KR20230138276A - Method and Apparatus for Calibrating Sensors in wastewater treatment plants - Google Patents
Method and Apparatus for Calibrating Sensors in wastewater treatment plants Download PDFInfo
- Publication number
- KR20230138276A KR20230138276A KR1020220036125A KR20220036125A KR20230138276A KR 20230138276 A KR20230138276 A KR 20230138276A KR 1020220036125 A KR1020220036125 A KR 1020220036125A KR 20220036125 A KR20220036125 A KR 20220036125A KR 20230138276 A KR20230138276 A KR 20230138276A
- Authority
- KR
- South Korea
- Prior art keywords
- sensor
- data
- sensor data
- normal
- equation
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000004065 wastewater treatment Methods 0.000 title 1
- 239000010865 sewage Substances 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims description 18
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 7
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 229910052757 nitrogen Inorganic materials 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- 229910052698 phosphorus Inorganic materials 0.000 claims description 6
- 239000011574 phosphorus Substances 0.000 claims description 6
- 239000007787 solid Substances 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 18
- 238000013528 artificial neural network Methods 0.000 description 13
- 238000012544 monitoring process Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000012806 monitoring device Methods 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000356 contaminant Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/08—Chemical Oxygen Demand [COD]; Biological Oxygen Demand [BOD]
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/16—Total nitrogen (tkN-N)
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F2209/00—Controlling or monitoring parameters in water treatment
- C02F2209/18—PO4-P
Abstract
본 명세서의 실시 예는 하수 처리 시설에서의 센서를 보정하는 방법 및 장치에 관한 것이다. 구체적으로 Stacked denoising autoencoder을 이용하여 센서를 보정하고 하수처리시설의 유입수 수질을 지속가능하도록 모니터링할 수 있다.
본 명세서의 실시예에 따른 하수처리 시스템에서의 센서를 보정하는 장치는 데이터를 저장하는 메모리; 및 센서 데이터를 확인하고, 사전 학습된 네트워크에 상기 센서 데이터를 입력하여, 상기 센서 데이터에 관한 제곱 예측 오차 정보 및 은닉 표현 정보를 포함하는 조정 데이터 산출하며, 상기 조정 데이터 상기 정상 제곱 예측 오차 정보 및 상기 정상 은닉 표현 정보에 기반하여, 상기 센서가 센서 한계에 해당하는지 여부를 판단하고, 상기 센서가 상기 센서 한계에 해당하는 경우, 센서 유효성 지수를 확인하며, 상기 정상 제곱 예측 오차 정보에 대응하는 제1 임계값을 결정하고, 상기 센서 유효성 지수가 제2 임계값 이하인 경우, 상기 센서 데이터 및 상기 제1 임계값에 기반하여 상기 센서 데이터를 보정하도록 제어하는 프로세서를 포함하는 것을 특징으로 한다.Embodiments herein relate to methods and devices for calibrating sensors in a sewage treatment facility. Specifically, a stacked denoising autoencoder can be used to calibrate sensors and sustainably monitor the quality of influent water from sewage treatment facilities.
An apparatus for calibrating a sensor in a sewage treatment system according to an embodiment of the present specification includes a memory for storing data; and checking sensor data, inputting the sensor data into a pre-trained network, and calculating adjustment data including squared prediction error information and hidden representation information regarding the sensor data, wherein the adjusted data includes the normal squared prediction error information and Based on the normal hidden expression information, determine whether the sensor corresponds to the sensor limit, determine a sensor validity index if the sensor corresponds to the sensor limit, and determine a second signal corresponding to the normal squared prediction error information. 1 and a processor that determines a threshold value and, when the sensor effectiveness index is less than or equal to a second threshold value, controls to correct the sensor data based on the sensor data and the first threshold value.
Description
본 발명은 하수 처리 시설에서의 센서를 보정하는 방법 및 장치에 관한 것이다.The present invention relates to a method and apparatus for calibrating sensors in a sewage treatment plant.
하수 처리 시설은 하수의 오염 물질을 높은 처리 효율로 제거하여 처리수를 방류하는 시설로, 최근 수처리 분야에서는 안정적으로 하수처리시설을 운영하여 일정한 처리수 수질을 유지하는 모니터링 기술에 대한 관심이 증가하고 있다.A sewage treatment facility is a facility that removes contaminants from sewage with high treatment efficiency and discharges treated water. Recently, in the water treatment field, there has been increasing interest in monitoring technology that operates sewage treatment facilities stably and maintains a constant quality of treated water. there is.
하지만 유입수 성상의 강한 시변성에 의해 센서가 정확하게 유입수 수질을 측정하기 어려우며, 결측값과 오류가 발생할 수 있으며 측정되는 데이터 품질에 잦은 문제가 발생할 수 있다.However, it is difficult for sensors to accurately measure influent water quality due to strong time variation in the properties of influent water, missing values and errors may occur, and frequent problems with the quality of the measured data may occur.
잘못 측정된 데이터로 인해 처리수 수질을 유지하는데 문제가 발생할 수 있으며, 이는 하수 처리 시스템 운영에 심각한 문제를 일으키고 폐수 배출 기준을 위반할 수 있다.Incorrectly measured data can cause problems in maintaining treated water quality, which can cause serious problems in the operation of sewage treatment systems and violate wastewater discharge standards.
따라서 자동 오류 감지 및 오류 데이터 조정과 같이 효율적이고 안정적인 하수 처리 시설 모니터링 방법 및 장치가 요구된다.Therefore, efficient and stable sewage treatment facility monitoring methods and devices, such as automatic error detection and error data adjustment, are required.
본 명세서의 실시 예는 상술한 문제점을 해결하기 위하여 제안된 것으로 하수 처리 시설에서의 센서를 보정하는 방법 및 장치를 제공한다.Embodiments of the present specification are proposed to solve the above-mentioned problems and provide a method and device for calibrating sensors in a sewage treatment facility.
상술한 과제를 달성하기 위한 하수처리 시스템에서의 센서를 보정하는 방법은, 센서 데이터를 확인하는 단계; 사전 학습된 네트워크에 상기 센서 데이터를 입력하여, 상기 센서 데이터에 관한 제곱 예측 오차 정보 및 은닉 표현 정보를 포함하는 조정 데이터 산출하는 단계; 상기 조정 데이터, 정상 제곱 예측 오차 정보 및 정상 은닉 표현 정보에 기반하여, 상기 센서가 센서 한계에 해당하는지 여부를 판단하는 단계; 상기 센서가 상기 센서 한계에 해당하는 경우, 센서 유효성 지수를 확인하는 단계; 상기 정상 제곱 예측 오차 정보에 대응하는 제1 임계값을 결정하는 단계; 상기 센서 유효성 지수가 제2 임계값 이하인 경우, 상기 센서 데이터 및 상기 제1 임계값에 기반하여 상기 센서 데이터를 보정하는 단계를 포함하는 것을 특징으로 한다.A method of calibrating a sensor in a sewage treatment system to achieve the above-described task includes checking sensor data; Inputting the sensor data into a pre-trained network to calculate adjusted data including squared prediction error information and hidden representation information regarding the sensor data; Based on the adjustment data, normal squared prediction error information, and normal hidden representation information, determining whether the sensor corresponds to a sensor limit; If the sensor falls within the sensor limit, checking a sensor validity index; determining a first threshold corresponding to the normal square prediction error information; If the sensor effectiveness index is less than or equal to a second threshold, correcting the sensor data based on the sensor data and the first threshold.
