KR102169452B1 - IoT 기상환경 수집 데이터의 안정성 확보 방법 - Google Patents

IoT 기상환경 수집 데이터의 안정성 확보 방법 Download PDF

Info

Publication number
KR102169452B1
KR102169452B1 KR1020180128696A KR20180128696A KR102169452B1 KR 102169452 B1 KR102169452 B1 KR 102169452B1 KR 1020180128696 A KR1020180128696 A KR 1020180128696A KR 20180128696 A KR20180128696 A KR 20180128696A KR 102169452 B1 KR102169452 B1 KR 102169452B1
Authority
KR
South Korea
Prior art keywords
meteorological
data
iot
quality control
sensor
Prior art date
Application number
KR1020180128696A
Other languages
English (en)
Other versions
KR20200046905A (ko
Inventor
최병진
정계명
김남수
박성민
이현수
Original Assignee
주식회사 주빅스
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 주식회사 주빅스 filed Critical 주식회사 주빅스
Priority to KR1020180128696A priority Critical patent/KR102169452B1/ko
Publication of KR20200046905A publication Critical patent/KR20200046905A/ko
Application granted granted Critical
Publication of KR102169452B1 publication Critical patent/KR102169452B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

본 발명은 IoT 기상환경 수집 데이터의 안전성 확보 기술로, IoT센서를 통해 수집된 기상데이터가 장비 및 네트워크의 고장, 통신장애로 인해 대체자료의 생성 필요시 또는 수집된 데이터에 오류 부분이 기록되어 데이터 분석 및 활용에 좋지 않은 영향을 줄 때, 이를 해결하기 위한 기술이다. 모든 수집 데이터는 품질관리(quality control, QC)를 거쳐 데이터의 품질을 향상시키고 향상된 데이터를 통해 학습데이터를 생성한 후 이를 기계학습 알고리즘에 반영하여 원시 기상 데이터의 오류를 탐지하고 오류로 판정된 데이터를 기계학습을 이용한 추정치로 보정하는 방법에 관한 것이다.

