WO2014193040A1 - 센싱 데이터 분석 시스템 및 방법 - Google Patents

센싱 데이터 분석 시스템 및 방법 Download PDF

Info

Publication number
WO2014193040A1
WO2014193040A1 PCT/KR2013/007827 KR2013007827W WO2014193040A1 WO 2014193040 A1 WO2014193040 A1 WO 2014193040A1 KR 2013007827 W KR2013007827 W KR 2013007827W WO 2014193040 A1 WO2014193040 A1 WO 2014193040A1
Authority
WO
WIPO (PCT)
Prior art keywords
sensing data
reference signal
data
sensor
sensors
Prior art date
Application number
PCT/KR2013/007827
Other languages
English (en)
French (fr)
Inventor
신계영
Original Assignee
삼성에스디에스 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성에스디에스 주식회사 filed Critical 삼성에스디에스 주식회사
Publication of WO2014193040A1 publication Critical patent/WO2014193040A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis

Definitions

  • Embodiments of the invention relate to techniques for analyzing data output from sensors.
  • a temperature sensor, a humidity sensor, a pressure sensor, or the like is placed in the entire building or in a specific area of the building, and according to the sensing value received from the deployed sensor, It is configured to check the status or take the necessary action accordingly.
  • various types of sensors are also provided inside devices such as elevators, bridges, automobiles, ships, aircrafts, etc., and thus, it is possible to easily determine whether there is an abnormality and an error occurrence position of the corresponding device according to a sensing value.
  • the conventional sensing data analysis system it is simply configured to indicate whether the corresponding device or area is abnormal according to whether the data output from the sensor meets a predetermined criterion, and the state of the device or area in which the sensor is provided. There was a limit to identifying the sensors that affected.
  • Embodiments of the present invention are to provide a sensing data analysis means that can accurately grasp the sensor associated with the state of the specific region or device by analyzing the data output from the sensor installed in the specific region or device.
  • the sensing data analysis system may include a data extractor configured to extract sensing data from each of a plurality of sensors included in a specific region or device, and reference signals of each of the plurality of sensors from the sensing data.
  • a reference signal generator for generating a) and a sensor detector for detecting one or more sensors having a correlation with the state of the specific region or device of the plurality of sensors using the sensing data and the reference signal.
  • a sensor detecting unit detects one or more sensors having a correlation with a state of the specific region or device among the plurality of sensors; It includes a step.
  • the apparatus comprising one or more processors, a memory, and one or more programs, wherein the one or more programs are stored in the memory and configured to be executed by the one or more processors,
  • the program may include extracting sensing data from each of a plurality of sensors included in a specific region or device, generating a reference signal of each of the plurality of sensors from the sensing data, and the sensing data and the reference. And instructions for executing a process of detecting one or more sensors having a correlation with a state of the specific region or device among the plurality of sensors using signals.
  • the sensing data is summarized through preprocessing of the sensing data having a large capacity, thereby reducing the data capacity and effectively removing noise generated during the sensing process. Accordingly, it is possible to effectively analyze the sensing data while maintaining the time-series characteristics of the data.
  • FIG. 1 is a block diagram illustrating a sensing data analysis system 100 according to an embodiment of the present invention.
  • FIG. 2 is a flowchart illustrating a sensing data analysis analysis method 200 according to an embodiment of the present invention.
  • the sensing data analysis system 100 analyzes the sensing data output from one or more sensors installed in a specific region or device in association with the state information of the region or device to determine the state of the region or device. This is to identify the factors influencing.
  • the sensing data analysis system 100 may be configured to output sensing data output from various sensors, such as a temperature sensor and a pressure sensor, installed in a structure such as an elevator or a large generator. Analysis in conjunction with a normal state, or an abnormal state, can be used to determine which suspected factors are most likely to be associated with anomalies in the structure. For example, if the temperature sensor in a particular area is more than a predetermined value, if there are many cases in which an abnormality has occurred in the structure, the manager determines that the area that the temperature sensor in the structure senses according to the analysis result of the sensing data analysis system 100. It can be judged that it is related to the abnormality of the structure.
  • sensors such as a temperature sensor and a pressure sensor, installed in a structure such as an elevator or a large generator. Analysis in conjunction with a normal state, or an abnormal state, can be used to determine which suspected factors are most likely to be associated with anomalies in the structure. For example, if the temperature sensor in a particular area is more than a predetermined value
  • the sensing data analysis system 100 detects the presence of a sensor that is highly related to the state of the building, the area, or the device from the sensing data provided in various devices such as a specific building, a specific area within the building, or a vehicle or a ship. can do. That is, it is noted that embodiments of the present invention are not limited to the specific object that the sensor is sensing.
  • the sensing data analysis system 100 includes a data extractor 102, a reference signal generator 104, a preprocessor 106, and a sensor detector 108. .
  • the data extractor 102 obtains sensing data from a plurality of sensors included in a specific area or device.
  • the reference signal generator 104 generates a reference signal of each of the plurality of sensors from the sensing data acquired by the data extractor 102.
  • the preprocessor 106 performs preprocessing for reducing the capacity and removing noise of the sensing data and the reference signal.
  • the sensor detector 108 calculates a distance between the preprocessed sensing data and the reference signal, and detects at least one sensor having a correlation with the state of the region or the device by using the calculated distance.
  • the data extracting unit 102 extracts raw data from a specific region or device, and processes the raw data into a form that can be analyzed. First, the data extractor 102 obtains sensing data from a plurality of sensors included in a specific area or device.
  • the senor is for detecting a change of each element constituting the area or device, for example, it may be a temperature sensor or a pressure sensor installed at a predetermined interval within a specific area in the building. That is, in this case, the temperature sensor or the pressure sensor may be configured to sense a temperature change or a pressure change for each time zone of the zone.
  • the data extractor 102 extracts sensing data sensed from the area or the device from such sensors.
  • the data extractor 102 may obtain state information of the region or the device, for example, whether information of the region or the device is abnormal, and store the information in association with the sensing data. That is, the data extractor 102 stores the sensing data sensed by each sensor provided in a specific region or device and the state information of the region or device in association with each other, thereby changing the state according to the change of the sensing data in a future data analysis process. To be tracked.
  • the sensing data extracted by the data extractor 102 may have missing values due to various reasons such as a sensor malfunction, a sensing error, and a data collection error. Accordingly, the data extractor 102 is configured to correct or filter the sensing data in consideration of the number of missing values of the sensing data.
  • the data extractor 102 analyzes the sensing value of the corresponding sensor by removing sensing data extracted from the specific sensor. Can be excluded.
  • the data extractor 102 may be configured to remove all the sensing data related to the specific region or the device when the missing value of the sensing data related to the specific region or the device exceeds a set reference value. For example, the data extractor 102 removes all the sensing data collected in a corresponding section when the number of missing values of the sensing data collected in the section in which the specific device to be analyzed is determined to be abnormal is greater than the reference value.
  • the interval can be excluded from the analysis. That is, in an embodiment of the present invention, when there are too many missing values of the sensing data, all related data are excluded from the analysis, thereby minimizing an error in the analysis result.
  • the data extractor 102 although the missing value exists in the sensing data, if the number of the missing value does not exceed the set reference value may be used to correct the missing value using the before and after sensing data. For example, the data extractor 102 may correct missing values using Equation 1 below.
  • y is a missing value
  • x is a missing time
  • y a is a sensing value immediately before the missing
  • y b is a sensing value immediately after the missing
  • x a and x b are sensing times of y a and y b , respectively.
  • the missing value correction equation of Equation 1 is merely an example, and various methods for correcting the missing value may be applied. In other words, the present invention is not limited to any particular missing value correction algorithm.
  • the reference signal generator 104 next generates a reference signal of each of the plurality of sensors from the obtained sensing data, and the preprocessor 106 performs the sensing data. And performing at least one of compression, normalization, or symbolization of the reference signal.
  • the preprocessor 106 compresses the sensing data into a plurality of time intervals.
  • the preprocessor 106 compresses the sensing data by dividing the sensing data into a plurality of (w) time intervals and calculating a representative value of the sensing data for each of the divided time intervals.
  • the representative value may be set to an average value or a median value of the divided sensing data for each time period. Compressing the sensing data in this way has the advantage of reducing the noise present in the data while reducing the total capacity of the sensing data.
  • a SAX (Symbolic ApproXimation) algorithm or the like may be used to determine the w value, that is, the number of sections for dividing the sensing data, but is not limited thereto.
