을 학습하는 환경 데이터 학습모델을 포함할 수 있다.The computing device 300 may include an environmental data learning model that learns a correlation between the temperature, humidity, and brightness information related to an indoor space using indoor environment data collected from a plurality of IoT devices.

컴퓨팅 장치(300)는 환경 데이터 학습 모델을 이용하여 실내 공간에 대한 학습 추정 데이터를 산출하고, 산출된 학습 추정 데이터와 수집된 실내 환경 데이터 간의 차이를 기초로 비정상 상황 여부를 판단할 수 있다.The computing device 300 may calculate learning estimation data for an indoor space using the environment data learning model, and determine whether or not an abnormal situation exists based on a difference between the calculated learning estimation data and the collected indoor environment data.

컴퓨팅 장치(300)는 비정상 상황으로 판단되는 경우, 관리자 단말(500)에게 이러한 비정상 상황에 대한 알림을 제공할 수 있다. 또는, 관리자 단말(500)은 컴퓨팅 장치(300)에 접속하여 학습 현황 및 수집된 실내 환경 데이터에 대한 정보 등을 모니터링 할 수 있다.When it is determined that the computing device 300 is an abnormal situation, the computing device 300 may provide notification of the abnormal situation to the manager terminal 500 . Alternatively, the manager terminal 500 may access the computing device 300 to monitor learning status and information on the collected indoor environment data.

이하, 도 2 내지 도 14를 참조하여, 이러한 IoT 기기(100) 및 컴퓨팅 장치(300)의 다양한 실시예에 대하여 보다 상세히 설명한다.Hereinafter, various embodiments of the IoT device 100 and the computing device 300 will be described in more detail with reference to FIGS. 2 to 14 .

도 2는 본 발명의 일 실시예에 따른 IoT 기기의 일 예를 설명하는 블록 구성도이다.2 is a block diagram illustrating an example of an IoT device according to an embodiment of the present invention.

도 2를 참조하면, IoT 기기(100)는 전원 공급부(110), 센서부(120), 제어부(130), 데이터 저장부(140) 및 통신부(150)를 포함할 수 있다.Referring to FIG. 2 , the IoT device 100 may include a power supply unit 110, a sensor unit 120, a control unit 130, a data storage unit 140, and a communication unit 150.

전원 공급부(110)는 전력을 축전하고, 축전된 전력을 IoT 기기(100)의 타 구성요소에 전력을 공급할 수 있다.The power supply unit 110 may store power and supply the stored power to other components of the IoT device 100 .

센서부(120)는 복수의 센서를 포함한다. 일 예로, 센서부(120)는 온도 센서, 습도 센서 및 밝기 센서를 포함할 수 있다. 센서부(120)는 수집한 센싱 데이터를 데이터 저장부(140)에 저장할 수 있다. The sensor unit 120 includes a plurality of sensors. For example, the sensor unit 120 may include a temperature sensor, a humidity sensor, and a brightness sensor. The sensor unit 120 may store the collected sensing data in the data storage unit 140 .

제어부(130)는 IoT 기기(100)의 타 구성요소를 제어하여 동작하도록 제어한다.The control unit 130 controls other components of the IoT device 100 to operate.

제어부(130)는 단위 시간마다 동작하도록 센서부(120)를 설정할 수 있다. 예컨대, 이하에서 예시되는 데이터들은 약 한달간 초당 1 샘플의 샘플 레이트로 수집된 데이터를 예를 들어 설명하며, 각 IoT 기기 마다 센싱 데이터 요소 별로 53,900 레코드를 수집하였다.The control unit 130 may set the sensor unit 120 to operate at every unit time. For example, the data exemplified below describe data collected at a sample rate of 1 sample per second for about a month as an example, and 53,900 records were collected for each sensing data element for each IoT device.

제어부(130)는 수집된 센싱 데이터를 해당 IoT 기기의 실내 환경 데이터로서 컴퓨텅 장치에 송신하도록 제어할 수 있다.The controller 130 may control the collected sensing data to be transmitted to the computer device as indoor environment data of the corresponding IoT device.

통신부(150)는 외부, 예컨대, 컴퓨팅 장치(300)와의 통신을 형성할 수 있으며, 제어부(130)의 제어에 따라 데이터 저장부(140)에 저장된 영상 데이터를 컴퓨팅 장치(300)에 제공할 수 있다. The communication unit 150 may establish communication with the outside, for example, the computing device 300, and provide image data stored in the data storage unit 140 to the computing device 300 under the control of the controller 130. there is.

도 3은 이러한 IoT 기기의 일 예를 도시하는 도면이다. 도 3에 예시된 IoT 기기는, ESP8266기반의 NodeMCU에 각종 센서와 디스플레이를 포함할 수 있다. ESP8266 칩셋은 TCP/IP 스택을 지원하는 Wi-Fi 기능을 포함하는 마이크로컨트롤러로서, 제어부의 기능을 수행할 수 있다 이는, Wifi 게이트웨이가 잘 구성되어 있는 실내에서 보다 활용도가 높다. 3 is a diagram illustrating an example of such an IoT device. The IoT device illustrated in FIG. 3 may include various sensors and displays in an ESP8266-based NodeMCU. The ESP8266 chipset is a microcontroller with Wi-Fi function that supports TCP/IP stack and can perform the function of a control unit. This is more useful indoors where a Wifi gateway is well configured.

IoT 디바이스를 구성하는 센서 모듈로서, 온습도 센서로는 DHT22 모듈을 사용하여 온도의 경우 -40～80℃범위를 0.1℃단위로 측정할 수 있고 ±0.5℃의 정밀도를 가질 수 있다. 상대습도는 0～100%의 범위를 0.1% 단위로 측정하고 ±2%의 정밀도를 가질 수 있다. 밝기 정보는 CdS(황화카드뮴) 센서모듈을 이용해서 측정할 수 있으며, 측정된 밝기는 1024단계로 구분될 수 있다.As a sensor module constituting the IoT device, the DHT22 module can be used as a temperature and humidity sensor to measure the temperature in the range of -40 to 80 ℃ in units of 0.1 ℃ and can have a precision of ±0.5 ℃. Relative humidity is measured in 0.1% increments in the range of 0 to 100% and can have a precision of ±2%. Brightness information can be measured using a CdS (cadmium sulfide) sensor module, and the measured brightness can be divided into 1024 levels.

IoT 기기(100)는 실내의 여러 공간에 배치 가능하다. 도 4는 이러한 복수의 IoT 기기가 배치되는 일 예를 예시한다. 도 4의 예에서, 3개의 IoT 기기가 지하 1층에 위치한 공용공간에 설치되었다. 지하 1층이지만 외부와 통하는 유리문이 있어서 제한적이지만 햇빛이 들어오며, IoT 기기 1(Divece #1)과 IoT 기기 3(Divece #3)은 같은 공간에 위치하고 있고 IoT 기기 2(Divece #2)는 유리벽으로 나뉘어져 있다. 이하의 실험 데이터에서 알 수 있듯이, 이에 따라, IoT 기기 2는 IoT 기기 1(Divece #1) 및 IoT 기기 3(Divece #3)와, 온도와 습도는 서로 차단되는 성향을 가지나, 밝기는 서로 영향성이 있다.The IoT device 100 can be placed in various indoor spaces. 4 illustrates an example in which a plurality of IoT devices are deployed. In the example of FIG. 4 , three IoT devices are installed in a common space located on the first basement floor. Although it is on the 1st basement floor, there is a glass door leading to the outside, so sunlight comes in although it is limited. IoT device 1 (Divece #1) and IoT device 3 (Divece #3) are located in the same space, and IoT device 2 (Divece #2) is glass separated by a wall. As can be seen from the experimental data below, accordingly, IoT device 2 tends to be blocked from IoT device 1 (Divece #1) and IoT device 3 (Divece #3) in terms of temperature and humidity, but their brightness affects each other. there is a castle

이하, 도 5 내지 도 16를 참조하여, 컴퓨팅 장치의 다양한 실시예 및 그에서 수행되는 시설관리를 위한 실내공간 이상 분석 방법의 다양한 실시예에 대하여 보다 상세히 설명한다.Hereinafter, with reference to FIGS. 5 to 16 , various embodiments of a computing device and a method for analyzing an abnormal indoor space for facility management performed by the computing device according to various embodiments will be described in detail.