상술한 과제를 달성하기 위한 하수처리 시스템에서의 센서를 보정하는 장치는 데이터를 저장하는 메모리; 및 센서 데이터를 확인하고, 사전 학습된 네트워크에 상기 센서 데이터를 입력하여, 상기 센서 데이터에 관한 제곱 예측 오차 정보 및 은닉 표현 정보를 포함하는 조정 데이터 산출하며, 상기 조정 데이터 상기 정상 제곱 예측 오차 정보 및 상기 정상 은닉 표현 정보에 기반하여, 상기 센서가 센서 한계에 해당하는지 여부를 판단하고, 상기 센서가 상기 센서 한계에 해당하는 경우, 센서 유효성 지수를 확인하며, 상기 정상 제곱 예측 오차 정보에 대응하는 제1 임계값을 결정하고, 상기 센서 유효성 지수가 제2 임계값 이하인 경우, 상기 센서 데이터 및 상기 제1 임계값에 기반하여 상기 센서 데이터를 보정하도록 제어하는 프로세서를 포함하는 것을 특징으로 한다.A device for calibrating a sensor in a sewage treatment system to achieve the above-described task includes a memory for storing data; and checking sensor data, inputting the sensor data into a pre-trained network, and calculating adjustment data including squared prediction error information and hidden representation information regarding the sensor data, wherein the adjusted data includes the normal squared prediction error information and Based on the normal hidden expression information, determine whether the sensor corresponds to the sensor limit, determine a sensor validity index if the sensor corresponds to the sensor limit, and determine a second signal corresponding to the normal squared prediction error information. 1 and a processor that determines a threshold value and, when the sensor effectiveness index is less than or equal to a second threshold value, controls to correct the sensor data based on the sensor data and the first threshold value.
본 발명의 실시 예에 따르면 Stacked denoising autoencoder을 이용하여 센서를 보정하고 하수처리시설의 유입수 수질을 지속 가능하도록 모니터링할 수 있다. According to an embodiment of the present invention, a stacked denoising autoencoder can be used to calibrate the sensor and sustainably monitor the quality of influent water from a sewage treatment facility.
본 발명의 또 다른 실시 예에 따르면 센서 오류 검출을 위해 The squared prediction error(SPE)을 지표로 활용하고, 이를 바탕으로 Sensor validity index(SVI)를 이용하여 센서에서 오류가 발생하였는지 검출할 수 있다.According to another embodiment of the present invention, the squared prediction error (SPE) is used as an indicator to detect sensor errors, and based on this, the sensor validity index (SVI) can be used to detect whether an error has occurred in the sensor.
도 1은 본 발명의 실시 예에 따른 하수 처리 시설에서의 모니터링 시스템을 도시하는 도면이다.
도 2는 본 발명의 실시 예에 신경망 네트워크를 도시하는 도면이다.
도 3은 본 발명의 실시 예에 따른 센서 보정 장치에 의해 수행되는 방법에 관한 순서도이다.
도 4는 본 발명의 실시 예에 따른 센서 보정 장치에 의해 수행되는 방법에 관한 순서도이다.
도 5는 본 발명의 실시 예에 따른 센서에 의해 측정되는 시간에 따른 SPE(squared prediction error), H2(sum of squares of hidden representations) 그래프 및 센서 한계를 도시한 도면이다.
도 6은 본 발명의 실시 예에 따른 COD 센서 측정 오류를 나타낸 그래프이다.
도 7은 본 발명의 실시 예에 따른 시스템 복원력을 나타내기 위한 도면이다.
도 8a는 PCA 방식을 이용하여 COD(Chemical Oxygen Demand) 센서, TN(Total Nitrogen) 센서, TP(Total Phosphorus) 센서 및 SS(Suspended Solids) 센서의 오류 검출을 나타내는 도면이다.
도 8b는 본 발명의 실시 예에 따른 COD 센서, TN 센서, TP 센서 및 SS 센서의 오류 검출을 나타내는 도면이다.
도 9는 본 발명의 실시 예에 따른 센서 보정 장치에 의해 보정되는 센서 값을 나타내는 도면이다.
도 10은 본 발명의 실시 예에 따른 센서 보정 장치의 블록 구성을 나타내는 블록도이다. 1 is a diagram illustrating a monitoring system in a sewage treatment facility according to an embodiment of the present invention.
Figure 2 is a diagram showing a neural network in an embodiment of the present invention.
3 is a flowchart of a method performed by a sensor calibration device according to an embodiment of the present invention.
4 is a flowchart of a method performed by a sensor calibration device according to an embodiment of the present invention.
FIG. 5 is a diagram illustrating squared prediction error (SPE), sum of squares of hidden representations (H 2 ) graphs, and sensor limits over time measured by a sensor according to an embodiment of the present invention.
Figure 6 is a graph showing COD sensor measurement error according to an embodiment of the present invention.
Figure 7 is a diagram showing system resilience according to an embodiment of the present invention.
Figure 8a is a diagram showing error detection of a COD (Chemical Oxygen Demand) sensor, TN (Total Nitrogen) sensor, TP (Total Phosphorus) sensor, and SS (Suspended Solids) sensor using the PCA method.
Figure 8b is a diagram showing error detection of the COD sensor, TN sensor, TP sensor, and SS sensor according to an embodiment of the present invention.
Figure 9 is a diagram showing sensor values corrected by a sensor calibration device according to an embodiment of the present invention.
Figure 10 is a block diagram showing the block configuration of a sensor calibration device according to an embodiment of the present invention.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다. Since the present invention can be modified in various ways and can have various embodiments, specific embodiments will be illustrated in the drawings and described in detail in the detailed description. The effects and features of the present invention and methods for achieving them will become clear by referring to the embodiments described in detail below along with the drawings. However, the present invention is not limited to the embodiments disclosed below and may be implemented in various forms.
이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings. When describing with reference to the drawings, identical or corresponding components will be assigned the same reference numerals and redundant description thereof will be omitted. .
이하의 실시예에서, 제1, 제2 등의 용어는 한정적인 의미가 아니라 하나의 구성 요소를 다른 구성 요소와 구별하는 목적으로 사용되었다. In the following embodiments, terms such as first and second are used not in a limiting sense but for the purpose of distinguishing one component from another component.
이하의 실시예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.In the following examples, singular terms include plural terms unless the context clearly dictates otherwise.
이하의 실시예에서, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다. In the following embodiments, terms such as include or have mean that the features or components described in the specification exist, and do not exclude in advance the possibility of adding one or more other features or components.
도면에서는 설명의 편의를 위하여 구성 요소들이 그 크기가 과장 또는 축소될 수 있다. 예컨대, 도면에서 나타난 각 구성의 크기 및 두께는 설명의 편의를 위해 임의로 나타내었으므로, 본 발명이 반드시 도시된 바에 한정되지 않는다.In the drawings, the sizes of components may be exaggerated or reduced for convenience of explanation. For example, the size and thickness of each component shown in the drawings are shown arbitrarily for convenience of explanation, so the present invention is not necessarily limited to what is shown.
어떤 실시예가 달리 구현 가능한 경우에 특정한 공정 순서는 설명되는 순서와 다르게 수행될 수도 있다. 예를 들어, 연속하여 설명되는 두 공정이 실질적으로 동시에 수행될 수도 있고, 설명되는 순서와 반대의 순서로 진행될 수 있다. 이때, 본 실시예에서 사용되는 '~부'라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. In cases where an embodiment can be implemented differently, a specific process sequence may be performed differently from the described sequence. For example, two processes described in succession may be performed substantially at the same time, or may be performed in an order opposite to that in which they are described. At this time, the term '~unit' used in this embodiment means a software or hardware component, and the '~unit' performs certain roles. However, '~part' is not limited to software or hardware. The '~ part' may be configured to reside in an addressable storage medium and may be configured to reproduce on one or more processors.
하기에서 본 개시를 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 개시의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. In the following description of the present disclosure, if a detailed description of a related known function or configuration is determined to unnecessarily obscure the gist of the present disclosure, the detailed description will be omitted.
도 1은 본 발명의 실시 예에 따른 하수 처리 시설에서의 모니터링 시스템을 도시하는 도면이다.1 is a diagram illustrating a monitoring system in a sewage treatment facility according to an embodiment of the present invention.
하수 처리 시설 모니터링 시스템은 센서(20), 하수 처리 장치(30) 및 모니터링 장치(10)로 구성될 수 있다.A sewage treatment facility monitoring system may be comprised of a sensor 20, a sewage treatment device 30, and a monitoring device 10.