  • sensing data sensed at one second intervals from a specific sensor are as follows.
  • the sensing data may be compressed as follows.
  • the reference signal generator 104 generates a reference signal from the compressed sensing data.
  • the reference signal refers to a signal that is a reference for calculating the distance of sensing data for each sensor.
  • the reference signal generator 104 classifies the compressed data into a good group and a bad group for each sensor by using state information of the region or the device. That is, the normal group includes sensing data when the area or the device is in a normal state, and the defective group includes sensing data when the abnormal state is in a abnormal state.
  • the reference signal generator 104 generates the reference signal by calculating one of an average value and a median value of the sensing data belonging to the normal group for each time period w. That is, in the present invention, the reference signal may be defined as an average value or a median value of sensing data belonging to the normal group for each section.
  • the reference signal generator 104 may be configured to first remove an outlier from the normal group before generating the reference signal.
  • the outlier refers to sensing data having an abnormally large difference compared with other sensing data belonging to a normal group. Such anomalies generally occur in a special situation such as a temporary failure of a sensor or a facility, and if not excluded, the reference signal may be distorted. Removing the reference signal before generating it can improve the accuracy of the reference signal.
  • the reference signal generator 104 calculates a data start time or data end time distribution of sensing data belonging to the normal group, and calculates data.
  • the sensing data may be removed.
  • the normal range may be calculated using at least one of an average value or a standard deviation of the data start time or the data end time of the sensing data included in the normal group.
  • the normal range of the data start time may be determined as in Equation 2 below.
  • the reference signal generator 104 may generate the reference signal using only the remaining sensing data except for the sensing data whose data start time is out of the range among the sensing data belonging to the normal group.
  • the above equation describes only the normal range of the data start time, it is obvious that the data end time can also be calculated in the same manner.
  • the preprocessing unit 106 normalizes the compressed sensing data.
  • the preprocessor 106 may normalize the sensing data using Equation 3 below by using the average and the variance of the reference signal.
  • x i is the i-th sensing value of the sensing data
  • y i is the normalized sensing value
  • ⁇ is the average of the reference signal
  • ⁇ is the dispersion of the reference signal.
  • the preprocessor 106 converts the normalized sensing value of the sensing data and the reference signal into a plurality of symbols according to a preset sensing value range (symbolization).
  • the preprocessing unit 106 divides the entire section in which the normalized sensing values are distributed into a plurality of sub-sections, and assigns different symbols (for example, alphabetic characters) to each of the divided sub-sections. By providing the symbol data can be symbolized.
  • the preprocessor 106 may divide a section in which sensing values are distributed using Equation 4 below.
  • y i is the threshold value of the i th subsection
  • n is the total number of subsections
  • ⁇ is the cumulative normal distribution, respectively.
  • the sensing data may be converted as follows.
  • the sensor detector 108 calculates a distance between the preprocessed sensing data and the reference signal and uses the calculated distance to calculate the area or device. Detect one or more sensors that have a correlation with the state of.
  • the sensor detector 108 calculates a distance MDIST between respective sensing values of the preprocessed sensing data and a reference signal.
  • the distance can be calculated by, for example, Equation 5 below.
  • Equation 5 is an equation for calculating a distance MDIST i between two i-th elements Q i and P i of two time series data Q and P represented by n symbols.
  • r and c represent positions of rows r and columns c of the lookup table composed of Q i and P i , respectively.
  • the sensor detector 108 When the distance between the sensing values and the reference signal is calculated as described above, the sensor detector 108 generates a distance table using the distance value and state information of the region or the device. In an embodiment of the present invention, the sensor detector 108 may generate two distance tables including a first distance table and a second distance table.
  • the first distance table is a table that records the distance difference with the reference signal according to the time interval of each sensor. For example, assume that the sensing values and reference signals of the pressure sensor and the temperature sensor included in the specific device in the sections I1, I2, and I3 are shown in Table 2 below.
  • the first distance table may be calculated as shown in Table 3 below.
  • the second distance table is a table in which the sum of the distances MDIST of the sensors of the first distance table is recorded. For example, when the second distance table is generated from the distance table described in Table 3, the following Table 4 is shown.
  • the sensor detector 108 When the distance table is generated as described above, the sensor detector 108 generates a decision tree by applying a classification and regression tree (CART) algorithm to the distance table.
  • the sensor detector 108 may generate two decision trees by applying a CART algorithm to each of the first distance table and the second distance table.
  • the first distance table determines which section of each sensing data affects the state of the region or the device
  • the second distance table determines which sensors generally affect the state of the region or the device. Each can be used.
  • the Gini Index of the sensors constituting each node of the decision tree is calculated.
  • the Gini index is an index indicating the effect of the sensor corresponding to the node on the state of the region or device, and the higher the Gini index, the greater the influence of the sensor on the state of the region or device.
  • the sensor detector 108 sorts the sensors according to the Gini Index derived as a result of applying the CART algorithm, and detects a sensor having a Gini Index greater than or equal to a preset value as a sensor having a high correlation with the state of the region or the device. can do.
  • step 202 the data extractor 102 extracts sensing data from a plurality of sensors included in a specific region or device.
  • step 202 may further include correcting or filtering the sensing data in consideration of the number of missing values of the sensing data. For example, when the number of missing values of the sensing data extracted from the specific sensor exceeds a set reference value, the data extractor 102 may remove the sensing data extracted from the specific sensor. In addition, the data extractor 102 may remove the sensing data related to the specific state when the missing value of the sensing data related to the specific state exceeds the set reference value.
  • step 204 may further include dividing the sensing data into a plurality of time intervals, and calculating a representative value of the sensed data for each time interval.
  • the representative value may be any one of an average value and a median value of the divided data for each time interval.
  • the reference signal generator 104 generates reference signals of each of the plurality of sensors from the sensing data (206).
  • the compressed sensing data is classified into a good group and a bad group for each sensor by using state information of the region or the device, and sensing belonging to the normal group for each time interval. Computing either an average value or a median value of the data.
  • the reference signal generator 104 may be configured to remove an outlier from the normal group before generating the reference signal.
  • the outlier means the sensing data in which at least one of the data start time and the data end time is not included in the preset normal range.
  • the normal range may be calculated using one or more of a mean value or a standard deviation of a data start time or data end time of the sensing data included in the normal group.
  • the preprocessing unit 106 When the reference signal is generated as described above, the preprocessing unit 106 then normalizes the compressed sensing data using the average and the variance of the reference signal (208), and sets the sensing value and the reference signal of the normalized sensing data. According to the sensing value range, the signal is converted into a plurality of symbols (210).
  • the sensor detector 108 calculates the distance between the sensing data and the reference signal, generates a distance table using the calculated distance (212), and uses the distance table to correlate with the state of the region or the device. Detects one or more sensors that are present (214). As described above, the sensor detector 108 applies a classification and regression tree (CART) algorithm to the distance table, and detects a sensor whose Gini Index, which is derived as a result of applying the CART algorithm, is equal to or greater than a set value. It can be configured to detect with a sensor that has a correlation with the state.
  • CART classification and regression tree
  • an embodiment of the present invention may include a computer readable recording medium including a program for performing the methods described herein on a computer.
  • the computer-readable recording medium may include program instructions, local data files, local data structures, etc. alone or in combination.
  • the media may be those specially designed and constructed for the purposes of the present invention, or they may be of the kind well-known and available to those skilled in the computer software arts.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tape, optical recording media such as CD-ROMs, DVDs, magnetic-optical media such as floppy disks, and ROM, RAM, flash memory, and the like.
  • Hardware devices specifically configured to store and execute the same program instructions are included.
  • Examples of program instructions may include high-level language code that can be executed by a computer using an interpreter as well as machine code such as produced by a compiler.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)

Abstract

센싱 데이터 분석 시스템 및 방법이 개시된다. 본 발명의 일 실시예에 따른 센싱 데이터 분석 시스템은, 특정 영역 또는 장치에 구비된 복수 개의 센서들로부터 센싱 데이터를 추출하는 데이터 추출부, 상기 센싱 데이터로부터 상기 복수 개의 센서 각각의 기준 신호(Reference Signal)를 생성하는 기준 신호 생성부, 및 상기 센싱 데이터 및 상기 기준 신호를 이용하여 상기 특정 영역 또는 장치의 상태와 상관관계가 존재하는 하나 이상의 센서를 검출하는 센서 검출부를 포함한다.

