KR20240036185A - 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 시스템 및 방법 - Google Patents

Abstract

본 발명은 분산 환경에서의 처리 속도 향상을 위해 스마트 빌딩 내의 다수의 설비 센서들과 중앙서버가 서로 협업하여 학습 모델을 구축하는 회귀분석 기반 연합학습 모델을 통해 스마트 빌딩에서의 고장 예지를 수행하도록 구현한 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 시스템 및 방법에 관한 것으로, 복수 개의 DDC가 스마트 빌딩에 설치된 센서로부터 수집한 데이터에 대한 학습을 수행하여 해당 학습한 모델의 파라미터만을 전송하며; 중앙서버가 DDC에서 전송한 파라미터를 수신받아 파라미터를 이용하여 반복적으로 회귀분석 기반 연합학습 모델을 업데이트한다.

Description

스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 시스템 및 방법{Regression-based federated learning system and method for predictive maintenance in smart buildings}

본 발명의 기술 분야는 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 시스템 및 방법에 관한 것으로, 특히 분산 환경에서의 처리 속도 향상을 위해 스마트 빌딩 내의 다수의 설비 센서들과 중앙서버가 서로 협업하여 학습 모델을 구축하는 회귀분석 기반 연합학습 모델을 통해 스마트 빌딩에서의 고장 예지를 수행하도록 구현한 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 시스템 및 방법에 관한 것이다.

스마트 빌딩의 도입 증가와 지능형 건축물 인증(예를 들어, FEMS, BEMS, zero energy building 등)제도 도입 의무화에 따라 스마트 빌딩에서의 고장 예지 분석을 위해서 빅데이터 및 인공지능 기술 적용에 대한 필요성이 증가하고 있다. 또한, 스마트 빌딩에서의 고장 예지 분석은 스마트 빌딩 내 설비의 가동 중요성으로 인하여 이상치 데이터 확보가 어렵다는 특징과 함께, 참여하는 구성요소는 데이터 수집을 담장하는 다수의 분산된 센서 노드와 이들로부터 수집된 데이터를 처리하는 중앙서버로 구성된다는 특징이 있다.

기존의 연합학습 모델에 대한 연구들은 데이터 보호와 정확도 향상에 집중되어 왔다. 다시 말해서, 기존의 연합학습 기반 연구들은 주로 개별 노드에서의 데이터 프라이버시를 보호화기 위한 목적으로 연구되어 왔으며, 대표적인 연구로는 개인정보를 보호하면서 학습 모델 정확도를 향상시키기 위해 차등 프라이버시와 SMC(secure multi-part computing)를 사용한 하이브리드 딥러닝 모델 연구, IoT 기반의 데이터 프라이버시 보호 모델 연구, 개인 건강 데이터를 보호하면서 글로벌 모델을 학습하는 연구 등이 있었으며, 이들 연구들은 데이터 보호와 모델의 정확도 향상을 목표로 하고 있다.

한국등록특허 제10-1960162호(2019.03.13. 등록)는 디지털 SOP(Standard Operating Procedure) 및 예측 기반 빌딩 통합 운영 시스템 및 방법에 관하여 개시되어 있는데, 빌딩 내 온도를 포함하는 환경정보 및 정보통신설비와 자동화설비와 에너지설비와 보안설비 및 안전설비를 포함하는 빌딩을 운영하기 위한 운영설비의 작동상태를 포함하는 설비정보를 측정하며 IoT 기반으로 작동하는 복수의 IoT센서, 및 운영설비를 작동시키며 그 작동정보를 생성하며 IoT 기반으로 작동하는 복수의 IoT작동기를 포함하는 IoT장치부; 및 환경정보와 설비정보 및 작동정보를 수신하여 빌딩의 현재상황에 대한 정보를 포함하는 현재상황빅데이터를 생성하는 IoT 정보수집부와, 디지털 정보이며 빌딩에서 발생하는 재난상황과 재해상황 및 사고상황을 포함하는 비정상상황 및 정상상황에 대응하는 대응절차를 포함하는 재난대응 및 빌딩운영 표준행동절차를 생성하는 디지털 SOP 관리유닛과, 현재상황빅데이터를 기반으로 하여 현재상황이 비정상상황 또는 비정상상황을 제외한 정상상황에 해당하는지를 판단하여 현재상황정보를 생성하는 판단알고리즘 및 현재상황이 비정상상황으로 판단되면 인명손실과 운영설비의 손실 및 비정상상황의 확산방지효과를 포함하는 대응효과를 극대화할 수 있도록 SOP에서 적어도 하나 이상의 대응절차를 선택하여 최적대응절차를 구성하는 SOP선택알고리즘을 구비하고 대응효과를 산출하는 상황대응부 및 최적대응절차에 따라서 IoT를 기반으로 하여 IoT센서 및 IoT작동기를 작동하는 IoT장치제어부로 구성되는 인공지능형 중앙처리부로 구성된 것을 특징으로 한다. 개시된 기술에 따르면, 재난 상황과 재해상황을 포함하는 모든 비상 상황에 대한 표준행동절차(SOP)의 정보를 비상상황에 대처하는 빌딩 운영시스템에 병합시킴으로써, 신속하면서도 정확한 초기대응을 가능하게 함과 동시에, 긴박한 상황에서 발생할 수 있는 휴먼 에러를 차단할 수 있으며, 빅데이터와 기계학습 방법론을 적용함으로써, 개별적인 빌딩 운영시스템을 통합하여 판단/대응할 수 있으며, 비상상황 발생 시 상황 변화 예측 기능을 구비함으로써, 대규모/대형화되는 최근의 빌딩 건설 경향에 대비하여, 비상상황의 확산과 피해를 최소화할 수 있다.

한국등록특허 제10-2380397호(2022.03.25. 등록)는 빌딩의 내부환경 또는 전력소모량에 영향을 미치는 빌딩 내외부 환경에 관한 데이터가 손쉽게 수집될 수 있으며, 이러한 빌딩 관리에 관한 요인들 간의 관계에 대해 복잡한 이해가 없이도 효율적인 빌딩 관리가 이루어질 수 있으며, 또한 빌딩의 설비 관리자가 최소한의 조작 또는 제어만 수행하더라도 자율적인 환경적응에 의해 스스로 업데이트되는 인공지능이 빌딩의 사용자 또는 설비관리자에게 다양한 최적화 시나리오를 제공하며, 사용자들의 피드백을 수집하여 이를 퍼지 논리에 의해 처리함으로써 보다 융통성 있는 제어가 이루어질 수 있도록 할 수 있으며, 사용자들의 구두 피드백을 퍼지 논리에 의해 파라미터로 변환함으로써 실제 사용자들이 체감하는 외부환경 대비 최적의 쾌적함을 제공하는 내부환경을 학습하여 기준 또는 목적상태로 설정할 수 있으며, 상태를 유지하기 위해 소모되는 에너지를 최소화하며, 사용자의 생산성을 높이고, 건물 운영을 개선하며 사회의 지속가능성에 기여할 수 있는 IoT센서 및 인공지능을 이용한 스마트 빌딩 관리방법에 관하여 개시되어 있다. 개시된 기술에 따르면, 컴퓨터에 의해 실행되는 방법에 있어서, 하나 이상의 IoT 센서에 의하여 수집된, 빌딩에 관한 데이터를 획득하는 단계; 획득된 데이터를 전처리하는 단계; 하나 이상의 사용자 피드백을 획득하는 단계; 획득된 사용자 피드백을 전처리하는 단계; 전처리된 데이터 및 사용자 피드백을 인공지능 모델에 입력하는 단계; 인공지능 모델의 출력으로부터 빌딩의 설비의 제어를 위한 데이터를 획득하는 단계; 획득된 데이터에 기초하여 상기 빌딩의 설비를 제어하는 단계; 및 설비의 제어에 따른 사용자 피드백을 획득하여 인공지능 모델을 업데이트하는 단계를 포함하며, 수집된 빌딩에 관한 데이터는 VOC(Volatile Organic Compunds) 농도, 미세먼지 농도, 이산화탄소 농도, 종합적인 공기질, 조명, 자연광, 실내온도, 실외온도, 습도, 진동, 빌딩 외부의 기후상태, 계절, 빌딩 내부 설비의 전력소모량, 시설 내부의 이용자 수 또는 시설 내부의 움직임 중 하나 이상이고, 제어되는 설비는 HVAC(Heating, Ventilation and Air Conditioning)설비, 냉방설비, 난방설비, 엘리베이터, 보안 시스템, 조명설비, 공기청정기, 창문, 차광설비, 출입문의 차폐설비, 가습기, 제습기, 내부시설의 위치이동을 위한 설비, 소방설비 또는 가전제품 중 하나 이상인 것을 특징으로 한다.

상술한 바와 같은 종래의 기술에서는, 스마트 빌딩의 도입 증가와 지능형 건축물 인증제도 도입 의무화에 따라 기계설비 제어 및 관리를 위한 데이터가 폭발적으로 증가하고 있는 실정이며, 한편 ICT 기반 자동화된 운영 기계설비의 고도화 및 복잡화로 인해 내부 잠재 위험요인 역시 지속적으로 늘어나고 있다. 이러한 특성으로 인하여 스마트 빌딩의 설비 문제 발생 시 기존보다 조치 시간에 많은 시간이 소요되며, 생산 손실 및 점검에 막대한 비용이 발생하는 단점을 가지고 있다. 따라서 기업들은 고도화된 기계설비의 안정적인 가동률을 유지하기 위해서 자동화된 분석방법이 필요하게 되었다.

상술한 바와 같은 종래의 기술에서는, 빅데이터 및 인공지능 기술을 활용한 기계설비에 대한 고장 예지 방안에 대해 많은 연구가 진행되고 있으나, 아직까지 여러 한계들이 존재한다. 첫 번째로, 데이터 수집 및 분석 측면에서 내구성과 안정성이 요구되는 설비의 특성상 수집되는 데이터들이 대부분 정상상태에서 일정한 값들을 유지하고 있기 때문에, 자동화된 모델을 학습하기 위해 필요한 규모의 이상치 데이터를 확보하기 어렵다는 단점이 있다. 두 번째로는, 데이터 처리 측면에서 분산되어 있는 다수의 설비들로부터 수집되는 데이터들을 하나의 중앙서버에 수집하여 분석하는 경우에, 중앙서버에서의 어치시간 지연, 네트워크 대역폭 제한, 프로세싱 자원 부족 등의 단점들이 발생하게 된다.