본 발명에 따른 모니터링 장치(10)는 센서(20)에 의해 측정되는 신호를 확인하는 장치로서, 센서(20)에 의해 측정되는 신호에 기반하여 하수 처리 장치(30)가 정상 동작하는지 여부 및 수질등을 확인할 수 있다. 모니터링 장치(10)는 센서 보정 장치에 의해 구현될 수 있다.The monitoring device 10 according to the present invention is a device that checks the signal measured by the sensor 20, and determines whether the sewage treatment device 30 is operating normally and the water quality based on the signal measured by the sensor 20. etc. can be checked. The monitoring device 10 may be implemented by a sensor calibration device.
본 발명에 따른 센서(20)는 하수 처리 장치(30)에서의 수질을 측정하는 센서로서 COD(Chemical Oxygen Demand) 센서, TN(Total Nitrogen) 센서, TP(Total Phosphorus) 센서 및 SS(Suspended Solids) 센서 중 적어도 하나에 해당할 수 있다. 하수 처리 장치(30)와 같이 유입수 성상의 강한 시변성에 의해 센서가 정확하게 유입수 수질을 측정하기 어려우며, 결측값과 오류가 발생할 수 있으므로 센서에 의해 측정되는 신호에 대한 보정이 모니터링 장치(10) 등에 의해 수행될 수 있다.The sensor 20 according to the present invention is a sensor that measures water quality in the sewage treatment device 30 and includes a COD (Chemical Oxygen Demand) sensor, TN (Total Nitrogen) sensor, TP (Total Phosphorus) sensor, and SS (Suspended Solids) sensor. It may correspond to at least one of the sensors. As with the sewage treatment device 30, it is difficult for the sensor to accurately measure the quality of the influent water due to strong time variation in the properties of the influent water, and missing values and errors may occur, so correction of the signal measured by the sensor is performed by the monitoring device 10, etc. It can be done.
도 2는 본 발명의 실시 예에 신경망 네트워크를 도시하는 도면이다. Figure 2 is a diagram showing a neural network in an embodiment of the present invention.
도 2를 참고하면 본 발명에 의해 구현되는 신경망 네트워크(200)인 스택형 노이즈 제거 자동 인코더(SDAE, Stacked denoising autoencoder)의 구조를 나타내는 도면으로서, 입력 데이터를 저차원 표현으로 인코딩하도록 훈련된 인코더와 입력 데이터를 조정하도록 훈련된 디코더를 기반으로 하는 하나의 은닉층이 있는 완전히 연결된 3계층 피드 포워드 신경망일 수 있다.Referring to FIG. 2, it is a diagram showing the structure of a stacked denoising autoencoder (SDAE), which is a neural network 200 implemented by the present invention, comprising an encoder trained to encode input data into a low-dimensional representation, and It can be a fully connected three-layer feed-forward neural network with one hidden layer based on a decoder trained to manipulate the input data.
신경망 네트워크(200)는 센서 데이터(201) 또는 노이즈 데이터(203)를 입력으로 하고, 노이즈 제거 데이터(219)를 출력할 수 있다. 센서 데이터(201)는 센서로부터 측정된 입력 값으로서 추정 대상이 되는 센서 데이터 이외에 학습 대상이 되는 학습 센서 데이터를 포함하는 개념일 수 있다.The neural network 200 may receive sensor data 201 or noise data 203 as input and output noise removal data 219. Sensor data 201 is an input value measured from a sensor and may be a concept that includes learning sensor data that is a learning target in addition to sensor data that is a target of estimation.
인코더는 복수개의 활성화 레이어로 이루어질 수 있으며, 예를 들면 제1 레이어(205), 제2 레이어(207), 제3 레이어(209), 은닉 레이어(211)로 구성될 수 있다. fs은 입력을 은닉 표현으로 인코딩하기 위한 활성화 함수로서 수학식 1에 의해 나타낼 수 있다.The encoder may be composed of a plurality of activation layers, for example, a first layer 205, a second layer 207, a third layer 209, and a hidden layer 211. f s is an activation function for encoding the input into a hidden expression and can be expressed by Equation 1.
[수학식 1][Equation 1]
h 은닉 레이어 데이터, 입력 값 또는 노이즈 데이터, W 가중치, b 편향 h hidden layer data, Input or noisy data, W weight, b bias
본 발명에 따른 인코더는 심층 인코더로서 다층 비선형 매핑 구조로 되어 있으므로 수학식 2에 의해 다시 나타낼 수 있으며, 각 활성화 함수에서의 Wn 가중치, bn 편향에 대해 학습될 수 있다.The encoder according to the present invention is a deep encoder and has a multi-layer nonlinear mapping structure, so it can be re-expressed by Equation 2, and the W n weight and b n bias in each activation function can be learned.
[수학식 2][Equation 2]
h 은닉 레이어 데이터, 입력 값 또는 노이즈 데이터, n번째 활성화 함수h hidden layer data, Input values or noise data, nth activation function
디코더는 복수개의 활성화 레이어로 이루어질 수 있으며, 예를 들면 은닉 레이어(211), 제4 레이어(213), 제5 레이어(215), 제6 레이어(217)로 구성될 수 있다. gs은 입력과 유사한 재구성 즉 노이즈 제거 데이터를 얻기 위해 은닉 표현에 적용되는 디코딩 함수로서 수학식 3으로 나타낼 수 있다.The decoder may be composed of a plurality of activation layers, for example, a hidden layer 211, a fourth layer 213, a fifth layer 215, and a sixth layer 217. g s is a decoding function applied to the hidden expression to obtain reconstruction similar to the input, that is, noise removal data, and can be expressed in Equation 3.
[수학식 3][Equation 3]
z 노이즈 제거 데이터, h 은닉 레이어 데이터, W'가중치, b'편향 z denoised data, h hidden layer data, W ' weight, b ' bias
본 발명에 따른 디코더는 심층 디코더로서 다층 비선형 매핑 구조로 되어 있으므로 수학식 4에 의해 다시 나타낼 수 있으며, 각 디코딩 함수에서의 W' n 가중치, b' n 편향에 대해 학습될 수 있다.The decoder according to the present invention is a deep decoder and has a multi-layer non-linear mapping structure, so it can be re-expressed by Equation 4, and can be learned about W ' n weight and b ' n bias in each decoding function.
[수학식 4][Equation 4]
z 노이즈 제거 데이터, h 은닉 레이어 데이터, gn은 n번째 디코딩 함수 z is denoising data, h is hidden layer data, g n is the nth decoding function
신경망 네트워크(200)의 학습은 학습 센서 데이터 x와 조정된 노이즈 제거 데이터 z 사이의 모든 조정 오류의 합을 포함하는 목적 함수를 최적화하여 수행될 수 있다.Learning of the neural network 200 may be performed by optimizing an objective function that includes the sum of all adjustment errors between the learning sensor data x and the adjusted denoising data z.
센서 보정 장치는 신경망 네트워크(200)에 정상이라고 판정된 학습 센서 데이터를 입력하고, 학습 센서 데이터에 대해 가우시안 노이즈를 부가하고, 노이즈 제거 데이터를 얻는 과정을 통해 정상 제곱 예측 오차 정보와 정상 은닉 표현 정보를 산출할 수 있다. 예를 들면 SPE(squared prediction error), H2(sum of squares of hidden representations)를 산출할 수 있으며 수학식 5와 수학식 6에 의해 나타낼 수 있다.The sensor correction device inputs learning sensor data determined to be normal to the neural network 200, adds Gaussian noise to the learning sensor data, and obtains noise removal data to obtain normal squared prediction error information and normal hidden expression information. can be calculated. For example, SPE (squared prediction error) and H 2 (sum of squares of hidden representations) can be calculated and expressed by Equation 5 and Equation 6.