Description

센싱 데이터 분석 시스템 및 방법
본 발명의 실시예들은 센서로부터 출력되는 데이터를 분석하기 위한 기술과 관련된다.
센서 및 이와 관련된 기술이 발달하면서, 다양한 분야에서 각종 센서들이 광범위하게 이용되고 있다. 예를 들어, 건물관리시스템(BMS; Building Management System)의 경우 건물 전체, 또는 건물 내 특정 구역에 온도 센서, 습도 센서, 압력 센서 등을 배치하고, 배치된 센서로부터 수신되는 센싱값에 따라 건물의 상태를 확인하거나 그에 따라 필요한 조치를 취할 수 있도록 구성된다. 또한 엘리베이터, 교량 등의 구조물, 자동차, 선박, 항공기 등의 장치 내부에도 다양한 종류의 센서가 구비됨으로써, 센싱값에 따라 해당 장치의 이상 유무 및 이상 발생 위치를 용이하게 파악하는 것이 가능하게 되었다.
그러나 종래의 센싱 데이터 분석 시스템의 경우, 단순히 센서로부터 출력되는 데이터가 기 설정된 기준에 부합하는 지의 여부에 따라 해당 장치 또는 영역의 이상 여부를 표시하도록 구성될 뿐, 센서가 구비된 장치 또는 영역의 상태에 영향을 주는 센서를 파악하는 데에는 한계가 있었다.
본 발명의 실시예들은 특정 영역 또는 장치에 설치된 센서로부터 출력되는 데이터를 분석함으로써 상기 특정 영역 또는 장치의 상태와 관련된 센서를 정확히 파악할 수 있는 센싱 데이터 분석 수단을 제공하기 위한 것이다.
본 발명의 일 실시예에 따른 센싱 데이터 분석 시스템은, 특정 영역 또는 장치에 구비된 복수 개의 센서 각각으로부터 센싱 데이터를 추출하는 데이터 추출부, 상기 센싱 데이터로부터 상기 복수 개의 센서 각각의 기준 신호(Reference Signal)를 생성하는 기준 신호 생성부, 및 상기 센싱 데이터 및 상기 기준 신호를 이용하여 상기 복수 개의 센서 중 상기 특정 영역 또는 장치의 상태와 상관관계가 존재하는 하나 이상의 센서를 검출하는 센서 검출부를 포함한다.
본 발명의 일 실시예에 따른 센싱 데이터 분석 방법은, 데이터 추출부에서 특정 영역 또는 장치에 구비된 복수 개의 센서 각각으로부터 센싱 데이터를 추출하는 단계, 기준 신호 생성부에서 상기 센싱 데이터로부터 상기 복수 개의 센서 각각의 기준 신호(Reference Signal)를 생성하는 단계, 및 센서 검출부에서 상기 센싱 데이터 및 상기 기준 신호를 이용하여 상기 복수 개의 센서 중 상기 특정 영역 또는 장치의 상태와 상관관계가 존재하는 하나 이상의 센서를 검출하는 단계를 포함한다.
한편, 본 발명의 일 실시예에 따른 장치는, 하나 이상의 프로세서, 메모리, 및 하나 이상의 프로그램을 포함하는 장치로서, 상기 하나 이상의 프로그램은 상기 메모리에 저장되고 상기 하나 이상의 프로세서에 의해 실행되도록 구성되며, 상기 프로그램은 특정 영역 또는 장치에 구비된 복수 개의 센서 각각으로부터 센싱 데이터를 추출하는 과정, 상기 센싱 데이터로부터 상기 복수 개의 센서 각각의 기준 신호(Reference Signal)를 생성하는 과정, 및 상기 센싱 데이터 및 상기 기준 신호를 이용하여 상기 복수 개의 센서 중 상기 특정 영역 또는 장치의 상태와 상관관계가 존재하는 하나 이상의 센서를 검출하는 과정을 실행하기 위한 명령어들을 포함한다.
본 발명의 실시예들에 따를 경우, 특정 영역 또는 장치에 설치된 센서로부터 출력되는 데이터를 분석함으로써 상기 특정 영역 또는 장치의 상태와 관련된 센서를 정확히 파악할 수 있는 장점이 있다.
또한, 방대한 용량을 가지는 센싱 데이터에 대한 전처리 과정을 통하여 센싱 데이터를 요약함으로써 데이터의 용량을 감소시킴과 동시에 센싱 과정에서 발생되는 노이즈를 효과적으로 제거할 수 있는 장점이 있다. 이에 따라 데이터의 시계열적 특성을 그대로 살리면서도 효과적으로 센싱 데이터의 분석을 수행할 수 있게 된다.
도 1은 본 발명의 일 실시예에 따른 센싱 데이터 분석 시스템(100)을 설명하기 위한 블록도이다.
도 2는 본 발명의 일 실시예에 따른 센싱 데이터 분석 분석 방법(200)을 설명하기 위한 순서도이다.
이하, 도면을 참조하여 본 발명의 구체적인 실시형태를 설명하기로 한다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.
본 발명을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
본 발명의 기술적 사상은 청구범위에 의해 결정되며, 이하의 실시예는 본 발명의 기술적 사상을 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 효율적으로 설명하기 위한 일 수단일 뿐이다.
도 1은 본 발명의 일 실시예에 따른 센싱 데이터 분석 시스템(100)을 설명하기 위한 블록도이다. 본 발명의 실시예들에서, 센싱 데이터 분석 시스템(100)은 특정 영역 또는 장치에 설치된 하나 이상의 센서로부터 출력되는 센싱 데이터를 해당 영역 또는 장치의 상태 정보와 연계하여 분석함으로써 상기 영역 또는 장치의 상태에 영향을 미치는 요소를 파악하기 위한 것이다.
본 발명의 예시적 실시예들에서, 센싱 데이터 분석 시스템(100)은 엘리베이터 또는 대형 발전기 등의 구조물에 설치된 온도 센서, 압력 센서 등 각종 센서로부터 출력되는 센싱 데이터를 상기 구조물의 상태 정보(예를 들어, 정상 상태, 또는 이상 상태 등)와 연계하여 분석함으로써 구조물의 이상 발생과 관련이 높은 혐의 요소가 어떤 것인지를 알아낼 수 있다. 예를 들어, 만약 특정 구역의 온도 센서가 소정값 이상일 경우 해당 구조물에 이상이 발생한 예가 많았다면, 관리자는 센싱 데이터 분석 시스템(100)의 분석 결과에 따라 구조물 내의 해당 온도 센서가 센싱하고 있는 영역이 구조물의 이상과 관련이 높은 것으로 판단할 수 있다.
이 밖에도, 센싱 데이터 분석 시스템(100)은 특정 건물, 건물 내 특정 구역, 또는 차량, 선박 등 각종 장치에 구비된 센싱 데이터로부터 해당 건물, 구역, 또는 장치의 상태와 관련성이 높은 센서의 존재를 탐지할 수 있다. 즉, 본 발명의 실시예들은 센서가 센싱하고 있는 특정한 대상에 한정되는 것은 아님을 유의한다.
도시된 바와 같이, 본 발명의 일 실시예에 따른 센싱 데이터 분석 시스템(100)은 데이터 추출부(102), 기준 신호 생성부(104), 전처리부(106) 및 센서 검출부(108)를 포함한다.