도 5는 본 발명의 일 실시예에 따른 컴퓨팅 장치의 예시적인 컴퓨팅 운영 환경을 설명하는 도면이다.5 is a diagram illustrating an exemplary computing operating environment of a computing device according to an embodiment of the present invention.

도 5는 컴퓨팅 장치(300)의 실시예들이 구현될 수 있는 적합한 컴퓨팅 환경의 일반적이고 단순화된 설명을 제공하기 위한 것으로, 도 5를 참조하면, 컴퓨팅 장치(300)의 일 예로서 컴퓨팅 장치가 도시된다. FIG. 5 is intended to provide a general and simplified description of a suitable computing environment in which embodiments of computing device 300 may be implemented. Referring to FIG. 5, a computing device is shown as an example of computing device 300. do.

컴퓨팅 장치는 적어도 프로세싱 유닛(303)과 시스템 메모리(301)를 포함할 수 있다. The computing device may include at least a processing unit 303 and a system memory 301 .

컴퓨팅 장치는 프로그램을 실행할 때 협조하는 복수의 프로세싱 유닛을 포함할 수도 있다. 컴퓨팅 장치의 정확한 구성 및 유형에 의존하여, 시스템 메모리(301)는 휘발성(예컨대, 램(RAM)), 비휘발성(예컨대, 롬(ROM), 플래시 메모리 등) 또는 이들의 조합일 수 있다. 시스템 메모리(301)는 플랫폼의 동작을 제어하기 위한 적합한 운영 체제(302)를 포함하는데, 예컨대 마이크로소프트사로부터의 WINDOWS 운영체제나 리눅스 등의 것일 수 있다. 시스템 메모리(301)는 프로그램 모듈, 애플리케이션 등의 같은 하나 이상의 소프트웨어 애플리케이션을 포함할 수도 있다. A computing device may include a plurality of processing units that cooperate in executing a program. Depending on the exact configuration and type of computing device, system memory 301 may be volatile (eg, RAM), non-volatile (eg, ROM, flash memory, etc.), or a combination thereof. The system memory 301 includes a suitable operating system 302 for controlling the operation of the platform, which may be, for example, the WINDOWS operating system from Microsoft or Linux. System memory 301 may include one or more software applications, such as program modules, applications, and the like.

컴퓨팅 장치는 자기 디스크, 광학적 디스크, 또는 테이프와 같은 추가적인 데이터 저장 장치(304)를 포함할 수 있다. 이러한 추가적 저장소는 이동식 저장소 및/또는 고정식 저장소 일 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 인스트럭션, 데이터 구조, 프로그램 모듈, 또는 기타 데이터와 같은 저장정보를 위한 임의의 방법이나 기법으로 구현되는 휘발성 및 비휘발성, 이동식 및 고정식 매체를 포함할 수 있다. 시스템 메모리(301), 저장소(304)는 모두 컴퓨터 판독가능 저장 매체의 예시일 뿐이다. 컴퓨터 판독가능 저장 매체는 램(RAM), 롬(ROM), EEPROM, 플래시 메모리 또는 다른 메모리 기법, CD-ROM, DVD 또는 다른 광학적 저장소, 자기 테이프, 자기 디스크 저장소 또는 다른 자기적 저장 장치, 또는 원하는 정보를 저장하고 컴퓨팅 장치(300)에 의해 액세스될 수 있는 임의의 다른 매체를 포함할 수 있는데, 이에 한정되는 것은 아니다. The computing device may include additional data storage devices 304 such as magnetic disks, optical disks, or tape. Such additional storage may be removable storage and/or fixed storage. Computer readable storage media may include volatile and nonvolatile, removable and non-removable media implemented in any method or technology for storage information such as computer readable instructions, data structures, program modules, or other data. Both system memory 301 and storage 304 are examples of computer-readable storage media. Computer readable storage media may include RAM, ROM, EEPROM, flash memory or other memory technology, CD-ROM, DVD or other optical storage, magnetic tape, magnetic disk storage or other magnetic storage device, or any other It may include, but is not limited to, any other medium that stores information and can be accessed by computing device 300 .

컴퓨팅 장치의 입력 장치(305), 예컨대 키보드, 마우스, 펜, 음성 입력 장치, 터치 입력 장치, 및 비교 가능한 입력 장치를 포함할 수 있다. 출력 장치(306)는, 예컨대 디스플레이, 스피커, 프린터, 및 다른 유형의 출력 장치가 포함될 수도 있다. 이들 장치는 본 기술분야에서 널리 알려진 것이므로 자세한 설명은 생략한다.A computing device may include an input device 305 , such as a keyboard, mouse, pen, voice input device, touch input device, and comparable input devices. Output devices 306 may include, for example, displays, speakers, printers, and other types of output devices. Since these devices are widely known in the art, a detailed description thereof will be omitted.

컴퓨팅 장치는 예컨대 분산 컴퓨팅 환경에서의 네트워크, 예컨대, 유무선 네트워크, 위성 링크, 셀룰러 링크, 근거리 네트워크 및 비교가능한 메커니즘을 통해 장치가 다른 장치들과 통신하도록 허용하는 통신 장치(307)를 포함할 수도 있다. 통신 장치(307)는 통신 매체의 한가지 예시이며, 통신 매체는 그 안에 컴퓨터 판독 가능 인스트럭션, 데이터 구조, 프로그램 모듈, 또는 다른 데이터를 포함할 수 있다. 예시적으로, 통신 매체는 유선 네트워크나 직접 유선 접속과 같은 유선 매체, 및 음향, RF, 적외선 및 다른 무선 매체와 같은 무선 매체를 포함하는데, 이에 한정되는 것은 아니다. A computing device may include a communication device 307 that allows the device to communicate with other devices, such as over a network in a distributed computing environment, e.g., wired and wireless networks, satellite links, cellular links, local area networks, and comparable mechanisms. . Communications device 307 is one example of communication media, which may include computer readable instructions, data structures, program modules, or other data therein. By way of example, communication media includes, but is not limited to, wired media such as a wired network or direct wired connection, and wireless media such as acoustic, RF, infrared and other wireless media.

컴퓨팅 장치(300)는 이러한 컴퓨팅 환경에서 구현되는 기능적 구성으로 설명될 수 있다. 이에 대해서는, 도 6을 참조하여 설명한다.The computing device 300 may be described as a functional configuration implemented in such a computing environment. This will be described with reference to FIG. 6 .

도 6은 본 발명의 일 실시예에 따른 컴퓨팅 장치를 설명하는 블록 구성도이고, 도 7은 본 발명의 일 실시예에 따른 시설관리를 위한 실내공간 이상 분석 방법을 설명하는 순서도이다.6 is a block diagram illustrating a computing device according to an embodiment of the present invention, and FIG. 7 is a flowchart illustrating a method for analyzing an abnormality in an indoor space for facility management according to an embodiment of the present invention.