한국등록특허 제10-1960162호 한국등록특허 제10-2380397호

본 발명이 해결하고자 하는 과제는, 전술한 바와 같은 단점 내지 필요성을 해결하기 위한 것으로, 분산 환경에서의 처리 속도 향상을 위해 스마트 빌딩 내의 다수의 설비 센서들과 중앙서버가 서로 협업하여 학습 모델을 구축하는 회귀분석 기반 연합학습 모델을 통해 스마트 빌딩에서의 고장 예지를 수행하도록 구현한 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 시스템 및 방법을 제공하는 것이다.

상술한 과제를 해결하는 수단으로는, 본 발명의 한 특징에 따르면, 스마트 빌딩에 설치된 센서로부터 수집한 데이터에 대한 학습을 수행하여 해당 학습한 모델의 파라미터만을 전송하는 복수 개의 DDC; 및 상기 DDC에서 전송한 파라미터를 수신받아 파라미터를 이용하여 반복적으로 회귀분석 기반 연합학습 모델을 업데이트하는 중앙서버를 포함하는 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 시스템을 제공한다.

일 실시 예에서, 상기 DDC는, 스마트 빌딩에 설치된 센서로부터 수집한 데이터에 대한 연합학습을 수행하여 연합학습한 모델의 파라미터만을 상기 중앙서버로 전송하는 것을 특징으로 한다.

일 실시 예에서, 상기 중앙서버는, 분산 환경에서의 연합학습을 수행할 때, 기 설정해 둔 학습 매개변수 초기 값을 상기 DDC로 다운로드시켜 주는 것을 특징으로 한다.

일 실시 예에서, 상기 DDC는, 분산 환경에서의 연합학습을 수행할 때, 상기 중앙서버에서 가지고 있는 학습 매개변수 초기 값을 다운로드받아, 다운로드받은 학습 매개변수 초기 값을 기본으로 하여, 스마트 빌딩에 설치된 센서로부터 수집된 로컬 데이터를 학습하여 새로운 학습 매개변수, 기울기를 계산하며, 계산된 새로운 학습 매개변수, 기울기를 상기 중앙서버로 업로드시켜 주는 것을 특징으로 한다.

일 실시 예에서, 상기 DDC는, 상기 중앙서버로부터 전송되는 글로벌 모델을 수신받아 업데이트해 주는 것을 특징으로 한다.

일 실시 예에서, 상기 DDC는, 상기 중앙서버로부터 전송되는 초기 파라미터 정보를 수신받아 개별 디바이스의 컴퓨팅 파워를 이용하여 모델 학습을 수행하고 학습이 완료되면 파라미터 정보를 다시 상기 중앙서버로 전송하는 것을 특징으로 한다.

일 실시 예에서, 상기 중앙서버는, 상기 DCC의 노드 개수가 늘어나더라도 연합학습의 전체 처리속도가 향상되는 확장성을 가지는 회귀분석 기반 연합학습 모델을 업데이트하는 것을 특징으로 한다.

일 실시 예에서, 상기 중앙서버는, 상기 DDC로부터 새로운 학습 매개변수, 기울기를 업로드받아, 업로드받은 새로운 학습 매개변수, 기울기를 집계하여 글로벌 모델에 대한 새로운 학습 매개변수를 얻고 글로벌 모델을 업데이트하는 것을 특징으로 한다.

일 실시 예에서, 상기 중앙서버는, 최종 학습모델을 얻을 때까지 상기 DDC와의 연합학습을 반복 수행해 주며, 데이터 값들 간의 상관관계 분석을 기반으로 특정 값을 예측하는 회귀분석적 접근방법을 통한 고장 예지 분석을 수행하는 것을 특징으로 한다.

일 실시 예에서, 상기 중앙서버는, 글로벌 모델을 상기 DDC로 전송하며, 상기 DDC와 반복적으로 글로벌 모델을 공유하고 업데이트하여 최적의 글로벌 모델을 생성하도록 하는 것을 특징으로 한다.

일 실시 예에서, 상기 중앙서버는, 회귀분석적 접근방법을 통한 고장 예지 분석으로, 시스템 서버 부하를 감소시키고, 에지 디바이스 수준에서 전처리 분석 및 제어를 수행하는 것을 특징으로 한다.

일 실시 예에서, 상기 중앙서버는, 학습 파라미터를 관리하면서, 학습이 진행될 때에 학습에 참여할 DDC를 선택하도록 하며, 기 설정해 둔 글로벌 모델의 초기 파라미터 정보를 상기 DDC로 전송하며, 초기 글로벌 모델과 상기 DDC에서 학습된 모델을 통합하여 글로벌 모델을 업데이트해 주며, 글로벌 모델이 기 설정된 정확도를 확보할 때까지 반복 수행하도록 하는 것을 특징으로 한다.

일 실시 예에서, 상기 DDC는, 스마트 빌딩에 설치된 센서로부터 데이터를 수집하고 수집된 로컬 데이터에 대해 학습하고 학습된 결과를 상기 중앙서버로 전송하는 러닝 워커를 구비하는 것을 특징으로 한다.

일 실시 예에서, 상기 DDC는, 연합학습 모델에서 클라이언트 수준으로 향상시키기 위해 라즈베리 파이를 부착한 형태로 제작하여 학습을 수행하도록 하는 것을 특징으로 한다.

일 실시 예에서, 상기 DDC는, 스마트 빌딩 내 설비의 센서 데이터에 대한 모니터링을 수행하고, 각 센서 데이터를 통해 설비의 상태 정보를 수집하며, 수집된 정보의 경우에 필드기기통신 인프라를 통해 상기 중앙서버로 발신하고, 수집된 정보를 상위 애플리케이션에서 가공할 수 있게 만드는 연합학습 적용 인공지능의 스마트 DDC 모니터링 시스템부를 통해 설비의 유지보수에 관한 의사결정을 지원하도록 하는 연합학습 적용 인공지능 스마트 DDC인 것을 특징으로 한다.

일 실시 예에서, 상기 스마트 DDC 모니터링 시스템부는, 스마트 빌딩 내 설비의 센서 데이터를 수집하여 설비의 이상감지 진단에 관한 정보를 검출하고 수집하며, 설비 관리 애플리케이션이 동작하여 수집된 정보를 가공하고 편집 보존하며, 설비에서 수집된 정보의 경우에 HART 또는 필드버스의 통신 프로토콜로 상기 중앙서버로 발신하는 것을 특징으로 한다.

일 실시 예에서, 상기 스마트 DDC 모니터링 시스템부는, 설비의 신호를 상기 DDC를 통해 수집하여 데이터베이스로 변환시켜 저장하고 이를 기반으로 이상 징후 감지 및 유지보수 실행에 필요한 기초 정보를 분석하는 것을 특징으로 한다.

일 실시 예에서, 상기 스마트 DDC 모니터링 시스템부는, IoT복합밸브 데이터 분석 소프트웨어를 통한 IoT복합밸브의 경우, 이상 징후 감지 및 유지보수 중요도 정보로는 정기 보수 시에 밸브 개폐 여부 판정을 결정하는 냉난방 운전상의 리스크나 밸브가 프로세스에 미치는 영향을 변수로 하여 중요도를 결정하도록 하며, 설정된 중요도를 기준으로 모니터링이나 자체검사 실행 대상을 결정하며, IoT복합밸브 위치정보의 경우에 스마트 빌딩 내에 설비된 밸브의 태그 번호와 위치정보가 밸브 정비의 중요한 정보로 활용되도록 하며, 해당 위치정보를 데이터베이스에 반영시키는 것을 특징으로 한다.

일 실시 예에서, 상기 스마트 DDC 모니터링 시스템부는, 설비 고장 예지 진단의 주 기능으로, IoT복합밸브의 경우, 냉난방 운행 중에 밸브의 열화에 관한 대표적인 지표인 진단 매개변수를 사용하여 밸브의 가동상황을 모니터링하며, IoT복합밸브 진단 매개변수 추이를 그래프로 확인하도록 해 주며, 매개변수에 임계 값을 설정하여 수집된 정보가 임계 값을 넘을 시에 시스템 경보 알람이 울리는 체계를 수립하도록 하며, 진단 매개변수 알람 처리 도입을 통해 밸브 정비 담당자의 순회 점검 중에 특별히 주목할 필요가 있는 밸브를 사전에 확인하도록 해 주는 것을 특징으로 한다.

일 실시 예에서, 상기 스마트 DDC 모니터링 시스템부는, 밸브 개도의 경우에, 시각 점검하거나 선형 게이지를 사용하여 정밀도를 산출하는 방법을 이용하도록 하며, 검사 패턴을 실행하고 그 결과를 전자적으로 확인하도록 하며, 검사 패턴의 경우에 스텝응답과 램프응답의 2가지 검사 패턴으로 나누고, 스텝응답의 경우 스텝 수, 스텝 폭, 기록시간을 프로그램화하며, 램프응답의 경우 스텝응답의 검사 패턴에 램프 시간을 추가하도록 하는 것을 특징으로 한다.

일 실시 예에서, 상기 스마트 DDC 모니터링 시스템부는, 연속검사의 경우에 대상이 되는 밸브에 대하여 필요한 검사 패턴을 일괄적으로 프로그램하고 프로그램 실행 후에는 연속해서 검사를 실행하도록 하며, 연속검사 기능을 활용하여, 플랜트의 정기보수 시의 야간과 같은 안전이 확보되는 시간대에 자동으로 검사를 실행하여 결과를 기록하는 것을 특징으로 한다.

일 실시 예에서, 상기 스마트 DDC 모니터링 시스템부는, 연속검사 결과와 실시시간을 함께 전자적으로 보존하고 수시로 활용하며, 최초 IoT복합밸브 설치 시에 검사를 실시하고 그 결과를 보존하면 추후의 정기보수나 정비 작업기회에 다시 검사하여 당시의 검사기록과 비교 평가하도록 하는 것을 특징으로 한다.

일 실시 예에서, 상기 스마트 DDC 모니터링 시스템부는, HART 통신의 경우 4~20mA 아날로그 계장 신호에 필드기기와 통신을 실행하기 위한 디지털신호를 덧붙인 것으로 마스터 기기와 통신하도록 하는 것을 특징으로 한다.

일 실시 예에서, 상기 스마트 DDC 모니터링 시스템부는, 데이터 수집 및 처리 원격제어를 위한 컨트롤러 모듈에 있어서, 아두이노 보드의 경우 회로보호 및 동작 전압유지를 위한 레귤레이터를 구비하는 것을 특징으로 한다.

일 실시 예에서, 상기 스마트 DDC 모니터링 시스템부는, 아두이노 보드의 경우, 전원입력모듈, 전원선택모듈, PC와 인터페이스를 할 수 있는 USB 투 시리얼을 위한 인터페이스로 구성된 PC 통신모듈, 그리고 센서 제어 및 센서 데이터 수집을 위한 수집 모듈을 구비하는 것을 특징으로 한다.