데이터 추출부(102)는 특정 영역 또는 장치 등에 구비된 복수 개의 센서들로부터 센싱 데이터를 획득한다. 기준 신호 생성부(104)는 데이터 추출부(102)에서 획득된 상기 센싱 데이터로부터 상기 복수 개의 센서 각각의 기준 신호(Reference Signal)를 생성한다. 전처리부(106)는 상기 센싱 데이터 및 상기 기준 신호의 용량 감소 및 노이즈 제거를 위한 전처리를 수행한다. 그리고 센서 검출부(108)는 전처리된 상기 센싱 데이터와 상기 기준 신호간의 거리를 계산하고, 계산된 상기 거리를 이용하여 상기 영역 또는 장치의 상태와 상관관계가 존재하는 하나 이상의 센서를 검출한다.
이하에서는 상기와 같이 구성된 센싱 데이터 분석 시스템(100)의 각 구성요소들을 상세히 설명한다.
데이터 추출
데이터 추출부(102)는 분석의 대상이 특정 영역 또는 장치로부터 원시 데이터(Raw Data)를 추출하고 이를 분석이 가능한 형태로 가공한다. 먼저, 데이터 추출부(102)는 특정 영역 또는 장치에 구비된 복수 개의 센서들로부터 센싱 데이터를 획득한다.
이때, 상기 센서는 상기 영역 또는 장치를 구성하는 각 요소들의 변화를 감지하기 위한 것으로서, 예를 들어 건물 내의 특정 구역 내에 일정 간격으로 설치된 온도 센서 또는 압력 센서 등일 수 있다. 즉, 이 경우 상기 온도 센서 또는 압력 센서는 상기 구역의 시간대별 온도 변화 또는 압력 변화를 센싱하도록 구성될 수 있다. 데이터 추출부(102)는 이와 같은 센서들로부터 상기 영역 또는 장치로부터 센싱된 센싱 데이터를 추출하게 된다.
또한, 데이터 추출부(102)는 상기 영역 또는 장치의 상태 정보, 예를 들어 해당 영역 또는 장치의 이상 발생 여부 정보를 획득하고, 이를 상기 센싱 데이터와 연계하여 저장할 수 있다. 즉, 데이터 추출부(102)는 특정 영역 또는 장치 내에 구비된 각 센서들이 센싱한 센싱 데이터 및 상기 영역 또는 장치의 상태 정보를 연계하여 저장함으로써, 향후 데이터 분석 과정에서 센싱 데이터의 변화에 따른 상태 변화를 추적할 수 있게 된다.
한편, 데이터 추출부(102)에서 추출되는 센싱 데이터에는, 센서의 오작동, 센싱 오류, 데이터 수집 오류 등의 다양한 이유로 인하여 결측값이 존재할 수 있다. 이에 따라, 데이터 추출부(102)는 상기 센싱 데이터의 결측값의 개수를 고려하여 상기 센싱 데이터를 보정 또는 필터링하도록 구성된다.
예를 들어, 데이터 추출부(102)는 특정 센서로부터 추출된 센싱 데이터의 결측값의 개수가 설정된 기준값을 초과하는 경우, 상기 특정 센서로부터 추출된 센싱 데이터를 제거함으로써 해당 센서의 센싱값을 이후 분석에서 배제할 수 있다. 또한, 데이터 추출부(102)는 상기 특정 영역 또는 장치와 관계된 센싱 데이터의 결측값이 설정된 기준값을 초과하는 경우, 상기 특정 영역 또는 장치와 관계된 센싱 데이터를 모두 제거하도록 구성될 수 있다. 예를 들어, 데이터 추출부(102)는 분석 대상인 특정 장치가 이상 상태로 판단되는 구간에서 수집되는 센싱 데이터의 결측값의 개수가 기준값보다 많은 경우 해당 구간에서 수집되는 센싱 데이터를 모두 제거하여 이후의 분석에서 해당 구간을 배제할 수 있다. 즉, 본 발명의 실시예에서는 센싱 데이터의 결측값이 지나치게 많은 경우 관련된 모두 분석에서 배제함으로써 분석 결과에 오류가 발생하는 것을 최소화하도록 구성된다.
한편, 데이터 추출부(102)는 센싱 데이터에 결측값이 존재하나, 그 결측값의 개수가 설정된 기준값을 초과하지 않는 경우 전후의 센싱 데이터를 이용하여 결측값을 보정할 수 있다. 예를 들어, 데이터 추출부(102)는 다음의 수학식 1을 이용하여 결측값을 보정할 수 있다.
수학식 1
Figure PCTKR2013007827-appb-M000001
이때, y는 결측값, x는 결측 시각, ya는 결측 직전 센싱값, yb는 결측 직후 센싱값, xa 및 xb는 각각 ya 및 yb의 센싱 시각을 의미한다. 다만, 상기 수학식 1의 결측값 보정식은 단지 예시일 뿐이며, 이 외에도 결측값 보정을 위한 다양한 방법들이 적용될 수 있다. 즉, 본 발명은 특정한 결측값 보정 알고리즘에 한정되는 것은 아님에 유의한다.
데이터 전처리 및 기준 신호(Reference Signal) 생성
상기와 같이 센싱 데이터가 추출되면, 다음으로 기준 신호 생성부(104)는 획득된 상기 센싱 데이터로부터 상기 복수 개의 센서 각각의 기준 신호(Reference Signal)를 생성하고, 전처리부(106)는 상기 센싱 데이터 및 상기 기준 신호에 대한 압축, 정규화 또는 심볼화 중 적어도 하나를 포함하는 전처리를 수행한다.
먼저, 전처리부(106)는 상기 센싱 데이터를 복수 개의 시간 구간으로 압축한다. 구체적으로 전처리부(106)는 상기 센싱 데이터를 복수 개(w개)의 시간 구간으로 분할하고, 분할된 상기 시간 구간별로 상기 센싱 데이터의 대표값을 계산함으로써 상기 센싱 데이터를 압축하게 된다. 이때 상기 대표값은 분할된 상기 시간 구간별 센싱 데이터의 평균값 또는 중간값으로 설정될 수 있다. 이와 같이 센싱 데이터를 압축할 경우 센싱 데이터의 전체 용량을 축소하는 동시에 데이터에 존재하는 노이즈를 감소시킬 수 있는 장점이 있다. 이때, 상기 w값, 즉 센싱 데이터를 분할하기 위한 구간의 개수를 결정하기 위하여, 예를 들어 SAX(Symbolic ApproXimation) 알고리즘 등이 사용될 수 있으나 반드시 이에 한정되는 것은 아니다.
이와 같은 센싱 데이터의 압축 과정을 예를 들어 설명하면 다음과 같다. 먼저, 특정 센서로부터 1초 간격으로 센싱된 센싱 데이터가 다음과 같다고 가정하자.
3.5, 3.8, 3.9, 4.1, 4.5, 4.7, 4.8, 4.8, 4.8, 4.7, 4.8, 4.9, ...
상기 센싱 데이터를 4개의 시간 구간으로 분할하고(w = 4), 각 구간 별 평균값을 계산하면 다음과 같다.
구간 1: (3.5 + 3.8 + 3.9) / 3 = 3.7
구간 2: (4.1 + 4.5 + 4.7) / 3 = 4.4
구간 3: (4.8 + 4.8 + 4.8) / 3 = 4.8
구간 4: (4.7 + 4.8 + 4.9) / 3 = 4.8
즉 상기 예에서, 센싱 데이터는 다음과 같이 압축될 수 있다.
3.7, 4.4, 4.8, 4.8