Description

IoT 기상환경 수집 데이터의 안정성 확보 방법{METHOD FOR ENSURING STABILITY OF DATA COLLECTED IN IoT WEATHER ENVIRONMENT}
본 발명은 IoT 기상환경 수집 데이터의 안정성 확보 방법에 관한 것으로, 더욱 상세하게는 IoT 센서를 이용하여 수집된 기상 관측자료에 대해 품질관리(Quality Control, QC)를 수행하여 기상 관측자료에 존재하는 오류를 찾고 걸러내어 정제된 기상 관측자료를 얻는 IoT 기상환경 수집 데이터의 안정성 확보 방법에 관한 것이다.
복수의 기상 센서로부터 수신되는 감지 데이터는 센서 및 관측 환경에 따라 다양한 오류 패턴이 존재하고, 기존의 단순한 품질 관리 기법으로는 오류 검출에 한계가 존재한다.
특히, 오류 패턴이 정상 데이터와 큰 차이를 보이지 않는 경우도 있고, IoT(Internet of Things: 사물인터넷)기술의 확산으로 감지 데이터가 급격하게 증가하여 사람에 의한 품질 관리에 한계가 존재한다.
즉, 단순히 기계적 오류에 대한 수치만으로 감지 데이터에 대한 이상 여부를 판단할 수 없고, 정상 범위 내의 감지 데이터에 대해서도 다양한 오류 상황이 존재하며, 오류와 유사한 정상 측정 상황도 존재할 수 있어, 감지 데이터에 대한 이상 여부를 정확히 판단할 수 없는 경우도 발생한다.
이와 같은 문제를 해결하기 위해, 기상 센서로부터 측정되는 감지 데이터에 대해서 오류 판단 신뢰성에 따라 복수의 오류 분석 그룹으로 분류된 복수의 오류 분석 방식을 근거로 오류 여부를 복합적으로 판단하는 복합 판단을 통한 기상 센서의 이상을 감지하는 방법이 있다.
이 방법은 오류 분석 방식인 일반 QC 방식에 일변화 패턴 분석, 확률 분포 분석, 주파수 분석, 상관 분석 등을 추가하고, 개별 분석 결과를 복합적으로 판단하여 오류 데이터를 제거하거나 감지 데이터에 대한 데이터 등급을 분류하여 사용 목적에 맞는 등급의 감지 데이터를 사용할 수 있도록 제공한다.
그러나 이와 같은 방법은 개별 분석 결과를 복합적으로 판단한다고 하나, 기상 데이터의 다양한 인자 각각의 특성을 고려하여 복수의 품질관리(QC) 방법 중 해당 기상 데이터에 더 적합한 것을 선택적으로 적용할 수가 없고, 해당 IoT 기상환경 수집센서에서 수집된 기상 데이터에 오류가 많이 있을 때 인접한 다른 IoT 기상환경 수집센서에서 수집한 기상 데이터를 이용하여 품질관리(QC)를 할 수 있는 것도 아니기 때문에 수집된 기상 데이터의 오류 판단 및 오류로 판정된 기상 데이터의 보정값에 대한 정확성이 떨어지는 문제가 있다.
등록특허 제10-1519012호(기상정보 오류 검증 시스템 및 방법)
본 발명은 상기의 종래 기술의 문제를 해결하기 위한 것으로, 기상인자 별로 기본 품질관리(Quality Control, QC)를 수행하여 오류 여부를 체크하는 기본 QC를 수행 후 사용자의 선택에 따라 또는 해당 기상인자의 특성에 맞게 자동으로 객체 항목별 개별 인자만을 이용한 제1 품질관리(Quality Control, QC)와 객체 항목별 연계 인자를 이용한 제2 품질관리(QC)와 하나의 IoT 기상환경 수집센서의 기상 데이터 만이 아니라 이웃하는 여러 개의 IoT 기상환경 수집센서의 기상 데이터를 이용한 공간적 품질관리(QC) 중 어느 하나 이상을 선택하여 품질관리(QC)를 수행함으로써, 기상 인자의 특성에 맞는 학습모델링을 만들 수가 있고, 생성된 학습모델링을 기계학습 알고리즘에 적용하여 원시 기상 데이터의 오류를 탐지하고, 오류로 판정된 기상 데이터에 대해서는 기계학습을 이용한 추정치로 보정할 수 있는 IoT 기상환경 수집 데이터의 안정성 확보 방법을 제공하기 위한 것이다.
상기 목적을 달성하기 위한 본 발명의 IoT 기상환경 수집 데이터의 안정성 확보 방법은, 수집부가 IoT 기상환경 수집센서로부터 기상 데이터를 얻는 수집단계; 전처리부가 수집된 기상 데이터를 수집센서의 종류에 따라 가공하여 변환하는 전처리단계; 검증부가 전처리된 기상 데이터에 대해 기상인자 별로 기본 품질관리(Quality Control, QC)를 수행하여 오류 여부를 체크하는 기본 QC 단계; 검증부가 기본 QC 단계를 거쳐 품질이 향상된 기상 데이터를 학습 데이터로 사용하여 객체 항목별 개별 인자만을 이용한 제1 품질관리(Quality Control, QC)와 객체 항목별 서로 다른 기상인자를 연계한 연계 인자를 이용한 제2 품질관리(QC)와 하나의 IoT 기상환경 수집센서의 기상 데이터 만이 아니라 이웃하는 여러 개의 IoT 기상환경 수집센서의 기상 데이터를 이용한 공간적 품질관리(QC) 중 어느 하나 이상을 선택하여 품질관리(QC)를 수행함으로써 학습 데이터를 생성하는 기계학습 QC 단계; 검증부가 과거에 일정시간 동안 측정된 기상 데이터를 이용하여 표준편차(σ)를 계산하고, 표준편차(σ)를 이용하여 상기 기계학습 QC 단계에서 생성된 학습 데이터값에 대한 오류 여부를 판정하여 보정하는 학습데이터 보정단계; 및 예측부가 상기 학습데이터 보정단계를 거쳐 생성된 학습 데이터를 기계학습 알고리즘에 적용하여 IoT 기상환경 수집센서로부터 얻은 원시 기상 데이터의 오류를 탐지하고, 오류로 판정된 기상 데이터를 기계학습을 이용한 추정치로 보정하는 예측단계를 포함한다.