일 실시 예에서, 상기 스마트 DDC 모니터링 시스템부는, 윈도우 기반 PC 모듈의 경우 데이터 처리 모듈을 통해 수신한 센서 데이터를 데이터베이스화하고 저장 및 연합학습을 위한 역할을 수행하는 것을 특징으로 한다.

일 실시 예에서, 상기 스마트 DDC 모니터링 시스템부는, 데이터 측정 및 전송에 필요한 통신 프로토콜의 경우, BACnet를 사용하거나, RS-232C, RS-422, RS-485를 사용하는 것을 특징으로 한다.

일 실시 예에서, 상기 스마트 DDC 모니터링 시스템부는, RS-232C를 이용하여, 컴퓨터 내부에서 사용하는 병렬통신을 외부기기와 통신하기 위해 직렬통신으로 바꾸어 송신하도록 하는 것을 특징으로 한다.

일 실시 예에서, 상기 스마트 DDC 모니터링 시스템부는, 산업용 기기들의 경우 12V ~ 24V의 전압레벨을 가지고 있고, PC와 일반적인 MCU의 경우 0 ~ 5V의 전압레벨을 가지고 있는 UART 통신을 사용하고 있어, 이 둘 사이를 연결하기 위한 연결모듈을 사용하는 것을 특징으로 한다.

일 실시 예에서, 상기 스마트 DDC 모니터링 시스템부는, RS-232C의 통신케이블의 커넥터 규격을 DB25핀과 DB9핀으로 사용하며, 외부장치로 데이터를 보낼 때 데이터가 나오는 포인트인 TXD; 외부장치로부터 데이터를 입력받는 포인트인 RXD; DTE가 DCE에게 데이터 수신준비완료를 알리는 포인트인 RTS; DCE가 DTE에게 데이터 수신준비완료를 알리는 포인트인 CTS; 컴퓨터 혹은 터미널이 모뎀에게 자신이 송수신 가능한 상태임을 알리는 포인트이며, 컴퓨터가 처음 켜진 후 통신포트를 초기화하고 이 신호를 송신하는 DTR; 모뎀이 컴퓨터 혹은 터미널에게 자신이 송수신 가능한 상태임을 알리는 포인트이며 통신모뎀이 처음 켜진 후 자신의 상태를 확인하고 이상이 없을 때 신호를 송신하는 DSR; 모뎀이 상대편 모뎀과 전화선 등으로 연결되어 있을 때 상대편 모뎀이 캐리어 신호를 보내오면 이 신호를 검출하였음을 컴퓨터에 알려주는 신호 포인트인 DCD; 상대편 모뎀이 우리 편 모뎀에게 전화를 걸어오면 우리 편 모뎀이 이를 인식하여 컴퓨터 또는 터미널에게 알려주는 신호 포인트이며, 컴퓨터가 이 신호를 받게 되면 상대편이 걸어온 전화로 인해 우리 편 모뎀에서 울리는 벨에 대해 응답하는 프로그램을 인터럽터를 통해 호출하게 되는 RI; 시리얼 접지를 위한 포인트인 GND를 구비하는 것을 특징으로 한다.

일 실시 예에서, 상기 스마트 DDC 모니터링 시스템부는, 트위스트 페어 케이블을 이용해서, 차동신호를 노이즈가 케이블 양단에 동시에 유입된다는 특성으로 원래 신호를 제외하고 양단에 동일하게 들어온 노이즈를 찾아내어 능동적으로 제거하도록 하는 것을 특징으로 한다.

일 실시 예에서, 상기 스마트 DDC 모니터링 시스템부는, 시리얼 통신의 에러 검출에 있어서, 패리티비트의 경우, 2진 데이터 전송 중 오류가 생겼는지를 검사하기 위해 추가되는 비트로, 문자열 내 1비트의 모든 숫자가 짝수인지 홀수인지를 보증하기 위해 전송하고자 하는 데이터의 각 문자에 1비트를 더하여 전송하도록 하며, 데이터전송의 제일 마지막에 붙고 오류의 검출만이 가능하고 수정이 불가능하도록 하는 것을 특징으로 한다.

일 실시 예에서, 상기 스마트 DDC 모니터링 시스템부는, 시리얼 통신의 에러 검출에 있어서, 체크섬의 경우, 송신 측에서 전송하려고 하는 데이터를 모두 더한 값이 sum이고, 여기에 ??1을 곱하여 ??sum을 만들고, 데이터를 모두 더한 값에 ??sum을 더해 0이 되는지를 검사하도록 하는 것을 특징으로 한다.

일 실시 예에서, 상기 스마트 DDC 모니터링 시스템부는, 시리얼 통신의 에러 검출에 있어서, 오류정정부호의 경우, 오류의 검출과 수정을 수행할 수 있는 코드 기법으로, 수학적인 연산을 이용하여 데이터의 오류의 발생여부와 발생위치를 확인하는 것을 특징으로 한다.

일 실시 예에서, 상기 DDC는, 엣지 환경에서 데이터를 수집 및 학습하여 상기 중앙서버와 학습 모델을 공유하고 업데이트하는 것을 특징으로 한다.

일 실시 예에서, 상기 DDC는, 로컬 모델의 경우에 개인 로컬 데이터를 사용하여 업데이트하는 제1단계; 로컬 업데이트를 상기 중앙서버로 전송하는 제2단계; 글로벌 모델을 로컬 모델에 통합하는 제5단계를 수행하는 것을 특징으로 한다.

일 실시 예에서, 상기 제1단계는, 기계 학습 알고리즘의 하나 이상의 반복으로 구성되도록 하며, 심층 신경망을 사용하는 경우 SGD를 사용하여 로컬 데이터에 대한 로컬 모델 학습의 하나 이상의 배치 또는 에포크로 구성되도록 하는 것을 특징으로 한다.

일 실시 예에서, 상기 제2단계는, 작업자 식별 정보와 같은 메타 데이터와 함께 상기 제1단계에서 수행한 업데이트를 적절하게 인코딩하고 암호화된 바이너리 메시지를 보내도록 하는 것을 특징으로 한다.

일 실시 예에서, 상기 제5단계는, 상기 중앙서버로부터 받은 업데이트를 자체 로컬 모델에 통합하고, 다른 DDC가 자신의 개인 데이터를 사용하여 모델에 적용한 업데이트를 받도록 하는 것을 특징으로 한다.

일 실시 예에서, 상기 중앙서버는, 작업 관리에 따라 연합학습 모델의 전체 작업을 관리하고 상기 DDC에게 작업을 할당하는 트레이닝 매니저를 구비하는 것을 특징으로 한다.

일 실시 예에서, 상기 트레이닝 매니저는, 상기 러닝 워커로부터 학습 결과를 전달받아 최종 모델을 얻을 때까지 반복적으로 업데이트해 주고 학습 완료 시에 작업 종료 명령을 생성시켜 상기 러닝 워커에게 전달하는 것을 특징으로 한다.

일 실시 예에서, 상기 중앙서버는, 라즈베리파이 보드를 적용하여, 연합학습 적용 인공지능 스마트 DDC 통합 관리를 위한 통합관리시스템부를 구비하는 것을 특징으로 한다.

일 실시 예에서, 상기 중앙서버는, 통합관리시스템부의 UI를 통해 상기 DDC와 통신을 통해 실시간으로 데이터를 취득하고 결과를 보여주며, 동시에 상기 DDC와 통신을 통해 상기 DDC에 연결되어 있는 기기들을 제어하며, 현재 연결 상태, 상기 DDC와 통신 로그, 설정, 데이터, 제어를 수행하는 것을 특징으로 한다.

일 실시 예에서, 상기 중앙서버는, 클라우드 또는 온-프렘 기반의 환경으로 통합 관리하도록 하는 것을 특징으로 한다.

일 실시 예에서, 상기 중앙서버는, 로컬 업데이트를 글로벌 모델로 집계하는 제3단계; 글로벌 모델을 모든 DDC에게 전송하는 제4단계를 수행하는 것을 특징으로 한다.

일 실시 예에서, 상기 제3단계는, 상기 중앙서버가 사용 중인 연합학습 알고리즘의 논리에 따라 상기 DDC로부터 받은 업데이트를 상기 중앙서버에 있는 글로벌 모델에 통합하도록 하는 것을 특징으로 한다.

일 실시 예에서, 상기 제4단계는, 모든 메타 데이터와 함께 업데이트된 글로벌 모델을 설명하는 올바르게 인코딩되고 암호화된 바이너리 메시지를 상기 DDC에게 보내도록 하는 것을 특징으로 한다.

일 실시 예에서, 상기 중앙서버는, 연합학습 응용 계층에 있어서, 특정 도메인 또는 애플리케이션의 경우, 알고리즘 레이어에서 제공하는 API를 사용하여 머신러닝 모델을 학습, 검증 및 테스트하기 위한 애플리케이션으로서, 특정 로직을 구현하는 애플리케이션 레이어에서 구현되도록 하는 것을 특징으로 한다.

일 실시 예에서, 상기 중앙서버는, 통신 백엔드 계층에 있어서, 백엔드 계층의 경우, 상기 DDC와 상기 중앙서버가 상기 DDC와 상기 중앙서버의 상태 및 모델 업데이트와 관련된 메시지를 서로 교환할 수 있도록 플랫폼 및 애플리케이션 독립적인 API를 제공하는 것을 특징으로 한다.

일 실시 예에서, 상기 중앙서버는, 통신 백엔드 계층에 있어서, 디지털 캐터펄트에서 만든 파이톤의 연합학습 라이브러리의 경우에 이 아키텍처를 구현하도록 하며, 애플리케이션 및 알고리즘 계층에 대한 파이톤의 참조 API 정의 및 구현과 통신 백엔드 계층의 플랫폼 독립적 구현을 ????제공하는 것을 특징으로 한다.

상술한 과제를 해결하는 수단으로는, 본 발명의 다른 한 특징에 따르면, 복수 개의 DDC가 스마트 빌딩에 설치된 센서로부터 수집한 데이터에 대한 학습을 수행하여 해당 학습한 모델의 파라미터만을 전송하는 단계; 및 중앙서버가 상기 DDC에서 전송한 파라미터를 수신받아 파라미터를 이용하여 반복적으로 회귀분석 기반 연합학습 모델을 업데이트하는 단계를 포함하는 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 방법을 제공한다.

본 발명의 효과로는, 분산 환경에서의 처리 속도 향상을 위해 스마트 빌딩 내의 다수의 설비 센서들과 중앙서버가 서로 협업하여 학습 모델을 구축하는 회귀분석 기반 연합학습 모델을 통해 스마트 빌딩에서의 고장 예지를 수행하도록 구현한 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 시스템 및 방법을 제공함으로써, 스마트 빌딩에서 고장 예지 분석을 위해 참여하는 센서 노드 수 증가에도 불구하고 처리 속도를 향상시킬 수 있으며, 이상치 데이터 부족 단점을 극복하기 위해 회귀분석을 통해 특징 값을 예측하고 분산 환경에서 다수의 센서 노드들을 효과적으로 활용하여 전체적인 처리 효율을 높일 수 있다는 것이다.