도 6을 참조하면, 컴퓨팅 장치(300)는 환경 데이터 수집부(310), 환경 데이터 검증부(320), 환경 데이터 학습 모델(330), 이상 상황 검출부(340) 및 관리 인터페이스(350)를 포함할 수 있다.Referring to FIG. 6 , the computing device 300 includes an environment data collection unit 310, an environment data verification unit 320, an environment data learning model 330, an abnormal situation detection unit 340, and a management interface 350. can do.

도 7을 더 참조하여 설명하면, 환경 데이터 수집부(310)는 IoT 기기와 연동하여, 복수의 IoT 기기로부터 각각 복수의 실내 환경 데이터를 수집할 수 있다(S701).Referring further to FIG. 7 , the environmental data collection unit 310 may collect a plurality of indoor environment data from a plurality of IoT devices in association with IoT devices (S701).

환경 데이터 검증부(320)는 환경 데이터 수집부(310)에서 수집된 실내 환경 데이터를 모니터링하고, 각 IoT 기기에 대하여 개별적으로 설정된 수집 범위에 대한 정보를 기초로 이상 데이터를 식별하고, 식별된 이상 데이터를 배제하도록 할 수 있다. The environmental data verification unit 320 monitors the indoor environment data collected by the environmental data collection unit 310, identifies abnormal data based on information on the collection range individually set for each IoT device, and identifies the abnormality identified. data can be excluded.

일 예로, 환경 데이터 검증부(320)는 복수의 센싱 데이터에 대하여 기 설정된 수집 범위를 초과하는 센싱 데이터를 식별하고, 식별된 센싱 데이터를 학습 대상에서 배제함으로써 환경 데이터를 검증할 수 있다. 여기에서, 수집 범위는 각 IoT 기기에 대하여 개별적으로 설정되는 것으로서, 환경 데이터 검증부(320)는 이러한 수집 범위를 초과하는 데이터는 이상 데이터로서 판단한다. For example, the environmental data verification unit 320 may verify the environmental data by identifying sensing data exceeding a preset collection range for a plurality of sensing data and excluding the identified sensing data from a learning target. Here, the collection range is individually set for each IoT device, and the environmental data verification unit 320 determines data exceeding this collection range as abnormal data.

여기에서, 수집 범위는 IoT 기기가 위치되는 실내 공간의 위치적 특성에 의하여 설정되는 범퍼 범위와, 수집된 데이터의 평균값을 기준으로 환경 데이터 검증부(320)에 의하여 설정될 수 있다. 즉, 수집된 데이터의 평균값에 범퍼 범위를 반영하여 수집 범위가 설정될 수 있다.Here, the collection range may be set by the environment data verification unit 320 based on the average value of the collected data and the bumper range set according to the positional characteristics of the indoor space where the IoT device is located. That is, the collection range may be set by reflecting the bumper range to the average value of the collected data.

이러한, 범퍼 범위는 실내 공간의 위치적 특성, 예컨대, 실내 공간의 용도 등에 따라 설정될 수 있다. 예를 들어, 주방 공간의 경우, 온도 및 습도가 타 실내 공간보다 높으므로 온도 및 습도에 대하여 타 경우보다 큰 범퍼 범위가 설정될 수 있다. 다른예로, 햇빛이 직접 비치는 실내 베란다의 경우, 시간에 따른 밝기 차이 및 온도 차이가 크게 발생할 수 있으므로, 밝기 및 온도에 대하여 타 경우보다 큰 범퍼 범위가 설정될 수 있다.Such a bumper range may be set according to the positional characteristics of the indoor space, for example, the use of the indoor space. For example, in the case of a kitchen space, since temperature and humidity are higher than those of other indoor spaces, a larger bumper range may be set for temperature and humidity than in other cases. As another example, in the case of an indoor veranda where sunlight directly shines, since a large difference in brightness and temperature over time may occur, a larger bumper range may be set for brightness and temperature than in other cases.

이러한 환경 데이터 검증부(320)에 의하여 센서 장치의 오류를 검증할 수 있으며, 이러한 환경 데이터 검증부(320)에 의하여 학습 모델에 입력되는 데이터 중 이상 데이터가 걸러지므로, 학습모델의 학습 정확도를 증가시킬 수 있다.Errors in the sensor device can be verified by the environmental data verification unit 320, and abnormal data among data input to the learning model is filtered out by the environment data verification unit 320, thereby increasing the learning accuracy of the learning model. can make it

환경 데이터 학습 모델(330)은 복수의 IoT 기기로부터 각각 수집된 실내 환경 데이터를 학습 데이터로 설정하여, 실내 공간과 관련된 온도, 습도 및 밝기 정보 간의 상호 연관성을 딥 러닝 기반으로 학습할 수 있다(S702).The environmental data learning model 330 may set indoor environment data collected from a plurality of IoT devices as learning data, and learn the correlation between temperature, humidity, and brightness information related to the indoor space based on deep learning (S702 ).

이상 상황 검출부(340)는 환경 데이터 학습 모델을 이용하여 상기 실내 공간에 대한 학습 추정 데이터를 산출할 수 있다(S703). 이후, 이상 상황 검출부(340)는 산출된 학습 추정 데이터와 복수의 IoT 기기로부터 각각 수집된 실내 환경 데이터 간의 차이를 기초로 비정상 상황 여부를 판단할 수 있다.The abnormal situation detection unit 340 may calculate learning estimation data for the indoor space using the environmental data learning model (S703). Thereafter, the abnormal situation detection unit 340 may determine whether or not the abnormal situation exists based on the difference between the calculated learning estimation data and the indoor environment data collected from the plurality of IoT devices.

관리 인터페이스(350)는 이상 상황 검출부(340)에 의하여 이상 상황이 발생한 것으로 판단되면, 이를 관리자 단말(500) 등에 통지하여 관리자에게 이상 상황의 발생에 대한 알람을 제공할 수 있다. 또한, 관리 인터페이스(350)는 관리자 단말(500)과 연동하여 관리자에게 컴퓨팅 장치(300)의 현황에 대한 관리 인터페이스를 제공할 수 있다. When it is determined that an abnormal situation has occurred by the abnormal situation detection unit 340 , the management interface 350 may notify the manager terminal 500 of the occurrence of the abnormal situation to provide a manager with an alarm regarding occurrence of the abnormal situation. In addition, the management interface 350 may interwork with the manager terminal 500 to provide a manager with a management interface for the current state of the computing device 300 .

이하에서, 환경 데이터 학습 모델(330)의 다양한 실시예에 대하여 설명한다.Hereinafter, various embodiments of the environmental data learning model 330 will be described.

일 예로, 환경 데이터 학습 모델(330)은 RNN(Recurrent Neural Network)방법인 LSTM(Long-Short Term Memory)을 활용하여 딥 러닝을 수행할 수 있다. LSTM(Long-Short Term Memory)는 시간적 연관성을 가지는 환경에서 유리하기 때문이다.For example, the environmental data learning model 330 may perform deep learning by utilizing long-short term memory (LSTM), which is a recurrent neural network (RNN) method. This is because LSTM (Long-Short Term Memory) is advantageous in an environment with temporal correlation.