그리고, 상기 기본 QC 단계는, 물리한계 검사, 시간 변동성/단계 검사, 지속성 검사 및 내적 일치성 검사를 포함하는 기본 품질관리를 수행하며, 물리한계 검사는 각 기상인자별로 정해진 상, 하한 값을 벗어날 경우 오류로 판정하고, 시간 변동성/단계 검사는 각 기상인자별로 1분 전의 값과 현재 값의 차이가 임계값을 넘는 경우 오류로 판정하고, 지속성 검사는 각 기상인자별로 60분 이상 동안 대상 인자의 변동량이 어느 한계값 미만인 경우 오류로 판정하고, 내적 일치성 검사는 서로 관련이 있는 한 쌍의 기상인자에 대해 일치 여부를 따져 오류를 판정하되, 상기 물리한계 검사, 시간 변동성/단계 검사, 지속성 검사 및 내적 일치성 검사를 차례로 수행하여 모두 만족할 경우 정상으로 판단한다.
또한, 상기 기계학습 QC 단계는, 검증부가 상기 기본 QC 단계를 거친 학습 데이터에 오류 비율을 확인하여, 기 설정된 오류 비율을 초과하는 것으로 판단되는 경우, 공간적 품질관리(QC)를 선택하여 수행하도록 한다.
또한, 상기 기계학습 QC 단계는, 해당 IoT 기상환경 수집센서의 위치를 기준으로 일정 거리에 속하는 다른 IoT 기상환경 수집센서의 기상 데이터를 이용하여 공간적 품질관리(QC)를 수행하되, 해당 IoT 기상환경 수집센서 인근의 지형 특성과 다른 IoT 기상환경 수집센서 인근의 지형 특성을 변수로 고려하여 품질관리를 수행하며, 다른 IoT 기상환경 수집센서 인근의 지형 특성들 중 해당 IoT 기상환경 수집센서 인근의 지형 특성과 지형적인 유사도가 일정 수치 이상의 차이를 보이는 IoT 기상환경 수집센서의 기상 데이터에 대해서는 공간적 품질관리(QC) 수행에서 제외한다.
나아가, 각 IoT 기상환경 수집센서 인근의 산, 강, 들, 건물을 포함하는 지형들이 IoT 기상환경 수집센서로부터 떨어진 거리, 높이 정보를 이용하여 이를 점수화 하고, 지형적인 특성에 대한 점수를 비교하여 지형적인 유사도가 일정 수치 이상의 차이를 보이는지 계산한다.
그리고, 상기 학습데이터 보정단계는, 검증부가 과거에 일정시간 동안 측정된 기상 데이터를 이용하여 표준편차(σ)를 계산하고, 일정시간 동안 측정된 기상 데이터의 평균값에서 3σ를 뺀 값과 일정시간 동안 측정된 기상 데이터의 평균값에서 3σ를 더한 값 사이에 상기 기계학습 QC 단계에서 생성된 학습 데이터값이 존재하면 정상으로 간주하고, 이 범위를 벗어나면 오류로 판정하며 오류로 판정된 학습 데이터값에 대해서는 가장 가까운 시간의 값과 비교하여 보정한다.
본 발명에 따른 IoT 기상환경 수집 데이터의 안정성 확보 방법에 의하면, IoT 센서를 통해 수집된 기상 데이터에 장비 및 네트워크의 고장, 통신장애로 인해 오류가 있을 때 기계학습을 이용한 추정치로 보정할 수가 있어, 기상 관측자료의 분석 및 활용에 신뢰도를 높일 수가 있다.
그리고, 기상인자의 특성에 따라 객체 항목별 개별 인자만을 이용한 제1 품질관리(QC)와 객체 항목별로 서로 다른 기상인자를 연계한 연계 인자를 이용한 제2 품질관리(QC) 중 하나를 선택하거나, 또는 두 개를 모두 선택하여 적용할 수가 있고, 기본 QC를 통해 오류의 비율이 높다고 판단되는 경우는 제1 품질관리와 제2 품질관리가 아닌 가까이에 위치한 여러 개의 IoT 기상환경 수집센서의 기상 데이터를 이용한 공간적 품질관리(QC)를 선택할 수 있어, 기상인자의 특성 및 오류의 비율을 종합적으로 고려한 품질관리를 통해 최적의 학습 데이터를 생성할 수가 있다.
결국, 신뢰성 높은 학습데이터를 기계학습 알고리즘에 적용함으로써, 원시 기상 데이터의 오류를 정확하게 보정할 수가 있다.
도 1은 본 발명에 따른 IoT 기상환경 수집 데이터의 안정성 확보 방법의 순서도
도 2는 본 발명에 따른 IoT 기상환경 수집 데이터의 안정성 확보 방법에 적용된 기본 QC 방법의 순서도
도 3은 본 발명에 따른 IoT 기상환경 수집 데이터의 안정성 확보 방법에 적용된 기계학습 QC를 이용하여 학습 데이터를 생성하고, 생성된 학습 데이터의 오류 여부를 판정하여 보정하는 방법의 순서도
도 4는 본 발명에 따른 IoT 기상환경 수집 데이터의 안정성 확보 방법을 구현하기 위한 시스템 구성도
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되는 실시예를 참조하면 명확해질 것이다.
그러나, 본 발명은 이하에서 개시되는 실시예로 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이다.
본 명세서에서 본 실시예는 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다.
그리고 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
따라서, 몇몇 실시예에서, 잘 알려진 구성 요소, 잘 알려진 동작 및 잘 알려진 기술들은 본 발명이 모호하게 해석되는 것을 피하기 위하여 구체적으로 설명되지 않는다.
