KR101971553B1 - 사물인터넷 기반 기기 관리 시스템 및 방법 - Google Patents

Abstract

본 발명은 사물인터넷 기반 기기 관리 시스템 및 방법에 관한 것으로, 기기를 사전에 진단하여 오류 또는 고장이 발생되기 전에 발견하여 조치를 취할 수 있도록 하여 기기의 오류 또는 고장으로 인한 피해를 사전에 예방하는 기기 관리 시스템 및 방법에 관한 것이다. 보다 상세하게는 모니터링 대상 기기와 관련된 센서 정보를 수신하고, 모니터링 대상 기기가 속하는 카테고리에 해당하는 기기의 오류 발생 직전의 시계열 센서 정보를 기준 데이터로 저장하고, 센서 데이터 및 상기 기준 데이터의 유사도를 계산하고, 계산된 유사도를 기초로 모니터링 대상 기기의 오류 위험이 감지되는 경우 오류 대응 동작을 수행하도록 제어할 수 있도록 하는 기술이다.

Description

사물인터넷 기반 기기 관리 시스템 및 방법{Device management system and method based on Internet Of Things}

본 발명은 사물인터넷 기반 기기 관리 시스템 및 방법에 관한 것으로, 기기를 사전에 진단하여 오류 또는 고장이 발생되기 전에 발견하여 조치를 취할 수 있도록 하여 기기의 오류 또는 고장으로 인한 피해를 사전에 예방할 수 있도록 하는 시스템 및 방법에 관한 것이다.

최근 전자기기의 사용이 증가함에 따라 보다 안전하고 효율적인 전자기기 사용을 위해 전자 기기를 제어하기 위한 시스템에 관한 관심이 증가하고 있다. 이러한 전자 기기는 여러가지 이유로 여러 종류의 고장을 일으킬 수 있으며, 지속적으로 작동하고 있는 전자기기의 경우 고장이 발생하면 작업이 중단되어 다양한 피해가 발생할 수 있고, 고장으로 인해 화재 등 2차 피해가 발생될 가능성도 높다. 기기를 사전에 진단하여 오류 또는 고장이 발생하기 전에 발견하여 미리 조치를 취하게 되면 기기의 고장으로 인한 피해를 사전에 예방할 수 있다.

종래에는 한국등록특허 제10-1703163호 "차량의 복합 고장을 예측하기 위한 장치 및 방법"은 데이터 마이닝 기법인 다중 인공신경망과 회귀 분석 방법을 이용하여 복합적인 원인에 의한 차량의 고장 상태의 추이 변화를 예측하는 방법을 개시하고 있다.

위 선행기술은 차량의 고장을 예측하기 위해 차량의 모델의 특성에 맞게 다중 인공신경망 모델을 학습시켜 모델링하는 구성을 포함하고 있는데, 인공신경망 기술을 이용하여 모델링 작업하여 시스템에 적용하는 기술은 시간이 많이 소요되며, 데이터 수집과 모델링 작업에 소요되는 비용이 많이 소요되는 문제점이 있다.

따라서 기기를 사전에 진단하여 고장이 발생하기 전에 발견하여 조치를 취할 수 있으면서 시간과 비용이 많이 소요되는 모델링 작업 없이 바로 적용가능하여 시간과 비용이 절감될 수 있는 고장 예측 기술이 필요하다.

한국등록특허 제10-1703163호

본 발명은 모델링 작업 없이 바로 적용이 가능하여 센서 데이터 패턴 추이로 메타 데이터를 만들어 일반적 패턴을 찾아 낼 수 있어, 비용과 시간이 절감되어 보다 빠르게 기기의 오류 또는 고장을 발견하여 기기의 오류 또는 고장으로 인한 피해를 사전에 예방하는 것을 목적으로 한다.

본 발명은 기준 데이터 및 센서 데이터 각각에 대하여 제1유사도와 제2유사도를 계산하고, 제1유사도 및 제2유사도를 결합한 종합 유사도를 기초로 오류 대응 동작 수행 여부를 판단함으로써 종합 유사도로 보다 오류 또는 고장에 대한 판단을 정확하게 판단하는 것을 목적으로 한다.

본 발명은 제1유사도 계산부에서 기준 데이터 및 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터와 특정 데이터의 2시점 앞 데이터와의 차이값의 부호를 판단하여 기준 데이터와 센서 데이터 각각의 차이값의 부호가 동일한 경우의 비율을 계산함으로써 모델링 작업없이 간단한 계산으로 기기의 오류 또는 고장을 발견하는 것을 목적으로 한다.

본 발명은 제2유사도 계산부에서 기준 데이터 및 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터와 특정 데이터의 1시점 앞 데이터와의 차이값을 이용하여 수식으로 계산하고 계산결과의 평균을 제2유사도로 계산함으로써 모델링 작업없이 간단한 계산으로 기기의 오류 또는 고장을 발견하는 것을 목적으로 한다.

본 발명은 복수의 기기와 관련된 센서 정보를 수집하고, 수집된 센서 정보 중 오류 발생 직전 시점의 센서 정보를 예비 기준 데이터로 저장하고, 예비 기준 데이터 중 유사한 패턴을 가진 예비 기준 데이터를 그루핑하고, 그루핑된 예비 기준 데이터 중 기준 데이터를 생성함으로써 그루핑된 그룹에서 가장 정확도가 높은 기준 데이터를 생성하여 기준 데이터와 센서 데이터의 유사도를 보다 정확하게 측정할 수 있는 것을 목적으로 한다.

본 발명은 예비 기준 데이터에 대하여 2개씩 짝지은 조합을 생성하고 각각의 조합의 데이터를 추출하여 유사도를 계산하고 계산된 유사도가 소정의 기준값 이상인 경우 같은 그룹으로 그루핑 함으로써 보다 유사한 예비 기준 데이터끼리 그루핑할 수 있는 것을 목적으로 한다.

이러한 목적을 달성하기 위하여 본 발명의 일실시예에 따른 사물인터넷 기반 기기 관리 시스템은 모니터링 대상 기기와 관련된 센서 정보를 수신하는 센서 데이터 수신부, 상기 모니터링 대상 기기가 속하는 카테고리에 해당하는 기기의 오류 발생 직전의 시계열 센서 정보를 기준 데이터로 저장하는 기준 데이터 저장부, 상기 센서 데이터 및 상기 기준 데이터의 유사도를 계산하는 유사도 계산부, 상기 유사도 계산부에서 계산된 유사도를 기초로 상기 모니터링 대상 기기의 오류 위험이 감지되는 경우 오류 대응 동작을 수행하도록 제어하는 제어부를 포함하여 구성된다.

또한, 상기 유사도 계산부는 상기 기준 데이터 및 상기 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터와 상기 특정 데이터의 2시점 앞 데이터와의 차이를 계산하고, 상기 계산된 값들 사이의 유사도를 이용하여 제1유사도를 계산하는 제1유사도 계산부, 상기 기준 데이터 및 상기 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터와 상기 특정 데이터의 1시점 앞 데이터와의 차이를 계산하고, 상기 계산된 값들 사이의 유사도를 이용하여 제2유사도를 계산하는 제2유사도 계산부를 더 포함하고, 상기 제어부는 상기 제1유사도 및 상기 제2유사도를 결합한 종합 유사도를 기초로 오류 대응 동작 수행 여부를 판단하는 것을 더 포함하는 것으로 구성될 수 있다.

또한, 상기 제1유사도 계산부는 상기 기준 데이터 및 상기 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터와 상기 특정 데이터의 2시점 앞 데이터와의 차이값의 부호가 +인지, 0인지, -인지 판단하여, 상기 기준 데이터와 상기 센서 데이터 각각의 차이값의 부호가 동일한 경우의 비율을 상기 제1유사도로 계산하는 것으로 구성될 수 있다.

또한, 상기 제2유사도 계산부는 상기 기준 데이터 및 상기 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터와 상기 특정 데이터의 1시점 앞 데이터와의 차이값을 이용하여 하기의 수식을 계산하고, (1-|1-센서 데이터의 특정 데이터의 1시점 앞 데이터의 차이값/ 기준 데이터의 특정 데이터의 1시점 앞 데이터의 차이값 |)X100, 상기 수식의 계산결과의 평균을 상기 제2유사도로 계산하는 것으로 구성될 수 있다.

또한, 복수의 기기와 관련된 센서 정보를 수집하는 수집부, 상기 수집부에서 수집된 센서 정보 중 상기 기기의 오류 발생 직전 소정의 개수의 시점의 센서 정보를 예비 기준 데이터로 저장하는 예비 기준 데이터 저장부, 상기 예비 기준 데이터 저장부에 저장된 복수의 예비 기준 데이터 중 상호 유사도가 높은 상기 복수의 예비 기준 데이터를 그루핑하고, 상기 그루핑된 복수의 예비 기준 데이터에 관한 기준 데이터를 생성하여 상기 기준 데이터 저장부에 저장하는 기준 데이터 생성부를 더 포함하여 구성될 수 있다.

또한, 상기 기준 데이터 생성부는 상기 복수의 예비 기준 데이터에 대하여 2개씩 짝지은 조합을 생성하고, 각각의 조합의 데이터를 추출하여 상기 유사도 계산부에서 상기 유사도를 계산하고, 계산된 유사도가 소정의 기준값 이상인 경우 같은 그룹으로 그루핑하는 것으로 구성될 수 있다.

본 발명은 모델링 작업 없이 바로 적용이 가능하여 센서 데이터 패턴 추이로 메타 데이터를 만들어 일반적 패턴을 찾아 낼 수 있어, 비용과 시간이 절감되어 보다 빠르게 기기의 오류 또는 고장을 발견하여 기기의 오류 또는 고장으로 인한 피해를 사전에 예방할 수 있다.

본 발명은 기준 데이터 및 센서 데이터 각각에 대하여 제1유사도와 제2유사도를 계산하고, 제1유사도 및 제2유사도를 결합한 종합 유사도를 기초로 오류 대응 동작 수행 여부를 판단함으로써 종합 유사도로 보다 오류 또는 고장에 대한 판단을 정확하게 판단할 수 있다.