환경 데이터 학습 모델(330)에서 사용하는 RNN 학습모델은, 아래의 수학식 1을 만족하며, 여기에서, ft, it, ot는 각각 forget, 입력, 출력 게이트 값을 의미한다. LSTM에서는 활성화 함수로 로지스틱 시그모이드 함수를 사용합니다. 이러한 게이트가 장기간 종속성을 적절하게 제어하기 때문에 LSTM 네트워크는 소멸 또는 폭발하는 그래디언트 문제를 적절하게 해결할 수 있다.The RNN learning model used in the environmental data learning model 330 satisfies Equation 1 below, where f t , i t , and o t denote forget, input, and output gate values, respectively. LSTM uses the logistic sigmoid function as the activation function. Because these gates properly control long-term dependencies, LSTM networks can properly solve the vanishing or exploding gradient problem.

[수학식 1][Equation 1]

Figure pat00001
Figure pat00001

일 실시예에서, 환경 데이터 학습 모델(330)은 서로 다른 학습 대상을 가지는 복수의 학습 모델을 포함할 수 있다. 도 9는 환경 데이터 학습 모델(330)의 일 실시예를 도시하는 블록 구성도로서, 도 9를 참조하면, 환경 데이터 학습 모델(330)은 서로 다른 IoT 기기 간에서, 실내 환경 데이터 간의 상호 연관성을 학습하는 제1 학습 모델 및 하나의 IoT 기기에서 수집된 실내 환경 데이터에 대하여, 실내 환경 데이터 요소 간의 상호 연관성을 학습하는 제2 학습 모델을 포함할 수 있다. 여기에서, 제1 학습 모델 및 제2 학습 모델은 하나의 학습 모델 자체가 아니라 이 또한 각각 복수의 학습 모델이 될 수 있다.In one embodiment, the environment data learning model 330 may include a plurality of learning models having different learning targets. 9 is a block diagram showing an embodiment of an environment data learning model 330. Referring to FIG. 9, the environment data learning model 330 is a mutual correlation between indoor environment data between different IoT devices. It may include a first learning model to learn and a second learning model to learn mutual correlation between indoor environment data elements with respect to indoor environment data collected from one IoT device. Here, the first learning model and the second learning model are not one learning model itself, but may also be a plurality of learning models.

도 12은 복수의 케이스로 구분되는 복수의 학습 모델을 포함하는 환경 학습 모델(330)다른 일 예를 설명하는 표이다. 학습 모델은 3가지 케이스로 구분되며, 각 케이스에서도 각각 학습 모델이 구분될 수도 있다. 12 is a table for explaining another example of an environmental learning model 330 including a plurality of learning models classified into a plurality of cases. The learning model is divided into three cases, and each learning model may also be classified in each case.

각 케이스, 즉, 학습 모델에서 공통 입력되는 공통 입력 피처(Common Input feature)는 시간에 대한 정보이고, 각 케이스/ 학습 모델마다 입력 피처(Input feature)가 도 12과 같이 개별 설정될 수 있다. 라벨(labels )은 학습 모델이 학습 모델을 구축하여 출력하는 학습 추정 데이터이다.A common input feature commonly input in each case, that is, the learning model, is information about time, and the input feature can be individually set for each case/learning model as shown in FIG. 12 . Labels are learning estimation data that the learning model builds and outputs.

제1 케이스는 밝기, 온도, 상대습도를 각각 개별적인 모델로서 학습한 것이다. 제2 케이스는 온도와 상대습도를 학습하여 밝기를 예측하는 모델(Case 2-1), 밝기와 상대습도를 학습하여 온도를 예측하는 모델(Case 2-2), 밝기와 온도를 학습하여 상대습도를 예측하는 모델(Case 2-3)을 포함한다. 제3 케이스는 인접 IoT 기기의 데이터를 기초로, 현재 IoT 기기의 밝기를 학습한다.In the first case, brightness, temperature, and relative humidity are learned as individual models. The second case is a model that predicts brightness by learning temperature and relative humidity (Case 2-1), a model that predicts temperature by learning brightness and relative humidity (Case 2-2), and a model that learns brightness and temperature to predict relative humidity Includes a model that predicts (Case 2-3). In the third case, the brightness of the current IoT device is learned based on data of neighboring IoT devices.

일 예로, 각각의 학습 모델은 제1 레이어로서 512 유닛을 가지는 제1 LSTM 레이저, 제2 레이어로서 512 유닛을 가지는 제2 LSTM 레이어, 제3 레이어로서 512 유닛을 가지는 Dense 레이어 및 제4 레이어로서 1 유닛을 가지는 Dense 레이어를 포함할 수 있다. 4번째 레이어는 레이블의 차원으로 1차원으로 설정한다. 활성화는 ReLu로 설정되었으며, 손실 함수(비용 함수)는 평균 제곱 오차를 사용하고 옵티마이저는 Adam을 사용할 수 있다.For example, each learning model has a first LSTM laser having 512 units as a first layer, a second LSTM layer having 512 units as a second layer, a Dense layer having 512 units as a third layer, and 1 as a fourth layer. It may include a dense layer with units. The 4th layer is set to 1 dimension as the label dimension. The activation is set to ReLu, the loss function (cost function) uses mean squared error, and the optimizer can use Adam.

도 13는 도 12에 도시된 예에서, 제1 케이스에 대한 예측치(Prediction)과 실제 감지 데이터(True)간의 관계를 도시하는 그래프이다. 그림 (a)는 케이스 1-a, 그림 (b)는 케이스 1-b, 그림 (c)는 케이스 1-c에 관한 것이다. 도 13와 같이, 현재 t까지의 감지 데이터를 기초로 t+1 시점에 대한 예측치, 즉, 학습 추정 데이터를 산출한 후, 이를 t+1시점에서 감지된 실내 환경 데이터와 비교하면 높은 정확도를 가지고 있음을 알 수 있다. 도 13에 도시된 실험에서의 밝기, 온도 및 상대 습도의 예측값의 MAPE는 각각 1.04%, 1.30%, 2.06% 에 불과하였다.FIG. 13 is a graph illustrating a relationship between predicted values (Prediction) and actual sensed data (True) for the first case in the example shown in FIG. 12 . Figure (a) is for case 1-a, figure (b) is for case 1-b, and figure (c) is for case 1-c. As shown in FIG. 13, after calculating the predicted value for the time point t + 1, that is, the learning estimation data, based on the detected data up to the present time t, and comparing it with the indoor environment data detected at the time point t + 1, it has high accuracy it can be seen that there is In the experiment shown in FIG. 13, the MAPEs of the predicted values of brightness, temperature, and relative humidity were only 1.04%, 1.30%, and 2.06%, respectively.

도 14는 도 12에 도시된 예에서, 제2 케이스에 대한 예측치(Prediction)과 실제 감지 데이터(True)간의 관계를 도시하는 그래프이다. 그림 (a)는 케이스 3-a, 그림 (b)는 케이스 3-b, 그림 (c)는 케이스 3-c에 관한 그래프이다. FIG. 14 is a graph illustrating a relationship between predicted values (Prediction) and actual sensed data (True) for the second case in the example shown in FIG. 12 . Figure (a) is case 3-a, figure (b) is case 3-b, and figure (c) is case 3-c.