또한, 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭하고, 본 명세서에서 사용된(언급된) 용어들은 실시예를 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다.
본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함하며, '포함(또는, 구비)한다'로 언급된 구성 요소 및 동작은 하나 이상의 다른 구성요소 및 동작의 존재 또는 추가를 배제하지 않는다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다.
또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 정의되어 있지 않은 한 이상적으로 또는 과도하게 해석되지 않는다.
이하, 첨부된 도면을 참고로 본 발명의 바람직한 실시 예에 대하여 설명한다.
IoT 센서를 이용하여 수집된 기상 데이터는 정확한 정보를 제공하는 것이 중요하며, 오류로 판정된 정보에 대해서는 보정을 하여 제공하는 것이 필요하다.
즉, 품질관리(Quality Control, QC)가 제대로 이루어진 기상 데이터를 수집해야 한다. 품질관리(Quality Control, QC)는 이미 수집된 기상 데이터에 존재하는 결함 식별과 사후 수정에 관한 작업이다. IoT 기상환경 수집센서로부터 수집된 기상 데이터에 대해 QC를 실시한다는 것은 수집된 기상 관측자료에 존재하는 오류(error)를 찾고 걸러내어 정제된 자료를 얻는 작업을 수행하는 것을 의미한다.
도 1 내지 4를 참조하면, 본 발명에 따른 IoT 기상환경 수집 데이터의 안정성 확보 방법은 먼저, 수집부(410)가 IoT 기상환경 수집센서로부터 기상 데이터를 수집한다(S110). 수집되는 기상 데이터에는 온도, 풍향, 풍속, 강우감지, 습도, 오존, 자외선, PM2.5, 일사 등이 포함된다.
전처리부(420)가 수집된 기상 데이터를 수집센서의 종류에 따라 가공하여 변환한다(S120). 예를 들면, 일사량 데이터의 경우 일사량 누적 데이터를 1분 일사량 데이터로 변환해야 한다. 그리고, 풍향, 풍속 데이터는 Radian 변환 및 u, v 변환을 사용하여 독립변수로 생성한다.
검증부(430)가 전처리부(420)에서 전처리된 기상 데이터에 대해 기상인자 별로 기본 품질관리(Quality Control, QC)를 수행하여 오류 여부를 체크하는 기본 QC를 수행한다(S130).
검증부(430)에서 수행되는 기본 QC 단계를 구체적으로 살펴보면 다음과 같다.
물리한계 검사, 시간 변동성/단계 검사, 지속성 검사 및 내적 일치성 검사를 포함하는 기본 품질관리를 단계별로 수행하며, 오류 여부를 체크한다.
먼저, 물리한계 검사(S210)는 각 기상인자별로 정해진 상, 하한 값을 벗어날 경우 오류로 판정한다.
물리한계 검사 기준치
센서종류 하한값 상한값
온도 -40 60
풍향 0 360
풍속 0 75
강우감지 0 1
습도 0 100
일사 0 1500
PM2.5 0.1 359.9
시간 변동성/단계 검사(S220)는 각 기상인자별로 1분 전의 값과 현재 값의 차이가 임계값을 넘는 경우 오류로 판정한다. 기온, 기압, 온도, 풍속, 습도를 대상으로 수행하며 1분 전 값과 현재 값의 차이가 임계값을 넘는 경우 오류로 판정한다.
인자별 최대 변동량
센서종류 최대 변동량
온도 0.1
풍속 1
습도 1
기압 0.2
지속성 검사(S230)는 각 기상인자별로 60분 이상 동안 대상 인자의 변동량이 어느 한계값 미만인 경우 오류로 판정한다. 풍속, 기온, 습도, 기압을 대상으로 하며 60분 이상 동안 대상 인자의 변동량이 어느 한계값 미만인 경우 오류로 판정한다.
인자별 최소 변동량
센서종류 최소 변동량
온도 0.1
풍속 0.5
습도 1
기압 0.1
내적 일치성 검사(S240)는 서로 관련이 있는 한 쌍의 기상인자에 대해 일치 여부를 따져 오류를 판정한다. 표 4의 예에서는 풍향과 풍속, 강우감지와 1시간 누적 강우량을 대상으로 시험하였다. 풍향과 풍속은 어느 하나가 0인데 다른 인자가 0이 아닌 경우 둘 다 오류로 처리한다. 강우감지가 1인데 강우량이 0이거나, 강우감지가 0인데 강우량이 0보다 큰 경우 오류로 처리한다.
내적 일치성 판정 기준
센서1 센서2 판정기준
풍향 풍속 둘 중 하나라도 0 이면 오류
강우감지 강우량 강우감지 = 1, 강우량 = 0 또는
강우감지 = 0, 강우량 > 0 일 경우 오류
물리한계 검사(S210), 시간 변동성/단계 검사(S220), 지속성 검사(S230) 및 내적 일치성 검사(S240)를 차례로 수행하여 모두 만족할 경우 정상으로 판단하며, 차례로 수행하는 과정에서 어느 하나의 단계라도 오류인 경우는 오류로 판정하여 -999(오류값)로 기재하고 이후 단계에서 보정한다.
검증부(430)가 기본 QC 단계(S130)를 거쳐 품질이 향상된 기상 데이터를 학습 데이터로 사용하여 객체 항목별 개별 인자만을 이용한 제1 품질관리(Quality Control, QC)와 객체 항목별 서로 다른 기상인자를 연계한 연계 인자를 이용한 제2 품질관리(QC)와 하나의 IoT 기상환경 수집센서에서 수집한 기상 데이터 만이 아니라 이웃하는 여러 개의 IoT 기상환경 수집센서에서 수집한 기상 데이터를 이용한 공간적 품질관리(QC) 중 어느 하나 이상을 선택하여 품질관리(QC)를 수행함으로써 학습 데이터를 생성하는 기계학습 QC를 수행한다(S140).