본 발명에 의하면, 이상치 데이터 부족 단점을 극복하기 위해서, 이상/정상으로 라벨링된 데이터의 분류 모델 대신에, 회귀분석 기반으로 특징 값에 대한 예측을 기반으로 고장 예지 분석을 수행하도록 하며, 회귀분석의 경우에 여러 자료들 사이에서 나타나는 관계성을 설명하는 것을 목적으로 하는 통계적 분석 방법으로서, 설비 고장 예측뿐만 아니라, 판매량, 가격 예측 등에 다양하게 사용할 수 있는 효과를 가진다.

본 발명에 의하면, 중앙서버뿐만 아니라, 기존에 데이터 수집만 담당했던 스마트빌딩 내의 다수의 센서 노드가 전체 분석 모델 구축을 위한 일부의 역할을 담당하도록 할 수 있는 효과를 가진다.

도 1은 본 발명의 실시 예에 따른 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 시스템을 제1예로 설명하는 도면이다.
도 2는 도 1에 있는 DDC(direct digital controller)의 센서에서 수집한 데이터 샘플을 예로 설명하는 도면이다.
도 3은 도 1에 있는 DDC와 중앙서버 간의 연합학습을 설명하는 도면이다.
도 4는 본 발명의 실시 예에 따른 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 시스템을 제2예로 설명하는 도면이다.
도 5는 도 4에 있는 DDC에 구비된 스마트 DDC 모니터링 시스템부의 RS-232C 통신케이블 커넥터 규격을 예로 설명하는 도면이다.
도 6은 도 4에 있는 중앙서버의 UI(user interface) 구성 화면을 예로 설명하는 도면이다.
도 7은 도 4에 있는 DDC와 중앙서버의 연합학습을 위한 프레임워크를 예로 설명하는 도면이다.
도 8은 본 발명의 실시 예에 따른 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 방법을 설명하는 도면이다.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시 예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시 예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시 예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.

본 발명에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.

"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.

이제 본 발명의 실시 예에 따른 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 시스템 및 방법에 대하여 도면을 참고로 하여 상세하게 설명한다.

도 1은 본 발명의 실시 예에 따른 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 시스템을 제1예로 설명하는 도면이며, 도 2는 도 1에 있는 DDC(direct digital controller)의 센서에서 수집한 데이터 샘플을 예로 설명하는 도면이며, 도 3은 도 1에 있는 DDC와 중앙서버 간의 연합학습을 설명하는 도면이다.

도 1 내지 3을 참조하면, 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 시스템(100)은, 복수 개의 DDC(110), 중앙서버(120), 네트워크(130)를 포함한다.

DDC(110)는, 스마트 빌딩에 설치된 센서에서 수집된 데이터에 대한 학습을 수행하여 해당 학습한 모델의 파라미터만 중앙서버(120)로 전송해 준다.

일 실시 예에서, DDC(110)는, 스마트 빌딩의 센서 노드에 대응하거나 구비할 수 있으며, 스마트 빌딩에 설치된 센서 노드에서 수집된 데이터 전체를 중앙서버(120)로 전송하는 대신, 해당 수집된 데이터에 대한 연합학습을 수행하여 해당 연합학습한 모델의 파라미터만 중앙서버(120)로 전송할 수 있다.

일 실시 예에서, DDC(110)는, 도 2에 도시된 바와 같이, 스마트 빌딩에 설치된 센서로부터 수집된 데이터 샘플로서, 스마트 빌딩에서 난방수 공급설비에 부착된 각 센서에서 측정된 온도 변화를 기록한 데이터인데, 센서별 온도 변화 추이를 분석하면, 하루를 기준으로 낮에 온도가 올라가고 밤에 온도가 떨어지는 일정한 패턴을 보이고 있고 온도가 급격하게 변하는 구간이 없음을 확인할 수 있으며, 이런 경우에 충분한 양의 이상치 데이터 확보가 어렵고, 이상치 데이터와 정상 데이터 간에 데이터 불균형(data imbalance) 문제가 발생하기 때문에, 이상치 분류 모델의 적용이 제한적이며, 이에 따라서 데이터 값들 간의 상관관계 분석을 기반으로 특정 값을 예측하는 회귀분석적 접근방법을 통한 고장 예지 분석을 수행하도록 해 줄 수 있다.

일 실시 예에서, DDC(110)는, 도 3에 도시된 바와 같이, 분산 환경에서의 연합학습을 수행하는데, 중앙서버(120)에서 가지고 있는 학습 매개변수 초기 값을 네트워크(130)를 통해 다운로드받을 수 있으며, 해당 다운로드받은 학습 매개변수 초기 값을 기본으로 하여, 스마트 빌딩에 설치된 센서로부터 수집된 로컬 데이터를 학습하여 새로운 학습 매개변수, 기울기를 계산할 수 있으며, 해당 계산된 새로운 학습 매개변수, 기울기를 중앙서버(120)로 업로드시켜 줄 수 있다.

일 실시 예에서, DDC(110)는, 중앙서버(120)로부터 전송되는 글로벌 모델을 수신받아 업데이트해 줄 수 있다.

일 실시 예에서, DDC(110)는, 중앙서버(120)로부터 전송되는 초기 파라미터 정보를 수신받아 개별 디바이스의 컴퓨팅 파워를 이용하여 모델 학습을 수행하고 학습이 완료되면 파라미터 정보를 다시 중앙서버(120)로 전송해 줄 수 있다.

중앙서버(120)는, DDC(110)로부터 전송되는 파라미터를 수신받아, 해당 수신받은 파라미터를 이용하여 반복적으로 전체 모델(즉, 회귀분석 기반 연합학습 모델)을 업데이트해 준다. 이때, 회귀분석 기반 연합학습 모델은, 연합학습을 처리하는 DCC(110)의 노드 개수가 늘어나더라도 연합학습의 전체 처리속도가 향상되는 확장성을 가지는 모델이다.

일 실시 예에서, 중앙서버(120)는, 도 3에 도시된 바와 같이, 분산 환경에서의 연합학습을 수행하는데, 기 설정해 둔 학습 매개변수 초기 값을 네트워크(130)를 통해 DDC(110)로 다운로드시켜 줄 수 있으며, DDC(110)로부터 새로운 학습 매개변수, 기울기를 업로드받아, 해당 업로드받은 새로운 학습 매개변수, 기울기를 집계(aggregation)하여 글로벌 모델에 대한 새로운 학습 매개변수를 얻고 글로벌 모델을 업데이트해 줄 수 있으며, 그리고 최종 학습모델을 얻을 때까지 DDC(110)와의 연합학습을 반복 수행해 줄 수 있으며, 이에 따라서 데이터 값들 간의 상관관계 분석을 기반으로 특정 값을 예측하는 회귀분석적 접근방법을 통한 고장 예지 분석을 수행할 수 있다.

일 실시 예에서, 중앙서버(120)는, 생성한 글로벌 모델을 DDC(110)로 전송해 줄 수 있으며, DDC(110)와 반복적으로 글로벌 모델을 공유하고 업데이트하여 최적의 글로벌 모델을 생성하도록 할 수 있다.

일 실시 예에서, 중앙서버(120)는, 회귀분석적 접근방법을 통한 고장 예지 분석으로, 시스템 서버 부하를 감소시키고, 에지 디바이스 수준에서 전처리 분석 및 제어를 가능하게 함으로써, 실시간으로 설비 및 시스템의 이상 발생을 감지, 분석, 제어, 관리할 수 있도록 한다.

일 실시 예에서, 중앙서버(120)는, 학습 파라미터를 관리하면서, 학습이 진행될 때에 학습에 참여할 DDC(110)를 선택하도록 하며, 기 설정해 둔 글로벌 모델의 초기 파라미터 정보를 DDC(110)로 전송해 주며, 초기 글로벌 모델과 DDC(110)에서 학습된 모델을 통합하여 글로벌 모델을 업데이트해 주며, 글로벌 모델이 기 설정된 정확도를 확보할 때까지 반복 수행하도록 해 줄 수 있다.

네트워크(130)는, 유성 통신망 또는 무선 통신망을 포함하여 복수 개의 DDC(110)와 중앙서버(120) 사이의 통신을 연결시켜, 복수 개의 DDC(110)와 중앙서버(120) 간의 데이터를 송수신해 준다.

상술한 바와 같은 구성을 가진 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 시스템(100)은, 분산 환경에서의 처리 속도 향상을 위해 스마트 빌딩 내의 다수의 설비 센서들과 중앙서버(120)가 서로 협업하여 학습 모델을 구축하는 회귀분석 기반 연합학습 모델을 통해 스마트 빌딩에서의 고장 예지를 수행하도록 구현함으로써, 스마트 빌딩에서 고장 예지 분석을 위해 참여하는 센서 노드 수 증가에도 불구하고 처리 속도를 향상시킬 수 있으며, 이상치 데이터 부족 단점을 극복하기 위해 회귀분석을 통해 특징 값을 예측하고 분산 환경에서 다수의 센서 노드들을 효과적으로 활용하여 전체적인 처리 효율을 높일 수 있다는 것이다.

상술한 바와 같은 구성을 가진 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 시스템(100)은, 이상치 데이터 부족 단점을 극복하기 위해서, 이상/정상으로 라벨링된 데이터의 분류 모델 대신에, 회귀분석 기반으로 특징 값에 대한 예측을 기반으로 고장 예지 분석을 수행하도록 하며, 회귀분석의 경우에 여러 자료들 사이에서 나타나는 관계성을 설명하는 것을 목적으로 하는 통계적 분석 방법으로서, 설비 고장 예측뿐만 아니라, 판매량, 가격 예측 등에 다양하게 사용할 수 있다.

상술한 바와 같은 구성을 가진 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 시스템(100)은, 중앙서버(120)뿐만 아니라, 기존에 데이터 수집만 담당했던 스마트빌딩 내의 다수의 센서 노드가 전체 분석 모델 구축을 위한 일부의 역할을 담당하도록 할 수 있다.

상술한 바와 같은 구성을 가진 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 시스템(100)은, 스마트 빌딩에서 복수 개의 DDC(110)의 센서를 사용하여 연합학습 모델을 적용할 경우에, 중앙서버(120)의 연산 부담을 줄일 수 있고, 원본 데이터를 공유하지 않아 데이터 보안을 향상시킬 수 있으며, 노드의 개수가 늘어나더라도 처리속도가 향상되는 확장성 있는 모델로서, 설비 증설로 인해 센서가 추가될 경우에도 쉽게 대응할 수 있다.