도 14는 하나의 장치에서 수집된 실내 환경 데이터의 일 요소를, 다른 요소들로부터 추정하는 경우에 관한 것으로서, 제2 케이스는 온도와 상대습도를 학습하여 밝기를 예측하는 모델(Case 2-1), 밝기와 상대습도를 학습하여 온도를 예측하는 모델(Case 2-2), 밝기와 온도를 학습하여 상대습도를 예측하는 모델(Case 2-3)에 관한 것이다.14 relates to a case in which one element of indoor environmental data collected by one device is estimated from other elements, and the second case is a model for predicting brightness by learning temperature and relative humidity (Case 2-1) , a model that predicts temperature by learning brightness and relative humidity (Case 2-2), and a model that predicts relative humidity by learning brightness and temperature (Case 2-3).

도 14의 그래프의 데이터에서, 밝기, 온도 및 상대습도의 예측값의 MAPE는 각각 17.92%, 9.28%, 32.06% 이다. 밝기와 습도는 예측의 정확도가 상대적으로 낮게 검출되었으나, 이러한 결과에서도 추세적 특징은 비교적 정확하게 도출됨을 알 수 있다. 예컨대, 온도와 습도 데이터 만으로 밝아지는 것을 미리 예측할 수 있었던 부분이다. 그림 (a)의 그래프에서 보면 실제 측정데이터는 Test set의 3,000번째와 약 4,700번째 에서 밝아지는데, 이에 대해서는 상대적으로 밝아지는 것을 예측한 것을 확인 할 수 있다. 그림 (b) 그래프에서는 온도의 변화 추세를 상당히 유사하게 예측한 것과 습도 값이 오차 와는 별도로 그래프의 형태는 정확도로 예측된 것을 알 수 있으며, 이는 온도 변화와 밝기 변화 간의 영향성이 학습 모델에 잘 반영되어 있음을 알 수 있다. In the data of the graph of FIG. 14, the MAPEs of the predicted values of brightness, temperature, and relative humidity are 17.92%, 9.28%, and 32.06%, respectively. Brightness and humidity were detected with relatively low predictive accuracy, but it can be seen that the trend features were derived relatively accurately even from these results. For example, it is a part that can be predicted in advance with only temperature and humidity data. In the graph of Figure (a), the actual measured data becomes brighter at the 3,000th and 4,700th test set, and it can be confirmed that relatively brightening was predicted for this. In the graph (b), it can be seen that the temperature change trend was predicted very similarly, and the shape of the graph was predicted with accuracy, apart from the error of the humidity value, which indicates that the influence between temperature change and brightness change is well applied to the learning model. It can be seen that reflected

도 15은 도 12에 도시된 예에서, 제3 케이스에 대한 예측치(Prediction)과 실제 감지 데이터(True)간의 관계를 도시하는 그래프이다. FIG. 15 is a graph illustrating a relationship between predicted values (Prediction) and actual sensed data (True) for the third case in the example shown in FIG. 12 .

인근에 설치된 두개의 IoT에서 수집된 밝기 값을 기준으로, 현재 IoT의 t+1 시점의 밝기를 예측하였다. MAPE는 8.58%로 정확도가 매우 높은 것을 알 수 있다. 다만, 이는 도 4에서 설명한 바와 같이, 공간의 빛 개방성 -공간이 연결되어 있거나, 유리로 되어있는 점-에 의한 영향이 학습에 반영된 결과이다.Based on the brightness values collected from two IoTs installed nearby, the brightness of the current IoT at t+1 was predicted. It can be seen that the MAPE is 8.58% and the accuracy is very high. However, as described in FIG. 4, this is the result of the influence of the light openness of the space - that the space is connected or made of glass - is reflected in the learning.

도 16은 도 13 내지 도 14의 케이스들에 대한 평균절대비오차(MAPE)와 상관계수(Correlation)를 도시하는 표이다.FIG. 16 is a table showing average absolute error margin (MAPE) and correlation coefficients for the cases of FIGS. 13 and 14 .

제1 케이스는 지표, 즉, 실내 환경 데이터의 요소인 온도, 상대습도 및 밝기의 종류에 상관 없이 높은 정확도를 가짐을 알 수 있다. 제2 케이스에는 온도 예측에서 정확도가 높게 나오며, 제3 케이스에서는 제2 케이스 대비 상대적으로 좋은 결과를 가짐을 알 수 있다. 예측 값과 실제값의 추세를 간접적으로 확인할 수 있는 상관 계수도 정확도와 유사한 결과를 가짐을 알 수 있다.It can be seen that the first case has high accuracy regardless of the types of indicators, that is, temperature, relative humidity, and brightness, which are elements of indoor environmental data. It can be seen that the second case has high accuracy in temperature prediction, and the third case has a relatively good result compared to the second case. It can be seen that the correlation coefficient, which can indirectly confirm the trend of the predicted value and the actual value, has a similar result to the accuracy.

이하에서, 이상 상황 검출부(340)의 다양한 실시예에 대하여 설명한다.Hereinafter, various embodiments of the abnormal situation detection unit 340 will be described.

도 8은 본 발명의 일 실시예에 따른 도 6의 이상 상황 검출부에서 제공하는 이상 상황 검출방법의 일 예를 도시하는 순서도로서, 이하 도 8을 참조하여, 이상 상황 검출부(340)의 일 예에 대하여 설명한다.FIG. 8 is a flowchart illustrating an example of an abnormal situation detection method provided by the abnormal situation detection unit of FIG. 6 according to an embodiment of the present invention. Referring to FIG. 8 , an example of the abnormal situation detection unit 340 explain about.

도 8을 참조하면, 이상 상황 검출부(340)는, 환경 데이터 학습 모델에서 출력된 학습 추정 데이터를 기준값으로 설정할 수 있다(S801). 즉, 1 내지 t 시점까지의 데이터를 기반으로 환경 데이터 학습 모델에서 t+1 시점에 대하여 예측치인 학습 추정 데이터를 산출하면, 이상 상황 검출부(340)는 이러한 학습 추정 데이터를 기준값으로서 설정할 수 있다.Referring to FIG. 8 , the abnormal situation detection unit 340 may set learning estimation data output from the environmental data learning model as a reference value (S801). That is, when learning estimation data that is a predicted value for time t+1 is calculated in the environmental data learning model based on data from times 1 to t, the abnormal situation detection unit 340 may set this learning estimation data as a reference value.

이상 상황 검출부(340)는, 이와 같이 설정된 기준값에 기준 오차를 반영하여 학습 기준 임계값을 설정할 수 있다(S802). 이후, 이상 상황 검출부(340)는, 수집된 실내 환경 데이터가 학습 기준 임계값을 초과하면 비정상 상황으로 판단할 수 있다(S803).The abnormal situation detection unit 340 may set the learning criterion threshold by reflecting the reference error to the set reference value (S802). Thereafter, the abnormal situation detection unit 340 may determine an abnormal situation when the collected indoor environment data exceeds a learning criterion threshold (S803).

즉, 이상 상황 검출부(340)는, 학습 모델에 의하여 추산된 t+1 시점에 대한 학습 추정 데이터를 기초로, t+1 시점에서 센싱된 실내 환경 데이터가 임계기준을 초과하면 이상 상황으로 판단하는 것이다. 예를 들어, 누전에 의하여 불이 난 경우라면, 학습 모델에서 추정되는 평상시의 온도 및 상대 습도와 다른, 높은 온도 및 낮은 상대습도를 가질 것이므로 이러한 비상 상황을 판별할 수 있다.That is, the abnormal situation detection unit 340 determines that the indoor environment data sensed at time t + 1 exceeds a threshold based on the learning estimation data for time t + 1 estimated by the learning model as an abnormal situation. will be. For example, in the case of a fire caused by a short circuit, such an emergency situation can be determined because it will have high temperature and low relative humidity different from the normal temperature and relative humidity estimated by the learning model.