본 발명은 제1유사도 계산부에서 기준 데이터 및 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터와 특정 데이터의 2시점 앞 데이터와의 차이값의 부호를 판단하여 기준 데이터와 센서 데이터 각각의 차이값의 부호가 동일한 경우의 비율을 계산함으로써 모델링 작업없이 간단한 계산으로 기기의 오류 또는 고장을 발견할 수 있다.

본 발명은 제2유사도 계산부에서 기준 데이터 및 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터와 특정 데이터의 1시점 앞 데이터와의 차이값을 이용하여 수식으로 계산하고 계산결과의 평균을 제2유사도로 계산함으로써 모델링 작업없이 간단한 계산으로 기기의 오류 또는 고장을 발견할 수 있다.

본 발명은 복수의 기기와 관련된 센서 정보를 수집하고, 수집된 센서 정보 중 오류 발생 직전 시점의 센서 정보를 예비 기준 데이터로 저장하고, 예비 기준 데이터 중 유사한 패턴을 가진 예비 기준 데이터를 그루핑하고, 그루핑된 예비 기준 데이터 중 기준 데이터를 생성함으로써 그루핑된 그룹에서 가장 정확도가 높은 기준 데이터를 생성하여 기준 데이터와 센서 데이터의 유사도를 보다 정확하게 측정할 수 있다.

본 발명은 예비 기준 데이터에 대하여 2개씩 짝지은 조합을 생성하고 각각의 조합의 데이터를 추출하여 유사도를 계산하고 계산된 유사도가 소정의 기준값 이상인 경우 같은 그룹으로 그루핑 함으로써 보다 유사한 예비 기준 데이터끼리 그루핑할 수 있다.

도 1은 본 발명의 일실시예에 따른 사물인터넷 기반 기기 관리 시스템의 전체 구성도를 도시한 도면이다.
도 2는 본 발명의 일실시예에 따른 사물인터넷 기반 기기 관리 시스템의 클라우드와 사물인터넷간의 전체 관계를 도시한 도면이다.
도 3는 본 발명의 일실시예에 따른 기준 데이터와 센서 데이터의 유사도의 일례를 도시한 도면이다.
도 4는 본 발명의 일실시예에 따른 예비 기준 데이터에 대하여 2개씩 짝지은 조합으로 상호 유사도의 일례를 도시한 도면이다.
도 5는 본 발명의 일실시예에 따른 사물인터넷 기반 기기 관리 방법의 흐름을 도시한 순서도이다.

이하, 본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략하기로 한다. 또한 본 발명의 실시예들을 설명함에 있어 구체적인 수치는 실시예에 불과하며 이에 의하여 발명의 범위가 제한되지 아니한다.

본 발명에 따른 사물인터넷 기반 기기 관리 시스템은 중앙처리장치(CPU) 및 메모리(Memory, 기억장치)를 구비하고 인터넷 등의 통신망을 통하여 다른 단말기와 연결 가능한 서버의 형태로 구성될 수 있다. 그러나 본 발명이 중앙처리장치 및 메모리 등의 구성에 의해 한정되지는 아니한다. 또한, 본 발명에 따른 사물인터넷 기반 기기 관리 시스템은 물리적으로 하나의 장치로 구성될 수도 있으며, 복수의 장치에 분산된 형태로 구현될 수도 있어, 본 발명은 이와 같은 물리적인 장치의 구성에 의하여 한정되지 아니한다.

도 1은 본 발명의 일실시예에 따른 사물인터넷 기반 기기 관리 시스템의 전체 구성도를 도시한 도면이다.

본 발명에 따른 사물인터넷 기반 기기 관리 시스템은 센서 데이터 수신부(101), 기준 데이터 저장부(102), 유사도 계산부(103), 제어부(104), 제1유사도 계산부(105), 제2유사도 계산부(106), 수집부(107), 예비 기준 데이터 저장부(108)(102), 기준 데이터 생성부(109)를 포함한다.

센서 데이터 수신부(101)는 모니터링 대상 기기와 관련된 센서 정보를 수신한다.

모니터링 대상 기기는 차량, 신호등, 냉장고, 세탁기 등과 같이 주 변에서 흔히 볼 수 있는 모든 전자기기 또는 기계적인 장치일 수 있으며, 인터넷과 연결될 수 있다. 모니터링 대상 기기는 사용자가 고장 또는 오류를 감지하고자 하는 기기로써, 고장을 미리 감지하여 기기의 고장으로 인한 피해를 예방하고자 하는 대상이다. 모니터링 대상 기기에 포함되거나 또는 외부에 부착되는 센서는 기기의 상태 정보 또는 환경 정보를 감지할 수 있으며, 센서 정보는 전류 정보, 온도 정보, 습도 정보, 누수 정보 등과 같이 센서로 측정할 수 있는 모든 정보일 수 있으며, 센서는 일정 간격으로 센서 정보를 인식하여 기록하도록 할 수 있다.

기준 데이터 저장부(102)는 모니터링 대상 기기가 속하는 카테고리에 해당하는 기기의 오류 발생 직전의 시계열 센서 정보를 기준 데이터로 저장한다.

모니터링 대상 기기는 기기의 종류, 기기 제품번호, 기기가 포함하고 있는 센서 종류 등과 같이 기기가 갖고 있는 특징 또는 종류에 따라 카테고리로 구분될 수 있다. 모니터링 대상 기기는 복수의 카테고리로 분류 될 수 있다.

센서는 일정 간격으로 센서 정보에 관하여 기록하고 있으며, 기기의 오류 또는 고장이 발생하는 경우 오류 또는 고장이 발생한 직전의 일정 시계열 센서 정보를 추출할 수 있다. 이 추출된 센서 정보를 기준 데이터 저장부(102)는 기준 데이터로 저장할 수 있다.

유사도 계산부(103)는 센서 데이터 및 기준 데이터의 유사도를 계산한다.

센서 데이터는 모니터링 대상 기기와 관련된 센서 정보를 기록한 데이터로서, 사용자가 오류 또는 고장이 발생하는 것을 대비하여 지속적으로 기기를 모니터링 하기 위해 일정 간격 별로 지속적으로 센서 정보를 기록한 데이터일 수 있다.

기준 데이터는 센서 데이터와 비교 대상이 되는 데이터로써, 이미 오류 또는 고장이 발생한 경우의 데이터를 확보하여 오류 또는 고장이 발생하기 직전에 시계열적으로 센서 정보가 어떤 변화가 있는지 기록된 데이터이다. 예를 들면, A라는 모니터링 대상 기기의 카테고리는 세탁기이며 제품번호는 'AB-100'일이라고 하면, 기준 데이터 저장부(102)는 카테고리가 세탁기이고 제품번호는 'AB-100'인 기기의 고장 발생 직전의 일정 시계열 센서 정보에 대하여 저장할 것이며, 이는 기준 데이터가 될 것이다. 기기의 고장은 갑자기 일어나지 않는 경우가 대부분이며, 고장이 발생하기까지 센서에서 수집한 정보에서 어떤 패턴을 보일 것이다. 따라서 고장 발생 직전의 센서 정보를 시계열적으로 보는 것도 이전의 전조 증상과 모니터링 대상 기기와 비교하기 위함일 수 있다.

만약 A라는 모니터링 대상 기기에 이상이 생겨 곧 고장이 발생할 가능성이 클 경우 기기의 센서는 이를 측정할 것이며, 시계열적으로 기록된 센서 데이터는 기준 데이터와 비교하여 유사도를 측정할 수 있다. 모니터링 대상 기기는 고장이 발생하지 않았으나 기준 데이터의 오류 발생 직전의 시계열 센서 정보에서 나타나는 패턴과 유사한 패턴을 보인다면 고장이 발생할 가능성이 클 것이며, 센서 데이터와 기준 데이터를 비교하여 이를 계산할 수 있다.

유사도 계산부(103)는 모티프(Motif) 알고리즘 기반의 패턴 매칭 분석 시스템의 코어를 기반으로 하며, 모티프(Motif) 알고리즘 방식이란 구글 검색 엔진과 같은 직관적인 접근법을 사용하여 사물인터넷 데이터의 일반적 패턴을 찾아 낼 수 있으며, 산업용 애플리케이션들에서 해당 패턴의 출현을 감지할 수 있는 방식으로 DNA 패턴을 찾는데 활용하는데 사용되었던 분석법을 사물인터넷 서비스에서 전조 현상 예측 모델로 적용한 기술이다.

모티프(Motif) 알고리즘 코어 기능 개발은 스파크(Spark) 기반의 데이터 수집 및 기초적인 데이터 분류 기능을 구현할 수 있으며, 스파크(Spark)는 범용 분산 플랫폼으로 하둡(Hadoop)과 같이 맵리듀스(Map&Reduce)만 돌리는 것이 아니고, 스톰(Storm)과 같이 스트리밍 처리만 하는 것이 아니라 분산된 여러대의 노트에서 연산을 할 수 있도록 해주는 범용 분산 클러스터링 플랫폼으로, 맵리듀스(Map&Reduce)나 스트리밍 처리등의 모듈을 추가 올려서 그 기능을 수행하게 하는 기능을 제공함으로써 기본적인 빅데이터 관리를 위한 베이스(Base) 기능을 구현할 수 있다.

패턴 서치(Pattern Search) 기능은 센서 데이터간에 변화 추이를 라이브러리화 한 메타 데이터를 시계열 센서 데이터 속에서 찾아가는 기능을 구현할 수 있다.예를 들면 여러 데이터 중에서 CACGTG를 하나의 메타 데이터로 정의하고 관리하는 기능일 수 있다.

제1유사도 계산부(105)는 기준 데이터 및 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터와 특정 데이터의 2시점 앞 데이터와의 차이를 계산하고, 계산된 값들 사이의 유사도를 이용하여 제1유사도를 계산한다.