[수학식 5][Equation 5]
[수학식 6][Equation 6]
센서 보정 장치는 정상이라고 판정된 학습 센서 데이터들을 이용해 SPE 와 H2 를 산출하고, 확률 밀도 함수를 추정하는 비모수적 방법인 커널 밀도 추정 (KDE, Kernel density estimator) 통해 추정하여 확률 변수로서 신뢰범위를 결정할 수 있다. 예를 들면 정상이라고 판정된 학습 센서 데이터의 95% 신뢰 범위에서의 SPEnormal 와 H2 normal산출할 수 있다. 이때 신뢰 범위에서의 SPE와 H2의 경우 정상 동작으로 가정하고, 센서 한계 범위 이내라고 판단할 수 있다. 신뢰 범위를 벗어난 SPE와 H2에 대해서는 센서 한계에 해당한다고 판단할 수 있다.The sensor calibration device calculates SPE and H 2 using learning sensor data determined to be normal. The confidence range can be determined as a random variable by calculating and estimating it through kernel density estimator (KDE), a non-parametric method of estimating the probability density function. For example, SPE normal and H 2 normal can be calculated in the 95% confidence range of learning sensor data determined to be normal. At this time, SPE and H 2 in the confidence range can be assumed to be normal operation and judged to be within the sensor limit range. SPE and H 2 outside the confidence range can be judged to correspond to sensor limitations.
도 3은 본 발명의 실시 예에 따른 센서 보정 장치에 의해 수행되는 방법에 관한 순서도이다.3 is a flowchart of a method performed by a sensor calibration device according to an embodiment of the present invention.
도 3을 참고하면 센서 보정 장치는 S110 단계에서, 센서 데이터를 확인할 수 있다. 예를 들면 센서 보정 장치는 하수 처리 시설에서의 COD(Chemical Oxygen Demand) 센서, TN(Total Nitrogen) 센서, TP(Total Phosphorus) 센서 및 SS(Suspended Solids) 센서 중 적어도 하나의 센서를 이용하여 실시간으로 측정한 데이터를 센서 데이터로 할 수 있다.Referring to FIG. 3, the sensor calibration device can check sensor data in step S110. For example, the sensor calibration device performs real-time monitoring using at least one of the COD (Chemical Oxygen Demand) sensor, TN (Total Nitrogen) sensor, TP (Total Phosphorus) sensor, and SS (Suspended Solids) sensor in the sewage treatment facility. Measured data can be converted into sensor data.
센서 보정 장치는 S120 단계에서, 사전 학습된 네트워크에 센서 데이터를 입력하여, 센서 데이터에 관한 제곱 예측 오차 정보 및 은닉 표현 정보를 포함하는 조정 데이터를 산출할 수 있다. 이때 사전 학습된 네트워크는 신경망 네트워크(200)을 이용하여 사전 학습된 네트워크를 의미할 수 있다. In step S120, the sensor calibration device may input sensor data into a pre-trained network and calculate adjustment data including square prediction error information and hidden expression information regarding the sensor data. At this time, the pre-trained network may mean a network pre-trained using the neural network 200.
예를 들면 제곱 예측 오차 정보는 신경망 네트워크(200)에 실시간으로 측정된 센서 데이터를 입력으로 하여 출력된 노이즈 제거 데이터와의 SPE 을 의미하고, 은닉 표현 정보는 신경망 네트워크(200)에 실시간으로 측정된 센서 데이터를 입력으로 하여 출력된 노이즈 제거 데이터와의 H2을 의미할 수 있다.For example, the square prediction error information refers to the SPE of the noise removal data output by inputting sensor data measured in real time to the neural network 200, and the hidden expression information refers to the SPE measured in real time to the neural network 200. This may mean H 2 between noise removal data output using sensor data as input.
센서 보정 장치는 S130 단계에서, 조정 데이터, 정상 제곱 예측 오차 정보 및 정상 은닉 표현 정보에 기반하여, 센서가 센서 한계에 해당하는지 여부를 판단할 수 있다.In step S130, the sensor calibration device may determine whether the sensor corresponds to a sensor limit based on the adjustment data, normal square prediction error information, and normal hidden expression information.
예를 들면 정상 제곱 예측 오차 정보는, 정상이라고 판정된 학습 센서 데이터들을 이용해 산출된 SPE 확률 밀도 함수의 확률 분포상 신뢰 범위 이내의 SPEnormal 값을 의미할 수 있다. 정상 은닉 표현 정보는 정상이라고 판정된 학습 센서 데이터들을 이용해 산출된 H2 확률 밀도 함수의 확률 분포상 신뢰 범위 이내의 H2 normal 값을 의미할 수 있다.For example, normal square prediction error information may mean an SPE normal value within the confidence range of the probability distribution of the SPE probability density function calculated using learning sensor data determined to be normal. Normal hidden expression information may mean an H 2 normal value within the confidence range of the probability distribution of the H 2 probability density function calculated using learning sensor data determined to be normal.
또한 SPE>SPEnormal 이거나 H2>H2 normal 인 경우, 센서가 센서 한계에 해당한다고 판단할 수 있다. 또는 SPE>SPEnormal 이고 H2>H2 normal 인 경우 센서가 센서 한계에 해당한다고 판단할 수 있다.Additionally, if SPE > SPE normal or H 2 > H 2 normal , it can be determined that the sensor falls within the sensor limit. Alternatively, if SPE>SPE normal and H 2 >H 2 normal , it can be determined that the sensor falls within the sensor limit.
센서 보정 장치는 S140 단계에서, 상기 센서가 상기 센서 한계에 해당하는 경우, 센서 유효성 지수를 확인할 수 있다. 센서 유효성 지수(SVI, sensor validity index)는 하기의 수학식 7에 의해 나타낼 수 있으며 1에 가까울수록 정상범위에 해당하고 0에 가까울수록 무효 범위에 해당한다.In step S140, the sensor calibration device may check the sensor effectiveness index if the sensor corresponds to the sensor limit. The sensor validity index (SVI) can be expressed by Equation 7 below. The closer it is to 1, the closer it is to the normal range, and the closer it is to 0, the invalid range it is.
[수학식 7][Equation 7]
SVI는 센서 유효성 지수, t는 시간, z는 노이즈 제거 데이터, x는 센서 데이터를 의미한다.SVI is the sensor effectiveness index, t is time, z is noise removal data, and x is sensor data.
센서 보정 장치는 S150 단계에서, 정상 제곱 예측 오차 정보에 대응하는 제1 임계값을 결정할 수 있다. 예를 들면 제1 임계값은 센서가 센서 한계에 해당하게 되는 지점에서의 센서 측정 값으로서, SPEnormal 또는 H2 normal 해당하는 센서 측측정값을의미할 수 있다. The sensor calibration device may determine a first threshold corresponding to the normal square prediction error information in step S150. For example, the first threshold is a sensor measurement value at a point where the sensor corresponds to a sensor limit, and may mean a sensor measurement value corresponding to SPE normal or H 2 normal .
센서 보정 장치는 S160 단계에서, 센서 유효성 지수가 제2 임계값 이하인 경우 센서가 오류가 있다고 판정할 수 있다. 예를 들면 SVI가 0.5 이하인 경우 센서가 오류가 있다고 판정할 수 있다. 센서 보정 장치는 센서가 오류가 있다고 판정하고 보정을 수행할 수 있다. In step S160, the sensor calibration device may determine that the sensor has an error when the sensor validity index is less than or equal to the second threshold. For example, if SVI is less than 0.5, it may be determined that the sensor has an error. The sensor calibration device may determine that the sensor is in error and perform calibration.
센서 보정 장치는 S160 단계에서, 센서 데이터 및 제1 임계값에 기반하여 시스템 성능을 산출하고, 시스템 성능에 기반하여 시스템 복원력을 산출하고, 시스템 복원력에 기반하여 센서 데이터를 보정할 수 있다.In step S160, the sensor calibration device may calculate system performance based on sensor data and the first threshold, calculate system resilience based on system performance, and correct sensor data based on system resilience.
본 발명에 따른 시스템 성능이란 시스템의 복원력 평가를 통해 센서 데이터를 보정하기 위한 시스템 성능일 수 있다. 시스템의 전체 복원력은 초기 시스템 성능 수준 P0 와 실제 시스템 성능 곡선 P(t) 사이의 영역을 시간 t 에서 측정하여 추정할 수 있다.System performance according to the present invention may be system performance for correcting sensor data through evaluation of system resilience. The overall resilience of the system can be estimated by measuring the area between the initial system performance level P 0 and the actual system performance curve P(t) at time t.