도 4는 본 발명의 실시 예에 따른 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 시스템을 제2예로 설명하는 도면이며, 도 5는 도 4에 있는 DDC에 구비된 스마트 DDC 모니터링 시스템부의 RS-232C 통신케이블 커넥터 규격을 예로 설명하는 도면이며, 도 6은 도 4에 있는 중앙서버의 UI(user interface) 구성 화면을 예로 설명하는 도면이며, 도 7은 도 4에 있는 DDC와 중앙서버의 연합학습을 위한 프레임워크를 예로 설명하는 도면이다.

도 4 내지 7을 참조하면, 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 시스템(100)은, 러닝 워커(learning worker)(111)를 구비한 복수 개의 DDC(110), 트레이닝 매니저(training manager)(121)를 구비한 중앙서버(120), 네트워크(130)를 포함한다. 여기서, DDC(110), 중앙서버(120), 네트워크(130)는 도 1의 구성과 유사하므로, 동일한 설명은 생략하고 다른 부분만 설명하도록 한다.

DDC(110)는, 스마트 빌딩 내 단말 장치로서, 스마트 빌딩에 설치된 주변 센서로부터 데이터를 수집하고 수집된 로컬 데이터에 대해 학습하는 역할을 수행한다.

일 실시 예에서, DDC(110)는, 연합학습 모델에서 클라이언트 수준으로 향상시키기 위해 라즈베리 파이(model 4)를 부착한 새로운 형태로 제작하고, 이를 이용하여 학습을 수행하도록 할 수 있다.

러닝 워커(111)는, 스마트 빌딩에 설치된 센서에서 수집된 데이터에 대한 학습을 수행하고 해당 학습된 결과를 트레이닝 매니저(121)로 전달해 준다.

일 실시 예에서, DDC(110)는, 연합학습 적용 인공지능 스마트 DDC로서, 스마트 빌딩 내 기계설비(또는, 자동제어설비)의 센서 데이터에 대한 모니터링 기능을 수행하고, 각 센서 데이터를 통해 설비의 상태 정보를 수집하는 기능을 수행하며, 해당 수집된 정보의 경우에 네트워크(130)의 범용적인 필드기기통신 인프라를 통해 중앙서버(120)로 발신하고, 해당 수집된 정보를 상위 애플리케이션에서 가공할 수 있게 만드는 시스템부(즉, 연합학습 적용 인공지능의 스마트 DDC 모니터링 시스템부)를 통해 기계설비(또는, 자동제어설비)의 유지보수에 관한 의사결정을 지원해 줄 수 있다.

일 실시 예에서, DDC(110)는, IoT복합밸브 데이터 분석을 통한 IoT복합밸브의 유지보수 의사결정이 필요한 경우로, 정기보수 기간 중에 시행되는 IoT복합밸브의 개폐 점검 작업에서 개폐가 필요한지 여부와 냉난방 운전 중에 IoT복합밸브의 고장이나 열화 진행을 발견하고 고장 정도에 따라 필요한 대책을 취하도록 할 수 있다.

일 실시 예에서, DDC(110)는, 연합학습 적용 인공지능의 스마트 DDC 모니터링 시스템부를 구비할 수 있으며, 스마트 빌딩 내 기계설비(또는, 자동제어설비)의 센서 데이터를 수집하여 설비의 이상감지 진단에 관한 정보를 검출하고 수집할 수 있으며, 설비에서 수집된 정보의 경우에 HART 또는 필드버스 등의 통신 프로토콜로 중앙서버(120)로 발신할 수 있으며, 이때 발신 정보의 경우에 통신 프로토콜에 합치하는 데이터 중계기를 경유하여 마스터기기가 되는 스마트 DDC 모니터링 시스템부에 저장할 수 있다. 이때, 스마트 DDC 모니터링 시스템부에서는, 설비 관리 애플리케이션이 동작하여 수집된 정보를 가공하고 편집 보존할 수 있다.