기준 데이터 및 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터는 시계열 데이터 중 한 시점의 데이터 일 수 있으며, 센서가 기기의 정보를 특정 간격으로 시계열적으로 기록한 데이터 중 하나의 간격에 해당하는 데이터일 수 있다. 예를 들면 기준 데이터는 {15, 15, 15, 15, 15, 25, 0, 30, 5, 20, 10, 15, 15, 15, 15, 15}라고 하면 15, 15, 25, 0, 30, 5, 20 등에 해당하는 각각의 데이터가 특정 데이터일 수 있다. 또한 일반적으로 오류 또는 고장이 발생하지 않는 일반적인 경우 특정 데이터는 일정한 패턴을 유지하거나 일정한 수준의 데이터 값을 유지하는 경우가 대부분이며, 오류 또는 고장이 발생하기 직전 센서 데이터 또는 기준 데이터 상으로 일반적인 경우와 다른 데이터가 도출될 것이다.

제1유사도 계산부(105)는 기준 데이터 및 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터와 상기 특정 데이터의 2시점 앞 데이터와의 차이값의 부호가 +인지, 0인지, -인지 판단하여, 상기 기준 데이터와 센서 데이터 각각의 차이값의 부호가 동일한 경우의 비율을 상기 제1유사도로 계산한다.

제1유사도 계산부(105)는 기준 데이터 및 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터와 특정 데이터의 2시점 앞 데이터와의 차이를 계산한다. 예를 들면, 기준 데이터는 {15, 15, 15, 15, 15, 25, 0, 30, 5, 20, 10, 15, 15, 15, 15, 15}이며, 센서 데이터는 {15, 15, 15, 15, 15, 22, 3, 35, 3, 20, 7, 15, 15, 15, 15, 15}이라고 하면, 각각의 특정 데이터의 2시점 앞을 계산해보면 2시점 앞이 없는 특정 데이터의 앞의 2시점을 제외하고 기준 데이터는 {0, 0, 0, 10, -15, 5, 5, -10, 5, -5, 5, 0, 0, 0}이며, 2시점 앞이 없는 특정 데이터의 앞의 2시점을 제외하고 센서 데이터는 {0, 0, 0, 7, -12, 13, 0, -15, 4, -5, 8, 0, 0, 0}이다. 그런데 오류 또는 고장이 발생하지 않은 일반적인 경우는 기준 데이터와 센서 데이터 모두 특정 데이터인 15가 이어지는 부분임을 추정할 수 있으며, 기준 데이터와 센서 데이터 모두 시작되는 부분과 끝나는 부분의 데이터의 오류 또는 고장이 발생하지 않는다고 추정되는 부분은 생략할 수 있다. 따라서 기준 데이터의 시계열 데이터 중 특정 데이터와 특정 데이터의 2시점 앞 데이터와의 차이는 {10, -15, 5, 5, -10, 5, -5, 5}이며, 센서 데이터의 시계열 데이터 중 특정 데이터와 특정 데이터의 2시점 앞 데이터와의 차이는 {7, -12, 13, 0, -15, 4, -5, 8}이다. 즉 기준 데이터 기준으로 {0, 0, 0, 10, -15, 5, 5, -10, 5, -5, 5, 0, 0, 0}과 {10, -15, 5, 5, -10, 5, -5, 5}은 동일한 값으로 취급할 수 있으며, 센서 데이터 기준으로 {0, 0, 0, 7, -12, 13, 0, -15, 4, -5, 8, 0, 0, 0}와 {7, -12, 13, 0, -15, 4, -5, 8}는 동일한 값으로 취급하여 오류 또는 고장과 관련없다고 판단되는 특정데이터는 제외할 수 있다.

또한, 기준 데이터 및 센서 데이터의 시계열 데이터 중 특정 데이터와 상기 특정 데이터의 2시점 앞 데이터와의 차이값이 증가하면 + 또는 1, 변화가 없으면 0, 감소하면 - 또는 -1로 표시할 수 있으며, 즉 증가, 유지, 감소의 여부를 부호로 표시할 수 있다.

기준 데이터의 시계열 데이터 중 특정 데이터와 상기 특정 데이터의 2시점 앞 데이터와의 차이값의 부호는 {1, -1, 1, 1, -1, 1, -1, 1}이며, 센서 데이터의 시계열 데이터 중 특정 데이터와 상기 특정 데이터의 2시점 앞 데이터와의 차이값의 부호는 {1, -1, 1, 0, -1, 1, -1, 1}이다.

기준 데이터와 센서 데이터 각각의 차이값의 부호가 동일한 경우의 비율로 제1유사도를 계산하며, 기준 데이터와 센서 데이터의 부호 유사도는 {동일, 동일, 동일, 비동일, 동일, 동일, 동일, 동일}로 8개의 배열 중 7개 같으므로 제1유사도는 (7/8)*100=87.5%로 계산할 수 있다.

제2유사도 계산부(106)는 기준 데이터 및 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터와 특정 데이터의 1시점 앞 데이터와의 차이를 계산하고, 계산된 값들 사이의 유사도를 이용하여 제2유사도를 계산한다.

예를 들어, 기준 데이터는 {15, 15, 15, 15, 15, 25, 0, 30, 5, 20, 10, 15, 15, 15, 15, 15}이며, 센서 데이터는 {15, 15, 15, 15, 15, 22, 3, 35, 3, 20, 7, 15, 15, 15, 15, 15}이라고 하고, 각각에 대하여 시계열 데이터 중 특정 데이터와 특정 데이트이 1시점 앞 데이터의 차이를 계산하면, 기준 데이터는 {0, 0, 0, 0, 10, -25, 30, -25, 15, -10, 5, 0, 0, 0, 0}이며, 센서 데이터는 {0, 0, 0, 0, 7, -19, 32, -32, 17, -13, 8, 0, 0, 0, 0}이다. 기준 데이터와 센서 데이터의 오류 및 고장과 관련이 없다고 판단되는 데이터를 제외하면 기준 데이터는 {10, -25, 30, -25, 15, -10, 5}이며, 센서 데이터는 {7, -19, 32, -32, 17, -13, 8}이다.

제2유사도 계산부(106)는 기준 데이터 및 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터와 특정 데이터의 1시점 앞 데이터와의 차이값을 이용하여 하기의 수식을 계산하고,

상기 수식의 계산결과의 평균을 제2유사도로 계산한다.

제2유사도를 계산하기 위해 수식을 이용한 결과 값은 {70, 76, 93.3, 72, 86.6, 70, 40}으로 평균은 72.56으로 평균값으로 계산할 수 있으며, 제2유사도는 72.56%이다.

제어부(104)는 유사도 계산부(103)에서 계산된 유사도를 기초로 모니터링 대상 기기의 오류 위험이 감지되는 경우 오류 대응 동작을 수행하도록 제어한다.

오류 대응 동작은 모니터링 대상 기기의 전원을 껐다 키는 동작 또는 시스템을 점검하는 동작과 같이 기기의 오류 또는 고장이 발생하기 전에 오류 또는 고장이 발생하지 않도록 예방하는 동작일 수 있으며, 모니터링 대상 기기의 오류 위험이 감지되는 경우 모니터링 대상 기기를 껐다 키는 동작 또는 시스템 점검을 하는 동작 등과 같은 오류 대응 동작을 수행하도록 제어할 수 있다.

제어부(104)는 제1유사도 및 제2유사도를 결합한 종합 유사도를 기초로 오류 대응 동작 수행 여부를 판단한다.

유사도 계산부(103)는 제1유사도 및 제2유사도를 결합하여 종합유사도를 계산할 수 있으며, 제어부(104)는 계산된 종합 유사도를 기초로 일정 기준이상이 되면 모니터링 대상 기기의 오류 위험이 감지 된다고 판단할 수 있다. 종합 유사도를 다양한 방법으로 계산될 수 있으며, 제어부(104)는 이를 기초로 모니터링 대상 기기의 오류 위험을 감지할 수 있다.

종합유사도는 제1유사도 및 제2유사도 모두 기준값 이상인 경우를 판단하여 종합 유사도를 계산할 수 있다. 예를 들면, 제1유사도는 87.5%이고, 제2유사도는 72.56%라고 가정하고, 기준값은 70%라고 가정한다. 제1유사도와 제2유사도는 모두 기준값 70%이상으로 판단되여, 제어부(104)는 모니터링 대상 기기의 오류 위험이 감지된다고 판단할 수 있다. 그러나 기준값이 80%라고 가정하면 제1유사도는 기준값이상이나 제2유사도는 기준값 미만으로 제1유사도와 제2유사도 모두 기준값이상이 아니므로 제어부(104)는 모니터링 대상기기의 오류 위험이 감지되지 않는다고 판단할 수 있다.

또한, 종합유사도는 제1유사도 및 제2유사도의 평균으로 종합유사도를 계산하여 평균값이 기준값 이상인 경우 제어부(104)는 모니터링 대상 기기가 오류 위험이 감지된다고 판단할 수 있다. 예를 들면, 제1유사도는 87.5%이고, 제2유사도는 72.56%라고 가정하면, 모니터링 대상 기기가 오류 위험이 감지된다고 판단하는 기준값은 80%라고 가정한다. 제1유사도와 제2유사도의 평균은 80.03%이며, 기준값은 80%로 제어부(104)는 모니터링 대상 기기의 오류 위험이 감지된다고 판단할 수 있다.

또한, 종합유사도는 제1유사도 및 제2유사도중 하나 이상이 기준값 이상인 경우를 제어부(104)는 모니터링 대상 기기가 오류 위험이 감지된다고 판단할 수 있다. 예를 들면, 제1유사도는 87.5%이고, 제2유사도는 72.56%라고 가정하고, 기준값은 80%라고 가정한다. 제2유사도는 기준값 이상이 아니지만 제1유사도가 기준값 이상으로 판단되어 제어부(104)는 모니터링 대상 기기의 오류 위험이 감지된다고 판단할 수 있다. 그러나 기준값이 90%라고 가정하면 제1유사도와 제2유사도 모두 기준값이 미치지 못하므로 제어부(104)는 모니터링 대상 기기의 오류 위험이 감지되지 않는다고 판단할 수 있다.