시스템 성능 곡선 P(t)는 하기의 수학식 8에 의해 나타낼 수 있다.The system performance curve P(t) can be expressed by Equation 8 below.
[수학식 8][Equation 8]
P(t) 시스템 성능 곡선,는 실시간으로 측정되는 센서 데이터, 는 센서 임계값으로 본 발명에 따르면 제1 임계값일 수 있다. P(t) system performance curve, is sensor data measured in real time, is a sensor threshold and may be a first threshold according to the present invention.
시스템 복원력은 시스템 성능 곡선 P(t)와 a는 섭동 시점의 시스템 성능과 초기 상태 사이의 영역으로 정의될 수 있다. 이는 하기의 수학식 9에 의해 나타낼 수 있다.System resilience can be defined as the system performance curve P(t) and a as the area between the system performance at the time of perturbation and the initial state. This can be expressed by Equation 9 below.
[수학식 9][Equation 9]
Re는 복원력, a는 섭동 시점의 시스템 성능과 초기 상태 사이의 영역, t는 시간, P0는 초기 시스템 성능 수준 P(t)는 실제 시스템 성능 곡선을 나타낸다.Re is the resilience, a is the area between the system performance at the time of perturbation and the initial state, t is time, P 0 is the initial system performance level, and P(t) represents the actual system performance curve.
이는 시스템 복원력을 나타내기 위한 도면인 도 7을 참고하여 설명될 수 있다.This can be explained with reference to FIG. 7, which is a diagram showing system resilience.
센서 보정 장치는 S160 단계에서, 센서 데이터에 복원력을 곱한 값으로 센서 데이터를 보정할 수 있다.In step S160, the sensor correction device may correct the sensor data by multiplying the sensor data by the resilience.
도 4는 본 발명의 실시 예에 따른 센서 보정 장치에 의해 수행되는 방법에 관한 순서도이다. 구체적으로 도 4는 본 발명에 따른 센서 보정 장치에 의해 신경망 네트워크(200)를 사전 학습하는 방법에 관하여 도시한다.4 is a flowchart of a method performed by a sensor calibration device according to an embodiment of the present invention. Specifically, FIG. 4 illustrates a method for pre-learning a neural network 200 using a sensor calibration device according to the present invention.
센서 보정 장치는 S210 단계에서, 정상이라고 판정된 학습 센서 데이터를 확인할 수 있다. 센서 보정 장치는 S210 단계에서 학습 센서 데이터에 대해 가우시안 노이즈를 부가할 수 있다.The sensor calibration device may check learning sensor data determined to be normal in step S210. The sensor calibration device may add Gaussian noise to the learning sensor data in step S210.
센서 보정 장치는 S220 단계에서, 학습 센서 데이터에 대해 가우시안 노이즈를 부가된 노이즈 데이터를 인코더에 입력하고, 노이즈가 제거된 노이즈 제거 데이터와의 연관관계를 학습할 수 있다. 예를 들면 노이즈 데이터와 은닉 레이어 데이터와의 연관관계인 W 가중치, b 편향에 관한 연관관계를 결정하고, 노이즈 제거 데이터와 은닉 레이어 데이터와의 연관관계인 W'가중치, b'편향에 관한 연관관계를 결정할 수 있다.In step S220, the sensor calibration device may input noise data to which Gaussian noise has been added to the learning sensor data into the encoder and learn the correlation with noise-removed data from which the noise has been removed. For example, determine the relationship regarding W weight and b bias, which is the relationship between noise data and hidden layer data, and determine the relationship regarding W ' weight, b ' bias, which is the relationship between noise removal data and hidden layer data. You can.
센서 보정 장치는 S220 단계에서, 신경망 네트워크(200), 학습 센서 데이터 및 조정된 노이즈 제거 데이터 사이의 모든 조정 오류의 합을 포함하는 목적 함수를 최적화하여 학습을 수행할 수 있다.In step S220, the sensor calibration device may perform learning by optimizing an objective function including the sum of all adjustment errors between the neural network 200, the learning sensor data, and the adjusted noise removal data.
센서 보정 장치는 S230 단계에서, 정상 제곱 예측 오차 정보와 정상 은닉 표현 정보를 산출할 수 있다.The sensor calibration device may calculate normal squared prediction error information and normal hidden expression information in step S230.
센서 보정 장치는 S230 단계에서, 정상이라고 판정된 학습 센서 데이터들을 이용해 SPE와 H2산출하고, 확률 밀도 함수를 추정하는 비모수적 방법인 커널 밀도 추정기 (KDE, Kernel density eestimator)를 통해 추정하여 확률 변수로서 신뢰범위를 결정할 수 있다. 예를 들면 정상이라고 판정된 학습 센서 데이터의 95% 신뢰 범위에서의 SPEnormal 와 H2 normal산출할 수 있다. 이때 센서 보정 장치는 신뢰 범위에서의 SPE와 H2의 경우 정상 동작으로 가정하고, 센서 한계 범위 이내라고 판단할 수 있다. 신뢰 범위를 벗어난 SPE와 H2에 대해서는 센서 한계에 해당한다고 판단할 수 있다.In step S230, the sensor calibration device calculates SPE and H 2 using the learning sensor data determined to be normal, and estimates the probability density function using a kernel density estimator (KDE), a non-parametric method for estimating the probability density function. The confidence range can be determined as . For example, SPE normal and H 2 normal can be calculated in the 95% confidence range of learning sensor data determined to be normal. At this time, the sensor calibration device may assume normal operation for SPE and H 2 in the confidence range and determine that they are within the sensor limit range. SPE and H 2 outside the confidence range can be judged to correspond to sensor limitations.
도 5는 본 발명의 실시 예에 따른 센서에 의해 측정되는 시간에 따른 SPE, H2 그래프 및 센서 한계를 도시한 도면이다.FIG. 5 is a diagram illustrating SPE, H 2 graphs and sensor limits over time measured by a sensor according to an embodiment of the present invention.
도 5를 참고하면 센서 데이터의 센서 한계는 SPEnormal=4.8984, H2 normal=21.5817 에 해당하며 SPEnormal, H2 normal 을 초과하는 센서에 대해서는 센서 한계에 해당한다고 판단할 수 있다.Referring to Figure 5, the sensor limit of the sensor data corresponds to SPE normal = 4.8984, H 2 normal = 21.5817, and sensors exceeding SPE normal and H 2 normal can be determined to correspond to the sensor limit.
도 6은 본 발명의 실시 예에 따른 COD 센서 측정 오류를 나타낸 그래프이다.Figure 6 is a graph showing COD sensor measurement error according to an embodiment of the present invention.
도 7은 본 발명의 실시 예에 따른 시스템 복원력을 나타내기 위한 도면이다. Figure 7 is a diagram showing system resilience according to an embodiment of the present invention.
센서 오차로는 크기 오차와 간격 오차가 있을 수 있으며, 도 7에서의 복원력은 섭동 시점의 시스템 성능과 초기 상태 사이의 영역으로 표시된 영역과 P0 초기 시스템 성능 수준, P(t) 실제 시스템 성능 곡선에 기반하여 복원력을 산출할 수 있다. Sensor errors can include size error and spacing error, and the resilience in Figure 7 is the area between the system performance at the time of perturbation and the initial state, P 0 the initial system performance level, and P(t) the actual system performance curve. Resiliency can be calculated based on .
도 8a는 PCA방식을 이용하여 COD(Chemical Oxygen Demand) 센서, TN(Total Nitrogen) 센서, TP(Total Phosphorus) 센서 및 SS(Suspended Solids) 센서의 오류 검출을 나타내는 도면이다.Figure 8a is a diagram showing error detection of a COD (Chemical Oxygen Demand) sensor, TN (Total Nitrogen) sensor, TP (Total Phosphorus) sensor, and SS (Suspended Solids) sensor using the PCA method.