예를 들면, 어느 지역에 설치된 IoT 기상환경 수집센서에는 온도 센서만 있어서 기상 데이터 중에 온도 관측자료뿐이 없다면, 객체 항목별 개별 인자만을 이용한 제1 품질관리(QC)는 할 수가 있으나, 온도 외에 다른 기상 데이터가 없기 때문에 객체 항목별 서로 다른 기상인자를 연계한 연계 인자를 이용한 제2 품질관리(QC)는 할 수가 없을 것이다.
그러나, 해당 지역과 떨어진 다른 지역에 설치된 IoT 기상환경 수집센서에 온도 센서와 습도 센서가 있다면, 해당 지역에 설치된 IoT 기상환경 수집센서에서 수집한 온도 데이터와 다른 지역에 설치된 IoT 기상환경 수집센서에서 수집한 온도 데이터를 이용하여 공간적 품질관리(QC)도 할 수가 있다.
또 다른 예로, 어느 지역에 설치된 IoT 기상환경 수집센서에는 온도 센서, 습도 센서가 있어서 온도 데이터 및 습도 데이터를 수집할 수 있다면, 온도 데이터를 이용하여 객체 항목별 개별 인자만을 이용한 제1 품질관리(QC)를 할 수 있고, 온도와 습도를 연계하여 연계 인자를 이용한 제2 품질관리(QC)도 할 수가 있다.
물론, 해당 지역과 떨어진 다른 지역에 설치된 IoT 기상환경 수집센서에 온도 센서와 습도 센서가 있다면, 해당 지역에 설치된 IoT 기상환경 수집센서에서 수집한 온도 데이터와 다른 지역에 설치된 IoT 기상환경 수집센서에서 수집한 온도 데이터를 이용하여 공간적 품질관리(QC)도 할 수가 있음은 당연하다.
이와 같이 IoT 기상환경 수집센서에 설치된 기상센서의 종류에 따라 제1 품질관리(QC), 제2 품질관리(QC) 및 공간적 품질관리(QC)를 하나씩 차례로 적용하거나, 이 중에서 한 개 또는 두 개를 선택하여 적용함으로써, 학습 데이터를 생성하는 기계학습 QC를 수행하게 된다(S140).
도 3을 참고하면, 객체 항목별 개별 인자만을 이용한 제1 품질관리(QC)(S310)와 객체 항목별 서로 다른 기상인자를 연계한 연계 인자를 이용한 제2 품질관리(QC)(S320)와 하나의 IoT 기상환경 수집센서의 기상 데이터 만이 아니라 이웃하는 여러 개의 IoT 기상환경 수집센서의 기상 데이터를 이용한 공간적 품질관리(QC)(S330) 중 어느 하나 이상을 선택하여 품질관리를 수행하는 것이다. 작업자가 이 세 가지의 품질관리(QC) 중 어느 하나 이상을 선택하거나, 시스템에서 기존의 이력을 토대로 자동으로 선택할 수도 있다. 두 개 이상의 품질관리 알고리즘을 선택하여 학습할 때는 먼저 학습한 데이터를 이용하여 그 다음 품질관리 알고리즘에 적용한다.
제1 품질관리(QC)(S310)는 개별 인자만을 이용하여 품질관리를 적용한다. 예를 들면, 기계학습 알고리즘인 서포트 벡터 회귀(SMOreg, 수학기반) 알고리즘에 10분 전 온도값을 입력해서 학습함으로써, 현재의 온도값을 예측하는 학습 데이터를 만들 수가 있다.
제2 품질관리(QC)(S320)는 개별 인자만이 아닌 연계되어 있는 인자를 이용하여 품질관리를 적용한다. 예를 들면, 기계학습 알고리즘인 서포트 벡터 회귀(SMOreg, 수학기반) 알고리즘에 10분 전 온도값과 현재의 풍향, 풍속값을 입력해서 학습함으로써, 현재의 온도값을 예측하는 학습 데이터를 만들 수가 있다.
공간적 품질관리(QC)(S330)는 하나의 IoT 기상환경 수집센서의 기상 데이터 만이 아니라 이웃하는 여러 개의 IoT 기상환경 수집센서의 기상 데이터를 이용하여 품질관리를 적용한다. 기본 QC(S130)를 수행한 결과, 오류값이 많이 발생하는 경우 공간적 품질관리(QC)를 선택하여 적용하는 것이 바람직하다.
검증부(430)가 기본 QC 단계(S130)를 거친 학습 데이터에 오류 비율을 확인하여, 기 설정된 오류 비율을 초과하는 것으로 판단되는 경우, 공간적 품질관리(QC)(S330)를 선택하여 수행하도록 할 수 있다. 즉, 해당 IoT 기상환경 수집센서에서 수집한 기상 데이터에 대해 기본 품질관리를 수행한 결과, 온도 및 습도값 등에서 -999, -998, -997 등으로 기재된 오류값이 10%를 초과하는 경우 인접한 다른 IoT 기상환경 수집센서들이 측정한 기상 데이터를 이용하여 학습함으로써 학습 데이터를 구할 수가 있다.
구체적으로는, 해당 IoT 기상환경 수집센서의 위치를 기준으로 일정 거리에 속하는 다른 IoT 기상환경 수집센서의 기상 데이터를 이용하여 공간적 품질관리(QC)를 수행하되, 해당 IoT 기상환경 수집센서 인근의 지형 특성과 다른 IoT 기상환경 수집센서 인근의 지형 특성을 변수로 고려하여 품질관리를 수행하며, 다른 IoT 기상환경 수집센서 인근의 지형 특성들 중 해당 IoT 기상환경 수집센서 인근의 지형 특성과 지형적인 유사도가 일정 수치 이상의 차이를 보이는 IoT 기상환경 수집센서 기상 데이터에 대해서는 공간적 품질관리(QC) 수행에서 제외한다.