또한, 종합 유사도는 제1유사도 및 제2유사도 각각에 가중치를 두어 종합 유사도를 계산할 수 있다. 제1유사도와 제2유사도 중 더 비중이 높다고 판단되는 유사도에 높은 비중을 두어 종합 유사도를 계산할 수 있으며, 제어부(104)는 종합 유사도가 기준값 이상인 경우 모니터링 대상 기기의 오류 위험이 감지된다고 판단할 수 있다. 예를 들면, 제1유사도는 87.5%이고, 제2유사도는 72.56%라고 가정하고, 제1유사도와 제2유사도의 가중치는 각각 70%:30%으로 가정하고, 제어부(104)가 모니터링 대상기기 오류 위험으로 판단하는 기준값은 80%이상으로 가정한다. 종합 유사도를 계산하면 (87.5X0.7)+(72.56X0.3)=83.02로 기준값 80%이상으로 제어부(104)는 모니터링 대상 기기의 오류 위험이 감지된다고 판단할 수 있다.

수집부(107)는 복수의 기기와 관련된 센서 정보를 수집한다.

수집부(107)는 차량, 신호등, 냉장고, 세탁기 등과 같이 주 변에서 흔히 볼 수 있는 여러 전자기기와 관련된 센서 정보를 수집한다. 센서 정보는 기기가 포함하고 있는 모든 센서에 관한 정보로 일정 간격 또는 특정 간격으로 시계열적으로 기록한 정보 일 수 있다.

예비 기준 데이터 저장부(108)(102)는 수집부(107)에서 수집된 센서 정보 중 기기의 오류 발생 직전 소정의 개수의 시점의 센서 정보를 예비 기준 데이터로 저장한다.

수집된 센서 정보 중 기기의 오류가 발생했을 때의 센서 정보가 기록되어 있을 수 있으며, 기기의 오류가 발생하기 직전의 일정 시점의 센서 정보를 기준 데이터로 저장할 수 있다. 기준 데이터는 다른 기기의 오류 또는 고장이 발생하는 것을 대비하여 비교의 대상이 되는 데이터로 예비 기준 데이터가 많을수록 비교의 대상이 많아 보다 정확한 기준 데이터를 추출할 수 있어, 보다 빠르게 오류 또는 고장을 예측할 수 있다.

기준 데이터 생성부(109)는 예비 기준 데이터 저장부(108)(102)에 저장된 복수의 예비 기준 데이터 중 상호 유사도가 높은 복수의 예비 기준 데이터를 그루핑하고, 그루핑된 복수의 예비 기준 데이터에 관한 기준 데이터를 생성하여 기준 데이터 저장부(102)에 저장한다.

기준 데이터 생성부(109)는 복수의 예비 기준 데이터에 대하여 2개씩 짝지은 조합을 생성하고, 각각의 조합의 데이터를 추출하여 유사도 계산부(103)에서 상기 유사도를 계산하고, 계산된 유사도가 소정의 기준값 이상인 경우 같은 그룹으로 그루핑한다.

다양한 기기의 오류 발생 직전 시점의 센서 정보가 저장된 예비 데이터는 다양한 패턴이 있으며, 다양한 패턴 중 유사한 패턴끼리 그루핑을 할 수 있다. 그루핑된 예비 기준 데이터 다른 예비 기준 데이터들과 유사도를 비교하여 유사도의 합계가 가장 높은 예비 기준 데이터를 기준 데이터로 생성할 수 있다. 유사도 계산부(103)를 통해 계산된 유사도는 일정값인 소정의 기준값 이상의 값일 경우 같은 그룹으로 그루핑 될 수 있으며, 예를 들면 소정의 기준값이 70이라고 하면 같은 그룹내의 모든 예비 기준 데이터를 2개씩 짝지어서 유사도를 비교한다고 했을 때 유사도가 70이상이 되어야 해당 그룹이 속할 수 있다.

예를 들면, 그룹 A에는 예비 기준 데이터가 4개인 예비 기준 데이터 1, 예비 기준 데이터 2, 예비 기준 데이터 3, 예비 기준 데이터 4가 그루핑 되었다. 예비 기준 데이터 1은 예비 기준 데이터 2와 유사도가 90, 예비 기준 데이터 3과 유사도가 80, 예비 기준 데이터 4와 유사도가 70으로 합계는 240이며, 예비 기준 데이터 2는 예비 기준 데이터 1과 유사도가 90, 예비 기준 데이터 3과 유사도가 70, 예비 기준 데이터 4와 유사도가 75으로 합계는 235이며, 예비 기준 데이터 3은 예비 기준 데이터 1과 유사도가 80, 예비 기준 데이터 2와 유사도가 70, 예비 기준 데이터 4와 유사도가 70으로 합계는 220이며, 예비 기준 데이터 4는 예비 기준 데이터 1과 유사도가 70, 예비 기준 데이터 2와 유사도가 75, 예비 기준 데이터 3과 유사도가 70으로 합계는 215으로 예비 기준 데이터 1이 다른 예비 기준 데이터들과의 유사도 합계가 가장 높아 그룹 A의 기준 데이터는 예비 기준 데이터 1이 되어 예비 기준 데이터 1은 기준 데이터 저장부(102)에 저장될 수 있다.

하지만 복수의 예비 기준 데이터가 그루핑된 상태에서 다른 예비 기준 데이터가 이미 그루핑된 그룹에 집입할 수 있는지 판단할 경우 기준 데이터로 생성된 기준 데이터와 비교하여 소정의 값 이상이 되면 이미 그루핑된 그룹에 새로운 예비 기준 데이터가 그루핑 될 수 있다.

예를 들면, 이미 그루핑된 그룹에 진입할 수 있는 소정의 값이 90이라고 한다면, 그룹 A로 그룹핑 된 상태에서 다른 예비 기준 데이터 10이 그룹 A에 그루핑 할 수 있는지 여부를 판단해야하는 경우 기준 데이터로 생성된 예비 기준 데이터 1과 예비 기준 데이터 10의 유사도가 90이상인 경우 그룹 A에 그루핑 될 수 있다.

또한, 복수의 예비 기준 데이터를 종합합하여 그루핑된 예비 기준 데이터와 유사도가 높은 가상의 기준 데이터를 생성할 수 있다. 예를 들면 그룹 B에는 예비 기준 데이터가 4개인 예비 기준 데이터 1, 예비 기준 데이터 2, 예비 기준 데이터 3, 예비 기준 데이터 4가 그루핑 되었으며, 4개의 예비 기준 데이터 모두와 유사도가 80이상인 가상의 기준 데이터를 생성할 수 있다.

도 2는 본 발명의 일실시예에 따른 사물인터넷 기반 기기 관리 시스템의 클라우드와 사물인터넷간의 전체 관계를 도시한 도면이다.

클라우드에서 수집부(107)는 사물인터넷2, 사물인터넷 3과 같은 다양한 사물인터넷의 기기들의 센서 정보를 수집할 수 있으며, 수집된 센서 정보는 기기의 오류가 발생하기 직전의 시점의 센서 정보를 예비 기준 데이터로 저장할 수 있다. 저장된 예비 기준 데이터 중 상호 유사도가 높은 예비 기준 데이터끼리 그루핑되고 그루핑된 예비 기준 데이터 중에 기준 데이터를 생성할 수 있다. 생성된 기준 데이터는 모니터링 대상 기기를 포함하고 있는 사물인터넷 1의 센서 정보와 기준 데이터의 유사도를 계산하여 오류 대응 동작을 수행할지 여부를 제어부(104)에서 판단할 수 있다. 제어부(104)에서 모니터링 대상기기의 오류위험이 감지된다고 판단되는 경우 사용자의 모바일 기기 또는 통신기기에 위험 감지가 되었다는 메시지를 보낼 수 있다.

도 3는 본 발명의 일실시예에 따른 기준 데이터와 센서 데이터의 유사도의 일례를 도시한 도면이다.

기준 데이터 저장부(102)는 모니터링 대상 기기가 속하는 카테고리에 해당하는 기기의 오류 발생 직전의 시계열 센서 정보를 기준 데이터로 저장한다.

모니터링 대상 기기는 기기의 종류, 기기 제품번호, 기기가 포함하고 있는 센서 종류 등과 같이 기기가 갖고 있는 특징 또는 종류에 따라 카테고리로 구분될 수 있다. 모니터링 대상 기기는 복수의 카테고리로 분류 될 수 있다.

센서는 일정 간격으로 센서 정보에 관하여 기록하고 있으며, 기기의 오류 또는 고장이 발생하는 경우 오류 또는 고장이 발생한 직전의 일정 시계열 센서 정보를 추출할 수 있다. 이 추출된 센서 정보를 기준 데이터 저장부(102)는 기준 데이터로 저장할 수 있다.

유사도 계산부(103)는 센서 데이터 및 기준 데이터의 유사도를 계산한다.

센서 데이터는 모니터링 대상 기기와 관련된 센서 정보를 기록한 데이터로서, 사용자가 오류 또는 고장이 발생하는 것을 대비하여 지속적으로 기기를 모니터링 하기 위해 일정 간격 별로 지속적으로 센서 정보를 기록한 데이터일 수 있다.

기준 데이터는 센서 데이터와 비교 대상이 되는 데이터로써, 이미 오류 또는 고장이 발생한 경우의 데이터를 확보하여 오류 또는 고장이 발생하기 직전에 시계열적으로 센서 정보가 어떤 변화가 있는지 기록된 데이터이다. 예를 들면, A라는 모니터링 대상 기기의 카테고리는 세탁기이며 제품번호는 'AB-100'일이라고 하면, 기준 데이터 저장부(102)는 카테고리가 세탁기이고 제품번호는 'AB-100'인 기기의 고장 발생 직전의 일정 시계열 센서 정보에 대하여 저장할 것이며, 이는 기준 데이터가 될 것이다. 기기의 고장은 갑자기 일어나지 않는 경우가 대부분이며, 고장이 발생하기까지 센서에서 수집한 정보에서 어떤 패턴을 보일 것이다. 따라서 고장 발생 직전의 센서 정보를 시계열적으로 보는 것도 이전의 전조 증상과 모니터링 대상 기기와 비교하기 위함일 수 있다.