스마트 DDC 모니터링 시스템부는, 기계설비(또는, 자동제어설비)의 신호를 DDC(110)를 통해 수집하고, DDC(110)에서 데이터베이스로 변환하여 저장하고 이를 기반으로 이상 징후 감지 및 유지보수 실행에 필요한 기초 정보를 분석할 수 있다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, IoT복합밸브 데이터 분석 소프트웨어를 통한 IoT복합밸브 사례의 경우, 이상 징후 감지 및 유지보수 중요도 정보로는 정기 보수 시에 밸브 개폐 여부 판정을 결정하는 냉난방 운전상의 리스크나 밸브가 프로세스에 미치는 영향을 변수로 하여 중요도를 결정할 수 있으며, 설정된 중요도를 기준으로 모니터링 기능이나 자체검사 기능 실행 대상을 결정할 수 있으며, IoT복합밸브 위치정보의 경우에 스마트 빌딩 내에 설비된 밸브의 태그 번호와 위치정보가 밸브 정비의 중요한 정보로 활용되도록 할 수 있으며, 해당 위치정보를 데이터베이스에 반영시킬 수 있다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, 설비 고장 예지 진단의 주 기능으로, IoT복합밸브의 경우, 냉난방 운행 중에 밸브의 열화에 관한 대표적인 지표인 진단 매개변수를 사용하여 밸브의 가동상황을 모니터링할 수 있으며, IoT복합밸브 진단 매개변수 추이를 그래프로 확인하도록 해 줄 수 있으며, 매개변수에 일정한 임계 값을 설정하여 수집된 정보가 임계 값을 넘을 시에 시스템 경보 알람이 울리는 체계를 수립할 수 있으며, 진단 매개변수 알람 처리 도입을 통해 밸브 정비 담당자의 순회 점검 중에 특별히 주목할 필요가 있는 밸브를 사전에 확인하도록 해 줄 수 있다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, IoT복합밸브 고장 문제로 인해 발생하는 분산 통제 시스템(DCS; distributed control system)상의 경보와 비교하여 경보 대상이 명확하기 때문에 IoT복합밸브 고장 발생에 대해 신속히 대처하도록 해 줄 수 있다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, 유지보수 정비작업 전에 불량 설비를 지정하거나 정비 후에 시행되는 각종 기계설비(또는, 자동제어설비)의 검사를 보다 효과적으로 실시하도록 해 줄 수 있으며, IoT복합밸브의 경우 현행되고 있는 밸브검사는 간이방법으로 정밀도를 확인하는 5점 체크를 실행하도록 하며, 이것은 밸브에 0%, 25%, 50%, 75%, 100%의 입력 자료를 주고 이것에 대응하는 개도와 기 설정된 정밀도가 확보되는지를 확인하도록 해 줄 수 있다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, 현재 밸브 개도의 경우에, 시각 점검하거나 선형(linear) 게이지를 사용하여 정밀도를 산출하는 방법을 이용하도록 할 수 있으며, 보다 광범위한 검사 패턴을 보다 효율적으로 실행하고 그 결과를 전자적으로 확인하도록 해 줄 수 있으며, 이때 검사 패턴의 경우에 스텝응답과 램프응답의 2가지 검사 패턴으로 나누어지며, 스텝응답의 경우 스텝 수, 스텝 폭, 기록시간을 자유롭게 프로그램화할 수 있으며, 램프응답의 경우 스텝응답의 검사 패턴에 램프 시간을 추가하도록 할 수 있다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, 연속검사의 경우에 대상이 되는 매 밸브에 대하여 필요한 검사 패턴을 일괄적으로 프로그램하고 프로그램 실행 후에는 연속해서 검사를 실행하도록 해 줄 수 있으며, 연속검사 기능을 활용하여, 플랜트의 정기보수 시의 야간과 같은 안전이 확보되는 시간대에 자동으로 검사를 실행하여 결과를 기록할 수 있다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, 시스템 내에 연속검사 결과와 실시시간을 함께 전자적으로 보존하고 수시로 활용할 수 있으며, 최초 IoT복합밸브 설치 시에 검사를 실시하고 그 결과를 보존하면 추후의 정기보수나 정비 작업기회에 다시 검사하여 당시의 검사기록과 비교 평가하도록 할 수 있다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, 통신 인프라를 구성함에 있어서, 스마트 빌딩 내 기계설비(또는, 자동제어설비)의 데이터 수집 시에 센서와의 통신을 수행하며, 다양한 설비와의 연동을 위해서 표준 규약에 맞는 통신 인프라를 구성할 수 있다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, HART 통신의 경우 HART협회에서 규격화한 필드기기의 통신기술로서, 4~20mA 아날로그 계장 신호에 필드기기와 통신을 실행하기 위한 디지털신호를 덧붙인 것으로 마스터 기기와 통신하도록 할 수 있으며, 또한 파운데이션(foundation) 필드버스의 경우 복수 개의 스마트형 현장기기와 제어시스템을 결합하는 통일된 규격에 기초를 둔 통신기술로서, 필드버스협회가 제정한 디지털 통신기술을 사용하도록 한다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, 수요처의 요구사항을 기반으로 연합학습 적용 인공지능 스마트 DDC 하드웨어를 구성하도록 하며, 수요처의 요구사항에 맞추어 기계설비(또는, 자동제어설비)의 제어를 위하여 다양한 환경에 적응이 가능한 멀티컨트롤러 모듈과, 센서 모듈(예로, 온도, 공조 등의 모듈)을 구비할 수 있다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, 다양한 환경의 기계설비(또는, 자동제어설비)에 적용이 가능하도록 다양한 방식의 데이터 컨트롤러 모듈과 수집 모듈을 구비할 수 있으며, 연합학습 적용을 위하여 윈도우 기반의 PC 모듈, MCU 적용 라즈베리파이 모듈도 추가하여 센서 제어, 데이터 수집, 처리, 유무선 통신을 수행하도록 할 수 있다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, 리눅스 기반의 라즈베리 파이, 아두이노보드를 활용하여 센서 제어 및 센서 데이터 수집을 하고, 최종적으로 PC 모듈을 통해 데이터 처리 후 통신하도록 할 수 있다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, 데이터 수집 및 처리 원격제어를 위한 컨트롤러 모듈에 있어서, 아두이노 보드의 경우 회로보호 및 동작 전압유지를 위한 레귤레이터를 구비하여, 기존 회로의 전원 사용이 가능하도록 할 수 있으며, 또한 다양한 옵션 기능을 제공하도록 할 수 있으며, 각 모듈, 센서에 맞는 전원공급을 위하여 SMPS, DC-DC 전원 모듈을 통해 전원을 공급하도록 할 수 있다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, 아두이노 보드의 경우, 전원입력모듈, 전원선택모듈, PC와 인터페이스를 할 수 있는 USB 투 시리얼(to serial)을 위한 인터페이스(예로, ATmega16)로 구성된 PC 통신모듈, 그리고 센서 제어 및 센서 데이터 1차 수집을 위한 수집 모듈(예로, Atmega328)을 구비할 수 있다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, 데이터 처리 수집, 병행 통신라인 구축을 위하여 적용한 라즈베리파이 보드 모듈로서, 안드로이드 OS를 기반으로 하여 동작하며, 아두이노를 통해 처리가 어려운 센서들을 연동하도록 할 수 있다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, 라즈베리파이 보드의 경우 아두이노에 비해 고성능의 CPU를 장착하도록 하며, 추가적으로 무선통신모듈을 포함하여 구성할 수 있다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, 라즈베리파이 보드의 경우 오픈 하드웨어(open H/W)로서 라즈베리파이를 통해 하드웨어 성능을 검증한 후 이를 최적화하여 상용화 보드로 형성시켜 줄 수 있다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, 윈도우 기반 PC 모듈의 경우 데이터 처리 모듈을 통해 수신한 센서 데이터를 데이터베이스화하고 저장 및 연합학습을 위한 역할을 수행할 수 있다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, 라즈베리파이 보드를 연합학습 적용을 위한 컴퓨팅 연산 역할로서 적용하는 경우, 센서 데이터베이스를 통한 고장 예지 연합학습 알고리즘 적용이 가능하기 때문에, 기존 설비관리 시스템에 비해 정확한 유지보수 환경 구축이 가능하도록 할 수 있다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, 데이터 측정 및 전송에 필요한 통신 프로토콜의 경우, 빌딩자동화시스템을 위해 제정된 통신망 표준규격으로, 기존 빌딩자동화시스템에서 운용된 개별적인 LAN 표준(예로, PLC, RS-485, Micom 등)을 하나의 표준 프로토콜로 정의한 빌딩자동화시스템 전용 통합 프로토콜인 BACnet(building automation and control networks)를 사용할 수 있으며, 또한 연합학습 적용 스마트 DDC 입출력 시리얼 통신 규격으로 RS(Recommended Standard)-232C, RS-422, RS-485 등을 사용할 수 있다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, RS-232C를 이용하여, 컴퓨터 내부에서 사용하는 병렬통신을 외부기기와 통신하기 위해 직렬통신으로 바꾸어 송신하도록 할 수 있다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, 산업용 기기들의 경우 12V ~ 24V의 전압레벨을 가지고 있는데 비해, PC와 일반적인 MCU의 경우 0 ~ 5V의 전압레벨을 가지고 있는 UART 통신을 사용하고 있어, 이 둘 사이를 연결하기 위한 연결모듈(예로, MAX232 IC)을 사용하도록 할 수 있다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, RS-232C의 통신케이블의 커넥터 규격을 도 5에 도시된 바와 같은 DB25핀과 DB9핀으로 사용할 수 있으며, 외부장치로 데이터를 보낼 때 데이터가 나오는 포인트인 TXD(transmit data); 외부장치로부터 데이터를 입력받는 포인트인 RXD(receive data); DTE가 DCE에게 데이터 수신준비완료를 알리는 포인트인 RTS(ready to send); DCE가 DTE에게 데이터 수신준비완료를 알리는 포인트인 CTS(clear to send); 컴퓨터 혹은 터미널이 모뎀에게 자신이 송수신 가능한 상태임을 알리는 포인트이며, 일반적으로 컴퓨터가 처음 켜진 후 통신포트를 초기화하고 이 신호를 송신하는 DTR(data terminal ready); 모뎀이 컴퓨터 혹은 터미널에게 자신이 송수신 가능한 상태임을 알리는 포인트이며 일반적으로 통신모뎀이 처음 켜진 후 자신의 상태를 확인하고 이상이 없을 때 신호를 송신하는 DSR(data set ready); 모뎀이 상대편 모뎀과 전화선 등으로 연결되어 있을 때 상대편 모뎀이 캐리어 신호를 보내오면 이 신호를 검출하였음을 컴퓨터에 알려주는 신호 포인트인 DCD(data carrier detect); 상대편 모뎀이 우리 편 모뎀에게 전화를 걸어오면 우리 편 모뎀이 이를 인식하여 컴퓨터 또는 터미널에게 알려주는 신호 포인트이며, 일반적으로 컴퓨터가 이 신호를 받게 되면 상대편이 걸어온 전화로 인해 우리 편 모뎀에서 울리는 벨에 대해 응답하는 프로그램을 인터럽터 등을 통해 호출하게 되는 RI(ring indicator); 시리얼 접지를 위한 포인트인 GND(gound)를 구비할 수 있다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, 시리얼 통신 시 통신 속도를 상호 맞추도록 할 수 있으며, 보오레이트(baud rate)를 1200, 2400, 4800, 9600, 19200 등과 같은 수치로 통일하여 상호 통신을 수행하도록 할 수 있으며, 각 시리얼통신간의 차이점에서 동작 방식을 싱글 엔드(single ended) 방식과 차동신호(differential) 방식으로 사용할 수 있다. 여기서, 차동 방식의 차동신호를 사용하는 이유 중 하나는 노이즈 내성인데, 노이즈를 줄이기 위한 것이다. 그리고 노이즈를 줄이기 위한 방법으로는, 신호 전압레벨을 높여, 전압레벨이 비례하여 통신 속도가 느려지게 하거나, 실드케이블을 이용하여 노이즈를 차폐시켜, 통신선과 차폐선 사이의 부유용량 때문에 통신 속도가 저하되도록 하거나, 차동신호를 이용하여 능동적으로 노이즈를 제어하거나, 소프트웨어적으로 CRC(체크섬) 등을 이용하여 에러를 검출하는 방법으로, 체크섬 코드(checksum code)만큼 비트 레이트(bit rate)가 비례하여 감소하도록 한다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, 차동신호를 노이즈가 신호케이블 양단에 동시에 유입된다는 특성으로 원래 신호를 제외하고 양단에 동일하게 들어온 노이즈를 찾아내어 능동적으로 제거하도록 하며, 이를 위해 케이블을 꼬아서 사용하는 방법(즉, 트위스트 페어 케이블(twisted pair cable))을 이용할 수 있다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, BP_NRZ(즉, 양극식 영점 무귀환, 그라운드를 기준으로 회귀하지 않고 +V, -V 두 가지 상태(state)로 비트를 전송하는 통신 방식) 통신을 사용할 경우, 전압레벨을 가지고 0과 1을 구분하는데 접지가 안 되어 있으면 전압레벨을 구분할 수가 없어 통신이 불가능하므로, 접지를 체크하여 접지 여부를 알려 줄 수도 있다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, PC나 공작기기와 임베디드 기기 간 통신 시 데이터 통신 규격이 동일하게 하더라도, 산업용 기기의 전압 영역과 PC/임베디드 기기의 전압영역이 다르므로, 전압레벨 컨버터를 사용하도록 한다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, RS-232C의 경우, 싱글 엔드 방식으로 노이즈에 굉장히 취약하여, 실드케이블을 많이 사용하는데, 동신케이블과 실드케이블 사이에 부유용량이 생겨 통신 속도가 굉장히 제한적이게 되고, 1:1 통신밖에 안되니 통신을 구성하는데 있어 제약사항이 많으므로, 이를 해결하기 위해 제안된 통신 규격으로, RS-422 통신을 사용하도록 할 수 있으며, 이런 경우 4선식의 전이중통신(4-way full-duplex communication)이며 입출력신호 자체가 차동신호 타입으로 노이즈를 능동적으로 제거하도록 할 수 있다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, 차동신호 방식의 경우, 데이터신호가 1선이 아니라 2선으로 Data+ 케이블과 Data- 케이블 2개의 선으로 전송되며, Data+ 값에서 Data- 값을 뺀 값을 데이터로 처리하게 되어 통신간의 노이즈 발생 시 노이즈를 차감시키도록 할 수 있다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, RS-422 통신의 경우, 송신 2가닥, 수신 2가닥으로 총 4가닥의 통신케이블을 사용하여 통신을 수행하고, 통신케이블을 트위스트 타입으로 사용하며, 멀티드랍 모드를 이용하여 1:N 통신을 수행하도록 하며, 슬레이브의 송신신호라인은 정보를 출력시키는 슬레이브만 공동 송신신호라인에 접속시켜 줄 수 있다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, RS-485 통신의 경우 RS-422 통신과 다르게 2선식으로 연결이 가능하지만, 반이중통신방식(half-duplex)을 사용하도록 할 수 있다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, 시리얼 통신의 에러 검출에 있어서, 패리티비트(parity bit)의 경우, 2진 데이터 전송 중 오류가 생겼는지를 검사하기 위해 추가되는 비트로, 문자열 내 1비트의 모든 숫자가 짝수인지 홀수인지를 보증하기 위해 전송하고자 하는 데이터의 각 문자에 1비트를 더하여 전송하도록 하며, 데이터전송의 제일 마지막에 붙고 오류의 검출만이 가능하고 수정이 불가능하며, 에러가 다수 발생할 시 이를 검출할 수는 없다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, 시리얼 통신의 에러 검출에 있어서, 체크섬의 경우, 송신 측에서 전송하려고 하는 데이터를 모두 더한 값이 sum이고, 여기에 ??1을 곱하여 ??sum을 만들고, 데이터를 모두 더한 값에 ??sum을 더해 0이 되는지를 검사하도록 하며, 오류 검출은 가능하지만 오류 수정은 불가능하고, 보통 오류가 난 부분을 다시 전송하도록 한다.

일 실시 예에서, 스마트 DDC 모니터링 시스템부는, 시리얼 통신의 에러 검출에 있어서, 오류정정부호(ECC; error correction code)의 경우, 오류의 검출과 수정을 수행할 수 있는 코드 기법으로, 수학적인 연산을 이용하여 데이터의 오류의 발생여부와 발생위치를 알 수 있으며, 연산능력이 필요하고, 오류정정부호의 데이터가 전송데이터보다 많아지는 경우가 있어 전송속도가 떨어지나, 통신환경이 열악하여 노이즈가 많이 발생하는 환경에서 사용하도록 할 수 있다.

일 실시 예에서, DDC(110)는, 엣지 환경에서 데이터를 수집 및 학습하여 중앙서버(120)와 학습 모델을 공유하고 업데이트함으로써 대규모 분산 데이터의 분석이 가능하도록 해 준다.