각 IoT 기상환경 수집센서 인근의 산, 강, 들, 건물을 포함하는 지형들이 IoT 기상환경 수집센서로부터 떨어진 거리, 높이 정보를 이용하여 이를 점수화 하고, 지형적인 특성에 대한 점수를 비교하여 지형적인 유사도가 일정 수치 이상의 차이를 보이는지 계산한다.
지형 유사도 계산부(미도시)는 해당 IoT 기상환경 수집센서 반경 1~2km에 속하는 산, 강, 들, 건물의 유무와 산과 건물의 높이를 이용하여 점수를 계산한다. 물론, 산과 건물 같은 높은 지형조건은 없으나, 들판이 있을 때와 강이 있을 때는 공간적 품질관리(QC) 수행 시 서로 다른 지형 특성을 변수로 고려해야 한다.
예를 들어, 해당 IoT 기상환경 수집센서 반경 1~2km 이내에는 도로와 건물들이 주로 있는 경우 이를 점수화하고, 인접한 다른 IoT 기상환경 수집센서 반경 1~2km 이내에는 건물들과 산이 있는 경우 이를 점수화하고, 인접한 또 다른 IoT 기상환경 수집센서 반경 1~2km 이내에는 주로 들판이 있는 경우 이를 점수화 한다. 공공기관으로부터 수신한 지형 데이터의 각 격자 내에 속하는 건물, 산, 강 등의 유무와 높이 정보를 이용하여 점수화 할 수가 있다.
해당 IoT 기상환경 수집센서 인근의 지형적인 특성에 대한 점수가 82점이고, 인접한 다른 IoT 기상환경 수집센서 인근의 지형적인 특성에 대한 점수가 70점이고, 인접한 또 다른 IoT 기상환경 수집센서 인근의 지형적인 특성에 대한 점수가 48점이라고 가정하면, 82점과 70점을 비교하고, 82점과 48점을 비교한다. 82점과 48점은 34점의 차이가 있기 때문에 유사도가 15~20점 이상 차이가 나는 경우에 해당하여 공간적 품질관리(QC) 수행에서 제외하는 것이다.
70점에 해당하는 인접한 다른 IoT 기상환경 수집센서의 기상 데이터를 이용하여 공간적 품질관리(QC)를 수행하되, 해당 IoT 기상환경 수집센서 인근의 지형적인 특성인 도로와 건물이 분포와 높이를 변수로 고려하고, 인접한 다른 IoT 기상환경 수집센서 인근의 지형적인 특성인 건물과 산의 분포와 높이를 변수로 고려하여 학습 데이터를 생성함으로써, 기본 QC의 오류를 줄일 수가 있다.
상기에서 설명한 바와 같이 개체 항목별 개별 QC(S310), 개체 항목별 연계 QC(S320), 공간적 QC(S330) 중 어느 하나 이상을 선택적으로 수행하여 학습 데이터를 생성한다(S340).
검증부(S430)가 과거에 일정시간 동안 측정된 기상 데이터를 이용하여 표준편차(σ)를 계산하고, 표준편차(σ)를 이용하여 기계학습 QC 단계(S140)에서 생성된 학습 데이터값에 대한 오류 여부를 판정하여 보정한다(S150).
도 3을 참고하면, 검증부(S430)가 과거에 일정시간 동안 측정된 기상 데이터를 이용하여 표준편차(σ)를 계산하고(S350), 일정시간 동안 측정된 기상 데이터의 평균값에서 3σ를 뺀 값과 일정시간 동안 측정된 기상 데이터의 평균값에서 3σ를 더한 값 사이에 기계학습 QC 단계(S140)에서 생성된 학습 데이터값이 존재하는지 체크한다(S360).
기계학습 QC 단계(S140)에서 생성된 학습 데이터값(S340)이 해당 범위 사이에 존재하면 정상으로 간주하고(S370), 이 범위를 벗어나면 오류로 판정하며(S380) 오류로 판정된 학습 데이터값에 대해서는 가장 가까운 시간의 값과 비교하여 보정한다(S390). 여기서 가장 가까운 시간의 값이란 1분 전 또는 1분 후의 값이 해당할 수 있다.
예측부(S440)가 학습데이터 보정단계(S150)를 거쳐 생성된 학습 데이터를 기계학습 알고리즘에 적용하여 IoT 기상환경 수집센서로부터 얻은 원시 기상 데이터의 오류를 탐지하고, 오류로 판정된 기상 데이터를 기계학습을 이용한 추정치로 보정하는 예측단계를 수행한다(S160).
기계학습 알고리즘으로는 서포트 벡터 회귀(SMOreg, 수학기반), 의사결정 테이블(DecisionTable, 규칙기반), 다중 퍼셉트론(Multilayer Perceptron, 신경망) 중 어느 하나를 이용할 수 있으며, 본 발명의 시험에서는 서포트 벡터 회귀(SMOreg, 수학기반) 알고리즘이 가장 적합한 결과를 나타내는 것을 확인하였다.
본 발명에 의하면, 기상인자의 특성에 따라 객체 항목별 개별 인자만을 이용한 제1 품질관리(QC)와 객체 항목별로 서로 다른 기상인자를 연계한 연계 인자를 이용한 제2 품질관리(QC) 중 하나를 선택하거나, 또는 두 개를 모두 선택하여 적용할 수가 있고, 기본 QC를 통해 오류의 비율이 높다고 판단되는 경우는 제1 품질관리와 제2 품질관리가 아닌 가까이에 위치한 여러 개의 IoT 기상환경 수집센서의 기상 데이터를 이용한 공간적 품질관리(QC)를 선택할 수 있어, 기상인자의 특성 및 오류의 비율을 종합적으로 고려한 품질관리를 통해 최적의 학습 데이터를 생성할 수가 있다.
본 발명은 상기한 특정의 바람직한 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형 실시가 가능한 것은 물론이고, 그와 같은 변경은 청구범위 기재의 범위 내에 있게 되는 것임은 자명하다.
410: 수집부
420: 전처리부
430: 검증부
440: 예측부