만약 A라는 모니터링 대상 기기에 이상이 생겨 곧 고장이 발생할 가능성이 클 경우 기기의 센서는 이를 측정할 것이며, 시계열적으로 기록된 센서 데이터는 기준 데이터와 비교하여 유사도를 측정할 수 있다. 모니터링 대상 기기는 고장이 발생하지 않았으나 기준 데이터의 오류 발생 직전의 시계열 센서 정보에서 나타나는 패턴과 유사한 패턴을 보인다면 고장이 발생할 가능성이 클 것이며, 센서 데이터와 기준 데이터를 비교하여 이를 계산할 수 있다.

제1유사도 계산부(105)는 기준 데이터 및 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터와 특정 데이터의 2시점 앞 데이터와의 차이를 계산하고, 계산된 값들 사이의 유사도를 이용하여 제1유사도를 계산한다.

기준 데이터 및 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터는 시계열 데이터 중 한 시점의 데이터 일 수 있으며, 센서가 기기의 정보를 특정 간격으로 시계열적으로 기록한 데이터 중 하나의 간격에 해당하는 데이터일 수 있다. 예를 들면 기준 데이터는 {15, 15, 15, 15, 15, 25, 0, 30, 5, 20, 10, 15, 15, 15, 15, 15}라고 하면 15, 15, 25, 0, 30, 5, 20 등에 해당하는 각각의 데이터가 특정 데이터일 수 있다. 또한 일반적으로 오류 또는 고장이 발생하지 않는 일반적인 경우 특정 데이터는 일정한 패턴을 유지하거나 일정한 수준의 데이터 값을 유지하는 경우가 대부분이며, 오류 또는 고장이 발생하기 직전 센서 데이터 또는 기준 데이터 상으로 일반적인 경우와 다른 데이터가 도출될 것이다.

제1유사도 계산부(105)는 기준 데이터 및 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터와 상기 특정 데이터의 2시점 앞 데이터와의 차이값의 부호가 +인지, 0인지, -인지 판단하여, 상기 기준 데이터와 센서 데이터 각각의 차이값의 부호가 동일한 경우의 비율을 상기 제1유사도로 계산한다.

제1유사도 계산부(105)는 기준 데이터 및 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터와 특정 데이터의 2시점 앞 데이터와의 차이를 계산한다. 예를 들면, 기준 데이터는 {15, 15, 15, 15, 15, 25, 0, 30, 5, 20, 10, 15, 15, 15, 15, 15}이며, 센서 데이터는 {15, 15, 15, 15, 15, 22, 3, 35, 3, 20, 7, 15, 15, 15, 15, 15}이라고 하면, 각각의 특정 데이터의 2시점 앞을 계산해보면 2시점 앞이 없는 특정 데이터의 앞의 2시점을 제외하고 기준 데이터는 {0, 0, 0, 10, -15, 5, 5, -10, 5, -5, 5, 0, 0, 0}이며, 2시점 앞이 없는 특정 데이터의 앞의 2시점을 제외하고 센서 데이터는 {0, 0, 0, 7, -12, 13, 0, -15, 4, -5, 8, 0, 0, 0}이다. 그런데 오류 또는 고장이 발생하지 않은 일반적인 경우는 기준 데이터와 센서 데이터 모두 특정 데이터인 15가 이어지는 부분임을 추정할 수 있으며, 기준 데이터와 센서 데이터 모두 시작되는 부분과 끝나는 부분의 데이터의 오류 또는 고장이 발생하지 않는다고 추정되는 부분은 생략할 수 있다. 따라서 기준 데이터의 시계열 데이터 중 특정 데이터와 특정 데이터의 2시점 앞 데이터와의 차이는 {10, -15, 5, 5, -10, 5, -5, 5}이며, 센서 데이터의 시계열 데이터 중 특정 데이터와 특정 데이터의 2시점 앞 데이터와의 차이는 {7, -12, 13, 0, -15, 4, -5, 8}이다. 즉 기준 데이터 기준으로 {0, 0, 0, 10, -15, 5, 5, -10, 5, -5, 5, 0, 0, 0}과 {10, -15, 5, 5, -10, 5, -5, 5}은 동일한 값으로 취급할 수 있으며, 센서 데이터 기준으로 {0, 0, 0, 7, -12, 13, 0, -15, 4, -5, 8, 0, 0, 0}와 {7, -12, 13, 0, -15, 4, -5, 8}는 동일한 값으로 취급하여 오류 또는 고장과 관련없다고 판단되는 특정데이터는 제외할 수 있다.

또한, 기준 데이터 및 센서 데이터의 시계열 데이터 중 특정 데이터와 상기 특정 데이터의 2시점 앞 데이터와의 차이값이 증가하면 + 또는 1, 변화가 없으면 0, 감소하면 - 또는 -1로 표시할 수 있으며, 즉 증가, 유지, 감소의 여부를 부호로 표시할 수 있다.

기준 데이터의 시계열 데이터 중 특정 데이터와 상기 특정 데이터의 2시점 앞 데이터와의 차이값의 부호는 {1, -1, 1, 1, -1, 1, -1, 1}이며, 센서 데이터의 시계열 데이터 중 특정 데이터와 상기 특정 데이터의 2시점 앞 데이터와의 차이값의 부호는 {1, -1, 1, 0, -1, 1, -1, 1}이다.

기준 데이터와 센서 데이터 각각의 차이값의 부호가 동일한 경우의 비율로 제1유사도를 계산하며, 기준 데이터와 센서 데이터의 부호 유사도는 {동일, 동일, 동일, 비동일, 동일, 동일, 동일, 동일}로 8개의 배열 중 7개 같으므로 제1유사도는 (7/8)*100=87.5%로 계산할 수 있다.

제2유사도 계산부(106)는 기준 데이터 및 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터와 특정 데이터의 1시점 앞 데이터와의 차이를 계산하고, 계산된 값들 사이의 유사도를 이용하여 제2유사도를 계산한다.

예를 들어, 기준 데이터는 {15, 15, 15, 15, 15, 25, 0, 30, 5, 20, 10, 15, 15, 15, 15, 15}이며, 센서 데이터는 {15, 15, 15, 15, 15, 22, 3, 35, 3, 20, 7, 15, 15, 15, 15, 15}이라고 하고, 각각에 대하여 시계열 데이터 중 특정 데이터와 특정 데이트이 1시점 앞 데이터의 차이를 계산하면, 기준 데이터는 {0, 0, 0, 0, 10, -25, 30, -25, 15, -10, 5, 0, 0, 0, 0}이며, 센서 데이터는 {0, 0, 0, 0, 7, -19, 32, -32, 17, -13, 8, 0, 0, 0, 0}이다. 기준 데이터와 센서 데이터의 오류 및 고장과 관련이 없다고 판단되는 데이터를 제외하면 기준 데이터는 {10, -25, 30, -25, 15, -10, 5}이며, 센서 데이터는 {7, -19, 32, -32, 17, -13, 8}이다.

제2유사도 계산부(106)는 기준 데이터 및 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터와 특정 데이터의 1시점 앞 데이터와의 차이값을 이용하여 하기의 수식을 계산하고,

상기 수식의 계산결과의 평균을 제2유사도로 계산한다.

제2유사도를 계산하기 위해 수식을 이용한 결과 값은 {70, 76, 93.3, 72, 86.6, 70, 40}으로 평균은 72.56으로 평균값으로 계산할 수 있으며, 제2유사도는 72.56%이다.

도 4는 본 발명의 일실시예에 따른 예비 기준 데이터에 대하여 2개씩 짝지은 조합으로 상호 유사도의 일례를 도시한 도면이다.

기준 데이터 생성부(109)는 예비 기준 데이터 저장부(108)(102)에 저장된 복수의 예비 기준 데이터 중 상호 유사도가 높은 복수의 예비 기준 데이터를 그루핑하고, 그루핑된 복수의 예비 기준 데이터에 관한 기준 데이터를 생성하여 기준 데이터 저장부(102)에 저장한다.

기준 데이터 생성부(109)는 복수의 예비 기준 데이터에 대하여 2개씩 짝지은 조합을 생성하고, 각각의 조합의 데이터를 추출하여 유사도 계산부(103)에서 상기 유사도를 계산하고, 계산된 유사도가 소정의 기준값 이상인 경우 같은 그룹으로 그루핑한다.

다양한 기기의 오류 발생 직전 시점의 센서 정보가 저장된 예비 데이터는 다양한 패턴이 있으며, 다양한 패턴 중 유사한 패턴끼리 그루핑을 할 수 있다. 그루핑된 예비 기준 데이터 다른 예비 기준 데이터들과 유사도를 비교하여 유사도의 합계가 가장 높은 예비 기준 데이터를 기준 데이터로 생성할 수 있다. 유사도 계산부(103)를 통해 계산된 유사도는 일정값인 소정의 기준값 이상의 값일 경우 같은 그룹으로 그루핑 될 수 있으며, 예를 들면 소정의 기준값이 70이라고 하면 같은 그룹내의 모든 예비 기준 데이터를 2개씩 짝지어서 유사도를 비교한다고 했을 때 유사도가 70이상이 되어야 해당 그룹이 속할 수 있다.

예를 들면, 그룹 A에는 예비 기준 데이터가 4개인 예비 기준 데이터 1, 예비 기준 데이터 2, 예비 기준 데이터 3, 예비 기준 데이터 4가 그루핑 되었다. 예비 기준 데이터 1은 예비 기준 데이터 2와 유사도가 90, 예비 기준 데이터 3과 유사도가 80, 예비 기준 데이터 4와 유사도가 70으로 합계는 240이며, 예비 기준 데이터 2는 예비 기준 데이터 1과 유사도가 90, 예비 기준 데이터 3과 유사도가 70, 예비 기준 데이터 4와 유사도가 75으로 합계는 235이며, 예비 기준 데이터 3은 예비 기준 데이터 1과 유사도가 80, 예비 기준 데이터 2와 유사도가 70, 예비 기준 데이터 4와 유사도가 70으로 합계는 220이며, 예비 기준 데이터 4는 예비 기준 데이터 1과 유사도가 70, 예비 기준 데이터 2와 유사도가 75, 예비 기준 데이터 3과 유사도가 70으로 합계는 215으로 예비 기준 데이터 1이 다른 예비 기준 데이터들과의 유사도 합계가 가장 높아 그룹 A의 기준 데이터는 예비 기준 데이터 1이 되어 예비 기준 데이터 1은 기준 데이터 저장부(102)에 저장될 수 있다.