예를 들면 센서 유효성 지수가 제2 임계값 이하인 경우, 예를 들면 SVI 가 0.5 이하인 경우의 시점에서 센서 오류가 발생하였다고 판단할 수 있다. 구체적으로 time이 50인 시점에서의 TN Sensor는 센서 오류에 해당한다고 판정될 수 있다.For example, when the sensor effectiveness index is below the second threshold, for example, when SVI is below 0.5, it can be determined that a sensor error has occurred. Specifically, the TN Sensor at time 50 may be determined to correspond to a sensor error.
이와 같은 방식을 이용할 경우 센서 오류에 대해 민감하게 반응하기 어렵고, 보정도 용이하지 않다.When using this method, it is difficult to respond sensitively to sensor errors and correction is not easy.
도 8b는 본 발명의 실시 예에 따른 COD 센서, TN 센서, TP 센서 및 SS 센서의 오류 검출을 나타내는 도면이다.Figure 8b is a diagram showing error detection of the COD sensor, TN sensor, TP sensor, and SS sensor according to an embodiment of the present invention.
예를 들면 센서 유효성 지수가 제2 임계값 이하인 경우, 예를 들면 SVI 가 0.5 이하인 경우의 시점에서 센서 오류가 발생하였다고 판단할 수 있다. 구체적으로 time이 50내지 80인 시점에서의 TP Sensor는 센서 오류에 해당한다고 판정될 수 있다.For example, when the sensor effectiveness index is below the second threshold, for example, when SVI is below 0.5, it can be determined that a sensor error has occurred. Specifically, the TP Sensor at time 50 to 80 may be determined to correspond to a sensor error.
도 9는 본 발명의 실시 예에 따른 센서 보정 장치에 의해 보정되는 센서 값을 나타내는 도면이다.Figure 9 is a diagram showing sensor values corrected by a sensor calibration device according to an embodiment of the present invention.
도 10은 본 발명의 실시 예에 따른 센서 보정 장치의 블록 구성을 나타내는 블록도이다. Figure 10 is a block diagram showing the block configuration of a sensor calibration device according to an embodiment of the present invention.
도 10을 참고하면 센서 보정 장치(1000)는 프로세서(1001), 메모리(1003) 를 포함하는 것으로 도시하였으나 반드시 이에 한정되는 것이 아니다. 예를 들면 프로세서(1001), 메모리(1003)는 각각 물리적으로 독립한 하나의 구성부로서 존재할 수 있다.Referring to FIG. 10, the sensor calibration device 1000 is shown as including a processor 1001 and a memory 1003, but is not necessarily limited thereto. For example, the processor 1001 and the memory 1003 may each exist as one physically independent component.
메모리(1003)는 센서 보정 장치(1000)에서 프로세서(1001)의 처리 또는 제어를 위한 프로그램 등 전반의 동작을 위한 다양한 데이터를 저장할 수 있다. 메모리(1003)는 구동되는 다수의 응용 프로그램(Application program), 센서 보정 장치(1000)의 동작을 위한 데이터들, 명령어들을 저장할 수 있다. 메모리(1003)는 프로세서(1001)에 포함된 롬(ROM), 램(RAM) 등의 내부 메모리로 구현되거나, 프로세서(1001)와 별도의 메모리로 구현될 수 있다.The memory 1003 may store various data for the overall operation of the sensor calibration device 1000, such as a program for processing or controlling the processor 1001. The memory 1003 can store a number of running application programs, data for operating the sensor calibration device 1000, and commands. The memory 1003 may be implemented as internal memory such as ROM or RAM included in the processor 1001, or may be implemented as a memory separate from the processor 1001.
프로세서(1001)는 센서 보정 장치(1000)를 전반적으로 제어하기 위한 구성일 수 있다. 구체적으로 프로세서(1001)는 CPU, 램(RAM), 롬(ROM), 시스템 버스 등을 포함할 수 있다. 프로세서(1001)는 단일 CPU 또는 복수의 CPU(또는 DSP, SoC)로 구현될 수 있다. 일 실시예로, 프로세서(1001)는 디지털 신호를 처리하는 디지털 시그널 프로세서(digital signal processor(DSP), 마이크로프로세서(microprocessor), TCON(Time controller)으로 구현될 수 있다. 다만, 이에 한정되는 것은 아니며, 중앙처리장치(central processing unit(CPU)), MCU(Micro Controller Unit), MPU(micro processing unit), 컨트롤러(controller), 어플리케이션 프로세서(application processor(AP)), 또는 커뮤니케이션 프로세서(communication processor(CP)), ARM 프로세서 중 하나 또는 그 이상을 포함하거나, 해당 용어로 정의될 수 있다. 또한, 프로세서(1001)는 프로세싱 알고리즘이 내장된 SoC(System on Chip), LSI(large scale integration)로 구현될 수도 있고, FPGA(Field Programmable gate array) 형태로 구현될 수도 있다.The processor 1001 may be configured to generally control the sensor calibration device 1000. Specifically, the processor 1001 may include a CPU, RAM, ROM, and a system bus. The processor 1001 may be implemented with a single CPU or multiple CPUs (or DSP, SoC). In one embodiment, the processor 1001 may be implemented as a digital signal processor (DSP), a microprocessor, or a time controller (TCON) that processes digital signals. However, it is not limited to this. , central processing unit (CPU), micro controller unit (MCU), micro processing unit (MPU), controller, application processor (AP), or communication processor (CP) )), may include one or more of the ARM processors, or may be defined by the corresponding term. In addition, the processor 1001 may be implemented as a SoC (System on Chip) with a built-in processing algorithm, LSI (large scale integration). Alternatively, it may be implemented in the form of an FPGA (Field Programmable Gate Array).
프로세서(1001)는 예를 들면 센서 데이터를 확인하고, 사전 학습된 네트워크에 센서 데이터를 입력하여, 센서 데이터에 관한 정상 제곱 예측 오차 정보 및 정상 은닉 표현 정보를 산출하며, 센서 데이터 정상 제곱 예측 오차 정보 및 정상 은닉 표현 정보에 기반하여, 센서가 센서 한계에 해당하는지 여부를 판단하고, 센서가 센서 한계에 해당하는 경우, 센서 유효성 지수를 확인하며, 정상 제곱 예측 오차 정보에 대응하는 제1 임계값을 결정하는 단계; 센서 유효성 지수가 제2 임계값 이하인 경우, 센서 데이터 및 제1 임계값에 기반하여 센서 데이터를 보정하도록 제어할 수 있다.The processor 1001, for example, verifies sensor data, inputs the sensor data into a pre-trained network, calculates normal square prediction error information and normal hidden representation information about the sensor data, and generates normal square prediction error information about the sensor data. and based on the normal hidden representation information, determine whether the sensor corresponds to the sensor limit, determine the sensor validity index if the sensor corresponds to the sensor limit, and determine a first threshold corresponding to the normal squared prediction error information. deciding step; If the sensor effectiveness index is less than or equal to the second threshold, control may be made to correct the sensor data based on the sensor data and the first threshold.
한편, 본 명세서와 도면에는 본 발명의 바람직한 실시 예에 대하여 게시하였으며, 비록 특정 용어들이 사용되었으나, 이는 단지 본 발명의 기술 내용을 쉽게 설명하고 발명의 이해를 돕기 위한 일반적인 의미에서 사용된 것이지, 본 발명의 범위를 한정하고자 하는 것은 아니다. 여기에 개시된 실시 예 외에도 본 발명의 기술적 사상에 바탕을 둔 다른 변형 예들이 실시 가능하다는 것은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 자명한 것이다.Meanwhile, in this specification and drawings, preferred embodiments of the present invention are posted, and although specific terms are used, they are used only in a general sense to easily explain the technical content of the present invention and aid understanding of the present invention. It is not intended to limit the scope of the invention. In addition to the embodiments disclosed herein, it is obvious to those skilled in the art that other modifications based on the technical idea of the present invention can be implemented.