도 10은 이상 상황 검출부의 일 실시예를 도시하는 블록 구성도이고, 도 11은 도 10에 도시된 이상 상황 검출부에 의한 이상 상황 검출방법의 일 예를 도시하는 순서도이다.10 is a block diagram illustrating an abnormal situation detection unit according to an embodiment, and FIG. 11 is a flowchart illustrating an example of an abnormal situation detection method by the abnormal situation detection unit shown in FIG. 10 .

도 10을 참조하면, 이상 상황 검출부(340)는 기준오차 설정모듈(341), 유효모델 선별모듈(342) 및 비정상 판단모듈(343)을 포함할 수 있다. Referring to FIG. 10 , the abnormal situation detection unit 340 may include a reference error setting module 341 , an effective model selection module 342 and an abnormality determination module 343 .

전술한 바와 같이, 실내 환경 데이터의 서로 다른 요소(예컨대, 온도, 상대습도, 밝기 등)를 예측하도록 학습된 복수의 학습 모델이 구비되어 있다(S1101).As described above, a plurality of learning models trained to predict different elements (eg, temperature, relative humidity, brightness, etc.) of indoor environment data are provided (S1101).

기준오차 설정모듈(341)은 기준값으로 설정되는 학습 추정 데이터에 반영할 기준 오차를 설정할 수 있다. 측정된 실내 환경 데이터가 기준 오차를 초과하는 경우, 이상 상황으로 판단될 수 있으므로, 기준 오차의 설정은 중요하다. 기준오차 설정모듈(341)은 설정한 기준 오차를 비정상 판단모듈(343)에 제공할 수 있다.The reference error setting module 341 may set a reference error to be reflected in learning estimation data set as a reference value. When the measured indoor environment data exceeds the standard error, it may be determined as an abnormal situation, so setting the standard error is important. The reference error setting module 341 may provide the set reference error to the abnormal determination module 343 .

일 예로, 기준오차 설정모듈(341)은 실내 환경 데이터의 요소 및 현재 조건에 따라, 복수의 학습 모델 각각에 대하여 개별적으로 기준 오차를 설정할 수 있다 (S1102). 여기에서, 현재 조건은 정확도 및 상관계수로서 도출될 수 있다.For example, the reference error setting module 341 may individually set a reference error for each of a plurality of learning models according to elements of indoor environment data and current conditions (S1102). Here, the current condition can be derived as accuracy and correlation coefficient.

예컨대, 기준오차 설정모듈(341)은 각각의 학습 모델 및 해당 학습 모델에서 추정하는 실내 환경 데이터 요소(예컨대, 온도, 상대습도 및 밝기 중 적어도 하나)에 대하여 정확도 및 상관계수를 각각 산출하고, 산출된 정확도 및 상관 계수의 값에 반비례하도록 기준 오차를 설정할 수 있다. 즉, 정확도 및 상관 계수는 높을수록 기준 오차는 작아지도록 설정될 수 있다. For example, the reference error setting module 341 calculates accuracy and correlation coefficient for each learning model and an indoor environment data element (eg, at least one of temperature, relative humidity, and brightness) estimated by the learning model, and calculates The reference error can be set to be inversely proportional to the value of the accuracy and correlation coefficient. That is, the higher the accuracy and the correlation coefficient, the smaller the reference error may be.

유효모델 선별모듈(342)은 복수의 학습 모델 중에서 비유효 모델을 배제하고 유효 모델을 선별할 수 있다(S1103). 예컨대, 유효모델 선별모듈(342)은 어느 학습 모델에서 정확도 또는 상관 계수 중 적어도 하나가 기 설정된 임계수치를 만족하지 못하는 경우, 해당 학습 모델은 비유효 모델로 설정할 수 있다. 예컨대, 도 17의 예에서, 케이스 2-3(2-c)의 케이스는 비유효 모델로 설정될 수 있다.The valid model selection module 342 may exclude an ineffective model from among a plurality of learning models and select a valid model (S1103). For example, the valid model selection module 342 may set the learning model as an invalid model when at least one of accuracy or correlation coefficient does not satisfy a predetermined threshold value in a certain learning model. For example, in the example of FIG. 17 , case 2-3(2-c) may be set as an invalid model.

유효모델 선별모듈(342)은 선정된 비유효 모델에 대한 정보를 비정상 판단모듈(343)에 제공할 수 있다.The valid model selection module 342 may provide information on the selected non-valid model to the abnormality determination module 343 .

비정상 판단모듈(343)은 유효모델 선별모듈(342)에 의하여 선정된 유효 모델을 대상으로, 유효 모델에서의 추정 학습 데이터에 기준오차 설정모듈(341)에서 제공하는 기준 오차를 설정하여 학습 기준 임계값을 설정할 수 있다. 비정상 판단모듈(343)은 수집된 실내 환경 데이터가 학습 기준 임계값을 초과하는 경우, 비정상 상황으로서 판단할 수 있다(S1104).The abnormal determination module 343 sets the reference error provided by the reference error setting module 341 to the estimated learning data in the valid model for the valid model selected by the valid model selection module 342 to become a learning criterion threshold. value can be set. When the collected indoor environment data exceeds the learning criterion threshold, the abnormal determination module 343 may determine it as an abnormal situation (S1104).

이상에서 설명한 본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니고 후술하는 특허청구범위에 의해 한정되며, 본 발명의 구성은 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 그 구성을 다양하게 변경 및 개조할 수 있다는 것을 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 쉽게 알 수 있다.The present invention described above is not limited by the foregoing embodiments and the accompanying drawings, but is limited by the claims to be described later, and the configuration of the present invention can be varied within a range that does not deviate from the technical spirit of the present invention. It can be easily changed and modified by those skilled in the art to which the present invention belongs.

100 : IoT 기기
300 : 컴퓨팅 장치
110 : 전원 공급부 120 : 센서부
130 : 제어부 140 : 데이터 저장부
150 : 통신부
301 : 시스템 메모리 302 : 운영체제
303 : 프로세싱 유닛 304 : 저장소
305 : 입력장치 306 : 출력장치
307 : 통신장치
310 : 환경 데이터 수집부 320 : 환경 데이터 검증부
330 : 환경 데이터 학습모델 340 : 이상 상황 검출부
350 : 관리 인터페이스100: IoT device
300: computing device
110: power supply unit 120: sensor unit
130: control unit 140: data storage unit
150: Ministry of Communication
301: system memory 302: operating system
303: processing unit 304: storage
305: input device 306: output device
307: communication device
310: environmental data collection unit 320: environmental data verification unit
330: environmental data learning model 340: abnormal situation detection unit
350: management interface

Claims (11)