하지만 복수의 예비 기준 데이터가 그루핑된 상태에서 다른 예비 기준 데이터가 이미 그루핑된 그룹에 집입할 수 있는지 판단할 경우 기준 데이터로 생성된 기준 데이터와 비교하여 소정의 값 이상이 되면 이미 그루핑된 그룹에 새로운 예비 기준 데이터가 그루핑 될 수 있다.

예를 들면, 이미 그루핑된 그룹에 진입할 수 있는 소정의 값이 90이라고 한다면, 그룹 A로 그룹핑 된 상태에서 다른 예비 기준 데이터 10이 그룹 A에 그루핑 할 수 있는지 여부를 판단해야하는 경우 기준 데이터로 생성된 예비 기준 데이터 1과 예비 기준 데이터 10의 유사도가 90이상인 경우 그룹 A에 그루핑 될 수 있다. 이는 새로운 예비 기준데이터가 수집되었을 경우에도 그룹에 있던 모든 예비 기준 데이터와 비교하지 않아 보다 빠르게 처리되어 시간과 비용을 절감할 수 있는 장점이 있다.

또한, 복수의 예비 기준 데이터를 종합합하여 그루핑된 예비 기준 데이터와 유사도가 높은 가상의 기준 데이터를 생성할 수 있다. 예를 들면 그룹 B에는 예비 기준 데이터가 4개인 예비 기준 데이터 1, 예비 기준 데이터 2, 예비 기준 데이터 3, 예비 기준 데이터 4가 그루핑 되었으며, 4개의 예비 기준 데이터 모두와 유사도가 80이상인 가상의 기준 데이터를 생성할 수 있다.

도 5는 본 발명의 일실시예에 따른 사물인터넷 기반 기기 관리 방법의 흐름을 도시한 순서도이다.

단계 S501는 모니터링 대상 기기와 관련된 센서 정보를 수신한다.

모니터링 대상 기기는 차량, 신호등, 냉장고, 세탁기 등과 같이 주 변에서 흔히 볼 수 있는 모든 전자기기일 수 있으며, 인터넷과 연결될 수 있다. 모니터링 대상 기기는 사용자가 고장 또는 오류를 감지하고자 하는 기기로써, 고장을 미리 감지하여 기기의 고장으로 인한 피해를 예방하고자 하는 대상이다. 모니터링 대상 기기에 포함되어 있는 센서는 기기의 모든 상황을 감지할 수 있으며, 센서 정보는 전류 정보, 온도 정보, 습도 정보, 누수 정보 등과 같이 센서로 측정할 수 있는 모든 정보일 수 있으며, 센서는 일정 간격으로 센서 정보에 관하여 기록할 수 있다.

단계 S502는 모니터링 대상 기기가 속하는 카테고리에 해당하는 기기의 오류 발생 직전의 시계열 센서 정보를 기준 데이터로 저장한다.

모니터링 대상 기기는 기기의 종류, 기기 제품번호, 기기가 포함하고 있는 센서 종류 등과 같이 기기가 갖고 있는 특징 또는 종류에 따라 카테고리로 구분될 수 있다. 모니터링 대상 기기는 복수의 카테고리로 분류 될 수 있다.

센서는 일정 간격으로 센서 정보에 관하여 기록하고 있으며, 기기의 오류 또는 고장이 발생하는 경우 오류 또는 고장이 발생한 직전의 일정 시계열 센서 정보를 추출할 수 있다. 이 추출된 센서 정보를 단계 S502는 기준 데이터로 저장할 수 있다.

단계 S503는 센서 데이터 및 기준 데이터의 유사도를 계산한다.

센서 데이터는 모니터링 대상 기기와 관련된 센서 정보를 기록한 데이터로서, 사용자가 오류 또는 고장이 발생하는 것을 대비하여 지속적으로 기기를 모니터링 하기 위해 일정 간격 별로 지속적으로 센서 정보를 기록한 데이터일 수 있다.

기준 데이터는 센서 데이터와 비교 대상이 되는 데이터로써, 이미 오류 또는 고장이 발생한 경우의 데이터를 확보하여 오류 또는 고장이 발생하기 직전에 시계열적으로 센서 정보가 어떤 변화가 있는지 기록된 데이터이다. 예를 들면, A라는 모니터링 대상 기기의 카테고리는 세탁기이며 제품번호는 'AB-100'일이라고 하면, 단계 S502는 카테고리가 세탁기이고 제품번호는 'AB-100'인 기기의 고장 발생 직전의 일정 시계열 센서 정보에 대하여 저장할 것이며, 이는 기준 데이터가 될 것이다. 기기의 고장은 갑자기 일어나지 않는 경우가 대부분이며, 고장이 발생하기까지 센서에서 수집한 정보에서 어떤 패턴을 보일 것이다. 따라서 고장 발생 직전의 센서 정보를 시계열적으로 보는 것도 이전의 전조 증상과 모니터링 대상 기기와 비교하기 위함일 수 있다.

만약 A라는 모니터링 대상 기기에 이상이 생겨 곧 고장이 발생할 가능성이 클 경우 기기의 센서는 이를 측정할 것이며, 시계열적으로 기록된 센서 데이터는 기준 데이터와 비교하여 유사도를 측정할 수 있다. 모니터링 대상 기기는 고장이 발생하지 않았으나 기준 데이터의 오류 발생 직전의 시계열 센서 정보에서 나타나는 패턴과 유사한 패턴을 보인다면 고장이 발생할 가능성이 클 것이며, 센서 데이터와 기준 데이터를 비교하여 이를 계산할 수 있다.

제1유사도 계산하는 단계는 기준 데이터 및 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터와 특정 데이터의 2시점 앞 데이터와의 차이를 계산하고, 계산된 값들 사이의 유사도를 이용하여 제1유사도를 계산한다.

기준 데이터 및 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터는 시계열 데이터 중 한 시점의 데이터 일 수 있으며, 센서가 기기의 정보를 특정 간격으로 시계열적으로 기록한 데이터 중 하나의 간격에 해당하는 데이터일 수 있다. 예를 들면 기준 데이터는 {15, 15, 15, 15, 15, 25, 0, 30, 5, 20, 10, 15, 15, 15, 15, 15}라고 하면 15, 15, 25, 0, 30, 5, 20 등에 해당하는 각각의 데이터가 특정 데이터일 수 있다. 또한 일반적으로 오류 또는 고장이 발생하지 않는 일반적인 경우 특정 데이터는 일정한 패턴을 유지하거나 일정한 수준의 데이터 값을 유지하는 경우가 대부분이며, 오류 또는 고장이 발생하기 직전 센서 데이터 또는 기준 데이터 상으로 일반적인 경우와 다른 데이터가 도출될 것이다.

제1유사도 계산하는 단계는 기준 데이터 및 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터와 상기 특정 데이터의 2시점 앞 데이터와의 차이값의 부호가 +인지, 0인지, -인지 판단하여, 상기 기준 데이터와 센서 데이터 각각의 차이값의 부호가 동일한 경우의 비율을 상기 제1유사도로 계산한다.

제1유사도 계산하는 단계는 기준 데이터 및 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터와 특정 데이터의 2시점 앞 데이터와의 차이를 계산한다. 예를 들면, 기준 데이터는 {15, 15, 15, 15, 15, 25, 0, 30, 5, 20, 10, 15, 15, 15, 15, 15}이며, 센서 데이터는 {15, 15, 15, 15, 15, 22, 3, 35, 3, 20, 7, 15, 15, 15, 15, 15}이라고 하면, 각각의 특정 데이터의 2시점 앞을 계산해보면 2시점 앞이 없는 특정 데이터의 앞의 2시점을 제외하고 기준 데이터는 {0, 0, 0, 10, -15, 5, 5, -10, 5, -5, 5, 0, 0, 0}이며, 2시점 앞이 없는 특정 데이터의 앞의 2시점을 제외하고 센서 데이터는 {0, 0, 0, 7, -12, 13, 0, -15, 4, -5, 8, 0, 0, 0}이다. 그런데 오류 또는 고장이 발생하지 않은 일반적인 경우는 기준 데이터와 센서 데이터 모두 특정 데이터인 15가 이어지는 부분임을 추정할 수 있으며, 기준 데이터와 센서 데이터 모두 시작되는 부분과 끝나는 부분의 데이터의 오류 또는 고장이 발생하지 않는다고 추정되는 부분은 생략할 수 있다. 따라서 기준 데이터의 시계열 데이터 중 특정 데이터와 특정 데이터의 2시점 앞 데이터와의 차이는 {10, -15, 5, 5, -10, 5, -5, 5}이며, 센서 데이터의 시계열 데이터 중 특정 데이터와 특정 데이터의 2시점 앞 데이터와의 차이는 {7, -12, 13, 0, -15, 4, -5, 8}이다. 즉 기준 데이터 기준으로 {0, 0, 0, 10, -15, 5, 5, -10, 5, -5, 5, 0, 0, 0}과 {10, -15, 5, 5, -10, 5, -5, 5}은 동일한 값으로 취급할 수 있으며, 센서 데이터 기준으로 {0, 0, 0, 7, -12, 13, 0, -15, 4, -5, 8, 0, 0, 0}와 {7, -12, 13, 0, -15, 4, -5, 8}는 동일한 값으로 취급하여 오류 또는 고장과 관련없다고 판단되는 특정데이터는 제외할 수 있다.

또한, 기준 데이터 및 센서 데이터의 시계열 데이터 중 특정 데이터와 상기 특정 데이터의 2시점 앞 데이터와의 차이값이 증가하면 + 또는 1, 변화가 없으면 0, 감소하면 - 또는 -1로 표시할 수 있으며, 즉 증가, 유지, 감소의 여부를 부호로 표시할 수 있다.

기준 데이터의 시계열 데이터 중 특정 데이터와 상기 특정 데이터의 2시점 앞 데이터와의 차이값의 부호는 {1, -1, 1, 1, -1, 1, -1, 1}이며, 센서 데이터의 시계열 데이터 중 특정 데이터와 상기 특정 데이터의 2시점 앞 데이터와의 차이값의 부호는 {1, -1, 1, 0, -1, 1, -1, 1}이다.