100: 온도 측정 프로브
10: 모니터링 장치
1000: 센서 보정 장치
1001: 프로세서
1003: 메모리
20: 센서
200: 신경망 네트워크
201: 센서 데이터
203: 또는 노이즈 데이터
205: 제1 레이어
207: 제2 레이어
209: 제3 레이어
211: 은닉 레이어
213: 제4 레이어
215: 제5 레이어
217: 제6 레이어
219: 노이즈 제거 데이터
30: 하수 처리 장치100: Temperature measurement probe
10: Monitoring device
1000: sensor calibration device
1001: Processor
1003: Memory
20: sensor
200: Neural network
201: sensor data
203: or noise data
205: first layer
207: second layer
209: Third layer
211: Hidden Layer
213: fourth layer
215: 5th layer
217: 6th layer
219: Noise removal data
30: Sewage treatment device
Claims (16)
센서 데이터를 확인하는 단계;
사전 학습된 네트워크에 상기 센서 데이터를 입력하여, 상기 센서 데이터에 관한 제곱 예측 오차 정보 및 은닉 표현 정보를 포함하는 조정 데이터 산출하는 단계;
상기 조정 데이터, 정상 제곱 예측 오차 정보 및 정상 은닉 표현 정보에 기반하여, 상기 센서가 센서 한계에 해당하는지 여부를 판단하는 단계;
상기 센서가 상기 센서 한계에 해당하는 경우, 센서 유효성 지수를 확인하는 단계;
상기 정상 제곱 예측 오차 정보에 대응하는 제1 임계값을 결정하는 단계;
상기 센서 유효성 지수가 제2 임계값 이하인 경우, 상기 센서 데이터 및 상기 제1 임계값에 기반하여 상기 센서 데이터를 보정하는 단계를 포함하는 것을 특징으로 하는 센서를 보정하는 방법.In a method of calibrating a sensor in a sewage treatment system,
Checking sensor data;
Inputting the sensor data into a pre-trained network to calculate adjusted data including squared prediction error information and hidden representation information regarding the sensor data;
Based on the adjustment data, normal squared prediction error information, and normal hidden representation information, determining whether the sensor corresponds to a sensor limit;
If the sensor falls within the sensor limit, checking a sensor validity index;
determining a first threshold corresponding to the normal square prediction error information;
When the sensor validity index is less than or equal to a second threshold, calibrating the sensor data based on the sensor data and the first threshold.
상기 사전 학습된 네트워크는,
학습 센서 데이터를 확인하는 단계, 상기 학습 센서 데이터 및 노이즈 제거 데이터 사이의 모든 오류의 합을 포함하는 목적 함수를 최적화 하는 단계; 정상 제곱 예측 오차 정보와 정상 은닉 표현 정보를 산출하는 단계를 포함하여 학습된 것을 특징으로 하는 센서를 보정하는 방법.According to claim 1,
The pre-trained network is,
Checking learning sensor data, optimizing an objective function including the sum of all errors between the learning sensor data and denoising data; A method for calibrating a sensor, characterized in that it has been learned, including calculating normal squared prediction error information and normal hidden representation information.
상기 사전 학습된 네트워크는, 스택형 노이즈 제거 자동 인코더를 이용한 것을 특징으로 하는 센서를 보정하는 방법.According to clause 2,
A method for calibrating a sensor, wherein the pre-trained network uses a stacked noise removal auto-encoder.
상기 센서가 상기 센서 한계에 해당하는지 여부를 판단하는 단계는,
상기 센서 데이터에 의해 산출되는 제곱 예측 오차 정보가 상기 정상 제곱 예측 오차 정보 이상이고, 상기 센서 데이터에 의해 산출되는 은닉 표현 정보가 상기 정상 은닉 표현 정보 이상인 경우 센서 한계에 해당한다고 판단하는 것을 특징으로 하는 센서를 보정하는 방법.According to claim 1,
The step of determining whether the sensor corresponds to the sensor limit is,
When the squared prediction error information calculated by the sensor data is greater than or equal to the normal squared predicted error information and the hidden expression information calculated by the sensor data is greater than or equal to the normal hidden expression information, it is characterized in that it is determined to correspond to the sensor limit. How to calibrate a sensor.
상기 은닉 표현 정보는 하기의 수학식 1로 산출되는 것을 특징으로 하는 센서를 보정하는 방법.
[수학식 1]
상기 수학식 1에서의 H는 은닉 표현의 제곱합, fs는 활성화 함수, W 는 가중치, b는 편향, x는 센서 데이터를 나타낸다.According to claim 1,
A method for calibrating a sensor, characterized in that the hidden expression information is calculated using Equation 1 below.
[Equation 1]
In Equation 1, H is the sum of squares of the hidden expression, f s is the activation function, W is the weight, b is the bias, and x is the sensor data.
상기 센서 데이터 및 상기 제1 임계값에 기반하여 상기 센서 데이터를 보정하는 단계는,
상기 센서 데이터 및 상기 제1 임계값에 기반하여 시스템 성능을 산출하는 단계;
상기 시스템 성능에 기반하여 시스템 복원력을 산출하는 단계; 및
상기 시스템 복원력에 기반하여 상기 센서 데이터를 보정하는 단계를 포함하는 것을 특징으로 하는 센서를 보정하는 방법.According to claim 1,
The step of correcting the sensor data based on the sensor data and the first threshold includes:
calculating system performance based on the sensor data and the first threshold;
calculating system resilience based on the system performance; and
A method for calibrating a sensor, comprising calibrating the sensor data based on the system resilience.
상기 시스템 성능은 하기의 수학식 2로 산출되는 것을 특징으로 하는 센서를 보정하는 방법.
[수학식 2]
상기 수학식 2에서의 는 시간에 따른 시스템 성능, 는 센서 데이터 값, 상기 제1 임계값 t는 시간을 나타낸다.According to clause 6,
A method of calibrating a sensor, characterized in that the system performance is calculated by Equation 2 below.
[Equation 2]
In Equation 2 above, is the system performance over time, is the sensor data value, The first threshold t represents time.
상기 센서는 COD(Chemical Oxygen Demand) 센서, TN(Total Nitrogen) 센서, TP(Total Phosphorus) 센서 및 SS(Suspended Solids) 센서 중 적어도 하나를 포함하는 것을 특징으로 하는 센서를 보정하는 방법.According to claim 1,
A method of calibrating a sensor, wherein the sensor includes at least one of a COD (Chemical Oxygen Demand) sensor, a TN (Total Nitrogen) sensor, a TP (Total Phosphorus) sensor, and an SS (Suspended Solids) sensor.
데이터를 저장하는 메모리; 및
센서 데이터를 확인하고, 사전 학습된 네트워크에 상기 센서 데이터를 입력하여, 상기 센서 데이터에 관한 제곱 예측 오차 정보 및 은닉 표현 정보를 포함하는 조정 데이터 산출하며, 상기 조정 데이터 상기 정상 제곱 예측 오차 정보 및 상기 정상 은닉 표현 정보에 기반하여, 상기 센서가 센서 한계에 해당하는지 여부를 판단하고, 상기 센서가 상기 센서 한계에 해당하는 경우, 센서 유효성 지수를 확인하며, 상기 정상 제곱 예측 오차 정보에 대응하는 제1 임계값을 결정하고, 상기 센서 유효성 지수가 제2 임계값 이하인 경우, 상기 센서 데이터 및 상기 제1 임계값에 기반하여 상기 센서 데이터를 보정하도록 제어하는 프로세서를 포함하는 것을 특징으로 하는 장치.In a device for calibrating sensors in a sewage treatment system,
memory to store data; and
Check sensor data, input the sensor data into a pre-trained network, calculate adjusted data including squared prediction error information and hidden representation information regarding the sensor data, and calculate the adjusted data, the normal squared prediction error information, and the Based on the normal hidden representation information, determine whether the sensor corresponds to the sensor limit, determine a sensor validity index if the sensor corresponds to the sensor limit, and determine a first sensor corresponding to the normal squared prediction error information. A device comprising a processor that determines a threshold and, when the sensor effectiveness index is less than or equal to a second threshold, controls to correct the sensor data based on the sensor data and the first threshold.