이후, 기준 신호 생성부(104)는 압축된 상기 센싱 데이터로부터 기준 신호(Reference Signal)를 생성한다. 본 발명의 실시예에서, 기준 신호는 센서 별 센싱 데이터의 거리를 계산하는 데 기준이 되는 신호를 의미한다.
기준 신호 생성부(104)에서의 기준 신호 생성 과정을 설명하면 다음과 같다. 먼저, 기준 신호 생성부(104)는 각 센서 별로, 상기 영역 또는 장치의 상태 정보를 이용하여 압축된 상기 센싱 데이터를 정상(good) 그룹 및 불량(bad) 그룹으로 분류한다. 즉, 상기 정상 그룹에는 상기 영역 또는 장치가 정상 상태인 경우의 센싱 데이터가 포함되며, 상기 불량 그룹에는 이상 상태인 경우의 센싱 데이터가 포함된다.
이후, 기준 신호 생성부(104)는 상기 시간 구간(w)별로 상기 정상 그룹에 속하는 센싱 데이터의 평균값 또는 중간값 중 어느 하나를 계산함으로써 상기 기준 신호를 생성한다. 즉, 본 발명에서 기준 신호는 각 구간 별 정상 그룹에 속한 센싱 데이터의 평균값 또는 중간값으로 정의될 수 있다.
한편, 기준 신호 생성부(104)는 상기 기준 신호를 생성하기 전, 먼저 상기 정상 그룹으로부터 이상치(outlier)를 제거하도록 구성될 수 있다. 상기 이상치는 정상 그룹에 속한 다른 센싱 데이터와 비교하여 볼 때 비정상적으로 차이가 큰 센싱 데이터를 의미한다. 이와 같은 이상치의 경우 센서 또는 설비의 일시적 장애 등 특수한 상황에서 발생하는 것이 일반적이므로, 이를 제외하지 않을 경우 오히려 기준 신호가 왜곡될 가능성이 있다. 기준 신호를 생성하기 전 이를 제거할 경우 기준 신호의 정확도를 향상할 수 있다.
예를 들어, 상기 센싱 데이터 별로 데이터 시작 시각 및 데이터 종료 시각이 존재하는 경우, 기준 신호 생성부(104)는 상기 정상 그룹에 속한 센싱 데이터들의 데이터 시작 시각 또는 데이터 종료 시각들의 분포를 계산하고, 데이터 시작 시각 또는 데이터 종료 시각 중 적어도 하나가 기 설정된 정상 범위에 포함되지 않는 센싱 데이터가 존재하는 경우, 해당 센싱 데이터를 제거하도록 구성될 수 있다. 이때 상기 정상 범위는 상기 정상 그룹에 포함된 센싱 데이터의 데이터 시작 시각 또는 데이터 종료 시각의 평균값 또는 표준 편차 중 하나 이상을 이용하여 계산될 수 있다.
예를 들어, 상기 정상 그룹에 포함된 센싱 데이터의 데이터 시작 시간의 평균값을 m, 표준편차를 s라 하면 상기 데이터 시작 시간의 정상 범위는 다음의 수학식 2와 같이 정해질 수 있다.
수학식 2
Figure PCTKR2013007827-appb-M000002
즉, 기준 신호 생성부(104)는 상기 정상 그룹에 속한 센싱 데이터 중 데이터 시작 시간이 상기 범위를 벗어나는 센싱 데이터를 제외하고 나머지 센싱 데이터만으로 기준 신호를 생성할 수 있다. 앞선 수학식에서는 데이터 시작 시간의 정상 범위만을 기재하였으나, 데이터 종료 시간 또한 동일한 방법으로 계산할 수 있음은 자명하다.
다음으로, 전처리부(106)는 압축된 상기 센싱 데이터를 정규화(normalization)한다. 구체적으로, 전처리부(106)는 상기 기준 신호의 평균 및 분산을 이용하여 다음의 수학식 3과 같이 센싱 데이터를 정규화할 수 있다.
수학식 3
Figure PCTKR2013007827-appb-M000003
이때, xi는 센싱 데이터의 i번째 센싱값, yi는 정규화된 센싱값, μ는 기준 신호의 평균, σ는 기준 신호의 분산을 의미한다.
다음으로, 전처리부(106)는 정규화된 상기 센싱 데이터의 센싱값 및 상기 기준 신호를 기 설정된 센싱값 범위에 따라 복수 개의 심볼(symbol)로 변환한다(symbolization). 구체적으로, 전처리부(106)는 정규화된 센싱값들이 분포하는 전체 구간을 복수 개(α개)의 소구간으로 분할하고, 분할된 각 소구간에 각각 다른 심볼(예를 들어, 알파벳 문자)을 부여함으로써 센싱 데이터를 심볼화할 수 있다. 예를 들어, 전처리부(106)는 다음의 수학식 4를 이용하여 센싱값들이 분포하는 구간을 분할할 수 있다.
수학식 4
Figure PCTKR2013007827-appb-M000004
이때, yi는 i번째 소구간의 임계값, n은 전체 소구간 개수, Φ는 누적정규분포를 각각 의미한다.
예를 들어, 정규화된 센싱 데이터가 다음과 같다고 가정하자.
-0.3, -0.7, -0.2, 0.4, 0.8, ...
만약 상기 센싱 데이터를 다음의 표 1과 같은 방법으로 심볼화한다고 가정할 경우, 상기 센싱 데이터는 다음과 같이 변환될 수 있다.
표 1
구간 심볼
-1.0 이상 -0.5 미만 A
-0.5 이상 0 미만 B
0 이상 0.5 미만 C
0.5 이상 1.0 미만 D
심볼화된 센싱 데이터: B A B C D
거리 테이블 생성 및 센서 검출
상기 과정을 거쳐 전처리부(106)에서의 센싱 데이터 전처리가 완료되면, 센서 검출부(108)는 전처리된 상기 센싱 데이터와 상기 기준 신호간의 거리를 계산하고, 계산된 상기 거리를 이용하여 상기 영역 또는 장치의 상태와 상관관계가 존재하는 하나 이상의 센서를 검출한다.
먼저, 센서 검출부(108)는 전처리된 상기 센싱 데이터의 각 센싱값들과 기준 신호간의 거리(MDIST)를 계산한다. 상기 거리는 예를 들어 아래의 수학식 5에 의하여 계산될 수 있다.
수학식 5
Figure PCTKR2013007827-appb-M000005
상기 수학식 5는 n개의 심볼(Symbol)로 표현된 두 시계열 데이터 Q, P의 i번째 요소(Qi, Pi)간의 거리(MDISTi)를 계산하기 위한 수학식이다. 상기 수학식에서, r, c는 Qi 및 Pi로 구성된 룩업 테이블(Lookup Table)의 행(r)과 열(c)의 위치를 각각 나타낸다.
상기와 같이 각 센싱값들과 기준 신호간의 거리가 계산되면, 센서 검출부(108)는 상기 거리값 및 상기 영역 또는 장치의 상태 정보를 이용하여 거리 테이블(Distance Table)을 생성한다. 본 발명의 실시예에서, 센서 검출부(108)는 제1 거리 테이블 및 제2 거리 테이블을 포함하는 2개의 거리 테이블을 생성할 수 있다. 이 중 제1 거리 테이블은 각 센서들의 시간 구간에 따른 기준 신호와의 거리차를 기록한 테이블이다. 예를 들어, 구간 I1, I2, I3에서 특정 장치에 구비된 압력 센서와 온도 센서의 센싱값 및 기준 신호가 다음의 표 2와 같다고 가정하자.
표 2
센서 압력 온도 상태 정보