기준 데이터와 센서 데이터 각각의 차이값의 부호가 동일한 경우의 비율로 제1유사도를 계산하며, 기준 데이터와 센서 데이터의 부호 유사도는 {동일, 동일, 동일, 비동일, 동일, 동일, 동일, 동일}로 8개의 배열 중 7개 같으므로 제1유사도는 (7/8)*100=87.5%로 계산할 수 있다.

제2유사도 계산하는 단계는 기준 데이터 및 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터와 특정 데이터의 1시점 앞 데이터와의 차이를 계산하고, 계산된 값들 사이의 유사도를 이용하여 제2유사도를 계산한다.

예를 들어, 기준 데이터는 {15, 15, 15, 15, 15, 25, 0, 30, 5, 20, 10, 15, 15, 15, 15, 15}이며, 센서 데이터는 {15, 15, 15, 15, 15, 22, 3, 35, 3, 20, 7, 15, 15, 15, 15, 15}이라고 하고, 각각에 대하여 시계열 데이터 중 특정 데이터와 특정 데이트이 1시점 앞 데이터의 차이를 계산하면, 기준 데이터는 {0, 0, 0, 0, 10, -25, 30, -25, 15, -10, 5, 0, 0, 0, 0}이며, 센서 데이터는 {0, 0, 0, 0, 7, -19, 32, -32, 17, -13, 8, 0, 0, 0, 0}이다. 기준 데이터와 센서 데이터의 오류 및 고장과 관련이 없다고 판단되는 데이터를 제외하면 기준 데이터는 {10, -25, 30, -25, 15, -10, 5}이며, 센서 데이터는 {7, -19, 32, -32, 17, -13, 8}이다.

제2유사도 계산하는 단계는 기준 데이터 및 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터와 특정 데이터의 1시점 앞 데이터와의 차이값을 이용하여 하기의 수식을 계산하고,

상기 수식의 계산결과의 평균을 제2유사도로 계산한다.

제2유사도를 계산하기 위해 수식을 이용한 결과 값은 {70, 76, 93.3, 72, 86.6, 70, 40}으로 평균은 72.56으로 평균값으로 계산할 수 있으며, 제2유사도는 72.56%이다.

단계 S504는 단계 S503에서 계산된 유사도를 기초로 모니터링 대상 기기의 오류 위험이 감지되는 경우 오류 대응 동작을 수행하도록 제어한다.

오류 대응 동작은 모니터링 대상 기기의 전원을 껐다 키는 동작 또는 시스템을 점검하는 동작과 같이 기기의 오류 또는 고장이 발생하기 전에 오류 또는 고장이 발생하지 않도록 예방하는 동작일 수 있으며, 모니터링 대상 기기의 오류 위험이 감지되는 경우 모니터링 대상 기기를 껐다 키는 동작 또는 시스템 점검을 하는 동작 등과 같은 오류 대응 동작을 수행하도록 제어할 수 있다.

단계 S504는 제1유사도 및 제2유사도를 결합한 종합 유사도를 기초로 오류 대응 동작 수행 여부를 판단한다.

단계 S503는 제1유사도 및 제2유사도를 결합하여 종합유사도를 계산할 수 있으며, 단계 S504는 계산된 종합 유사도를 기초로 일정 기준이상이 되면 모니터링 대상 기기의 오류 위험이 감지 된다고 판단할 수 있다. 종합 유사도를 다양한 방법으로 계산될 수 있으며, 단계 S504는 이를 기초로 모니터링 대상 기기의 오류 위험을 감지할 수 있다.

종합유사도는 제1유사도 및 제2유사도 모두 기준값 이상인 경우를 판단하여 종합 유사도를 계산할 수 있다. 예를 들면, 제1유사도는 87.5%이고, 제2유사도는 72.56%라고 가정하고, 기준값은 70%라고 가정한다. 제1유사도와 제2유사도는 모두 기준값 70%이상으로 판단되여, 단계 S504는 모니터링 대상 기기의 오류 위험이 감지된다고 판단할 수 있다. 그러나 기준값이 80%라고 가정하면 제1유사도는 기준값이상이나 제2유사도는 기준값 미만으로 제1유사도와 제2유사도 모두 기준값이상이 아니므로 단계 S504는 모니터링 대상기기의 오류 위험이 감지되지 않는다고 판단할 수 있다.

또한, 종합유사도는 제1유사도 및 제2유사도의 평균으로 종합유사도를 계산하여 평균값이 기준값 이상인 경우 단계 S504는 모니터링 대상 기기가 오류 위험이 감지된다고 판단할 수 있다. 예를 들면, 제1유사도는 87.5%이고, 제2유사도는 72.56%라고 가정하면, 모니터링 대상 기기가 오류 위험이 감지된다고 판단하는 기준값은 80%라고 가정한다. 제1유사도와 제2유사도의 평균은 80.03%이며, 기준값은 80%로 단계 S504는 모니터링 대상 기기의 오류 위험이 감지된다고 판단할 수 있다.

또한, 종합유사도는 제1유사도 및 제2유사도중 하나 이상이 기준값 이상인 경우를 단계 S504는 모니터링 대상 기기가 오류 위험이 감지된다고 판단할 수 있다. 예를 들면, 제1유사도는 87.5%이고, 제2유사도는 72.56%라고 가정하고, 기준값은 80%라고 가정한다. 제2유사도는 기준값 이상이 아니지만 제1유사도가 기준값 이상으로 판단되어 단계 S504는 모니터링 대상 기기의 오류 위험이 감지된다고 판단할 수 있다. 그러나 기준값이 90%라고 가정하면 제1유사도와 제2유사도 모두 기준값이 미치지 못하므로 단계 S504는 모니터링 대상 기기의 오류 위험이 감지되지 않는다고 판단할 수 있다.

또한, 종합 유사도는 제1유사도 및 제2유사도 각각에 가중치를 두어 종합 유사도를 계산할 수 있다. 제1유사도와 제2유사도 중 더 비중이 높다고 판단되는 유사도에 높은 비중을 두어 종합 유사도를 계산할 수 있으며, 단계 S504는 종합 유사도가 기준값 이상인 경우 모니터링 대상 기기의 오류 위험이 감지된다고 판단할 수 있다. 예를 들면, 제1유사도는 87.5%이고, 제2유사도는 72.56%라고 가정하고, 제1유사도와 제2유사도의 가중치는 각각 70%:30%으로 가정하고, 단계 S504가 모니터링 대상기기 오류 위험으로 판단하는 기준값은 80%이상으로 가정한다. 종합 유사도를 계산하면 (87.5X0.7)+(72.56X0.3)=83.02로 기준값 80%이상으로 단계 S504는 모니터링 대상 기기의 오류 위험이 감지된다고 판단할 수 있다.

수집하는 단계는 복수의 기기와 관련된 센서 정보를 수집한다.

수집하는 단계는 차량, 신호등, 냉장고, 세탁기 등과 같이 주 변에서 흔히 볼 수 있는 여러 전자기기와 관련된 센서 정보를 수집한다. 센서 정보는 기기가 포함하고 있는 모든 센서에 관한 정보로 일정 간격 또는 특정 간격으로 시계열적으로 기록한 정보 일 수 있다.

예비 단계 S502는 수집하는 단계에서 수집된 센서 정보 중 기기의 오류 발생 직전 소정의 개수의 시점의 센서 정보를 예비 기준 데이터로 저장한다.

수집된 센서 정보 중 기기의 오류가 발생했을 때의 센서 정보가 기록되어 있을 수 있으며, 기기의 오류가 발생하기 직전의 일정 시점의 센서 정보를 기준 데이터로 저장할 수 있다. 기준 데이터는 다른 기기의 오류 또는 고장이 발생하는 것을 대비하여 비교의 대상이 되는 데이터로 예비 기준 데이터가 많을수록 비교의 대상이 많아 보다 정확한 기준 데이터를 추출할 수 있어, 보다 빠르게 오류 또는 고장을 예측할 수 있다.

기준 데이터 생성하는 단계는 예비 단계 S502에 저장된 복수의 예비 기준 데이터 중 상호 유사도가 높은 복수의 예비 기준 데이터를 그루핑하고, 그루핑된 복수의 예비 기준 데이터에 관한 기준 데이터를 생성하여 단계 S502에 저장한다.

기준 데이터 생성하는 단계는 복수의 예비 기준 데이터에 대하여 2개씩 짝지은 조합을 생성하고, 각각의 조합의 데이터를 추출하여 단계 S503에서 상기 유사도를 계산하고, 계산된 유사도가 소정의 기준값 이상인 경우 같은 그룹으로 그루핑한다.

다양한 기기의 오류 발생 직전 시점의 센서 정보가 저장된 예비 데이터는 다양한 패턴이 있으며, 다양한 패턴 중 유사한 패턴끼리 그루핑을 할 수 있다. 그루핑된 예비 기준 데이터 다른 예비 기준 데이터들과 유사도를 비교하여 유사도의 합계가 가장 높은 예비 기준 데이터를 기준 데이터로 생성할 수 있다. 단계 S503를 통해 계산된 유사도는 일정값인 소정의 기준값 이상의 값일 경우 같은 그룹으로 그루핑 될 수 있으며, 예를 들면 소정의 기준값이 70이라고 하면 같은 그룹내의 모든 예비 기준 데이터를 2개씩 짝지어서 유사도를 비교한다고 했을 때 유사도가 70이상이 되어야 해당 그룹이 속할 수 있다.