실내 공간에 구비되고, 실내 공간의 온도, 습도 및 밝기 정보를 포함하는 실내 환경 데이터를 수집하여 제공하는 복수의 IoT(Internet on Things) 기기; 및
상기 복수의 IoT 기기에서 수집된 실내 환경 데이터를 이용하여 상기 실내 공간과 관련된 상기 온도, 상기 습도 및 상기 밝기 정보 간의 상호 연관성을 학습하는 환경 데이터 학습모델을 포함하는 컴퓨팅 장치; 를 포함하고,
상기 컴퓨팅 장치는,
상기 환경 데이터 학습 모델을 이용하여 상기 실내 공간에 대한 학습 추정 데이터를 산출하고, 상기 산출된 학습 추정 데이터와 상기 수집된 실내 환경 데이터 간의 차이를 기초로 비정상 상황 여부를 판단하는,
시설관리를 위한 실내공간 이상 분석 시스템.A plurality of IoT (Internet on Things) devices provided in the indoor space and collecting and providing indoor environment data including temperature, humidity, and brightness information of the indoor space; and
A computing device including an environmental data learning model that learns a correlation between the temperature, humidity, and brightness information related to the indoor space using indoor environment data collected from the plurality of IoT devices; including,
The computing device,
Calculating learning estimation data for the indoor space using the environmental data learning model, and determining whether an abnormal situation is present based on a difference between the calculated learning estimation data and the collected indoor environment data,
Indoor space anomaly analysis system for facility management. 제1항에 있어서, 상기 복수의 IoT 기기는,
온도 센서, 습도 센서 및 밝기 센서를 포함하는 센서부;
무선 통신망에 접속하여 상기 컴퓨터 장치와의 통신 연결을 형성하는 통신부; 및
단위 시간마다 동작하도록 상기 센서부를 설정하고, 상기 센서부에서 상기 단위 시간마다 수집된 센싱 데이터를 해당 IoT 기기의 실내 환경 데이터로서 상기 컴퓨팅 장치에 송신하도록 제어하는 제어부; 를 포함하는,
시설관리를 위한 실내공간 이상 분석 시스템.
The method of claim 1, wherein the plurality of IoT devices,
a sensor unit including a temperature sensor, a humidity sensor, and a brightness sensor;
a communication unit that connects to a wireless communication network and establishes a communication connection with the computer device; and
a control unit configured to set the sensor unit to operate at each unit time and control the sensor unit to transmit sensing data collected at each unit time to the computing device as indoor environment data of a corresponding IoT device; including,
Indoor space anomaly analysis system for facility management.
 제1항에 있어서, 상기 컴퓨팅 장치는,
상기 복수의 IoT 기기와 연동하여, 상기 복수의 IoT 기기로부터 각각 복수의 실내 환경 데이터를 수집하는 환경 데이터 수집부;
상기 복수의 IoT 기기로부터 각각 수집된 실내 환경 데이터를 학습 데이터로 설정하여, 상기 실내 공간과 관련된 상기 온도, 상기 습도 및 상기 밝기 정보 간의 상호 연관성을 딥 러닝 기반으로 학습하는 환경 데이터 학습 모델; 및
상기 환경 데이터 학습 모델을 이용하여 상기 실내 공간에 대한 학습 추정 데이터를 산출하고, 상기 산출된 학습 추정 데이터와 상기 수집된 실내 환경 데이터 간의 차이를 기초로 비정상 상황 여부를 판단하는 이상 상황 검출부; 를 포함하는,
시설관리를 위한 실내공간 이상 분석 시스템.
The method of claim 1, wherein the computing device,
an environmental data collection unit that interworks with the plurality of IoT devices and collects a plurality of indoor environment data from the plurality of IoT devices;
an environmental data learning model that sets indoor environment data collected from each of the plurality of IoT devices as learning data and learns a correlation between the temperature, humidity, and brightness information related to the indoor space based on deep learning; and
an abnormal situation detection unit that calculates learning estimation data for the indoor space using the environment data learning model and determines whether or not an abnormal situation exists based on a difference between the calculated learning estimation data and the collected indoor environment data; including,
Indoor space anomaly analysis system for facility management.
 제3항에 있어서, 상기 환경 데이터 학습 모델은,
서로 다른 IoT 기기 간에서, 실내 환경 데이터 간의 상호 연관성을 학습하는 제1 학습 모델; 및
하나의 IoT 기기에서 수집된 실내 환경 데이터에 대하여, 실내 환경 데이터 요소 간의 상호 연관성을 학습하는 제2 학습 모델; 을 포함하는,
시설관리를 위한 실내공간 이상 분석 시스템.

The method of claim 3, wherein the environmental data learning model,
A first learning model for learning mutual correlation between indoor environment data among different IoT devices; and
A second learning model for learning mutual correlation between indoor environment data elements with respect to indoor environment data collected from one IoT device; including,
Indoor space anomaly analysis system for facility management.