구간 I1 I2 I3 I1 I2 I3
기준 신호 C C C C D A
센싱 데이터1 C C B C D B 정상
센싱 데이터 2 A C D A C E 이상
이 경우 제1 거리 테이블은 다음의 표 3과 같이 계산될 수 있다.
표 3
센서 압력 온도 상태 정보
구간 I1 I2 I3 I1 I2 I3
센싱 데이터 1 0 0 1 0 0 1 정상
센싱 데이터 2 2 0 1 2 1 4 이상
제2 거리 테이블은 제1 거리 테이블의 센서별 거리(MDIST)의 합을 기록한 테이블이다. 예를 들어, 상기 표 3에 기재된 거리 테이블로부터 제2 거리 테이블을 생성하면 다음의 표 4와 같다.
표 4
센서 압력 온도 상태 정보
센싱 데이터 1 1 1 정상
센싱 데이터 2 3 7 이상
상기와 같이 거리 테이블이 생성되면, 다음으로 센서 검출부(108)는 상기 거리 테이블에 CART(Classification And Regression Tree) 알고리즘을 적용함으로써 디시젼 트리를 생성한다. 구체적으로, 센서 검출부(108)는 상기 제1 거리 테이블, 제2 거리 테이블 각각에 CART 알고리즘을 적용하여 2개의 디시젼 트리를 생성할 수 있다. 이때 제1 거리 테이블은 각 센싱 데이터의 어떤 구간이 상기 영역 또는 장치의 상태에 영향을 미치는지를 파악하는데, 제2 거리 테이블은 전반적으로 어떤 센서가 상기 영역 또는 장치의 상태에 영향을 미치는지를 파악하는데 각각 이용될 수 있다.
상기와 같이 거리 테이블에 CART 알고리즘을 적용할 경우, 디시젼 트리의 각 노드를 구성하는 센서들의 지니 지수(Gini Index)가 계산된다. 상기 지니 지수는 해당 노드에 대응되는 센서가 상기 영역 또는 장치의 상태에 미치는 영향을 나타내는 지수로서, 지니 지수가 높을수록 해당 센서가 상기 영역 또는 장치의 상태에 미치는 영향이 크다는 것을 의미한다. 따라서 센서 검출부(108)는 상기 CART 알고리즘 적용 결과 도출되는 지니 지수(Gini Index)에 따라 센서들을 정렬하고, 지니 지수가 기 설정된 값 이상인 센서를 상기 영역 또는 장치의 상태에 상관관계가 높은 센서로 검출할 수 있다.
도 2는 본 발명의 일 실시예에 따른 센싱 데이터 분석 방법(200)을 설명하기 위한 순서도이다. 먼저, 데이터 추출부(102)에서 특정 영역 또는 장치에 구비된 복수 개의 센서들로부터 센싱 데이터를 추출한다(202). 전술한 바와 같이, 상기 202단계는 센싱 데이터의 결측값의 개수를 고려하여 센싱 데이터를 보정 또는 필터링하는 단계를 더 포함할 수 있다. 예를 들어, 데이터 추출부(102)는 특정 센서로부터 추출된 센싱 데이터의 결측값의 개수가 설정된 기준값을 초과하는 경우, 특정 센서로부터 추출된 센싱 데이터를 제거할 수 있다. 또한 데이터 추출부(102)는 특정 상태와 관계된 센싱 데이터의 결측값이 설정된 기준값을 초과하는 경우, 상기 특정 상태와 관계된 센싱 데이터를 제거할 수 있다.
다음으로, 전처리부(106)에서 추출된 센싱 데이터를 압축한다(204). 구체적으로, 상기 204단계는 상기 센싱 데이터를 복수 개의 시간 구간으로 분할하는 단계, 및 분할된 시간 구간별 센싱 데이터의 대표값을 계산하는 단계를 더 포함할 수 있다. 이때 상기 대표값은 분할된 시간 구간별 센싱 데이터의 평균값 또는 중간값 중 어느 하나일 수 있다.
다음으로, 기준 신호 생성부(104)에서 상기 센싱 데이터로부터 복수 개의 센서 각각의 기준 신호(Reference Signal)를 생성한다(206). 이때 상기 206 단계는 각 센서 별로, 상기 영역 또는 장치의 상태 정보를 이용하여 압축된 센싱 데이터를 정상(good) 그룹 및 불량(bad) 그룹으로 분류하는 단계, 및 상기 시간 구간별로 정상 그룹에 속하는 센싱 데이터의 평균값 또는 중간값 중 어느 하나를 계산하는 단계를 포함할 수 있다.
또한, 전술한 바와 같이 기준 신호 생성부(104)는 기준 신호를 생성하기 이전, 상기 정상 그룹으로부터 이상치(outlier)를 제거하도록 구성될 수 있다. 이때 상기 이상치는 데이터 시작 시각 또는 데이터 종료 시각 중 적어도 하나가 기 설정된 정상 범위에 포함되지 않는 센싱 데이터를 의미함은 전술하였다. 상기 정상 범위는 상기 정상 그룹에 포함된 센싱 데이터의 데이터 시작 시각 또는 데이터 종료 시각의 평균값 또는 표준 편차 중 하나 이상을 이용하여 계산될 수 있다.
상기와 같이 기준 신호가 생성되면, 다음으로 전처리부(106)에서 기준 신호의 평균 및 분산을 이용하여 압축된 센싱 데이터를 정규화하고(208), 정규화된 센싱 데이터의 센싱값 및 기준 신호를 기 설정된 센싱값 범위에 따라 복수 개의 심볼(symbol)로 변환한다(210).
이후, 센서 검출부(108)는 센싱 데이터와 기준 신호와의 거리를 계산하고, 계산된 거리를 이용하여 거리 테이블을 생성하며(212), 상기 거리 테이블을 이용하여 상기 영역 또는 장치의 상태와 상관관계가 존재하는 하나 이상의 센서를 검출한다(214). 전술한 바와 같이, 센서 검출부(108)는 상기 거리 테이블에 CART(Classification And Regression Tree) 알고리즘을 적용하고, CART 알고리즘 적용 결과 도출되는 지니 지수(Gini Index)가 설정된 값 이상인 센서를 상기 영역 또는 장치의 상태와 상관관계가 존재하는 센서로 검출하도록 구성될 수 있다.
한편, 본 발명의 실시예는 본 명세서에서 기술한 방법들을 컴퓨터상에서 수행하기 위한 프로그램을 포함하는 컴퓨터 판독 가능 기록매체를 포함할 수 있다. 상기 컴퓨터 판독 가능 기록매체는 프로그램 명령, 로컬 데이터 파일, 로컬 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야에서 통상의 지식을 가진 자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광 기록 매체, 플롭티컬 디스크와 같은 자기-광 매체, 및 롬, 램, 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함할 수 있다.
이상에서 대표적인 실시예를 통하여 본 발명에 대하여 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다.
그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.

Claims (31)

  1. 특정 영역 또는 장치에 구비된 복수 개의 센서 각각으로부터 센싱 데이터를 추출하는 데이터 추출부;
    상기 센싱 데이터로부터 상기 복수 개의 센서 각각의 기준 신호(Reference Signal)를 생성하는 기준 신호 생성부; 및
    상기 센싱 데이터 및 상기 기준 신호를 이용하여 상기 복수 개의 센서 중 상기 특정 영역 또는 장치의 상태와 상관관계가 존재하는 하나 이상의 센서를 검출하는 센서 검출부를 포함하는 센싱 데이터 분석 시스템.
  2. 청구항 1에 있어서,
    상기 데이터 추출부는, 상기 센싱 데이터의 결측값의 개수를 고려하여 상기 센싱 데이터를 보정 또는 필터링하는, 센싱 데이터 분석 시스템.
  3. 청구항 2에 있어서,
    상기 데이터 추출부는, 상기 복수 개의 센서 중 특정 센서로부터 추출된 센싱 데이터의 결측값의 개수가 설정된 기준값을 초과하는 경우, 상기 특정 센서로부터 추출된 센싱 데이터를 제거하는, 센싱 데이터 분석 시스템.
  4. 청구항 2에 있어서,
    상기 데이터 추출부는, 특정 상태와 관계된 센싱 데이터의 결측값이 설정된 기준값을 초과하는 경우, 상기 특정 상태와 관계된 센싱 데이터를 제거하는, 센싱 데이터 분석 시스템.
  5. 청구항 1에 있어서,
    상기 센서 검출부는, 상기 센싱 데이터와 상기 기준 신호간의 거리를 계산하고, 계산된 상기 거리를 이용하여 상기 복수 개의 센서 중 상기 특정 영역 또는 장치의 상태와 상관관계가 존재하는 하나 이상의 센서를 검출하는, 센싱 데이터 분석 시스템.
  6. 청구항 1에 있어서,
    상기 센싱 데이터 및 상기 기준 신호에 대한 압축, 정규화 또는 심볼화 중 적어도 하나를 포함하는 전처리를 수행하는 전처리부를 더 포함하는, 센싱 데이터 분석 시스템.
  7. 청구항 6에 있어서,
    상기 전처리부는, 상기 센싱 데이터를 복수 개의 시간 구간으로 분할하고, 분할된 상기 시간 구간별로 상기 센싱 데이터의 대표값을 계산함으로써 상기 센싱 데이터를 압축하는, 센싱 데이터 분석 시스템.
  8. 청구항 7에 있어서,
    상기 대표값은 분할된 상기 시간 구간별 센싱 데이터의 평균값 또는 중간값 중 어느 하나인, 센싱 데이터 분석 시스템.
  9. 청구항 7에 있어서,
    상기 기준 신호 생성부는, 상기 각 센서 별로, 상기 특정 영역 또는 장치의 상태 정보를 이용하여 압축된 상기 센싱 데이터를 정상(good) 그룹 및 불량(bad) 그룹 중 하나로 분류하고,
    상기 시간 구간별로 상기 정상 그룹에 속하는 센싱 데이터의 평균값 또는 중간값 중 어느 하나를 계산함으로써 상기 기준 신호를 생성하는, 센싱 데이터 분석 시스템.
  10. 청구항 9에 있어서,
    상기 기준 신호 생성부는, 상기 기준 신호를 생성하기 이전, 상기 정상 그룹으로부터 이상치(outlier)를 제거하는, 센싱 데이터 분석 시스템.
  11. 청구항 10에 있어서,
    상기 이상치는, 데이터 시작 시각 또는 데이터 종료 시각 중 적어도 하나가 기 설정된 정상 범위에 포함되지 않는 센싱 데이터인, 센싱 데이터 분석 시스템.
  12. 청구항 11에 있어서,
    상기 정상 범위는 상기 정상 그룹에 포함된 센싱 데이터의 데이터 시작 시각 또는 데이터 종료 시각의 평균값 또는 표준 편차 중 하나 이상을 이용하여 계산되는, 센싱 데이터 분석 시스템.
  13. 청구항 6에 있어서,
    상기 전처리부는, 상기 기준 신호의 평균 및 분산을 이용하여 압축된 상기 센싱 데이터를 정규화하고, 정규화된 상기 센싱 데이터의 센싱값 및 상기 기준 신호를 기 설정된 센싱값 범위에 따라 복수 개의 심볼(symbol)로 변환하는, 센싱 데이터 분석 시스템.
  14. 청구항 13에 있어서,
    상기 센서 검출부는, 심볼화된 상기 센싱 데이터, 상기 기준 신호 및 상기 특정 영역 또는 장치의 상태 정보를 이용하여 거리 테이블(Distance Table)을 생성하고, 상기 거리 테이블에 CART(Classification And Regression Tree) 알고리즘을 적용함으로써 디시젼 트리를 생성하는, 센싱 데이터 분석 시스템.
  15. 청구항 14에 있어서,
    상기 센서 검출부는, 상기 CART 알고리즘 적용 결과 도출되는 지니 지수(Gini Index)가 설정된 값 이상인 센서를 상기 특정 영역 또는 장치의 상태와 상관관계가 존재하는 센서로 검출하는, 센싱 데이터 분석 시스템.
  16. 데이터 추출부에서, 특정 영역 또는 장치에 구비된 복수 개의 센서 각각으로부터 센싱 데이터를 추출하는 단계;
    기준 신호 생성부에서, 상기 센싱 데이터로부터 상기 복수 개의 센서 각각의 기준 신호(Reference Signal)를 생성하는 단계; 및
    센서 검출부에서, 상기 센싱 데이터 및 상기 기준 신호를 이용하여 상기 복수 개의 센서 중 상기 특정 영역 또는 장치의 상태와 상관관계가 존재하는 하나 이상의 센서를 검출하는 단계를 포함하는 센싱 데이터 분석 방법.
  17. 청구항 16에 있어서,
    상기 센싱 데이터를 추출하는 단계는, 상기 센싱 데이터의 결측값의 개수를 고려하여 상기 센싱 데이터를 보정 또는 필터링하는 단계를 더 포함하는, 센싱 데이터 분석 방법.
  18. 청구항 17에 있어서,
    상기 센싱 데이터를 보정 또는 필터링하는 단계는, 상기 복수 개의 센서 중 특정 센서로부터 추출된 센싱 데이터의 결측값의 개수가 설정된 기준값을 초과하는 경우, 상기 특정 센서로부터 추출된 센싱 데이터를 제거하도록 구성되는, 센싱 데이터 분석 방법.
  19. 청구항 17에 있어서,
    상기 센싱 데이터를 보정 또는 필터링하는 단계는, 특정 상태와 관계된 센싱 데이터의 결측값이 설정된 기준값을 초과하는 경우, 상기 특정 상태와 관계된 센싱 데이터를 제거하도록 구성되는, 센싱 데이터 분석 방법.
  20. 청구항 16에 있어서,
    상기 센서를 검출하는 단계는, 상기 센싱 데이터와 상기 기준 신호간의 거리를 계산하고, 계산된 상기 거리를 이용하여 상기 복수 개의 센서 중 상기 특정 영역 또는 장치의 상태와 상관관계가 존재하는 하나 이상의 센서를 검출하는, 센싱 데이터 분석 방법.
  21. 청구항 16에 있어서,
    상기 센싱 데이터를 추출하는 단계의 수행 후 및 상기 기준 신호를 생성하는 단계의 수행 전,
    전처리부에서, 추출된 상기 센싱 데이터를 압축하는 단계를 더 포함하는, 센싱 데이터 분석 방법.
  22. 청구항 21에 있어서,
    상기 센싱 데이터를 압축하는 단계는,
    상기 센싱 데이터를 복수 개의 시간 구간으로 분할하는 단계; 및
    분할된 상기 시간 구간별 센싱 데이터의 대표값을 계산하는 단계를 더 포함하는, 센싱 데이터 분석 방법.
  23. 청구항 22에 있어서,
    상기 대표값은 분할된 상기 시간 구간별 센싱 데이터의 평균값 또는 중간값 중 어느 하나인, 센싱 데이터 분석 방법.
  24. 청구항 21에 있어서,
    상기 각 센서별 기준 신호를 생성하는 단계는,
    상기 각 센서 별로, 상기 특정 영역 또는 장치의 상태 정보를 이용하여 상기 압축된 센싱 데이터를 정상(good) 그룹 및 불량(bad) 그룹 중 하나로 분류하는 단계; 및
    상기 시간 구간별로 상기 정상 그룹에 속하는 센싱 데이터의 평균값 또는 중간값 중 어느 하나를 계산하는 단계를 포함하는, 센싱 데이터 분석 방법.
  25. 청구항 24에 있어서,
    상기 압축된 센싱 데이터를 정상(good) 그룹 및 불량(bad) 그룹 중 하나로 분류하는 단계는, 상기 정상 그룹으로부터 이상치(outlier)를 제거하는 단계를 더 포함하는, 센싱 데이터 분석 방법.
  26. 청구항 25에 있어서,
    상기 이상치는, 데이터 시작 시각 또는 데이터 종료 시각 중 적어도 하나가 기 설정된 정상 범위에 포함되지 않는 센싱 데이터인, 센싱 데이터 분석 방법.
  27. 청구항 26에 있어서,
    상기 정상 범위는 상기 정상 그룹에 포함된 센싱 데이터의 데이터 시작 시각 또는 데이터 종료 시각의 평균값 또는 표준 편차 중 하나 이상을 이용하여 계산되는, 센싱 데이터 분석 방법.
  28. 청구항 21에 있어서,
    상기 하나 이상의 센서를 검출하는 단계의 수행 전,
    상기 전처리부에서, 상기 기준 신호의 평균 및 분산을 이용하여 압축된 상기 센싱 데이터를 정규화하는 단계; 및
    상기 전처리부에서, 정규화된 상기 센싱 데이터의 센싱값 및 상기 기준 신호를 기 설정된 센싱값 범위에 따라 복수 개의 심볼(symbol)로 변환하는 단계를 더 포함하는, 센싱 데이터 분석 방법.
  29. 청구항 28에 있어서,
    상기 하나 이상의 센서를 검출하는 단계는,
    심볼화된 상기 센싱 데이터, 상기 기준 신호 및 상기 특정 영역 또는 장치의 상태 정보를 이용하여 거리 테이블(Distance Table)을 생성하는 단계; 및
    상기 거리 테이블에 CART(Classification And Regression Tree) 알고리즘을 적용하는 단계를 포함하는, 센싱 데이터 분석 방법.
  30. 청구항 29에 있어서,
    상기 하나 이상의 센서를 검출하는 단계는, 상기 CART 알고리즘 적용 결과 도출되는 지니 지수(Gini Index)가 설정된 값 이상인 센서를 상기 특정 영역 또는 장치의 상태와 상관관계가 존재하는 센서로 검출하는, 센싱 데이터 분석 방법.
  31. 하나 이상의 프로세서;
    메모리; 및
    하나 이상의 프로그램을 포함하는 장치로서,
    상기 하나 이상의 프로그램은 상기 메모리에 저장되고 상기 하나 이상의 프로세서에 의해 실행되도록 구성되며,
    상기 프로그램은, 특정 영역 또는 장치에 구비된 복수 개의 센서 각각으로부터 센싱 데이터를 추출하는 과정;
    상기 센싱 데이터로부터 상기 복수 개의 센서 각각의 기준 신호(Reference Signal)를 생성하는 과정; 및
    상기 센싱 데이터 및 상기 기준 신호를 이용하여 상기 복수 개의 센서 중 상기 특정 영역 또는 장치의 상태와 상관관계가 존재하는 하나 이상의 센서를 검출하는 과정을 실행하기 위한 명령어들을 포함하는, 장치.
PCT/KR2013/007827 2013-05-31 2013-08-30 센싱 데이터 분석 시스템 및 방법 WO2014193040A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020130062301A KR101606239B1 (ko) 2013-05-31 2013-05-31 센싱 데이터 분석 시스템 및 방법
KR10-2013-0062301 2013-05-31