예를 들면, 그룹 A에는 예비 기준 데이터가 4개인 예비 기준 데이터 1, 예비 기준 데이터 2, 예비 기준 데이터 3, 예비 기준 데이터 4가 그루핑 되었다. 예비 기준 데이터 1은 예비 기준 데이터 2와 유사도가 90, 예비 기준 데이터 3과 유사도가 80, 예비 기준 데이터 4와 유사도가 70으로 합계는 240이며, 예비 기준 데이터 2는 예비 기준 데이터 1과 유사도가 90, 예비 기준 데이터 3과 유사도가 70, 예비 기준 데이터 4와 유사도가 75으로 합계는 235이며, 예비 기준 데이터 3은 예비 기준 데이터 1과 유사도가 80, 예비 기준 데이터 2와 유사도가 70, 예비 기준 데이터 4와 유사도가 70으로 합계는 220이며, 예비 기준 데이터 4는 예비 기준 데이터 1과 유사도가 70, 예비 기준 데이터 2와 유사도가 75, 예비 기준 데이터 3과 유사도가 70으로 합계는 215으로 예비 기준 데이터 1이 다른 예비 기준 데이터들과의 유사도 합계가 가장 높아 그룹 A의 기준 데이터는 예비 기준 데이터 1이 되어 예비 기준 데이터 1은 단계 S502에 저장될 수 있다.

하지만 복수의 예비 기준 데이터가 그루핑된 상태에서 다른 예비 기준 데이터가 이미 그루핑된 그룹에 집입할 수 있는지 판단할 경우 기준 데이터로 생성된 기준 데이터와 비교하여 소정의 값 이상이 되면 이미 그루핑된 그룹에 새로운 예비 기준 데이터가 그루핑 될 수 있다.

예를 들면, 이미 그루핑된 그룹에 진입할 수 있는 소정의 값이 90이라고 한다면, 그룹 A로 그룹핑 된 상태에서 다른 예비 기준 데이터 10이 그룹 A에 그루핑 할 수 있는지 여부를 판단해야하는 경우 기준 데이터로 생성된 예비 기준 데이터 1과 예비 기준 데이터 10의 유사도가 90이상인 경우 그룹 A에 그루핑 될 수 있다.

또한, 복수의 예비 기준 데이터를 종합합하여 그루핑된 예비 기준 데이터와 유사도가 높은 가상의 기준 데이터를 생성할 수 있다. 예를 들면 그룹 B에는 예비 기준 데이터가 4개인 예비 기준 데이터 1, 예비 기준 데이터 2, 예비 기준 데이터 3, 예비 기준 데이터 4가 그루핑 되었으며, 4개의 예비 기준 데이터 모두와 유사도가 80이상인 가상의 기준 데이터를 생성할 수 있다.

본 발명의 일실시예에 따른 사물인터넷 기반 기기 관리 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 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 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.

그러므로, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.

101: 센서 데이터 수신부 102: 기준 데이터 저장부
103: 유사도 계산부 104: 제어부
105: 제1유사도 계산부 106: 제2유사도 계산부
107: 수집부 108: 예비 기준 데이터 저장부
109: 기준 데이터 생성부

Claims (13)

1. 모니터링 대상 기기와 관련된 센서 정보를 수신하는 센서 데이터 수신부;
   상기 모니터링 대상 기기가 속하는 카테고리에 해당하는 기기의 오류 발생 직전의 시계열 센서 정보를 기준 데이터로 저장하는 기준 데이터 저장부;
   상기 센서 데이터 및 상기 기준 데이터의 유사도를 계산하는 유사도 계산부;
   상기 유사도 계산부에서 계산된 유사도를 기초로 상기 모니터링 대상 기기의 오류 위험이 감지되는 경우 오류 대응 동작을 수행하도록 제어하는 제어부
   를 포함하고,
   상기 유사도 계산부는
   상기 기준 데이터 및 상기 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터와 상기 특정 데이터의 2시점 앞 데이터와의 차이를 계산하고, 상기 계산된 값들 사이의 유사도를 이용하여 제1유사도를 계산하는 제1유사도 계산부; 및
   상기 기준 데이터 및 상기 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터와 상기 특정 데이터의 1시점 앞 데이터와의 차이를 계산하고, 상기 계산된 값들 사이의 유사도를 이용하여 제2유사도를 계산하는 제2유사도 계산부;
   를 포함하고,
   상기 제어부는
   상기 제1유사도 및 상기 제2유사도를 결합한 종합 유사도를 기초로 오류 대응 동작 수행 여부를 판단하는 것을 특징으로 하는 사물인터넷 기반 기기 관리 시스템.
2. 삭제
3. 제1항에 있어서,
   상기 제1유사도 계산부는
   상기 기준 데이터 및 상기 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터와 상기 특정 데이터의 2시점 앞 데이터와의 차이값의 부호가 +인지, 0인지, -인지 판단하여, 상기 기준 데이터와 상기 센서 데이터 각각의 차이값의 부호가 동일한 경우의 비율을 상기 제1유사도로 계산하는 것
   을 특징으로 하는 사물인터넷 기반 기기 관리 시스템.
4. 제1항에 있어서,
   상기 제2유사도 계산부는
   상기 기준 데이터 및 상기 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터와 상기 특정 데이터의 1시점 앞 데이터와의 차이값을 이용하여 하기의 수식을 계산하고,
   

   

   
   상기 수식의 계산결과의 평균을 상기 제2유사도로 계산하는 것
   을 특징으로 하는 사물인터넷 기반 기기 관리 시스템.
5. 제1항에 있어서,
   복수의 기기와 관련된 센서 정보를 수집하는 수집부;
   상기 수집부에서 수집된 센서 정보 중 상기 기기의 오류 발생 직전 소정의 개수의 시점의 센서 정보를 예비 기준 데이터로 저장하는 예비 기준 데이터 저장부;
   상기 예비 기준 데이터 저장부에 저장된 복수의 예비 기준 데이터 중 상호 유사도가 높은 상기 복수의 예비 기준 데이터를 그루핑하고, 상기 그루핑된 복수의 예비 기준 데이터에 관한 기준 데이터를 생성하여 상기 기준 데이터 저장부에 저장하는 기준 데이터 생성부;
   를 더 포함하는 것을 특징으로 하는 사물인터넷 기반 기기 관리 시스템.
6. 제5항에 있어서,
   상기 기준 데이터 생성부는
   상기 복수의 예비 기준 데이터에 대하여 2개씩 짝지은 조합을 생성하고, 각각의 조합의 데이터를 추출하여 상기 유사도 계산부에서 상기 유사도를 계산하고, 계산된 유사도가 소정의 기준값 이상인 경우 같은 그룹으로 그루핑하는 것을
   특징으로 하는 사물인터넷 기반 기기 관리 시스템.
7. 모니터링 대상 기기와 관련된 센서 정보를 수신하는 센서 데이터 수신 단계;
   상기 모니터링 대상 기기가 속하는 카테고리에 해당하는 기기의 오류 발생 직전의 시계열 센서 정보를 기준 데이터로 저장하는 기준 데이터 저장 단계;
   상기 센서 데이터 및 상기 기준 데이터의 유사도를 계산하는 유사도 계산 단계;
   상기 유사도 계산 단계에서 계산된 유사도를 기초로 상기 모니터링 대상 기기의 오류 위험이 감지되는 경우 오류 대응 동작을 수행하도록 제어 단계
   를 포함하고,
   상기 유사도 계산 단계는
   상기 기준 데이터 및 상기 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터와 상기 특정 데이터의 2시점 앞 데이터와의 차이를 계산하고, 상기 계산된 값들 사이의 유사도를 이용하여 제1유사도를 계산하는 제1유사도 계산 단계; 및
   상기 기준 데이터 및 상기 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터와 상기 특정 데이터의 1시점 앞 데이터와의 차이를 계산하고, 상기 계산된 값들 사이의 유사도를 이용하여 제2유사도를 계산하는 제2유사도 계산 단계;
   를 포함하고,
   상기 제어 단계는
   상기 제1유사도 및 상기 제2유사도를 결합한 종합 유사도를 기초로 오류 대응 동작 수행 여부를 판단하는 것
   을 특징으로 하는 사물인터넷 기반 기기 관리 방법.
8. 삭제
9. 제7항에 있어서,
   상기 제1유사도 계산 단계는
   상기 기준 데이터 및 상기 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터와 상기 특정 데이터의 2시점 앞 데이터와의 차이값의 부호가 +인지, 0인지, -인지 판단하여, 상기 기준 데이터와 상기 센서 데이터 각각의 차이값의 부호가 동일한 경우의 비율을 상기 제1유사도로 계산하는 것
   을 특징으로 하는 사물인터넷 기반 기기 관리 방법.
10. 제7항에 있어서,
    상기 제2유사도 계산 단계는
    상기 기준 데이터 및 상기 센서 데이터 각각에 대하여 시계열 데이터 중 특정 데이터와 상기 특정 데이터의 1시점 앞 데이터와의 차이값을 이용하여 하기의 수식을 계산하고,
    

    

    
    상기 수식의 계산결과의 평균을 상기 제2유사도로 계산하는 것
    을 특징으로 하는 사물인터넷 기반 기기 관리 방법.
11. 제7항에 있어서,
    복수의 기기와 관련된 센서 정보를 수집하는 수집 단계;
    상기 수집하는 단계에서 수집된 센서 정보 중 상기 기기의 오류 발생 직전 소정의 개수의 시점의 센서 정보를 예비 기준 데이터로 저장하는 예비 기준 데이터 저장 단계;
    상기 예비 기준 데이터 저장 단계에 저장된 복수의 예비 기준 데이터 중 상호 유사도가 높은 상기 복수의 예비 기준 데이터를 그루핑하고, 상기 그루핑된 복수의 예비 기준 데이터에 관한 기준 데이터를 생성하여 상기 기준 데이터 저장하는 단계에 저장하는 기준 데이터 생성 단계;
    를 더 포함하는 것을 특징으로 하는 사물인터넷 기반 기기 관리 방법.
12. 제11항에 있어서,
    상기 기준 데이터 생성 단계는
    상기 복수의 예비 기준 데이터에 대하여 2개씩 짝지은 조합을 생성하고, 각각의 조합의 데이터를 추출하여 상기 유사도 계산하는 단계에서 상기 유사도를 계산하고, 계산된 유사도가 소정의 기준값 이상인 경우 같은 그룹으로 그루핑 하는 것
    특징으로 하는 사물인터넷 기반 기기 관리 방법.
13. 제7항 및 제9항 내지 제12항 중의 어느 한 항의 방법을 실행하기 위한 프로그램을 기록한 기록매체.
    

Images