상기 사전 학습된 네트워크는,
학습 센서 데이터를 확인하는 단계, 상기 학습 센서 데이터 및 노이즈 제거 데이터 사이의 모든 오류의 합을 포함하는 목적 함수를 최적화 하는 단계; 정상 제곱 예측 오차 정보와 정상 은닉 표현 정보를 산출하는 단계를 포함하여 학습된 것을 특징으로 하는 장치.According to clause 9,
The pre-trained network is,
Checking learning sensor data, optimizing an objective function including the sum of all errors between the learning sensor data and denoising data; An apparatus characterized in that it is learned, including calculating normal squared prediction error information and normal hidden representation information.
상기 사전 학습된 네트워크는, 스택형 노이즈 제거 자동 인코더를 이용한 것을 특징으로 하는 장치.According to claim 10,
A device characterized in that the pre-trained network uses a stacked noise removal auto-encoder.
상기 프로세서는 상기 센서 데이터에 의해 산출되는 제곱 예측 오차 정보가 상기 정상 제곱 예측 오차 정보 이상이고, 상기 센서 데이터에 의해 산출되는 은닉 표현 정보가 상기 정상 은닉 표현 정보 이상인 경우 센서 한계에 해당한다고 판단하도록 제어하는 것을 특징으로 하는 장치.According to clause 9,
The processor controls to determine that it corresponds to a sensor limit when the squared prediction error information calculated by the sensor data is greater than or equal to the normal squared predicted error information and the hidden representation information calculated by the sensor data is greater than or equal to the normal hidden expression information. A device characterized in that.
상기 은닉 표현 정보는 하기의 수학식 3로 산출되는 것을 특징으로 하는 장치.
[수학식 3]
상기 수학식 3에서의 H는 은닉 표현의 제곱합, fs는 활성화 함수, W 는 가중치, b는 편향, x는 센서 데이터를 나타낸다.According to clause 9,
A device characterized in that the hidden expression information is calculated using Equation 3 below.
[Equation 3]
In Equation 3, H is the sum of squares of the hidden expression, f s is the activation function, W is the weight, b is the bias, and x is the sensor data.
상기 프로세서는,
상기 센서 데이터 및 상기 제1 임계값에 기반하여 시스템 성능을 산출하고, 상기 시스템 성능에 기반하여 시스템 복원력을 산출하며, 상기 시스템 복원력에 기반하여 상기 센서 데이터를 보정하도록 제어하는 것을 특징으로 하는 장치.According to clause 9,
The processor,
A device characterized in that it calculates system performance based on the sensor data and the first threshold, calculates system resilience based on the system performance, and controls to correct the sensor data based on the system resilience.
상기 시스템 성능은 하기의 수학식 4로 산출되는 것을 특징으로 하는 장치.
[수학식 4]
상기 수학식 4에서의 는 시간에 따른 시스템 성능, 는 센서 데이터 값, 상기 제1 임계값 t는 시간을 나타낸다.According to claim 14,
A device characterized in that the system performance is calculated by Equation 4 below.
[Equation 4]
In Equation 4 above, is the system performance over time, is the sensor data value, The first threshold t represents time.
상기 센서는 COD(Chemical Oxygen Demand) 센서, TN(Total Nitrogen) 센서, TP(Total Phosphorus) 센서 및 SS(Suspended Solids) 센서 중 적어도 하나를 포함하는 것을 특징으로 하는 장치.
According to clause 9,
A device characterized in that the sensor includes at least one of a COD (Chemical Oxygen Demand) sensor, a TN (Total Nitrogen) sensor, a TP (Total Phosphorus) sensor, and an SS (Suspended Solids) sensor.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220036125A KR20230138276A (en) | 2022-03-23 | 2022-03-23 | Method and Apparatus for Calibrating Sensors in wastewater treatment plants |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220036125A KR20230138276A (en) | 2022-03-23 | 2022-03-23 | Method and Apparatus for Calibrating Sensors in wastewater treatment plants |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230138276A true KR20230138276A (en) | 2023-10-05 |
Family
ID=88294715
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220036125A KR20230138276A (en) | 2022-03-23 | 2022-03-23 | Method and Apparatus for Calibrating Sensors in wastewater treatment plants |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20230138276A (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117537951A (en) * | 2024-01-10 | 2024-02-09 | 西南交通大学 | Method and device for detecting internal temperature rise of superconducting suspension based on deep learning |
| CN117808216A (en) * | 2024-03-01 | 2024-04-02 | 四川省铁路建设有限公司 | Energy saving and emission reduction effect evaluation method for sewage treatment |
| CN117808216B (en) * | 2024-03-01 | 2024-05-07 | 四川省铁路建设有限公司 | Energy saving and emission reduction effect evaluation method for sewage treatment |
-
2022
- 2022-03-23 KR KR1020220036125A patent/KR20230138276A/en unknown
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117537951A (en) * | 2024-01-10 | 2024-02-09 | 西南交通大学 | Method and device for detecting internal temperature rise of superconducting suspension based on deep learning |
| CN117537951B (en) * | 2024-01-10 | 2024-03-26 | 西南交通大学 | Method and device for detecting internal temperature rise of superconducting suspension based on deep learning |
| CN117808216A (en) * | 2024-03-01 | 2024-04-02 | 四川省铁路建设有限公司 | Energy saving and emission reduction effect evaluation method for sewage treatment |
| CN117808216B (en) * | 2024-03-01 | 2024-05-07 | 四川省铁路建设有限公司 | Energy saving and emission reduction effect evaluation method for sewage treatment |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111291937A (en) | Method for predicting quality of treated sewage based on combination of support vector classification and GRU neural network | |
| Siegel et al. | An auto-associative residual processing and K-means clustering approach for anemometer health assessment | |
| WO2018103286A1 (en) | Method and device for detecting equivalent load of wind turbine generator system | |
| US20070233397A1 (en) | System for detection and prediction of water quality events | |
| CN112101554B (en) | Abnormality detection method and apparatus, device, and computer-readable storage medium | |
| KR20230138276A (en) | Method and Apparatus for Calibrating Sensors in wastewater treatment plants | |
| US20070215556A1 (en) | System for detection and prediction of water nitrification | |
| CN113671917B (en) | Detection method, system and equipment for abnormal state of multi-modal industrial process | |
| KR20170127430A (en) | Method and system for detecting, classifying and / or mitigating sensor error | |
| CN111879349A (en) | Sensor data deviation self-adaptive correction method | |
| CN112100574A (en) | Resampling-based AAKR model uncertainty calculation method and system | |
| CN113537352B (en) | Sensor abnormal value monitoring method, device, computer equipment and storage medium | |
| CN103489034A (en) | Method and device for predicting and diagnosing online ocean current monitoring data | |
| CN113155178A (en) | Sensor system and method | |
| CN116499607A (en) | Optical fiber sensing signal noise reduction method and device and storage medium | |
| CN111159846B (en) | Rolling bearing residual effective life prediction method based on fraction levy stable motion | |
| CN115640744A (en) | Method for predicting corrosion rate outside oil field gathering and transportation pipeline | |
| Wellington et al. | Sensor validation and fusion using the Nadaraya-Watson statistical estimator | |
| CN109255201B (en) | SOM-MQE-based ball screw pair health assessment method | |
| CN112198209A (en) | Formaldehyde detection method and formaldehyde detection device | |
| CN110851897A (en) | Aqueduct stress-strain prediction method under multi-factor correlation | |
| CN111814976A (en) | Air conditioning system sensor fault error relearning method and system | |
| CN107346301B (en) | Water quality monitoring noise data real-time detection method based on double-time-window verification | |
| CN109891235B (en) | Method for the automatic online detection of deviations of an actual state of a fluid from a reference state of the fluid, based on statistical methods, in particular for monitoring a drinking water supply | |
| CN114495438B (en) | Disaster early warning method, system, equipment and storage medium based on multiple sensors |