Claims (6)

  1. 수집부가 IoT 기상환경 수집센서로부터 기상 데이터를 얻는 수집단계;
    전처리부가 수집된 기상 데이터를 수집센서의 종류에 따라 가공하여 변환하는 전처리단계;
    검증부가 전처리된 기상 데이터에 대해 기상인자 별로 기본 품질관리(Quality Control, QC)를 수행하여 오류 여부를 체크하는 기본 QC 단계;
    검증부가 기본 QC 단계를 거쳐 품질이 향상된 기상 데이터를 학습 데이터로 사용하여 객체 항목별 개별 인자만을 이용한 제1 품질관리(Quality Control, QC)와 객체 항목별 서로 다른 기상인자를 연계한 연계 인자를 이용한 제2 품질관리(QC)와 하나의 IoT 기상환경 수집센서로부터 얻은 기상 데이터 만이 아니라 이웃하는 여러 개의 IoT 기상환경 수집센서에서 얻은 기상 데이터를 이용한 공간적 품질관리(QC) 중 어느 하나 이상을 선택하여 품질관리(QC)를 수행함으로써 학습 데이터를 생성하는 기계학습 QC 단계 - 어느 지역에 설치된 IoT 기상환경 수집센서에서 수집된 기상 데이터 중 온도 관측자료뿐이 없다면 객체 항목별 개별 인자만을 이용한 제1 품질관리(QC)는 할 수 있으나, 온도 외에 다른 기상 데이터가 없기 때문에 객체 항목별 서로 다른 기상인자를 연계한 연계 인자를 이용한 제2 품질관리(QC)는 할 수가 없고, 해당 지역과 떨어진 다른 지역에 설치된 IoT 기상환경 수집센서에 온도 센서와 습도 센서가 있다면 해당 지역에 설치된 IoT 기상환경 수집센서에서 수집한 온도 데이터와 다른 지역에 설치된 IoT 기상환경 수집센서에서 수집한 온도 데이터를 이용하여 공간적 품질관리(QC)도 할 수가 있으며,
    어느 지역에 설치된 IoT 기상환경 수집센서에는 온도 센서, 습도 센서가 있어서 온도 데이터 및 습도 데이터를 수집할 수 있다면, 온도 데이터를 이용하여 객체 항목별 개별 인자만을 이용한 제1 품질관리(QC)를 할 수 있고, 온도와 습도를 연계하여 연계 인자를 이용한 제2 품질관리(QC)도 할 수가 있고, 해당 지역과 떨어진 다른 지역에 설치된 IoT 기상환경 수집센서에 온도 센서와 습도 센서가 있다면 해당 지역에 설치된 IoT 기상환경 수집센서에서 수집한 온도 데이터와 다른 지역에 설치된 IoT 기상환경 수집센서에서 수집한 온도 데이터를 이용하여 공간적 품질관리(QC)도 할 수가 있음 -;
    검증부가 과거에 일정시간 동안 측정된 기상 데이터를 이용하여 표준편차(σ)를 계산하고, 표준편차(σ)를 이용하여 상기 기계학습 QC 단계에서 생성된 학습 데이터값에 대한 오류 여부를 판정하여 보정하는 학습데이터 보정단계; 및
    예측부가 상기 학습데이터 보정단계를 거쳐 생성된 학습 데이터를 기계학습 알고리즘에 적용하여 IoT 기상환경 수집센서로부터 얻은 원시 기상 데이터의 오류를 탐지하고, 오류로 판정된 기상 데이터를 기계학습을 이용한 추정치로 보정하는 예측단계를 포함하되,
    상기 기계학습 QC 단계는,
    검증부가 상기 기본 QC 단계를 거친 학습 데이터에 오류 비율을 확인하여, 기 설정된 오류 비율을 초과하는 것으로 판단되는 경우, 공간적 품질관리(QC)를 선택하여 수행하도록 하되, 해당 IoT 기상환경 수집센서에서 수집한 기상 데이터에 대해 기본 품질관리를 수행한 결과, 온도 및 습도값에서 오류값이 일정 비율을 초과하는 경우 인접한 다른 IoT 기상환경 수집센서들이 측정한 기상 데이터를 이용하여 학습함으로써 학습 데이터를 생성하고,
    상기 기계학습 QC 단계는,
    해당 IoT 기상환경 수집센서의 위치를 기준으로 일정 거리에 속하는 다른 IoT 기상환경 수집센서의 기상 데이터를 이용하여 공간적 품질관리(QC)를 수행하되, 해당 IoT 기상환경 수집센서 인근의 지형 특성과 다른 IoT 기상환경 수집센서 인근의 지형 특성을 변수로 고려하여 품질관리를 수행하며, 다른 IoT 기상환경 수집센서 인근의 지형 특성들 중 해당 IoT 기상환경 수집센서 인근의 지형 특성과 지형적인 유사도가 일정 수치 이상의 차이를 보이는 IoT 기상환경 수집센서 기상 데이터에 대해서는 공간적 품질관리(QC) 수행에서 제외하고,
    각 IoT 기상환경 수집센서 인근의 산, 강, 들, 건물을 포함하는 지형들이 IoT 기상환경 수집센서로부터 떨어진 거리, 높이 정보를 이용하여 이를 점수화 하고, 지형적인 특성에 대한 점수를 비교하여 지형적인 유사도가 일정 수치 이상의 차이를 보이는지 계산하되,
    지형 유사도 계산부는 해당 IoT 기상환경 수집센서 반경 일정 범위 이내에는 도로와 건물들이 있는 경우 이를 점수화하고, 인접한 다른 IoT 기상환경 수집센서 반경 일정 범위 이내에는 건물들과 산이 있는 경우 이를 점수화하고, 인접한 또 다른 IoT 기상환경 수집센서 반경 일정 범위 이내에는 들판이 있는 경우 이를 점수화 하고, 공공기관으로부터 수신한 지형 데이터의 각 격자 내에 속하는 건물, 산, 강 등의 유무와 높이 정보를 이용하여 점수화 하며,
    해당 IoT 기상환경 수집센서 인근의 지형적인 특성에 대한 점수가 A점이고, 인접한 다른 IoT 기상환경 수집센서 인근의 지형적인 특성에 대한 점수가 상기 A점 보다 적은 B점이고, 인접한 또 다른 IoT 기상환경 수집센서 인근의 지형적인 특성에 대한 점수가 상기 B점 보다 적은 C점이라고 가정하면, A점과 B점을 비교하고, A점과 C점을 비교하며, A점과 C점은 점수 차이가 소정의 점수 이상으로 차이가 나기 때문에 유사도가 일정 점수 이상 차이가 나는 경우에 해당하여 공간적 품질관리(QC) 수행에서 제외하고,
    B점에 해당하는 인접한 다른 IoT 기상환경 수집센서의 기상 데이터를 이용하여 공간적 품질관리(QC)를 수행하되, 해당 IoT 기상환경 수집센서 인근의 지형적인 특성인 도로와 건물의 분포와 높이를 변수로 고려하고, 인접한 다른 IoT 기상환경 수집센서 인근의 지형적인 특성인 건물과 산의 분포와 높이를 변수로 고려하여 학습 데이터를 생성함으로써, 기본 QC의 오류를 줄이는 것을 특징으로 하는 IoT 기상환경 수집 데이터의 안정성 확보 방법.
  2. 제1항에 있어서,
    상기 기본 QC 단계는,
    물리한계 검사, 시간 변동성/단계 검사, 지속성 검사 및 내적 일치성 검사를 포함하는 기본 품질관리를 수행하며,
    물리한계 검사는 각 기상인자별로 정해진 상, 하한 값을 벗어날 경우 오류로 판정하고,
    시간 변동성/단계 검사는 각 기상인자별로 1분 전의 값과 현재 값의 차이가 임계값을 넘는 경우 오류로 판정하고,
    지속성 검사는 각 기상인자별로 60분 이상 동안 대상 인자의 변동량이 어느 한계값 미만인 경우 오류로 판정하고,
    내적 일치성 검사는 서로 관련이 있는 한 쌍의 기상인자에 대해 일치 여부를 따져 오류를 판정하되,
    상기 물리한계 검사, 시간 변동성/단계 검사, 지속성 검사 및 내적 일치성 검사를 차례로 수행하여 모두 만족할 경우 정상으로 판단하며, 차례로 수행하는 과정에서 어느 하나의 단계라도 오류인 경우는 오류로 판정하여 오류값으로 기재하고 이후 단계에서 보정하는 것을 특징으로 하는 IoT 기상환경 수집 데이터의 안정성 확보 방법.
  3. 삭제
  4. 삭제
  5. 삭제
  6. 제1항에 있어서,
    상기 학습데이터 보정단계는,
    검증부가 과거에 일정시간 동안 측정된 기상 데이터를 이용하여 표준편차(σ)를 계산하고, 일정시간 동안 측정된 기상 데이터의 평균값에서 3σ를 뺀 값과 일정시간 동안 측정된 기상 데이터의 평균값에서 3σ를 더한 값 사이에 상기 기계학습 QC 단계에서 생성된 학습 데이터값이 존재하면 정상으로 간주하고, 이 범위를 벗어나면 오류로 판정하며 오류로 판정된 학습 데이터값에 대해서는 가장 가까운 시간의 값과 비교하여 보정하는 것을 특징으로 하는 IoT 기상환경 수집 데이터의 안정성 확보 방법.
KR1020180128696A 2018-10-26 2018-10-26 IoT 기상환경 수집 데이터의 안정성 확보 방법 KR102169452B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180128696A KR102169452B1 (ko) 2018-10-26 2018-10-26 IoT 기상환경 수집 데이터의 안정성 확보 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180128696A KR102169452B1 (ko) 2018-10-26 2018-10-26 IoT 기상환경 수집 데이터의 안정성 확보 방법