Publications (1)

Publication Number Publication Date
WO2014193040A1 true WO2014193040A1 (ko) 2014-12-04

Family

ID=51986084

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2013/007827 WO2014193040A1 (ko) 2013-05-31 2013-08-30 센싱 데이터 분석 시스템 및 방법

Country Status (4)

Country Link
US (1) US20140358487A1 (ko)
KR (1) KR101606239B1 (ko)
CN (1) CN104216350B (ko)
WO (1) WO2014193040A1 (ko)

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2916260A1 (en) * 2014-03-06 2015-09-09 Tata Consultancy Services Limited Time series analytics
US20170261406A1 (en) * 2016-03-10 2017-09-14 Simmonds Precision Products, Inc. Physical component fault diagnostics
KR101694708B1 (ko) * 2016-07-01 2017-01-23 김기웅 부스바를 이용하여 온도 감지 및 조절하는 수배전반
KR101929624B1 (ko) * 2016-10-28 2018-12-17 주식회사 포스코아이씨티 전후공정의 데이터 연계를 위한 데이터의 정렬 방법 및 정렬 시스템
US20180137218A1 (en) * 2016-11-11 2018-05-17 General Electric Company Systems and methods for similarity-based information augmentation
KR101876408B1 (ko) * 2016-12-30 2018-07-09 한국건설기술연구원 다점 센싱 데이터의 상호상관관계를 이용한 계측자료 압축 시스템, 방법, 및 상기 방법을 실행하기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체
KR101930766B1 (ko) 2017-01-25 2018-12-19 강릉원주대학교산학협력단 센서 데이터 선택 방법
JP6724847B2 (ja) 2017-03-31 2020-07-15 オムロン株式会社 制御装置、制御プログラム、制御システム、および制御方法
KR102023627B1 (ko) * 2017-12-12 2019-11-04 인천대학교 산학협력단 저속 무선 통신을 위한 효율적인 센서 데이터 압축 및 복원 방법과 장치
EP3511795A1 (en) * 2018-01-12 2019-07-17 Siemens Aktiengesellschaft Industrial process data processing
KR101977310B1 (ko) * 2018-02-05 2019-05-10 한국생산기술연구원 생산공정에서 품질을 관리하는 방법 및 장치
JP7189499B2 (ja) * 2018-05-07 2022-12-14 オムロン株式会社 センサシステム
US20200090314A1 (en) * 2018-09-13 2020-03-19 Virtual Control Limited System and method for determining a condition of an object
EP3987479A4 (en) * 2019-06-19 2023-06-28 Built Environment Compliance Pty Ltd Safety management and building operational assessment system and method for multiple occupancy buildings
JP7314692B2 (ja) 2019-07-31 2023-07-26 コニカミノルタ株式会社 画像形成装置および画像形成装置診断システム
JP7423945B2 (ja) * 2019-09-13 2024-01-30 コニカミノルタ株式会社 画像形成装置および画像形成装置診断システム
JP7379977B2 (ja) 2019-09-17 2023-11-15 コニカミノルタ株式会社 画像形成装置および画像形成装置診断システム
WO2021075897A1 (ko) 2019-10-18 2021-04-22 주식회사 네오펙트 센싱 장치 및 센싱데이터의 처리 방법
KR102460802B1 (ko) * 2019-10-18 2022-10-31 주식회사 네오펙트 센싱 장치, 센싱데이터의 처리 방법 및 프로그램
DE102019219922B4 (de) * 2019-12-17 2023-07-20 Volkswagen Aktiengesellschaft Verfahren zur Übertragung einer Mehrzahl an Signalen sowie Verfahren zum Empfang einer Mehrzahl an Signalen
KR102310735B1 (ko) * 2020-12-21 2021-10-08 (주)위세아이텍 회전설비의 진동 신호에 대한 이상 탐지 장치 및 방법
KR102338505B1 (ko) * 2021-04-08 2021-12-13 주식회사 인코어드 테크놀로지스 태양광 발전 이상 탐지 시스템 및 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004177990A (ja) * 2002-11-22 2004-06-24 Ntt Docomo Inc 情報提示システム、情報提示方法、プログラム及び記録媒体
KR20090055976A (ko) * 2007-11-29 2009-06-03 한국전자통신연구원 센서 네트워크 관리 장치 및 그 방법
KR20090093804A (ko) * 2008-02-29 2009-09-02 삼성전자주식회사 센서 네트워크에서의 데이터 수집을 위한 방법 및 시스템
JP2009301546A (ja) * 2008-06-06 2009-12-24 Ntt Docomo Inc 複数のリアルタイム・センサを検索する方法及び装置
KR20110038208A (ko) * 2009-10-08 2011-04-14 주식회사코어벨 스마트센서시스템에서 상황인지 기반 정보처리 방법

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6101275A (en) * 1998-01-26 2000-08-08 International Business Machines Corporation Method for finding a best test for a nominal attribute for generating a binary decision tree
JP2002214185A (ja) * 2001-01-16 2002-07-31 Nissin Electric Co Ltd センサ異常の検出方法及び検出装置
JP2005147821A (ja) 2003-11-14 2005-06-09 Mitsutoyo Corp センサ信号処理装置、センサ信号処理方法、測定機、センサ信号処理プログラム、および記録媒体
JP2005164378A (ja) * 2003-12-02 2005-06-23 Hitachi Ltd 移動体データ解析装置および移動体データ解析システム
JP3950135B2 (ja) * 2004-11-26 2007-07-25 株式会社日立製作所 ガス検知システム
JP4501750B2 (ja) * 2005-03-29 2010-07-14 セイコーエプソン株式会社 検出装置および認証装置
US7696866B2 (en) 2007-06-28 2010-04-13 Microsoft Corporation Learning and reasoning about the context-sensitive reliability of sensors
JP4961417B2 (ja) * 2008-12-17 2012-06-27 株式会社テイエルブイ 機器状態情報収集方法、及び、それに用いる機器状態情報収集キット
WO2011156080A1 (en) * 2010-06-09 2011-12-15 Siemens Corporation Systems and methods for learning of normal sensor signatures, condition monitoring and diagnosis
US8471702B2 (en) * 2010-12-22 2013-06-25 General Electric Company Method and system for compressor health monitoring

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004177990A (ja) * 2002-11-22 2004-06-24 Ntt Docomo Inc 情報提示システム、情報提示方法、プログラム及び記録媒体
KR20090055976A (ko) * 2007-11-29 2009-06-03 한국전자통신연구원 센서 네트워크 관리 장치 및 그 방법
KR20090093804A (ko) * 2008-02-29 2009-09-02 삼성전자주식회사 센서 네트워크에서의 데이터 수집을 위한 방법 및 시스템
JP2009301546A (ja) * 2008-06-06 2009-12-24 Ntt Docomo Inc 複数のリアルタイム・センサを検索する方法及び装置
KR20110038208A (ko) * 2009-10-08 2011-04-14 주식회사코어벨 스마트센서시스템에서 상황인지 기반 정보처리 방법

Also Published As

Publication number Publication date
KR20140141052A (ko) 2014-12-10
CN104216350A (zh) 2014-12-17
KR101606239B1 (ko) 2016-03-24
US20140358487A1 (en) 2014-12-04
CN104216350B (zh) 2018-02-02

Similar Documents

Publication Publication Date Title
WO2014193040A1 (ko) 센싱 데이터 분석 시스템 및 방법
WO2014193041A1 (ko) 제조 설비의 센서 데이터를 활용한 수율 분석 시스템 및 방법
WO2020022704A1 (en) Method for training and testing obfuscation network capable of processing data to be concealed for privacy, and training device and testing device using the same
WO2020196985A1 (ko) 비디오 행동 인식 및 행동 구간 탐지 장치 및 방법
WO2016163755A1 (ko) 품질 측정 기반의 얼굴 인식 방법 및 장치
WO2015123967A1 (zh) 一种运动目标的识别方法、装置
WO2021153861A1 (ko) 다중 객체 검출 방법 및 그 장치
WO2014204179A1 (en) Method for verifying bad pattern in time series sensing data and apparatus thereof
WO2022240163A1 (ko) Mems 기반 보조 지진 관측망에서 지진을 감지하는 방법, 이를 수행하기 위한 기록 매체 및 장치
WO2013042928A1 (ko) 부분방전 결함유형 판정 방법 및 그 장치
WO2019160195A1 (ko) 파일 내 포함된 악성 위협 탐지 장치 및 방법, 그 기록매체
WO2020032506A1 (ko) 시각 감지 시스템 및 이를 이용한 시각 감지 방법
WO2022114653A1 (ko) 데이터 경계 도출 시스템 및 방법
WO2019124635A1 (ko) 압축영상에 대한 신택스 기반의 객체 침입 감지 방법
WO2023128669A1 (ko) 부분방전 모니터링 시스템 및 부분방전 모니터링 방법
WO2019035544A1 (ko) 학습을 이용한 얼굴 인식 장치 및 방법
WO2015182802A1 (ko) 영상 처리 방법, 이를 이용한 시스템 및 이를 수행하기 위한 기록매체
WO2016064024A1 (ko) 이상 접속 검출 장치 및 방법
WO2018212380A1 (ko) 개인인증을 위한 웨어러블 디바이스의 ecg 템플릿 검출 방법
CN116089961B (zh) 一种基于大数据的计算机智能图像管理系统及方法
WO2018070598A1 (ko) 소스코드 변경 영향 평가를 이용한 불법 행위 감시 장치 및 그 방법
WO2023282500A1 (ko) 슬라이드 스캔 데이터의 자동 레이블링 방법, 장치 및 프로그램
WO2022019601A1 (ko) 영상의 객체 특징점 추출과 이를 이용한 영상검색 시스템 및 방법
WO2021010557A1 (ko) 위험 감지 시스템 및 방법
WO2018088649A1 (ko) 글린트 검출 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 13886021

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 17.03.2016)

122 Ep: pct application non-entry in european phase

Ref document number: 13886021

Country of ref document: EP

Kind code of ref document: A1