 제3항에 있어서, 상기 이상 상황 검출부는,
상기 환경 데이터 학습 모델에서 출력된 학습 추정 데이터를 기준값으로 설정하고, 설정된 기준값에 기준 오차를 반영하여 학습 기준 임계값을 설정하며, 수집된 실내 환경 데이터가 상기 학습 기준 임계값을 초과하면 비정상 상황으로 판단하는,
시설관리를 위한 실내공간 이상 분석 시스템.
The method of claim 3, wherein the abnormal situation detection unit,
The learning estimation data output from the environmental data learning model is set as a reference value, a learning criterion threshold is set by reflecting a criterion error to the set reference value, and an abnormal situation occurs when the collected indoor environment data exceeds the learning criterion threshold. to judge,
Indoor space anomaly analysis system for facility management.
 제3항에 있어서, 상기 컴퓨팅 장치는,
상기 환경 데이터 수집부에서 수집된 상기 복수의 실내 환경 데이터에 포함된 복수의 센싱 데이터를 모니터링하고, 상기 복수의 센싱 데이터에 대하여 기 설정된 수집 범위를 초과하는 센싱 데이터를 식별하고 식별된 센싱 데이터를 학습 대상에서 배제함으로써 환경 데이터를 검증하는 환경 데이터 검증부;
를 더 포함하는,
시설관리를 위한 실내공간 이상 분석 시스템.
The method of claim 3, wherein the computing device,
Monitoring a plurality of sensing data included in the plurality of indoor environment data collected by the environmental data collection unit, identifying sensing data exceeding a predetermined collection range with respect to the plurality of sensing data, and learning the identified sensing data an environmental data verification unit verifying environmental data by excluding them from the target;
Including more,
Indoor space anomaly analysis system for facility management.
 실내 공간에 구비되어 실내 공간의 온도, 습도 및 밝기 정보를 포함하는 실내 환경 데이터를 수집하여 제공하는 복수의 IoT(Internet on Things) 기기와 연동하여 실내공간에 대한 이상을 분석하는 컴퓨팅 장치에서 수행되는 실내공간 이상 분석 방법으로서,
상기 복수의 IoT 기기와 연동하여, 상기 복수의 IoT 기기로부터 각각 복수의 실내 환경 데이터를 수집하는 단계;
상기 복수의 IoT 기기로부터 각각 수집된 실내 환경 데이터를 학습 데이터로 설정하여, 상기 실내 공간과 관련된 상기 온도, 상기 습도 및 상기 밝기 정보 간의 상호 연관성을 딥 러닝 기반으로 학습하여 환경 데이터 학습 모델을 구축하는 단계; 및
상기 환경 데이터 학습 모델을 이용하여 상기 실내 공간에 대한 학습 추정 데이터를 산출하고, 상기 산출된 학습 추정 데이터와 상기 수집된 실내 환경 데이터 간의 차이를 기초로 비정상 상황 여부를 판단하는 단계; 를 포함하는,
시설관리를 위한 실내공간 이상 분석 방법.
Performed by a computing device that analyzes abnormalities in the indoor space in conjunction with a plurality of IoT (Internet on Things) devices provided in the indoor space to collect and provide indoor environmental data including temperature, humidity, and brightness information of the indoor space As an indoor space anomaly analysis method,
Collecting a plurality of indoor environment data from each of the plurality of IoT devices in conjunction with the plurality of IoT devices;
Setting indoor environment data collected from each of the plurality of IoT devices as learning data, learning the correlation between the temperature, humidity, and brightness information related to the indoor space based on deep learning to build an environmental data learning model step; and
calculating learning estimation data for the indoor space using the environment data learning model, and determining whether or not an abnormal situation exists based on a difference between the calculated learning estimation data and the collected indoor environment data; including,
Indoor space anomaly analysis method for facility management.
 제7항에 있어서, 상기 환경 데이터 학습 모델은,
서로 다른 IoT 기기 간에서, 실내 환경 데이터 간의 상호 연관성을 학습하는 제1 학습 모델; 및
하나의 IoT 기기에서 수집된 실내 환경 데이터에 대하여, 실내 환경 데이터 요소 간의 상호 연관성을 학습하는 제2 학습 모델; 을 포함하는,
시설관리를 위한 실내공간 이상 분석 방법.
The method of claim 7, wherein the environmental data learning model,
A first learning model for learning mutual correlation between indoor environment data among different IoT devices; and
A second learning model for learning mutual correlation between indoor environment data elements with respect to indoor environment data collected from one IoT device; including,
Indoor space anomaly analysis method for facility management.
 제7항에 있어서, 상기 실내공간 이상 분석 방법은,
상기 환경 데이터 수집부에서 수집된 상기 복수의 실내 환경 데이터에 포함된 복수의 센싱 데이터를 모니터링하고, 상기 복수의 센싱 데이터에 대하여 기 설정된 수집 범위를 초과하는 센싱 데이터를 식별하고 식별된 센싱 데이터를 학습 대상에서 배제함으로써 환경 데이터를 검증하는 단계; 를 더 포함하는,
시설관리를 위한 실내공간 이상 분석 방법.
The method of claim 7, wherein the indoor space anomaly analysis method,
Monitoring a plurality of sensing data included in the plurality of indoor environment data collected by the environmental data collection unit, identifying sensing data exceeding a predetermined collection range with respect to the plurality of sensing data, and learning the identified sensing data verifying environmental data by excluding them from the target; Including more,
Indoor space anomaly analysis method for facility management.
 제7항에 있어서, 상기 비정상 상황 여부를 판단하는 단계는,
상기 환경 데이터 학습 모델에서 출력된 학습 추정 데이터를 기준값으로 설정하는 단계;
설정된 기준값에 기준 오차를 반영하여 학습 기준 임계값을 설정하는 단계;
수집된 실내 환경 데이터가 상기 학습 기준 임계값을 초과하면 비정상 상황으로 판단하는 단계; 를 포함하는,
시설관리를 위한 실내공간 이상 분석 방법.
The method of claim 7, wherein determining whether or not the abnormal situation is
setting learning estimation data output from the environmental data learning model as a reference value;
setting a learning criterion threshold by reflecting a reference error to a set reference value;
determining an abnormal situation when the collected indoor environment data exceeds the learning criterion threshold; including,
Indoor space anomaly analysis method for facility management.
 컴퓨터 판독 가능한 인스트럭션들(instructions)을 저장하고 있는 저장 매체로서,
상기 인스트럭션들은, 컴퓨팅 장치에 의해 실행될 때, 상기 컴퓨팅 장치로 하여금,
복수의 IoT 기기와 연동하여, 상기 복수의 IoT 기기로부터 각각 복수의 실내 환경 데이터를 수집하는 동작;
상기 복수의 IoT 기기로부터 각각 수집된 실내 환경 데이터를 학습 데이터로 설정하여, 상기 실내 공간과 관련된 상기 온도, 상기 습도 및 상기 밝기 정보 간의 상호 연관성을 딥 러닝 기반으로 학습하여 환경 데이터 학습 모델을 구축하는 동작; 및
상기 환경 데이터 학습 모델을 이용하여 상기 실내 공간에 대한 학습 추정 데이터를 산출하고, 상기 산출된 학습 추정 데이터와 상기 수집된 실내 환경 데이터 간의 차이를 기초로 비정상 상황 여부를 판단하는 동작; 을 수행하도록 하는,
저장 매체. A storage medium storing computer readable instructions,
The instructions, when executed by a computing device, cause the computing device to:
Collecting a plurality of indoor environment data from the plurality of IoT devices in conjunction with a plurality of IoT devices;
Setting indoor environment data collected from each of the plurality of IoT devices as learning data, learning the correlation between the temperature, humidity, and brightness information related to the indoor space based on deep learning to build an environmental data learning model movement; and
calculating learning estimation data for the indoor space using the environment data learning model, and determining whether or not an abnormal situation exists based on a difference between the calculated learning estimation data and the collected indoor environment data; to do,
storage medium.
KR1020210183869A 2021-12-21 2021-12-21 System and method for Indoor space anomaly analysis for facility management KR20230094589A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210183869A KR20230094589A (en) 2021-12-21 2021-12-21 System and method for Indoor space anomaly analysis for facility management

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210183869A KR20230094589A (en) 2021-12-21 2021-12-21 System and method for Indoor space anomaly analysis for facility management

Publications (1)

Publication Number Publication Date
KR20230094589A true KR20230094589A (en) 2023-06-28

Family

ID=86994580

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210183869A KR20230094589A (en) 2021-12-21 2021-12-21 System and method for Indoor space anomaly analysis for facility management

Country Status (1)

Country Link
KR (1) KR20230094589A (en)

Similar Documents

Publication Publication Date Title
Hobson et al. Opportunistic occupancy-count estimation using sensor fusion: A case study
US10896378B2 (en) Fast detection of energy consumption anomalies in buildings
Wan et al. Similarity-aware data aggregation using fuzzy c-means approach for wireless sensor networks
Xiao et al. Bayesian network based FDD strategy for variable air volume terminals
Beltran et al. Thermosense: Occupancy thermal based sensing for hvac control
Yang et al. A multi-sensor based occupancy estimation model for supporting demand driven HVAC operations
US9791872B2 (en) Method and apparatus for an energy saving heating, ventilation, and air conditioning (HVAC) control system
Tien et al. A deep learning approach towards the detection and recognition of opening of windows for effective management of building ventilation heat losses and reducing space heating demand
US8788448B2 (en) Occupancy pattern detection, estimation and prediction
US11080620B2 (en) Localizing energy consumption anomalies in buildings
Yang et al. Inferring occupancy from opportunistically available sensor data
CN105473354A (en) Power consumption assessment of an HVAC system
CN112270122B (en) Inversion evaluation method for fire source parameters of building fire
Gunay et al. Detecting occupants’ presence in office spaces: a case study
Jiang et al. Bayesian filtering for building occupancy estimation from carbon dioxide concentration
Howard et al. Implicit sensing of building occupancy count with information and communication technology data sets
Wang et al. Monte Carlo analysis of the effect of uncertainties on model-based HVAC fault detection and diagnostics
KR102288701B1 (en) Safety management apparatus for aging buildings based on internet of things
Chiţu et al. Wireless system for occupancy modelling and prediction in smart buildings
Nweye et al. MARTINI: Smart meter driven estimation of HVAC schedules and energy savings based on Wi-Fi sensing and clustering
Sreedharan et al. Towards improved characterization of high-risk releases using heterogeneous indoor sensor systems
CN112268718B (en) Method, device, equipment and medium for detecting operation state of car door
KR20230094589A (en) System and method for Indoor space anomaly analysis for facility management
CN110662220B (en) Wireless sensor network anomaly detection method based on time-space correlation and information entropy
Chitu et al. Predictive modeling of occupancy patterns in smart buildings

Legal Events

Date Code Title Description
E902 Notification of reason for refusal