일 실시 예에서, DDC(110)는, 로컬 모델의 경우에 개인 로컬 데이터를 사용하여 업데이트하는 제1단계; 로컬 업데이트를 중앙서버(120)로 전송하는 제2단계; 글로벌 모델을 로컬 모델에 통합하는 제5단계를 수행할 수 있다. 여기서, 제1단계는, 일반 기계 학습 알고리즘의 하나 이상의 반복으로 구성되도록 하며, 예를 들어 심층 신경망을 사용하는 경우 SGD 등을 사용하여 로컬 데이터에 대한 로컬 모델 학습의 하나 이상의 배치 또는 에포크로 구성되도록 하며, 따라서 응용 프로그램(중간 이미지 인식, NLP, 사기 탐지, 위험 평가 등의 프로그램) 및 로컬 모델을 구현하기 위해 선택한 플랫폼을 이용할 수 있다. 제2단계는, 작업자 식별 정보와 같은 메타 데이터와 함께 제1단계에서 수행한 업데이트를 적절하게 인코딩하고 암호화된 바이너리 메시지를 보내도록 하며, 메시지의 내용은 연합학습 알고리즘과 로컬 모델을 구현하기 위해 선택한 플랫폼에 따라 다르지만 메시지 유형(예로, 이진 문자열 + 메타 데이터)은 연합학습 시스템에서 공통된 것으로 간주되도록 할 수 있다. 제5단계는, 제4단계에서 중앙서버(120)로부터 받은 업데이트를 자체 로컬 모델에 통합하고, 따라서 다른 DDC(110)가 자신의 개인 데이터를 사용하여 모델에 적용한 업데이트를 받도록 하며, 연합학습 알고리즘과 로컬 모델을 구현하기 위해 선택한 플랫폼에 따라 다르도록 한다.

중앙서버(120)는, 연합학습 중앙서버(federated learning central server)로서, 연합학습 모델의 전체 작업을 관리해 준다.

트레이닝 매니저(121)는, 연합트레이닝 매니저(federated training manager)로서, 중앙서버(120)의 작업 관리에 따라 전체 모델 학습을 관리하고 DDC(110)에게 작업을 할당해 준다.

일 실시 예에서, 트레이닝 매니저(121)는, 러닝 워커(111)로부터 학습 결과를 전달받아 최종 모델을 얻을 때까지 반복적으로 업데이트해 주고 학습 완료 시에 작업 종료 명령을 생성시켜 러닝 워커(111)에게 전달해 줄 수 있다.

일 실시 예에서, 중앙서버(120)는, 라즈베리파이 보드를 적용하여, 연합학습 적용 인공지능 스마트 DDC 통합 관리를 위한 통합관리시스템부를 구비할 수 있다.

일 실시 예에서, 중앙서버(120)는, 도 6에 도시된 예와 같은 통합관리시스템부의 UI(user interface)를 통해 DDC(110)와 통신을 통해 실시간으로 데이터를 취득하고 결과를 보여주며, 동시에 DDC(110)와 통신을 통해 DDC(110)에 연결되어 있는 기기들을 제어하는 기능을 수행할 수 있으며, 현재 연결 상태, DDC(110)와 통신 로그, 설정, 데이터, 제어 기능 등을 포함할 수 있다.

일 실시 예에서, 중앙서버(120)는, DDC(110)와의 연합학습을 통해 분산된 데이터를 보호하면서 개별학습을 하고 학습된 모델만 협력 공유함으로써, 제약을 벗어나 다양한 활용이 가능하며, 중앙 집중 방식에 비해 네트워크, 컴퓨팅 파워, 처리시간 제약을 극복할 수 있다.

일 실시 예에서, 중앙서버(120)는, 엣지 컴퓨팅(edge computing)으로의 적용을 통해 연합학습 플랫폼을 형성할 수 있으며, 이때 서버 기반 분산학습시스템으로 구현할 수 있으며 실제 서비스 환경과 유사한 엣지 컴퓨팅 환경으로 확장될 경우에 활용성이 증대될 수 있다.

일 실시 예에서, 중앙서버(120)는, 클라우드 또는 온-프렘(On-Prem) 기반의 환경으로 통합 관리하도록 해 줄 수 있다.

일 실시 예에서, 중앙서버(120)는, 로컬 업데이트를 글로벌 모델로 집계하는 제3단계; 글로벌 모델을 모든 DDC(110)에게 전송하는 제4단계를 수행할 수 있다. 여기서, 제3단계는, 중앙서버(120)가 사용 중인 연합학습 알고리즘의 논리에 따라 DDC(110)로부터 받은 업데이트를 중앙서버(120)에 있는 글로벌 모델에 통합하도록 하며, 따라서 통합 학습 알고리즘과 글로벌 모델을 구현하기 위해 선택한 플랫폼에 따라 다르도록 할 수 있다. 제4단계는, 모든 메타 데이터와 함께 업데이트된 글로벌 모델을 설명하는 올바르게 인코딩되고 암호화된 바이너리 메시지를 DDC(110)에게 보내도록 하며, 따라서 메시지의 내용은 연합학습 알고리즘과 로컬 모델을 구현하기 위해 선택한 플랫폼에 따라 다르지만 메시지 유형(예로, 이진 문자열 + 메타 데이터)은 연합학습 시스템에서 공통된 것으로 간주되도록 할 수 있다.

일 실시 예에서, 중앙서버(120)는, 연합학습 응용 계층에 있어서, 특정 도메인 또는 애플리케이션의 경우, 알고리즘 레이어에서 제공하는 API를 사용하여 머신러닝 모델을 학습, 검증 및 테스트하기 위한 애플리케이션으로서, 특정 로직을 구현하는 애플리케이션 레이어에서 구현되도록 하며, 핵심 라이브러리의 경우에 특정 플랫폼에 대한 참조 구현을 제공하고 API를 제안하도록 해 줄 수 있으며, 또한 라이브러리 사용자가 자신의 버전을 자유롭게 설계하도록 해 줄 수 있으며, 이 경우 구현은 해당 알고리즘 계층에 따라 다르도록 할 수 있다.

일 실시 예에서, 중앙서버(120)는, 알고리즘 레이어에 있어서, 특정 연합 학습 알고리즘의 경우, 알고리즘 계층에서 구현되도록 하며, 이는 백엔드 계층 API를 사용하여 특정 알고리즘에 필요한 통신을 구현하도록 할 수 있으며, 핵심 라이브러리의 경우에 특정 플랫폼에 대한 참조 구현을 제공하고 API를 제안하도록 해 줄 수 있으며, 또한 라이브러리 사용자가 자신의 버전을 자유롭게 설계하도록 해 줄 수 있다.

일 실시 예에서, 중앙서버(120)는, 통신 백엔드 계층에 있어서, 백엔드 계층의 경우, DDC(110)와 중앙서버(120)가 DDC(110)와 중앙서버(120)의 상태 및 모델 업데이트와 관련된 메시지를 서로 교환할 수 있도록 플랫폼 및 애플리케이션 독립적인 API를 제공할 수 있으며, 또한 라이브러리의 확장성을 보장하고 작업자 인증을 처리하며 통신 보안을 보장할 수 있으며, 이 레이어는 고정된 상태로 유지되며 라이브러리 사용자가 변경하지 않도록 할 수 있다.

일 실시 예에서, 중앙서버(120)는, 통신 백엔드 계층에 있어서, 디지털 캐터펄트(Digital Catapult)에서 만든 파이톤(python)의 연합학습 라이브러리(예로, dc_federated)의 경우에 이 아키텍처를 구현하도록 하며, 애플리케이션 및 알고리즘 계층에 대한 파이톤의 참조 API 정의 및 구현과 통신 백엔드 계층의 플랫폼 독립적 구현을 ????제공하며, 이 라이브러리의 경우에 처음에는 고객에게 통합 학습을 보여주기 위한 도구로 사용하며 실제 애플리케이션에 배포할 수 있는 라이브러리로 사용하도록 하며, 통신 백엔드의 경우에 작업자 인증 및 관리 서비스를 제공하고 암호화되고 압축된 통신을 지원하며 컨소시엄 수준의 연합학습에 적합한 수백 개의 DDC(110)로 확장되도록 할 수 있다. 그리고 레포지토리에는 현재 애플리케이션 계층(예로, MNIST, PlantVillage)에 있는 두 개의 애플리케이션 도메인과 알고리즘 계층에 있는 하나의 알고리즘(예로, FedAvg)에 대한 참조 구현이 있다.

상술한 바와 같은 구성을 가진 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 시스템(100)은, 데이터 관점에서 실제 수집되는 데이터의 경우 통계적으로 Non-IID(Non-Independent and Identically Distributed) 특성이 많은데, 즉 데이터 분류의 불균형, 분포의 불균형, 크기의 불균형에 의해 학습 모델 생성 시 충분한 정확도를 확보하지 못하며, 이러한 데이터 불균형 문제를 해결하기 위해 FedAVG, Qffedavg, FedOptim 등의 연합학습 최적화 알고리즘을 이용하도록 할 수 있으며, 연합학습을 엣지 컴퓨팅 환경으로 대규모 분산 데이터를 처리할 수 있는 플랫폼을 이용하고 연합학습 알고리즘의 최적화를 통해 불균형의 데이터의 모델 학습을 향상시킬 수 있다.

상술한 바와 같은 구성을 가진 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 시스템(100)은, 도 7에 도시된 바와 같이, 하드웨어의 경우에 GPU(예로, Nvidia 2080Ti(메모리 62G))와 CPU(예로, 인텔(R) Core^TM i7(7800X@3.50Ghz))로 구성하고, OS의 경우에 Ubuntu 18.04.로 하며, 모델 학습을 위한 런타임(run-time) 환경의 경우에 CUDA(10.2), Python(3.7.3), PyTorch(1.4.0)를 사용할 수 있으며, 'PySyft'를 사용하여 연학학습을 위한 프레임워크를 구축할 수 있으며, 'PySyft'의 경우에 분산 구조에서 확장 가능한 모델을 구축할 수 있는 오픈소스 연합학습 라이브러리를 지원해 줄 수 있으며, 리눅스 기반의 단일 서버에서 DDC(110)와 중앙서버(120)가 가상환경으로 동작하도록 구축할 수 있다.

상술한 바와 같은 구성을 가진 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 시스템(100)은, 기존의 기계학습 라이브러리 PyTorch와 호환성을 제공하면서 연합학습의 각 단계를 적은 수의 코드로 작성하도록 할 수 있으며, 스마트 빌딩의 데이터의 이상치 분석을 위해 회귀분석 모델 중 하나인 GRU를 'PySyft'를 사용하여 구현할 수 있으며, 복수 개의 러닝 워커(111)를 사용하여 병렬로 동작하도록 해 줄 수 있으며, 데이터 셋 및 학습 모델의 경우에 각 노드로 전송된 후에 학습이 이루어지도록 하며, 학습이 완료된 결과의 경우에 취합하여 손실함수의 손실(loss) 값을 업데이트해 주며, 그런 후에 취합된 손실 값으로 글로벌 파라미터를 업데이트해서 다음 이폭(epoch)을 학습해 주도록 하며, 이러한 동작으로 모델링된 트레이닝 모델의 경우에 지정된 이폭만큼 반복하여 학습하도록 해 줄 수 있다.

상술한 바와 같은 구성을 가진 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 시스템(100)은, 이상치 데이터 부족 문제를 극복하기 위하여 이상/정상으로 라벨링된 데이터의 분류 모델 대신에, 회귀분석 기반으로 특징 값에 대한 예측을 기반으로 고장 예지 분석을 수행하도록 하며, 회귀분석의 경우 여러 자료들 사이에서 나타나는 관계성을 설명하는 것을 목적으로 하는 통계적 분석 방법으로서, 설비 고장 예측뿐만 아니라, 판매량, 가격 예측 등에 다양하게 사용되도록 할 수 있으며, 중앙서버(120)뿐만 아니라, 기존에 데이터 수집만 담당했던 스마트 빌딩 내의 다수의 센서 노드에 대응하는 DDC(110)가 전체 분석 모델구축을 위한 일부의 역할을 담당하도록 한다.

상술한 바와 같은 구성을 가진 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 시스템(100)은, 분산 환경에서의 처리속도 향상을 목표로 하는 회귀분석기반 연합학습 프레임워크를 구현하도록 하는데, 스마트 빌딩의 센서 노드에 대응되는 DDC(110)가 수집된 데이터 전체를 중앙서버(120)로 전송하는 대신에, 수집된 데이터에 대한 학습을 수행하여 학습한 모델의 파라미터만 중앙서버(120)로 전송하며, 중앙서버(120)가 전달받은 파라미터를 이용하여 반복적으로 전체 모델을 업데이트해 줌으로써, 연합학습을 처리하는 DDC(110)의 개수가 늘어남에 따라 연합학습의 전체 처리속도가 향상되는 확장성 있는 모델로 구현해 줄 수 있다.

도 8은 본 발명의 실시 예에 따른 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 방법을 설명하는 도면이다.

도 8을 참조하면, DDC(110)에서는, 스마트 빌딩에 설치된 센서에서 수집된 데이터에 대한 학습을 수행하여 해당 학습한 모델의 파라미터만 중앙서버(120)로 전송해 주게 된다(S801).

상술한 단계 S801에서 파라미터를 전송함에 있어서, DDC(110)에서는, 스마트 빌딩에 설치된 센서 노드에서 수집된 데이터 전체를 중앙서버(120)로 전송하는 대신, 해당 수집된 데이터에 대한 연합학습을 수행하여 해당 연합학습한 모델의 파라미터만 중앙서버(120)로 전송할 수 있다.

상술한 단계 S801에서 파라미터를 전송함에 있어서, DDC(110)에서는, 도 2에 도시된 바와 같이, 스마트 빌딩에 설치된 센서로부터 수집된 데이터 샘플로서, 스마트 빌딩에서 난방수 공급설비에 부착된 각 센서에서 측정된 온도 변화를 기록한 데이터인데, 센서별 온도 변화 추이를 분석하면, 하루를 기준으로 낮에 온도가 올라가고 밤에 온도가 떨어지는 일정한 패턴을 보이고 있고 온도가 급격하게 변하는 구간이 없음을 확인할 수 있으며, 이런 경우에 충분한 양의 이상치 데이터 확보가 어렵고, 이상치 데이터와 정상 데이터 간에 데이터 불균형(data imbalance) 문제가 발생하기 때문에, 이상치 분류 모델의 적용이 제한적이며, 이에 따라서 데이터 값들 간의 상관관계 분석을 기반으로 특정 값을 예측하는 회귀분석적 접근방법을 통한 고장 예지 분석을 수행하도록 해 줄 수 있다.

상술한 단계 S801에서 파라미터를 전송함에 있어서, 중앙서버(120)에서는, 학습 파라미터를 관리하면서, 학습이 진행될 때에 학습에 참여할 DDC(110)를 선택하도록 하며, 기 설정해 둔 글로벌 모델의 초기 파라미터 정보를 해당 선택한 DDC(110)로 전송해 줄 수 있다.

상술한 단계 S801에서 파라미터를 전송함에 있어서, 중앙서버(120)에서는, 도 3에 도시된 바와 같이, 분산 환경에서의 연합학습을 수행하는데, 우선 기 설정해 둔 학습 매개변수 초기 값을 네트워크(130)를 통해 DDC(110)로 다운로드시켜 줄 수 있다. 이에 DDC(110)에서는, 도 3에 도시된 바와 같이, 분산 환경에서의 연합학습을 수행하는데, 중앙서버(120)에서 가지고 있는 학습 매개변수 초기 값을 네트워크(130)를 통해 다운로드받을 수 있으며, 해당 다운로드받은 학습 매개변수 초기 값을 기본으로 하여, 스마트 빌딩에 설치된 센서로부터 수집된 로컬 데이터를 학습하여 새로운 학습 매개변수, 기울기를 계산할 수 있으며, 해당 계산된 새로운 학습 매개변수, 기울기를 중앙서버(120)로 업로드시켜 줄 수 있다.

상술한 단계 S801에서 파라미터를 전송함에 있어서, DDC(110)에서는, 중앙서버(120)로부터 전송되는 초기 파라미터 정보를 수신받아 개별 디바이스의 컴퓨팅 파워를 이용하여 모델 학습을 수행하고 학습이 완료되면 파라미터 정보를 다시 중앙서버(120)로 전송해 줄 수 있다.

상술한 단계 S801에서 파라미터를 전송하게 되면, 중앙서버(120)에서는, DDC(110)로부터 전송되는 파라미터를 수신받아, 해당 수신받은 파라미터를 이용하여 반복적으로 전체 모델(즉, 회귀분석 기반 연합학습 모델)을 업데이트해 주게 된다(S802).

상술한 단계 S802에서 회귀분석 기반 연합학습 모델을 업데이트함에 있어서, 중앙서버(120)에서는, 도 3에 도시된 바와 같이, 분산 환경에서의 연합학습을 수행하는데, DDC(110)로부터 새로운 학습 매개변수, 기울기를 업로드받아, 해당 업로드받은 새로운 학습 매개변수, 기울기를 집계(aggregation)하여 글로벌 모델에 대한 새로운 학습 매개변수를 얻고 글로벌 모델을 업데이트해 줄 수 있으며, 그리고 최종 학습모델을 얻을 때까지 DDC(110)와의 연합학습을 반복 수행해 줄 수 있으며, 이에 따라서 데이터 값들 간의 상관관계 분석을 기반으로 특정 값을 예측하는 회귀분석적 접근방법을 통한 고장 예지 분석을 수행할 수 있다.

상술한 단계 S802에서 회귀분석 기반 연합학습 모델을 업데이트함에 있어서, 중앙서버(120)에서는, 생성한 글로벌 모델을 DDC(110)로 전송해 줄 수 있으며, DDC(110)와 반복적으로 글로벌 모델을 공유하고 업데이트하여 최적의 글로벌 모델을 생성하도록 할 수 있다. 이에 DDC(110)에서는, 중앙서버(120)로부터 전송되는 글로벌 모델을 수신받아 업데이트해 줄 수 있다.

상술한 단계 S802에서 회귀분석 기반 연합학습 모델을 업데이트함에 있어서, 중앙서버(120)에서는, 회귀분석적 접근방법을 통한 고장 예지 분석으로, 시스템 서버 부하를 감소시키고, 에지 디바이스 수준에서 전처리 분석 및 제어를 가능하게 함으로써, 실시간으로 설비 및 시스템의 이상 발생을 감지, 분석, 제어, 관리할 수 있도록 한다.

상술한 단계 S802에서 회귀분석 기반 연합학습 모델을 업데이트함에 있어서, 중앙서버(120)에서는, 초기 글로벌 모델과 DDC(110)에서 학습된 모델을 통합하여 글로벌 모델을 업데이트해 주며, 글로벌 모델이 기 설정된 정확도를 확보할 때까지 반복 수행하도록 해 줄 수 있다.

이상, 본 발명의 실시 예는 상술한 장치 및/또는 운용방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시 예의 구성에 대응하는 기능을 실현하기 위한 프로그램, 그 프로그램이 기록된 기록 매체 등을 통해 구현될 수도 있으며, 이러한 구현은 앞서 설명한 실시 예의 기재로부터 본 발명이 속하는 기술분야의 전문가라면 쉽게 구현할 수 있는 것이다. 이상에서 본 발명의 실시 예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

100: 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 시스템
110: DDC
111: 러닝 워커
120: 중앙서버
121: 트레이닝 매니저
130: 네트워크

Claims (5)

1. 스마트 빌딩에 설치된 센서로부터 수집한 데이터에 대한 학습을 수행하여 해당 학습한 모델의 파라미터만을 전송하는 복수 개의 DDC; 및
   상기 DDC에서 전송한 파라미터를 수신받아 파라미터를 이용하여 반복적으로 회귀분석 기반 연합학습 모델을 업데이트하는 중앙서버를 포함하는 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 시스템.
   
2. 제1항에 있어서, 상기 DDC는,
   스마트 빌딩에 설치된 센서로부터 수집한 데이터에 대한 연합학습을 수행하여 연합학습한 모델의 파라미터만을 상기 중앙서버로 전송하는 것을 특징으로 하는 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 시스템.
   
3. 제1항에 있어서, 상기 중앙서버는,
   분산 환경에서의 연합학습을 수행할 때, 기 설정해 둔 학습 매개변수 초기 값을 상기 DDC로 다운로드시켜 주는 것을 특징으로 하는 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 시스템.
   
4. 제3항에 있어서, 상기 DDC는,
   분산 환경에서의 연합학습을 수행할 때, 상기 중앙서버에서 가지고 있는 학습 매개변수 초기 값을 다운로드받아, 다운로드받은 학습 매개변수 초기 값을 기본으로 하여, 스마트 빌딩에 설치된 센서로부터 수집된 로컬 데이터를 학습하여 새로운 학습 매개변수, 기울기를 계산하며, 계산된 새로운 학습 매개변수, 기울기를 상기 중앙서버로 업로드시켜 주는 것을 특징으로 하는 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 시스템.
   
5. 복수 개의 DDC가 스마트 빌딩에 설치된 센서로부터 수집한 데이터에 대한 학습을 수행하여 해당 학습한 모델의 파라미터만을 전송하는 단계; 및
   중앙서버가 상기 DDC에서 전송한 파라미터를 수신받아 파라미터를 이용하여 반복적으로 회귀분석 기반 연합학습 모델을 업데이트하는 단계를 포함하는 스마트 빌딩에서의 고장 예지를 위한 회귀분석 기반 연합학습 방법.