Publications (2)

Publication Number Publication Date
KR20200046905A KR20200046905A (ko) 2020-05-07
KR102169452B1 true KR102169452B1 (ko) 2020-10-23

Family

ID=70733622

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180128696A KR102169452B1 (ko) 2018-10-26 2018-10-26 IoT 기상환경 수집 데이터의 안정성 확보 방법

Country Status (1)

Country Link
KR (1) KR102169452B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230077237A (ko) 2021-11-25 2023-06-01 디아이랩 주식회사 IoT 센서 오류 탐지 장치 및 방법
KR20230088265A (ko) 2021-12-10 2023-06-19 디아이랩 주식회사 IoT 기반 기상환경 센서를 관리하기 위한 장치 및 이를 위한 방법
WO2023136499A1 (ko) * 2022-01-17 2023-07-20 현대자동차주식회사 M2m 시스템에서 클라우드 기반 센서 캘리브레이션 방법 및 장치
WO2023153627A1 (ko) * 2022-02-08 2023-08-17 현대자동차주식회사 M2m 시스템에서 머신 러닝을 이용하여 장치를 캘리브레이션하는 방법 및 장치
KR102612561B1 (ko) 2022-10-13 2023-12-11 디아이랩 주식회사 학습모델을 이용한 센서의 데이터 이상을 탐지하기 위한 장치 및 이를 위한 방법
KR20240096985A (ko) 2022-12-19 2024-06-27 세종대학교산학협력단 IoT 기상 센서 관측망 품질 관리 시스템

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102424191B1 (ko) * 2020-05-08 2022-07-25 (주)에스이랩 환경 센서 모듈을 위한 성능 평가 시스템

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101519012B1 (ko) * 2014-12-08 2015-05-18 대한민국(기상청장) 기상정보 오류 검증 시스템 및 방법
KR101521576B1 (ko) * 2013-12-26 2015-05-19 부산대학교 산학협력단 Ｋ―ｐｒｉｓｍ을 이용한 고해상도 기상자료 산출방법 및 이를 이용한 고해상도 기상자료 산출시스템

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101521576B1 (ko) * 2013-12-26 2015-05-19 부산대학교 산학협력단 Ｋ―ｐｒｉｓｍ을 이용한 고해상도 기상자료 산출방법 및 이를 이용한 고해상도 기상자료 산출시스템
KR101519012B1 (ko) * 2014-12-08 2015-05-18 대한민국(기상청장) 기상정보 오류 검증 시스템 및 방법

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230077237A (ko) 2021-11-25 2023-06-01 디아이랩 주식회사 IoT 센서 오류 탐지 장치 및 방법
KR20230088265A (ko) 2021-12-10 2023-06-19 디아이랩 주식회사 IoT 기반 기상환경 센서를 관리하기 위한 장치 및 이를 위한 방법
WO2023136499A1 (ko) * 2022-01-17 2023-07-20 현대자동차주식회사 M2m 시스템에서 클라우드 기반 센서 캘리브레이션 방법 및 장치
WO2023153627A1 (ko) * 2022-02-08 2023-08-17 현대자동차주식회사 M2m 시스템에서 머신 러닝을 이용하여 장치를 캘리브레이션하는 방법 및 장치
KR102612561B1 (ko) 2022-10-13 2023-12-11 디아이랩 주식회사 학습모델을 이용한 센서의 데이터 이상을 탐지하기 위한 장치 및 이를 위한 방법
KR20240096985A (ko) 2022-12-19 2024-06-27 세종대학교산학협력단 IoT 기상 센서 관측망 품질 관리 시스템

Also Published As

Publication number Publication date
KR20200046905A (ko) 2020-05-07

Similar Documents

Publication Publication Date Title
KR102169452B1 (ko) IoT 기상환경 수집 데이터의 안정성 확보 방법
CN111209434B (zh) 一种基于多源异构数据融合的变电站设备巡检***及方法
WO2019080367A1 (zh) 一种机械设备健康状态评估方法
CN108681633B (zh) 一种基于状态参数的凝结水泵故障预警方法
US9146800B2 (en) Method for detecting anomalies in a time series data with trajectory and stochastic components
CN103473540B (zh) 智能交通***车辆轨迹增量式建模与在线异常检测方法
CN107949812A (zh) 用于检测配水***中的异常的组合方法
CN112036089A (zh) 一种基于dpc-mnd和多元状态估计的磨煤机故障预警方法
CN109188502B (zh) 一种基于自编码器的束流位置监测器异常检测方法及装置
CN108092623A (zh) 一种光伏阵列多传感器故障检测定位方法
CN104123678A (zh) 一种基于状态等级评估模型的电力继电保护状态检修方法
KR20210017651A (ko) 반도체 제조 공정에서 고장 검출 및 불량 원인 진단을 위한 방법
CN117371337B (zh) 一种基于数字孪生的水利模型构建方法及***
CN112504357B (zh) 一种河道过流能力动态分析方法和***
CN115964662A (zh) 基于改进密度峰值聚类的复杂装备参数异常检测方法
CN117308275B (zh) 一种基于温差的管路连接异常检测方法及***
CN116881749B (zh) 一种污染场地施工监测方法及***
CN106875613A (zh) 一种火警态势分析方法
CN117538710B (zh) 用于局部动态放电监测的智能预警方法及***
CN112036754B (zh) 基于区块链的金融大数据风控***
CN109523129A (zh) 一种无人车多传感器信息实时融合的方法
CN115144548B (zh) 有害气体成分实时监测***及其监测方法
KR102110319B1 (ko) 학습 데이터 생성 시스템
Boechat et al. On-line calibration monitoring system based on data-driven model for oil well sensors
Park Dam sensor outlier detection using mixed prediction Model and supervised learning

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant