KR102319083B1 - Artificial intelligence based fire prevention device and method - Google Patents
Artificial intelligence based fire prevention device and method Download PDFInfo
- Publication number
- KR102319083B1 KR102319083B1 KR1020210015518A KR20210015518A KR102319083B1 KR 102319083 B1 KR102319083 B1 KR 102319083B1 KR 1020210015518 A KR1020210015518 A KR 1020210015518A KR 20210015518 A KR20210015518 A KR 20210015518A KR 102319083 B1 KR102319083 B1 KR 102319083B1
- Authority
- KR
- South Korea
- Prior art keywords
- fire
- facility
- sensor
- monitoring
- monitoring information
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
-
- G06K9/00208—
-
- G06K9/481—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Fire Alarms (AREA)
- Alarm Systems (AREA)
Abstract
Description
본 발명은 인공지능 기반의 화재예방 제공 기술에 관한 것으로, 더욱 상세하게는 시설장치의 운전상황을 상시 감시하여 화재 발생을 예측하고 관련 정보를 제공할 수 있는 인공지능 기반의 화재예방 제공 장치 및 방법에 관한 것이다.The present invention relates to a technology for providing fire prevention based on artificial intelligence, and more particularly, an apparatus and method for providing fire prevention based on artificial intelligence that can predict the occurrence of a fire and provide related information by constantly monitoring the operation status of facility equipment. is about
최근 산업의 급속한 발전에 따른 각종 전력기기의 초고압화, 대용량화가 진행되어 왔으며, 고품질의 전력을 공급하기 위하여 전력계통의 안정성 및 신뢰성 향상을 위하여 많은 노력을 기울이고 있으며, 전력설비의 진단을 위하여 보다 진보된 과학화 장비를 필요로 하고 있다.Recently, with the rapid development of the industry, ultra-high voltage and large-capacity of various power devices have been progressing, and in order to supply high-quality power, much effort is being made to improve the stability and reliability of the power system, and more advanced for diagnosis of power facilities Advanced scientific equipment is required.
시설장치의 고도화를 위해서는 큰 전력이 요구되기 때문에 전력량에 따라 발열 정도가 달라지며, 경우에 따라서는 정상동작 범위를 벗어나는 온도까지 상승되기도 한다.Because a large amount of power is required to upgrade the equipment, the degree of heat generation varies depending on the amount of power, and in some cases, the temperature rises outside the normal operating range.
한편, 시설장치 내부의 온도 상승은 다른 구성들의 손상을 야기할 수 있으며, 결과적으로 시설장치에서의 화재 발생의 위험도를 상승시키는 원인으로 작용할 수 있다.On the other hand, the temperature rise inside the facility may cause damage to other components, and as a result, may act as a cause of increasing the risk of fire in the facility.
따라서, 시설장치 내부의 온도, 습도 등 환경요소의 모니터링을 통해 화재 발생을 사전에 진단하고 예방 조치를 위한 알림을 제공할 수 있는 기술이 요구되고 있다.Therefore, there is a demand for a technology capable of diagnosing fire occurrence in advance and providing a notification for preventive measures through monitoring of environmental factors such as temperature and humidity inside the facility.
본 발명의 일 실시예는 시설장치의 운전상황을 상시 감시하여 화재 발생을 예측하고 관련 정보를 제공할 수 있는 인공지능 기반의 화재예방 제공 장치 및 방법을 제공하고자 한다.An embodiment of the present invention is to provide an artificial intelligence-based fire prevention providing apparatus and method capable of predicting a fire occurrence and providing related information by constantly monitoring the operation status of a facility device.
본 발명의 일 실시예는 인공지능 기반의 운행 패턴 학습을 통해 시설장치의 동작 과정에서 화재 발생 가능성을 예측하여 알릴 수 있는 인공지능 기반의 화재예방 제공 장치 및 방법을 제공하고자 한다.An embodiment of the present invention is to provide an artificial intelligence-based fire prevention providing apparatus and method capable of predicting and notifying the possibility of a fire in the operation process of a facility device through artificial intelligence-based driving pattern learning.
본 발명의 일 실시예는 시설장치 내부에 설치된 다양한 센서를 통해 화재 발생 확률을 높은 정확도로 예측할 수 있는 인공지능 기반의 화재예방 제공 장치 및 방법을 제공하고자 한다.An embodiment of the present invention is to provide an artificial intelligence-based fire prevention providing apparatus and method capable of predicting the probability of a fire with high accuracy through various sensors installed inside the facility.
실시예들 중에서, 인공지능 기반의 화재예방 제공 장치는 복수의 시설장치들에 각각 설치되고 복수의 센서들을 포함하는 감시 단말로부터 해당 시설장치의 운행상태에 관한 모니터링 정보를 수집하는 모니터링 정보 수신부, 상기 모니터링 정보를 시각화하여 디스플레이하고 화재 발생을 진단하기 위한 데이터베이스를 구축하는 진단 DB 구축부, 상기 데이터베이스의 구축 과정에서 상기 복수의 시설장치들에 관한 이상을 검출하는 시설장치 이상 검출부, 상기 이상이 검출된 경우 해당 시설장치를 대상으로 패턴 분석을 이용한 인공지능 기반의 화재 예측을 통해 화재 발생 위험도를 예측하는 화재 발생 위험도 예측부 및 상기 화재 발생 위험도에 따라 상기 해당 시설장치에 대한 예방보호 조치를 요청하는 알림을 제공하는 예방 알림 제공부를 포함한다.In embodiments, the artificial intelligence-based fire prevention providing device includes a monitoring information receiving unit that is installed in each of a plurality of facility devices and collects monitoring information about the operating state of the facility device from a monitoring terminal including a plurality of sensors, the A diagnostic DB construction unit that visualizes and displays monitoring information and builds a database for diagnosing fire occurrence, a facility equipment abnormality detection unit that detects abnormalities with respect to the plurality of facility devices in the process of building the database, the abnormality is detected In this case, a fire risk prediction unit that predicts the risk of fire through artificial intelligence-based fire prediction using pattern analysis for the facility and a notification to request preventive protection measures for the facility according to the fire risk level Includes a preventive notification providing unit that provides.
상기 감시 단말은 상기 복수의 센서들을 통해 시설장치의 운행 과정에서 온도, 습도, 스파크(spark), 연기 및 가스에 관한 신호를 측정하고, 상기 모니터링 정보 수신부는 상기 모니터링 정보 중 전기적인 신호를 특정 주기로 샘플링(sampling)하여 디지털 신호로 변환할 수 있다.The monitoring terminal measures a signal related to temperature, humidity, spark, smoke and gas in the course of operation of the facility through the plurality of sensors, and the monitoring information receiving unit transmits an electrical signal among the monitoring information at a specific period It can be converted into a digital signal by sampling.
상기 시설장치 이상 검출부는 특정 시설장치에 대해 해당 모니터링 정보를 기초로 각 센서 별로 시간(time)축과 밸류(value)축으로 표현되는 2차원 패턴그래프를 생성하고 상기 밸류축을 기준으로 센서별 운행범위를 이탈하는 화재전조 구간이 검출된 경우 상기 특정 시설장치의 이상을 결정할 수 있다.The facility device abnormality detection unit generates a two-dimensional pattern graph expressed by a time axis and a value axis for each sensor based on the corresponding monitoring information for a specific facility device, and the operating range for each sensor based on the value axis When a fire precursor section that deviates from is detected, it is possible to determine the abnormality of the specific facility.
상기 화재 발생 위험도 예측부는 특정 시설장치에 대해 해당 모니터링 정보를 기초로 특정 시간간격 동안의 운행상태로 정의되는 각 센서별 운행 패턴을 도출하고 상기 각 센서별 운행 패턴 간의 상관관계에 관한 학습을 통해 상기 특정 시설장치에 관한 화재 발생 위험도를 예측하는 화재진단 모델을 생성할 수 있다.The fire risk prediction unit derives a driving pattern for each sensor defined as an operating state for a specific time interval based on the monitoring information for a specific facility device, and learns about the correlation between the operating patterns for each sensor. It is possible to create a fire diagnosis model that predicts the risk of fire related to a specific facility device.
상기 화재 발생 위험도 예측부는 상기 특정 시간간격에 대해 상기 각 센서별 운행 패턴에 대한 대표 특징값을 결정하고 연속하는 특정 시간간격 사이에 대표 특징값에 대한 변화율을 산출한 결과로서 각 센서별 변화율을 성분값으로 하는 특징벡터를 학습데이터로 생성하여 상기 학습을 수행할 수 있다.The fire risk prediction unit determines the representative characteristic value for the driving pattern for each sensor for the specific time interval, and calculates the rate of change for the representative characteristic value between successive specific time intervals. The learning can be performed by generating a feature vector as a value as learning data.
상기 화재 발생 위험도 예측부는 상기 특정 시간간격에 대해 상기 각 센서별 운행 패턴에 관한 2차원 이미지들을 획득하는 제1 단계, 상기 2차원 이미지들 각각에 대한 n차원(상기 n은 자연수) 특징 벡터를 생성하는 제2 단계, 각 센서별 특징 벡터들을 하나로 통합하여 상기 특정 시간간격을 대표하는 대표 특징 벡터를 생성하는 제3 단계 및 상기 대표 특징 벡터에 관한 학습을 수행하여 상기 화재진단 모델을 생성하는 제4 단계를 순차적으로 수행할 수 있다.The fire risk prediction unit generates an n-dimensional (where n is a natural number) feature vector for each of the first step of acquiring two-dimensional images related to the driving pattern for each sensor for the specific time interval, and for each of the two-dimensional images. a second step of generating a representative feature vector representing the specific time interval by integrating the feature vectors for each sensor into one, and a fourth step of generating the fire diagnosis model by learning about the representative feature vector The steps may be performed sequentially.
상기 진단 DB 구축부는 상기 모니터링 정보를 센서 유형별로 분류하여 상기 복수의 시설장치들과 측정시간들을 각 차원으로 하는 2차원 매트릭스를 유형별 감시 지도로서 생성하고, 상기 시설장치 이상 검출부는 상기 유형별 감시 지도를 측정시간 차원을 기준으로 나란히 배치함으로써 상기 2차원 매트릭스를 3차원으로 확장하고 각 2차원 매트릭스 상의 분포를 기초로 결정된 후보 관심영역 간의 중첩 수가 기 설정된 임계값을 초과하는 경우 해당 후보 관심영역들의 집합으로 정의되는 관심영역을 결정하며, 상기 화재 발생 위험도 예측부는 상기 관심영역에 존재하는 시설장치를 대상으로 상기 화재 발생 위험도를 예측할 수 있다.The diagnosis DB construction unit classifies the monitoring information by sensor type to generate a two-dimensional matrix with the plurality of facility devices and measurement times as each dimension as a monitoring map for each type, and the facility device abnormality detection unit generates the monitoring map for each type By arranging side by side based on the measurement time dimension, the two-dimensional matrix is expanded in three dimensions, and when the number of overlaps between candidate regions of interest determined based on the distribution on each two-dimensional matrix exceeds a preset threshold, a set of corresponding candidate regions of interest is used. A defined region of interest is determined, and the fire risk prediction unit may predict the fire risk for a facility existing in the region of interest.
실시예들 중에서, 인공지능 기반의 화재예방 제공 방법은 복수의 시설장치들에 각각 설치되고 복수의 센서들을 포함하는 감시 단말로부터 해당 시설장치의 운행상태에 관한 모니터링 정보를 수집하는 단계, 상기 모니터링 정보를 시각화하여 디스플레이하고 화재 발생을 진단하기 위한 데이터베이스를 구축하는 단계, 상기 데이터베이스의 구축 과정에서 상기 복수의 시설장치들에 관한 이상을 검출하는 단계, 상기 이상이 검출된 경우 해당 시설장치를 대상으로 패턴 분석을 이용한 인공지능 기반의 화재 예측을 통해 화재 발생 위험도를 예측하는 단계 및 상기 화재 발생 위험도에 따라 상기 해당 시설장치에 대한 예방보호 조치를 요청하는 알림을 제공하는 단계를 포함한다.Among the embodiments, the method for providing fire prevention based on artificial intelligence includes collecting monitoring information about the operating state of the facility device from a monitoring terminal that is installed in each of a plurality of facility devices and includes a plurality of sensors, the monitoring information Visualizing and displaying and constructing a database for diagnosing fire occurrence, detecting abnormalities related to the plurality of facility devices in the process of building the database, and patterning the facility devices when the abnormality is detected Predicting the risk of fire occurrence through artificial intelligence-based fire prediction using analysis and providing a notification requesting preventive protection measures for the facility device according to the risk of fire occurrence.
개시된 기술은 다음의 효과를 가질 수 있다. 다만, 특정 실시예가 다음의 효과를 전부 포함하여야 한다거나 다음의 효과만을 포함하여야 한다는 의미는 아니므로, 개시된 기술의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.The disclosed technology may have the following effects. However, this does not mean that a specific embodiment should include all of the following effects or only the following effects, so the scope of the disclosed technology should not be construed as being limited thereby.
본 발명의 일 실시예에 따른 인공지능 기반의 화재예방 제공 장치 및 방법은 인공지능 기반의 운행 패턴 학습을 통해 시설장치의 동작 과정에서 화재 발생 가능성을 예측하여 알릴 수 있다.The apparatus and method for providing fire prevention based on artificial intelligence according to an embodiment of the present invention can predict and notify the possibility of a fire in the operation process of a facility device through learning of a driving pattern based on artificial intelligence.
본 발명의 일 실시예에 따른 인공지능 기반의 화재예방 제공 장치 및 방법은 시설장치 내부에 설치된 다양한 센서를 통해 화재 발생 확률을 높은 정확도로 예측할 수 있다.The apparatus and method for providing fire prevention based on artificial intelligence according to an embodiment of the present invention can predict the probability of a fire with high accuracy through various sensors installed inside the facility.
도 1은 본 발명에 따른 화재예방 제공 시스템을 설명하는 도면이다.
도 2는 도 1의 화재예방 제공 장치의 물리적 구성을 설명하는 블록도이다.
도 3은 도 1의 화재예방 제공 장치의 기능적 구성을 설명하는 블록도이다.
도 4는 도 1의 화재예방 제공 장치에서 수행되는 인공지능 기반의 화재예방 제공 과정을 설명하는 순서도이다.
도 5는 본 발명에 따른 화재예방 제공 시스템을 설명하는 개념도이다.
도 6은 본 발명에 따른 유형별 감시 지도를 설명하는 도면이다.
도 7은 본 발명에 따른 관심영역 결정 과정을 설명하는 도면이다.
도 8은 본 발명에 따른 화재전조 구간을 설명하는 도면이다.1 is a view for explaining a system for providing fire prevention according to the present invention.
FIG. 2 is a block diagram illustrating a physical configuration of the fire prevention providing device of FIG. 1 .
3 is a block diagram illustrating a functional configuration of the fire prevention providing device of FIG. 1 .
FIG. 4 is a flowchart illustrating an artificial intelligence-based fire prevention provision process performed by the fire prevention provision apparatus of FIG. 1 .
5 is a conceptual diagram illustrating a fire prevention providing system according to the present invention.
6 is a view for explaining a monitoring map for each type according to the present invention.
7 is a view for explaining a process of determining a region of interest according to the present invention.
8 is a view for explaining a fire precursor section according to the present invention.
본 발명에 관한 설명은 구조적 내지 기능적 설명을 위한 실시예에 불과하므로, 본 발명의 권리범위는 본문에 설명된 실시예에 의하여 제한되는 것으로 해석되어서는 아니 된다. 즉, 실시예는 다양한 변경이 가능하고 여러 가지 형태를 가질 수 있으므로 본 발명의 권리범위는 기술적 사상을 실현할 수 있는 균등물들을 포함하는 것으로 이해되어야 한다. 또한, 본 발명에서 제시된 목적 또는 효과는 특정 실시예가 이를 전부 포함하여야 한다거나 그러한 효과만을 포함하여야 한다는 의미는 아니므로, 본 발명의 권리범위는 이에 의하여 제한되는 것으로 이해되어서는 아니 될 것이다.Since the description of the present invention is merely an embodiment for structural or functional description, the scope of the present invention should not be construed as being limited by the embodiment described in the text. That is, since the embodiment may have various changes and may have various forms, it should be understood that the scope of the present invention includes equivalents capable of realizing the technical idea. In addition, since the object or effect presented in the present invention does not mean that a specific embodiment should include all of them or only such effects, it should not be understood that the scope of the present invention is limited thereby.
한편, 본 출원에서 서술되는 용어의 의미는 다음과 같이 이해되어야 할 것이다.On the other hand, the meaning of the terms described in the present application should be understood as follows.
"제1", "제2" 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위한 것으로, 이들 용어들에 의해 권리범위가 한정되어서는 아니 된다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다.Terms such as “first” and “second” are for distinguishing one component from another, and the scope of rights should not be limited by these terms. For example, a first component may be termed a second component, and similarly, a second component may also be termed a first component.
어떤 구성요소가 다른 구성요소에 "연결되어"있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결될 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어"있다고 언급된 때에는 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.When a component is referred to as being “connected” to another component, it should be understood that the component may be directly connected to the other component, but other components may exist in between. On the other hand, when it is mentioned that a certain element is "directly connected" to another element, it should be understood that the other element does not exist in the middle. Meanwhile, other expressions describing the relationship between elements, that is, “between” and “immediately between” or “neighboring to” and “directly adjacent to”, etc., should be interpreted similarly.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하는 것으로 이해되어야 하고, "포함하다"또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이며, 하나 또는 그 이상의 다른 특징이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The singular expression is to be understood to include the plural expression unless the context clearly dictates otherwise, and terms such as "comprises" or "have" refer to the embodied feature, number, step, action, component, part or these It is intended to indicate that a combination exists, and it should be understood that it does not preclude the possibility of the existence or addition of one or more other features or numbers, steps, operations, components, parts, or combinations thereof.
각 단계들에 있어 식별부호(예를 들어, a, b, c 등)는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 일어날 수도 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.Identifiers (eg, a, b, c, etc.) in each step are used for convenience of description, and the identification code does not describe the order of each step, and each step clearly indicates a specific order in context. Unless otherwise specified, it may occur in a different order from the specified order. That is, each step may occur in the same order as specified, may be performed substantially simultaneously, or may be performed in the reverse order.
본 발명은 컴퓨터가 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있고, 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.The present invention can be embodied as computer-readable codes on a computer-readable recording medium, and the computer-readable recording medium includes all types of recording devices in which data readable by a computer system is stored. . Examples of the computer-readable recording medium include ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage device, and the like. In addition, the computer-readable recording medium may be distributed in a network-connected computer system, and the computer-readable code may be stored and executed in a distributed manner.
여기서 사용되는 모든 용어들은 다르게 정의되지 않는 한, 본 발명이 속하는 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한 이상적이거나 과도하게 형식적인 의미를 지니는 것으로 해석될 수 없다.All terms used herein have the same meaning as commonly understood by one of ordinary skill in the art to which this invention belongs, unless otherwise defined. Terms defined in general used in the dictionary should be interpreted as being consistent with the meaning in the context of the related art, and cannot be interpreted as having an ideal or excessively formal meaning unless explicitly defined in the present application.
전기설비는 발전, 송전, 변전, 배전, 전기공급 또는 전기사용을 위하여 설치하는 기계, 기구, 댐, 수로, 저수지, 전선로, 보안통신선로 및 그 밖의 설비에 해당할 수 있다. 또한, 운전설비는 전기설비를 운용하고 관리하는 설비에 해당할 수 있다. 예를 들어, 전기설비는 수변전 설비, 자가발전 설비, 배선 설비, 조명 설비 등의 전력 설비와, 비상용 조명 설비, 비상 경보 설비, 유도등 설비 등의 방재 설비와, 전화 설비, 방송 설비, 인터폰 설비 등의 통신정보 설비와, 엘리베이터 설비, 에스컬레이터 설비, 기송관 설비 등의 수송 설비 등을 포함할 수 있다.Electrical equipment may correspond to machines, appliances, dams, waterways, reservoirs, electric wires, security communication lines and other facilities installed for power generation, transmission, substation, distribution, electricity supply or use of electricity. In addition, the operating facility may correspond to a facility for operating and managing electrical facilities. For example, electrical equipment includes power equipment such as water substation equipment, self-generation equipment, wiring equipment, and lighting equipment, emergency lighting equipment, emergency warning equipment, and disaster prevention equipment such as guidance lamp equipment, telephone equipment, broadcasting equipment, and intercom equipment. It may include communication information facilities, such as elevator facilities, escalator facilities, transport facilities such as pipeline facilities.
한편, 시설장치는 전기 설비와 운전 설비를 통칭하는 용어에 해당할 수 있으나, 반드시 이에 한정되지 않고, 다양한 장소와 시설 등에 설치되어 동작할 수 있으며 화재로 인한 손해를 방지하기 위하여 화재를 조기 진단하기 위한 모니터링 기술이 적용될 수 있는 장치들로 이해될 수 있다.On the other hand, facility equipment may correspond to a term that collectively refers to electrical equipment and operating equipment, but is not necessarily limited thereto, and may be installed and operated in various places and facilities, and may be used to diagnose fire early in order to prevent damage due to fire. It can be understood as devices to which monitoring technology for
도 1은 본 발명에 따른 화재예방 제공 시스템을 설명하는 도면이다.1 is a view for explaining a system for providing fire prevention according to the present invention.
도 1을 참조하면, 화재예방 제공 시스템(100)은 감시 단말(110), 화재예방 제공 장치(130), 데이터베이스(150) 및 관리자 단말(170)을 포함할 수 있다.Referring to FIG. 1 , the fire
감시 단말(110)은 시설장치에 설치되어 해당 설비의 동작 상태에 관한 정보를 측정할 수 있는 장치에 해당할 수 있다. 감시 단말(110)은 외부 시스템과 연동하여 동작되도록 구현될 수 있고, 이를 위하여 네트워크 통신 기능을 제공하는 통신 모듈을 포함할 수 있다. 감시 단말(110)은 화재예방 제공 장치(130)와 네트워크를 통해 연결될 수 있고, 복수의 감시 단말(110)들은 화재예방 제공 장치(130)와 동시에 연결될 수 있다.The
일 실시예에서, 감시 단말(110)은 정보 수집을 위하여 복수의 센서들을 포함하여 구현될 수 있다. 예를 들어, 감시 단말(110)은 기본적으로 온도 센서, 습도 센서, 스파크(spark) 검출 센서, 연기 검출 센서 및 가스 검출 센서를 포함할 수 있고, 반드시 이에 한정되지 않고, 전류 센서, 전력량 센서 및 열화상 센서 등 화재 발생 감지를 위한 다양한 센서들을 더 포함할 수 있다. 즉, 감시 단말(110)은 복수의 센서들을 통해 시설장치의 동작 과정에서 온도, 습도, 스파크, 연기 및 가스에 관한 전기적 신호를 수집할 수 있다. 감시 단말(110)은 수집한 정보를 네트워크를 통해 화재예방 제공 장치(130)에게 실시간으로 또는 주기적으로 전송할 수 있다.In one embodiment, the
일 실시예에서, 감시 단말(110)은 복수의 센서들로 구성된 센서 모듈, 복수의 센서들을 통해 측정된 신호를 변환하는 데이터 변환 모듈, 외부 시스템과의 통신을 처리하는 통신 모듈, 측정된 신호를 저장하는 메모리 모듈 및 관련 동작을 제어하는 제어 모듈을 포함하여 구현될 수 있다. 감시 단말(110)은 메모리 모듈을 통해 수집된 다양한 정보를 저장할 수 있으며, 예를 들어, 센서의 종류, 센서 식별코드, 센싱 신호의 범위, 센서 출력 방식 등에 관한 정보를 저장할 수 있다.In one embodiment, the
일 실시예에서, 감시 단말(110)은 시설장치에 설치된 소화 장치와 전기적으로 연결되어 소화 방재를 위한 소화용 구성의 정보를 수집할 수 있다. 예를 들어, 소화용 구성은 FM-200 등의 소화약제를 내포하는 튜브 형태의 소화기(Quick Tube 소화기)에 해당할 수 있고, 이 경우 감시 단말(110)은 소화약제를 내포하는 튜브 용기의 내압에 관한 신호를 더 측정할 수 있다. 여기에서, FM-200은 Halon1301 대체물질 소화약제 중 가장 안정된 소화약제로서 전기적으로 비전도성 약제가 필요한 곳, 약제의 방출 후 문제를 발생시키는 곳 및 상시 사람이 거주하는 지역의 화재를 진압하기 위해 사용되며 용기내 약제 압력이 저압으로 안전하고 초기 투자비에 비해 사후 유지관리가 저렴한 소화설비에 해당할 수 있다.In an embodiment, the
한편, 튜브 형태의 소화기는 시설장치 내부에 설치되어 인근의 화기 또는 열에 노출되면 내부의 소화약제를 자동으로 분출함으로써 화재 지연 및 진압 동작을 제공하는 장치에 해당할 수 있으며, 소화약제를 포함하는 소화용 튜브 용기, 소화용 튜브 용기의 상태를 모니터링하는 화재 모니터기 및 소화용 튜브 용기와 화재 모니터기 간의 물리적 결합을 제공하는 용기 고정부를 포함할 수 있다.On the other hand, a tube-type fire extinguisher may correspond to a device that is installed inside the facility and provides fire delay and suppression action by automatically ejecting the fire extinguishing agent inside when exposed to nearby fire or heat. It may include a tube container for fire extinguishing, a fire monitor for monitoring the condition of the tube container for fire extinguishing, and a container fixing portion that provides a physical coupling between the tube container for fire extinguishing and the fire monitor.
화재예방 제공 장치(130)는 복수의 감시 단말(110)들로부터 수신되는 모니터링 정보를 이용하여 시설장치의 운행 과정에서 화재전조 증상을 검출할 수 있고, 화재전조 증상에 대해 시간에 따른 변화를 분석하여 화재 발생 가능성이 높은 센서별 운행 패턴을 학습할 수 있으며, 학습된 결과를 기초로 복수의 시설장치들을 감시하여 화재 예측 및 진단을 제공할 수 있는 컴퓨터 또는 프로그램에 해당하는 서버로 구현될 수 있다. 화재예방 제공 장치(130)는 감시 단말(110)과 블루투스, WiFi, 통신망 등을 통해 무선으로 연결될 수 있고, 네트워크를 통해 감시 단말(110)과 데이터를 주고 받을 수 있다.The fire
일 실시예에서, 화재예방 제공 장치(130)는 데이터베이스(150)와 연동하여 화재예방 제공을 위한 정보를 관리할 수 있다. 한편, 화재예방 제공 장치(130)는 도 1과 달리, 데이터베이스(150)를 내부에 포함하여 구현될 수 있다. 또한, 화재예방 제공 장치(130)는 프로세서, 메모리, 사용자 입출력부 및 네트워크 입출력부를 포함하여 구현될 수 있으며, 이에 대해서는 도 2에서 보다 자세히 설명한다.In an embodiment, the fire
데이터베이스(150)는 패턴 분석을 이용한 인공지능 기반의 화재 예측과 화재예방을 위한 모니터링 과정에서 필요한 다양한 정보들을 저장하는 저장장치에 해당할 수 있다. 데이터베이스(150)는 각 감시 단말(110)로부터 수신된 모니터링 정보를 저장할 수 있고, 화재 발생 예측을 위한 화재진단 모델에 관한 정보를 저장할 수 있으며, 반드시 이에 한정되지 않고, 화재예방 제공 장치(130)가 복수의 감시 단말(110)들과 연동하여 다양한 시설장치의 동작을 감시하고 화재진단 모델의 학습과 이를 통한 화재 발생 예측 및 알림을 제공하는 과정에서 다양한 형태로 수집 또는 가공된 정보들을 저장할 수 있다.The
관리자 단말(170)은 각 시설장치에 관한 모니터링 정보를 확인하거나 화재 예측 및 진단 결과를 확인할 수 있는 컴퓨팅 장치에 해당할 수 있고, 스마트폰, 노트북 또는 컴퓨터로 구현될 수 있으며, 반드시 이에 한정되지 않고, 태블릿 PC 등 다양한 디바이스로도 구현될 수 있다. 관리자 단말(170)은 화재예방 제공 장치(130)와 네트워크를 통해 연결될 수 있고, 복수의 관리자 단말(170)들은 화재예방 제공 장치(130)와 동시에 연결될 수 있다. The
도 2는 도 1의 화재예방 제공 장치의 물리적 구성을 설명하는 블록도이다.FIG. 2 is a block diagram illustrating a physical configuration of the fire prevention providing device of FIG. 1 .
도 2를 참조하면, 화재예방 제공 장치(130)는 프로세서(210), 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)를 포함할 수 있다.Referring to FIG. 2 , the fire
프로세서(210)는 화재예방 제공 장치(130)가 동작하는 과정에서의 각 단계들을 처리하는 프로시저를 실행할 수 있고, 그 과정 전반에서 읽혀지거나 작성되는 메모리(230)를 관리할 수 있으며, 메모리(230)에 있는 휘발성 메모리와 비휘발성 메모리 간의 동기화 시간을 스케줄할 수 있다. 프로세서(210)는 화재예방 제공 장치(130)의 동작 전반을 제어할 수 있고, 메모리(230), 사용자 입출력부(250) 및 네트워크 입출력부(270)와 전기적으로 연결되어 이들 간의 데이터 흐름을 제어할 수 있다. 프로세서(210)는 화재예방 제공 장치(130)의 CPU(Central Processing Unit)로 구현될 수 있다.The
메모리(230)는 SSD(Solid State Drive) 또는 HDD(Hard Disk Drive)와 같은 비휘발성 메모리로 구현되어 화재예방 제공 장치(130)에 필요한 데이터 전반을 저장하는데 사용되는 보조기억장치를 포함할 수 있고, RAM(Random Access Memory)과 같은 휘발성 메모리로 구현된 주기억장치를 포함할 수 있다.The
사용자 입출력부(250)는 사용자 입력을 수신하기 위한 환경 및 사용자에게 특정 정보를 출력하기 위한 환경을 포함할 수 있다. 예를 들어, 사용자 입출력부(250)는 터치 패드, 터치 스크린, 화상 키보드 또는 포인팅 장치와 같은 어댑터를 포함하는 입력장치 및 모니터 또는 터치스크린과 같은 어댑터를 포함하는 출력장치를 포함할 수 있다. 일 실시예에서, 사용자 입출력부(250)는 원격 접속을 통해 접속되는 컴퓨팅 장치에 해당할 수 있고, 그러한 경우, 화재예방 제공 장치(130)는 서버로서 수행될 수 있다.The user input/output unit 250 may include an environment for receiving a user input and an environment for outputting specific information to the user. For example, the user input/output unit 250 may include an input device including an adapter such as a touch pad, a touch screen, an on-screen keyboard, or a pointing device, and an output device including an adapter such as a monitor or a touch screen. In an embodiment, the user input/output unit 250 may correspond to a computing device connected through remote access, and in such a case, the fire
네트워크 입출력부(270)은 네트워크를 통해 외부 장치 또는 시스템과 연결하기 위한 환경을 포함하고, 예를 들어, LAN(Local Area Network), MAN(Metropolitan Area Network), WAN(Wide Area Network) 및 VAN(Value Added Network) 등의 통신을 위한 어댑터를 포함할 수 있다.The network input/
도 3은 도 1의 화재예방 제공 장치의 기능적 구성을 설명하는 블록도이다.3 is a block diagram illustrating a functional configuration of the fire prevention providing device of FIG. 1 .
도 3을 참조하면, 화재예방 제공 장치(130)는 모니터링 정보 수신부(310), 진단 DB 구축부(320), 시설장치 이상 검출부(330), 화재 발생 위험도 예측부(340), 예방 알림 제공부(350) 및 제어부(360)를 포함할 수 있다.Referring to FIG. 3 , the fire
모니터링 정보 수신부(310)는 복수의 시설장치들에 각각 설치되고 복수의 센서들을 포함하는 감시 단말(110)로부터 해당 시설장치의 운행상태에 관한 모니터링 정보를 수집할 수 있다. 즉, 감시 단말(110)은 다양한 센서들을 통해 시설장치의 동작의 정상 유무를 판단할 수 있는 다양한 정보들을 모니터링 정보로서 수집할 수 있고, 유선 또는 무선으로 연결된 화재예방 제공 장치(130)에게 해당 데이터를 제공할 수 있다.The monitoring
이 경우, 모니터링 정보 수신부(310)는 해당 동작을 담당하여 처리할 수 있고, 모니터링 정보 수신부(310)는 데이터 수신과 함께 데이터 분류 동작이나 분석을 위한 전처리 동작을 추가적으로 수행할 수 있다. 예를 들어, 모니터링 정보 수신부(310)는 데이터에 대한 유효성 검사를 수행할 수 있고, 정규화 또는 데이터 변환 등의 동작을 수행할 수 있다.In this case, the monitoring
일 실시예에서, 모니터링 정보 수신부(310)는 모니터링 정보 중 전기적인 신호를 특정 주기로 샘플링(sampling)하여 디지털 신호로 변환할 수 있다. 즉, 감시 단말(110)은 복수의 센서들을 통해 시설장치의 운행 과정에서 온도, 습도, 스파크(spark), 연기 및 가스에 관한 신호를 측정할 수 있고, 이 때 측정된 신호는 아날로그 신호로서 센서의 특성에 따라 정형화되지 않은 고유값으로 표현될 수 있다. In an embodiment, the monitoring
또한, 모니터링 정보 수신부(310)는 모니터링 정보에 대해 소정의 비율로 증폭시키는 동작을 수행할 수 있다. 예를 들어, 모니터링 정보 수신부(310)는 센서에 의해 생성된 전기적인 신호로부터 고정 주기의 샘플링을 통해 디지털화된 신호로의 변환 동작을 처리할 수 있으며, 이 때 샘플링 주기(sampling rate)는 화재예방 제공 장치(130)에 의해 사전에 설정될 수 있다. In addition, the monitoring
또한, 모니터링 정보 수신부(310)는 필요한 경우 디지털 신호의 변환 이후 캘리브레이션(calibration)을 수행할 수 있다. 이를 위하여 모니터링 정보 수신부(310)는 데이터베이스(150)에 저장된 캘리브레이션 함수를 사용할 수 있다.In addition, the monitoring
진단 DB 구축부(320)는 모니터링 정보를 시각화하여 디스플레이하고 화재 발생을 진단하기 위한 데이터베이스(150)를 구축할 수 있다. 진단 DB 구축부(320)는 시각화된 정보의 디스플레이를 위해 디스플레이 모듈과 연동하여 동작할 수 있고, 화재예방 제공 장치(130)는 디스플레이 모듈과의 연동을 위한 인터페이스를 제공할 수 있다. 진단 DB 구축부(320)는 감시 단말(110)로부터 수신한 모니터링 정보를 시설장치 별로 분류하여 저장할 수 있으며, 센서 유형이나 수집 시점 등 다양한 기준으로 분류하여 독립적인 DB로서 구축할 수도 있다.The diagnosis
일 실시예에서, 진단 DB 구축부(320)는 모니터링 정보를 센서 유형별로 분류하여 복수의 시설장치들과 측정시간들을 각 차원으로 하는 2차원 매트릭스를 유형별 감시 지도로서 생성할 수 있다. 감시 단말(110)에 의해 전송된 모니터링 정보는 다양한 센서들로부터 수집되기 때문에 센서에 따라 데이터 구조나 형태뿐만 아니라 데이터 유효 범위도 상이할 수 있다. 진단 DB 구축부(320)는 데이터베이스(150)의 구축 과정에서 모니터링 정보를 유형별로 분류하여 저장할 수 있다.In an embodiment, the diagnostic
또한, 진단 DB 구축부(320)는 유형별로 모니터링 정보에 관한 감시 지도를 생성할 수 있다. 여기에서, 감시 지도는 모니터링 정보를 기초로 생성되는 자료로서 유형별로 시간의 흐름에 따른 각 시설장치들의 동작 현황을 동일 평면 상에 정렬시킴으로써 도출될 수 있다. 즉, 화재예방 제공 장치(130)는 감시 지도를 통해 복수의 시설장치들의 모니터링 현황을 직관적으로 시각화하여 제공할 수 있다.Also, the diagnosis
시설장치 이상 검출부(330)는 데이터베이스(150)의 구축 과정에서 복수의 시설장치들에 관한 이상을 검출할 수 있다. 여기에서, 시설장치에 관한 이상은 온도 및 습도의 이탈이나 스파크 및 연기의 발생, 그리고 가스의 검출 등에 해당할 수 있다. 예를 들어, 시설장치의 정상적인 동작 과정에서 측정되는 정상온도는 40 ~ 50도 사이에 형성될 수 있고, 만약 시설장치로부터 측정된 온도가 40도 미만이거나 또는 50도를 초과하는 경우라면 해당 시설장치에 이상이 발생한 것으로 추정될 수 있다. 시설장치 이상 검출부(330)는 수집되는 정보들 중에서 정상 범위를 벗어나는 데이터가 검출된 경우 해당 시설장치에 이상이 발생한 것으로 결정할 수 있다.The facility device
일 실시예에서, 시설장치 이상 검출부(330)는 특정 시설장치에 대해 해당 모니터링 정보를 기초로 각 센서 별로 시간(time)축과 밸류(value)축으로 표현되는 2차원 패턴그래프를 생성하고 밸류축을 기준으로 센서별 운행범위를 이탈하는 화재전조 구간이 검출된 경우 특정 시설장치의 이상을 결정할 수 있다. 여기에서, 패턴그래프는 시설장치의 동작 과정에서 센서에 의해 측정된 특성값들을 2차원 좌표계 상에서 시각화한 그래픽 인터페이스에 해당할 수 있다.In one embodiment, the facility device
또한, 시설장치 이상 검출부(330)는 수집된 정보를 2차원 좌표계 상에서 배치하는 과정에서 밸류축을 기준으로 센서 별로 정상상태에서 측정되는 신호 범위를 운행범위로 정의할 수 있고, 수집된 모니터링 정보가 운행범위를 벗어나는 순간을 검출하여 해당 구간을 포함하여 정의되는 화재전조 구간을 결정할 수 있다. 즉, 화재전조 구간은 패턴그래프 상에서 시간축을 기준으로 정의되는 특정 시간구간에 해당할 수 있고, 정상범위에서 벗어난 데이터가 검출된 구간을 포함하여 정의될 수 있다. 이에 대해서는 도 8에서 보다 자세히 설명한다.In addition, in the process of arranging the collected information on the two-dimensional coordinate system, the facility device
일 실시예에서, 시설장치 이상 검출부(330)는 유형별 감시 지도를 측정시간 차원을 기준으로 나란히 배치함으로써 2차원 매트릭스를 3차원으로 확장하고 각 2차원 매트릭스 상의 분포를 기초로 결정된 후보 관심영역 간의 중첩 수가 기 설정된 임계값을 초과하는 경우 해당 후보 관심영역들의 집합으로 정의되는 관심영역을 결정할 수 있다. 보다 구체적으로, 시설장치 이상 검출부(330)는 유형별 감시 지도를 측정시간 차원이 일치되도록 정렬시켜 배치할 수 있고, 이에 따라 2차원 매트릭스가 3차원으로 확장될 수 있다(도 7 참조).In one embodiment, the facility device
또한, 시설장치 이상 검출부(330)는 유형별 감시 지도 상에서 모니터링 정보의 이상 유무를 검출한 결과로서 후보 관심영역을 결정할 수 있고, 3차원으로 확장된 감시 지도 상에서 후보 관심영역의 중첩이 특정 수 이상 반복된 영역을 관심영역으로 최종 결정할 수 있다. 즉, 시설장치 이상 검출부(330)에 의해 결정된 관심영역은 동작 과정에서 이상이 검출될 확률이 높은 시설장치를 결정하는데 활용될 수 있다.In addition, the facility device
화재 발생 위험도 예측부(340)는 이상이 검출된 경우 해당 시설장치를 대상으로 패턴 분석을 이용한 인공지능 기반의 화재 예측을 통해 화재 발생 위험도를 예측할 수 있다. 여기에서, 패턴 분석을 이용한 인공지능 기반의 화재 예측은 다양한 센서들로부터 수집한 데이터를 기초로 시설장치의 운행 패턴을 도출하고 운행 패턴들 간의 상관관계를 분석하여 화재 발생 확률을 예측하는 과정에 해당할 수 있다. 즉, 화재 발생 위험도 예측부(340)는 시설장치의 이상에 관한 화재전조 증상 요소를 도출한 후 화재전조 증상 요소에 관한 시간 변화를 패턴화하여 학습함으로써 화재 발생에 관한 예측 가능성을 향상시킬 수 있다.When an abnormality is detected, the fire
일 실시예에서, 화재 발생 위험도 예측부(340)는 특정 시설장치에 대해 해당 모니터링 정보를 기초로 특정 시간간격 동안의 운행상태로 정의되는 각 센서별 운행 패턴을 도출하고 각 센서별 운행 패턴 간의 상관관계에 관한 학습을 통해 특정 시설장치에 관한 화재 발생 위험도를 예측하는 화재진단 모델을 생성할 수 있다. In one embodiment, the fire
보다 구체적으로, 화재 발생 위험도 예측부(340)는 시설장치의 동작 특성을 고려하여 진단주기를 결정할 수 있고, 진단주기에 따라 특정 시간간격을 결정할 수 있다. 예를 들어, 진단주기가 T인 경우 화재 발생 위험도 예측부(340)는 특정 시간간격으로서 T/m(이 때, m은 자연수) 또는 m*T을 결정할 수 있다. 화재 발생 위험도 예측부(340)는 센서 별로 진단데이터로부터 도출되는 운행상태에 관하여 시각화된 형태로 표현함으로써 운행 패턴을 결정할 수 있다.More specifically, the fire
또한, 화재 발생 위험도 예측부(340)는 단일 센서에 대한 운행 패턴만으로 화재 발생을 진단할 수 있고, 복수의 센서들에 대한 운행 패턴들 사이의 상관관계를 분석하여 화재 발생을 진단할 수도 있다. 만약 운행 패턴 간의 상관관계를 기초로 화재 발생을 진단하는 경우 화재 발생 위험도 예측부(340)는 각 운행 패턴에 대한 특징값을 추출하고 해당 특징값들로 운행 패턴 간의 상관관계를 정의한 후 이를 활용하여 학습 동작을 수행할 수 있다.In addition, the fire
일 실시예에서, 화재 발생 위험도 예측부(340)는 특정 시간간격에 대해 각 센서별 운행 패턴에 대한 대표 특징값을 결정하고 연속하는 특정 시간간격 사이에 대표 특징값에 대한 변화율을 산출한 결과로서 각 센서별 변화율을 성분값으로 하는 특징벡터를 학습데이터로 생성하여 학습을 수행할 수 있다.In one embodiment, the fire
보다 구체적으로, 화재 발생 위험도 예측부(340)는 기 설정된 특정 시간간격을 단위 구간으로 설정할 수 있고, 단위 구간 별로 각 센서에 대한 운행 패턴을 도출할 수 있다. 또한, 화재 발생 위험도 예측부(340)는 각 단위 구간에 대해 운행 패턴을 대표할 수 있는 대표값을 설정할 수 있고, 예를 들어, 단위 구간 동안의 운행 상태에 관한 특징값들의 평균을 통해 해당 단위 구간에 대한 대표 특징값을 결정할 수 있다.More specifically, the fire
또한, 화재 발생 위험도 예측부(340)는 단위 구간마다 도출된 대표 특징값들 간의 변화율을 산출할 수 있고, 각 센서별 변화율을 성분으로 하는 n차원의 특징벡터를 학습데이터로 생성할 수 있다. 이 때, n은 시설장치에 설치된 센서들의 개수에 대응될 수 있다.In addition, the fire
일 실시예에서, 화재 발생 위험도 예측부(340)는 화재 발생 위험도 예측부는 특정 시간간격에 대해 각 센서별 운행 패턴에 관한 2차원 이미지들을 획득하는 제1 단계, 2차원 이미지들 각각에 대한 n차원(상기 n은 자연수) 특징 벡터를 생성하는 제2 단계, 각 센서별 특징 벡터들을 하나로 통합하여 특정 시간간격을 대표하는 대표 특징 벡터를 생성하는 제3 단계 및 대표 특징 벡터에 관한 학습을 수행하여 화재진단 모델을 생성하는 제4 단계를 순차적으로 수행할 수 있다.In one embodiment, the fire
보다 구체적으로, 화재 발생 위험도 예측부(340)는 각 센서에 대해 운행 패턴을 시각화한 결과로서 2차원 패턴그래프를 생성할 수 있고, 해당 2차원 패턴그래프의 시간축을 특정 간격으로 분할하여 각 특정 간격에 대한 패턴그래프의 2차원 이미지를 획득할 수 있다. 또한, 화재 발생 위험도 예측부(340)는 2차원 이미지에 대한 이미지 분석을 통해 n차원의 특징 벡터를 생성할 수 있다. 예를 들어, 화재 발생 위험도 예측부(340)는 CNN(Convolution Neural Network) 알고리즘을 이용하여 특정 이미지에 대한 n차원의 특징 벡터를 생성할 수 있다. More specifically, the fire
즉, 화재 발생 위험도 예측부(340)는 각 센서별로 획득한 n차원의 특징 벡터들을 하나로 통합하여 해당 시점에서 시설장치의 운행 상태에 관한 통합 정보로서 대표 특징 벡터를 생성할 수 있고, 매 주기별 시점마다 대표 특징 벡터에 대한 학습을 통해 화재예방 알림을 제공하기 위한 화재진단 모델을 구축할 수 있다. 결과적으로, 이를 통해 구축된 화재진단 모델은 각 센서별 운행 패턴 간의 상관관계를 독립변수로 하여 화재 발생 위험도를 종속변수로서 출력할 수 있다.That is, the fire
일 실시예에서, 화재 발생 위험도 예측부(340)는 관심영역에 존재하는 시설장치를 대상으로 화재 발생 위험도를 예측할 수 있다. 관심영역은 유형별 감시 지도 상의 분포에 의해 정의되는 영역으로 시설장치 이상 검출부(330)에 의해 결정될 수 있다. 화재 발생 위험도 예측부(340)는 관심영역 내에 존재하는 시설장치들에 관한 상세 모니터링을 수행할 수 있고, 화재진단 모델을 적용하여 화재 발생 위험도를 실시간으로 예측하여 화재예방을 위한 감시 동작을 수행할 수 있다.In an embodiment, the fire
예방 알림 제공부(350)는 화재 발생 위험도에 따라 해당 시설장치에 대한 예방보호 조치를 요청하는 알림을 제공할 수 있다. 예방 알림 제공부(350)는 알림 메시지를 생성하여 관리자 단말(170)이나 외부 시스템에게 전송할 수 있다. 예방 알림 제공부(350)에 의해 제공되는 알림 방식은 시각, 청각 및 촉각 등에 자극을 전달할 수 있는 다양한 형태로 구현될 수 있다. 예를 들어, 예방 알림 제공부(350)는 음향 재생, 광원 점등 및 진동 생성 등의 방식으로 화재예방에 관한 알림을 제공할 수 있다.The prevention
일 실시예에서, 예방 알림 제공부(350)는 알림을 관리자 단말(170)에게 전송하고 관리자 단말(170)로부터 수신한 인증정보에 따라 제한된 관리 권한을 부여할 수 있다. 관리자는 관리자 단말(170)을 통해 이상이 검출된 시설장치에 관한 원격제어를 수행할 수 있으며, 이를 위하여 화재예방 제공 장치(130)를 통해 관리 권한을 획득할 수 있다. 예방 알림 제공부(350)는 알림 메시지에 인증정보를 입력할 수 있는 인터페이스를 포함시켜 전송할 수 있고, 관리자는 알림 메시지를 확인함과 동시에 관리 권한 획득을 위한 인증정보를 입력할 수 있다.In an embodiment, the preventive
한편, 예방 알림 제공부(350)는 관리자에 의해 입력된 인증정보를 기초로 시설장치에 관한 관리 권한을 부여할 수 있으며, 시설장치 별로 안전 수준, 권한 내용, 관리 권한자 및 대리 권한자 등이 정의된 관리권한 테이블을 활용할 수 있다. 이 때, 관리권한 테이블은 화재예방 제공 장치(130)에 의해 사전에 설정될 수 있고, 데이터베이스(150)에 저장되어 관리될 수 있다.On the other hand, the prevention
제어부(360)는 화재예방 제공 장치(130)의 전체적인 동작을 제어하고, 모니터링 정보 수신부(310), 진단 DB 구축부(320), 시설장치 이상 검출부(330), 화재 발생 위험도 예측부(340) 및 예방 알림 제공부(350) 간의 제어 흐름 또는 데이터 흐름을 관리할 수 있다.The
도 4는 도 1의 화재예방 제공 장치에서 수행되는 인공지능 기반의 화재예방 제공 과정을 설명하는 순서도이다.FIG. 4 is a flowchart illustrating an artificial intelligence-based fire prevention provision process performed by the fire prevention provision apparatus of FIG. 1 .
도 4를 참조하면, 화재예방 제공 장치(130)는 모니터링 정보 수신부(310)를 통해 복수의 시설장치들에 각각 설치되고 복수의 센서들을 포함하는 감시 단말(110)로부터 해당 시설장치의 운행상태에 관한 모니터링 정보를 수집할 수 있다(단계 S410). 화재예방 제공 장치(130)는 진단 DB 구축부(320)를 통해 모니터링 정보를 시각화하여 디스플레이하고 화재 발생을 진단하기 위한 데이터베이스(150)를 구축할 수 있다(단계 S430).4, the fire
또한, 화재예방 제공 장치(130)는 시설장치 이상 검출부(330)를 통해 데이터베이스(150)의 구축 과정에서 복수의 시설장치들에 관한 이상을 검출할 수 있다(단계 S450). 화재예방 제공 장치(130)는 화재 발생 위험도 예측부(340)를 통해 이상이 검출된 경우 해당 시설장치를 대상으로 패턴 분석을 이용한 인공지능 기반의 화재 예측을 통해 화재 발생 위험도를 예측할 수 있다(단계 S470). 화재예방 제공 장치(130)는 예방 알림 제공부(350)를 통해 화재 발생 위험도에 따라 해당 시설장치에 대한 예방보호 조치를 요청하는 알림을 제공할 수 있다(단계 S490).In addition, the fire
도 5는 본 발명에 따른 화재예방 제공 시스템을 설명하는 개념도이다.5 is a conceptual diagram illustrating a fire prevention providing system according to the present invention.
도 5를 참조하면, 화재예방 제공 시스템(100)은 무선 모니터링 시스템을 구성할 수 있고, 소화기(510), 모뎀(530), 모니터링 시스템(550) 및 현장 실시간 감시 시스템(570)을 포함할 수 있다. 또한, 소화기(510)는 시설장치 중 하나로서 감시 단말(511)을 포함하여 소화기의 운용 과정에서 생성되는 다양한 데이터들을 수집할 수 있다. 감시 단말(511)은 다양한 센서들을 포함하여 실시간 데이터 수집을 처리할 수 있다. 예를 들어, 감시 단말(511)은 온습도를 측정할 수 있고, 불꽃을 감지할 수 있으며, 스틱 상태를 확인할 수도 있다.Referring to FIG. 5 , the fire
또한, 모델(530)은 각 시설장치에 설치된 감시 단말(511)들과 연결되어 데이터를 모니터링 시스템(550)으로 중계하는 역할을 수행할 수 있다. 모니터링 시스템(550)은 모니터링 서버(551)와 판넬 화재 감시 시스템(553)을 포함할 수 있다. 모니터링 서버(551)는 감시 단말(511)로부터 수집된 모니터링 정보를 이용하여 시설장치들을 모니터링하는 동작을 수행할 수 있다. 판넬 화재 감시 시스템(553)은 모뎀(530)의 중계를 통해 모니터링 서버(551)와 연동하여 화재 발생을 진단하고, 예방 조치를 위한 알림을 제공하는 동작을 수행할 수 있다.In addition, the
한편, 현장 실시간 감시 시스템(570)은 관리자 단말(571)을 포함할 수 있다. 현장 실시간 감시 시스템(570)은 다양한 정보들을 관리자 단말(571)에 제공하여 현장 관리자가 시설장치를 관리하는 과정에서 필요한 다양한 정보들을 실시간으로 제공할 수 있다.Meanwhile, the on-site real-
도 6은 본 발명에 따른 유형별 감시 지도를 설명하는 도면이다.6 is a view for explaining a monitoring map for each type according to the present invention.
도 6을 참조하면, 화재예방 제공 장치(130)는 진단 DB 구축부(320)를 통해 유형별로 분류된 진단데이터를 이용하여 복수의 시설장치들(611)과 측정시간들(613)을 각 차원으로 하는 2차원 매트릭스(610)로서 유형별 감시 지도를 생성할 수 있다. 도 6의 경우, 시설장치들로부터 측정된 온도 신호를 기초로 생성된 온도 감시 지도에 해당할 수 있다. 즉, 온도 감시 지도의 각 행은 각 시설장치들(D1, D2, ..., Dn)(611)에 대응될 수 있고, 각 열은 각 측정시간들(t1, t2, t3, ..., tn)(613)에 대응될 수 있다. 따라서, 화재예방 제공 장치(130)는 온도 감시 지도를 통해 각 시설장치들에서 정상 범위를 초과한 이상 신호를 효과적으로 검출할 수 있다.Referring to FIG. 6 , the fire
도 7은 본 발명에 따른 관심영역 결정 과정을 설명하는 도면이다.7 is a view for explaining a process of determining a region of interest according to the present invention.
도 7을 참조하면, 화재예방 제공 장치(130)는 시설장치 이상 검출부(330)를 통해 유형별 감시 지도를 시간 차원(t)을 기준으로 나란히 배치함으로써 2차원 매트릭스(710)를 3차원으로 확장하고 각 2차원 매트릭스에서 결정된 후보 관심영역(730) 간의 중첩 수가 기 설정된 임계값을 초과하는 경우 해당 후보 관심영역들의 집합으로 정의되는 관심영역(770)을 결정할 수 있다. 즉, 관심영역(770)은 후보 관심영역(730)들의 최다 중첩영역(750)을 포함하는 영역에 해당할 수 있다.7, the fire
도 7에서, 화재예방 제공 장치(130)는 온도, 습도, 스파크, 연기 및 가스 등에 관한 감시 지도들을 각각 2차원 매트릭스(710)로서 구축할 수 있고, 시간 차원(t)을 기준으로 나란히 배치하여 3차원으로 확장시킬 수 있다. 각 2차원 매트릭스(710)는 동일한 시설장치(f)에 대해 동일한 시간(t)에 획득된 진단데이터들이 서로 대응되도록 배치될 수 있고, 화재예방 제공 장치(130)는 배치 결과 각 감시 지도 상에서 결정된 후보 관심영역(730)들의 중첩 수가 특정 개수(예를 들어, 3)이상인 최다 중첩영역(750)이 존재하는지 결정할 수 있다.In FIG. 7, the fire
만약 중첩 수가 3이상인 최다 중첩영역(750)이 존재하는 경우 화재예방 제공 장치(130)는 해당 중첩을 형성하는 후보 관심영역(730)들의 집합을 관심영역(770)으로 최종 결정할 수 있다. 이후, 화재예방 제공 장치(130)는 화재 발생 위험도 예측부(340)를 통해 관심영역(770)과 연관된 시설장치들을 대상으로 이상신호를 검출하고 화재 발생 위험도를 예측하여 정밀진단을 수행할 수 있으며, 예방 알림 제공부(350)를 통해 화재 발생 위험도에 따라 해당 시설장치에 대한 예방보호 조치를 요청하는 알림을 제공할 수 있다.If there is a
일 실시예에서, 화재 발생 위험도 예측부(340)는 시설장치에 대한 정밀진단을 위하여 이상신호와 연관된 주요부품을 결정하고 해당 주요부품의 동작에 이상이 있는지 검출하기 위한 시뮬레이션을 수행할 수 있다. 화재 발생 위험도 예측부(340)는 정밀진단을 위한 시뮬레이션의 각 단계를 독립적으로 수행하는 복수의 모듈들로 구성될 수 있다.In an embodiment, the fire
보다 구체적으로, 화재 발생 위험도 예측부(340)는 이상신호와 연관된 주요부품을 결정하는 주요부품 결정 모듈, 해당 주요부품을 제외한 다른 부품에 대해 각각의 모니터링 정보를 적용하여 가상 환경을 생성하는 가상환경 생성 모듈, 가상환경에서 주요부품에 대한 동작을 시뮬레이션 하는 시뮬레이션 수행 모듈 및 시뮬레이션에 의해 생성된 주요부품의 동작 신호와 이상신호를 비교하여 정밀진단 결과를 생성하는 진단 결과 생성 모듈을 포함할 수 있다.More specifically, the fire
주요부품 결정 모듈은 이상신호와 연관된 주요부품을 결정할 수 있다. 예를 들어, 모니터링 정보 중 온도 신호에 이상이 검출된 경우 해당 시설장치에서 열을 발생시킬 수 있는 부품이 주요부품으로 결정될 수 있다.The main component determination module may determine the main component associated with the abnormal signal. For example, when an abnormality is detected in a temperature signal among monitoring information, a component capable of generating heat in a corresponding facility device may be determined as a major component.
또한, 가상환경 생성 모듈은 해당 주요부품을 제외한 다른 부품에 대해 각각의 모니터링 정보를 적용하여 정밀진단을 위한 가상환경을 생성할 수 있다. 시뮬레이션을 위해서는 실제 시설장치와 동일한 가상환경이 구축되어야 하고, 가상환경 생성 모듈은 이러한 가상환경을 구축하는 역할을 수행할 수 있다. 가상환경 구축에 필요한 정보는 사전에 설정되어 데이터베이스(150)에 저장될 수 있으며, 가상환경 생성 모듈은 가상환경을 구축한 이후 실제 수집된 모니터링 정보에 가깝도록 가상환경의 동작 조건을 조정할 수 있다. 한편, 가상환경은 격리된 시스템에 해당할 수 있고, 가상 동작에 따른 센싱 정보를 출력으로서 제공할 수 있다.In addition, the virtual environment generation module may generate a virtual environment for precise diagnosis by applying respective monitoring information to parts other than the corresponding main part. For simulation, a virtual environment identical to that of an actual facility device must be established, and the virtual environment creation module can play a role in establishing such a virtual environment. Information necessary for establishing the virtual environment may be set in advance and stored in the
또한, 시뮬레이션 수행 모듈은 가상환경에서 주요부품에 대한 동작을 시뮬레이션 할 수 있다. 가상환경이 구축되면 시설장치가 실제 정상 동작하는 환경에서 시뮬레이션을 수행할 수 있고, 그에 따른 출력을 생성할 수 있다.In addition, the simulation execution module can simulate the operation of the main parts in the virtual environment. When the virtual environment is established, a simulation can be performed in an environment in which the facility actually operates normally, and an output can be generated accordingly.
또한, 진단 결과 생성 모듈은 시뮬레이션에 의해 생성된 주요부품의 동작 신호와 이상신호를 비교하여 정밀진단 결과를 생성할 수 있다. 즉, 진단 결과 생성 모듈에 의해 생성된 시뮬레이션 결과와 실제 수집된 이상신호 간의 차이가 크다면 해당 시설장치의 동작에 이상이 발생한 것으로 판단하여 관리자에게 긴급 점검을 요청하거나 외부 시스템에게 경고 메시지를 제공할 수 있다.In addition, the diagnosis result generating module may generate a precise diagnosis result by comparing the operation signal of the main component and the abnormal signal generated by the simulation. That is, if the difference between the simulation result generated by the diagnostic result generating module and the actual collected abnormal signal is large, it is determined that an abnormality has occurred in the operation of the corresponding facility device, and an emergency inspection is requested from the manager or a warning message is provided to an external system. can
도 8은 본 발명에 따른 화재전조 구간을 설명하는 도면이다.8 is a view for explaining a fire precursor section according to the present invention.
도 8을 참조하면, 화재예방 제공 장치(130)는 시설장치 이상 검출부(330)를 통해 수집된 정보를 2차원 좌표계 상에서 배치하는 과정에서 밸류축을 기준으로 센서 별로 정상상태에서 측정되는 신호 범위를 운행범위(810)로 정의할 수 있고, 수집된 모니터링 정보가 운행범위(810)를 벗어나는 순간을 검출하여 해당 구간을 포함하여 정의되는 화재전조 구간(830)을 결정할 수 있다. 즉, 화재전조 구간(830)은 패턴그래프 상에서 시간축을 기준으로 정의되는 특정 시간구간에 해당할 수 있고, 정상범위에서 벗어난 데이터가 검출된 구간을 포함하여 정의될 수 있다.Referring to FIG. 8 , the fire
또한, 화재예방 제공 장치(130)는 화재 발생 위험도 예측부(340)를 통해 모니터링 정보를 기초로 특정 시간간격 동안의 운행상태로 정의되는 각 센서별 운행 패턴을 도출하고 각 센서별 운행 패턴 간의 상관관계에 관한 학습을 통해 특정 시설장치에 관한 화재 발생 위험도를 예측하는 화재진단 모델을 생성할 수 있다. 여기에서, 운행 패턴을 도출하는 특정 시간간격은 시설장치 이상 검출부(330)에 의해 결정되는 화재전조 구간(830)에 대응될 수 있다.In addition, the fire
상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.Although the above has been described with reference to preferred embodiments of the present invention, those skilled in the art can variously modify and change the present invention within the scope without departing from the spirit and scope of the present invention as set forth in the claims below. You will understand that it can be done.
100: 화재예방 제공 시스템
110: 감시 단말 130: 화재예방 제공 장치
150: 데이터베이스 170: 관리자 단말
210: 프로세서 230: 메모리
250: 사용자 입출력부 270: 네트워크 입출력부
310: 모니터링 정보 수신부 320: 진단 DB 구축부
330: 시설장치 이상 검출부 340: 화재 발생 위험도 예측부
350: 예방 알림 제공부 360: 제어부
510: 소화기 511: 감시 단말
530: 모뎀 550: 모니터링 시스템
551: 모니터링 서버 553: 판넬 화재 감시 시스템
570: 현장 실시간 감시 시스템 571: 관리자 단말
610: 2차원 매트릭스 611: 시설장치
613: 측정시간
710: 2차원 매트릭스 730: 후보 관심영역
750: 최다 중첩영역 770: 관심영역
810: 운행범위 830: 화재전조 구간100: fire prevention providing system
110: monitoring terminal 130: fire prevention providing device
150: database 170: administrator terminal
210: processor 230: memory
250: user input/output unit 270: network input/output unit
310: monitoring information receiving unit 320: diagnostic DB construction unit
330: facility equipment abnormality detection unit 340: fire risk prediction unit
350: preventive notification providing unit 360: control unit
510: fire extinguisher 511: monitoring terminal
530: modem 550: monitoring system
551: monitoring server 553: panel fire monitoring system
570: field real-time monitoring system 571: administrator terminal
610: two-dimensional matrix 611: facility equipment
613: measurement time
710: two-dimensional matrix 730: candidate region of interest
750: most overlapping region 770: region of interest
810: operating range 830: fire warning section
Claims (8)
상기 모니터링 정보를 시각화하여 디스플레이하고 화재 발생을 진단하기 위한 데이터베이스를 구축하는 진단 DB 구축부;
상기 데이터베이스의 구축 과정에서 상기 복수의 시설장치들에 관한 이상을 검출하는 시설장치 이상 검출부;
상기 이상이 검출된 경우 해당 시설장치를 대상으로 패턴 분석을 이용한 인공지능 기반의 화재 예측을 통해 화재 발생 위험도를 예측하는 화재 발생 위험도 예측부; 및
상기 화재 발생 위험도에 따라 상기 해당 시설장치에 대한 예방보호 조치를 요청하는 알림을 제공하는 예방 알림 제공부를 포함하되,
상기 감시 단말은 상기 복수의 센서들을 통해 시설장치의 운행 과정에서 온도, 습도, 스파크(spark), 연기 및 가스에 관한 신호를 측정하고,
상기 모니터링 정보 수신부는
상기 모니터링 정보 중 전기적인 신호를 특정 주기로 샘플링(sampling)하여 디지털 신호로 변환하고,
상기 시설장치 이상 검출부는
특정 시설장치에 대해 해당 모니터링 정보를 기초로 각 센서 별로 시간(time)축과 밸류(value)축으로 표현되는 2차원 패턴그래프를 생성하고 상기 밸류축을 기준으로 센서별 운행범위를 이탈하는 화재전조 구간이 검출된 경우 상기 특정 시설장치의 이상을 결정하고,
상기 화재 발생 위험도 예측부는
특정 시설장치에 대해 해당 모니터링 정보를 기초로 특정 시간간격 동안의 운행상태로 정의되는 각 센서별 운행 패턴을 도출하고 상기 각 센서별 운행 패턴 간의 상관관계에 관한 학습을 통해 상기 특정 시설장치에 관한 화재 발생 위험도를 예측하는 화재진단 모델을 생성하고,
상기 화재 발생 위험도 예측부는
상기 특정 시간간격에 대해 상기 각 센서별 운행 패턴에 대한 대표 특징값을 결정하고 연속하는 특정 시간간격 사이에 대표 특징값에 대한 변화율을 산출한 결과로서 각 센서별 변화율을 성분값으로 하는 특징벡터를 학습데이터로 생성하여 상기 학습을 수행하고,
상기 화재 발생 위험도 예측부는
상기 특정 시간간격에 대해 상기 각 센서별 운행 패턴에 관한 2차원 이미지들을 획득하는 제1 단계, 상기 2차원 이미지들 각각에 대한 n차원(상기 n은 자연수) 특징 벡터를 생성하는 제2 단계, 각 센서별 특징 벡터들을 하나로 통합하여 상기 특정 시간간격을 대표하는 대표 특징 벡터를 생성하는 제3 단계 및 상기 대표 특징 벡터에 관한 학습을 수행하여 상기 화재진단 모델을 생성하는 제4 단계를 순차적으로 수행하고,
상기 진단 DB 구축부는
상기 모니터링 정보를 센서 유형별로 분류하여 상기 복수의 시설장치들과 측정시간들을 각 차원으로 하는 2차원 매트릭스를 유형별 감시 지도로서 생성하고,
상기 시설장치 이상 검출부는
상기 유형별 감시 지도를 측정시간 차원을 기준으로 나란히 배치함으로써 상기 2차원 매트릭스를 3차원으로 확장하고 각 2차원 매트릭스 상의 분포를 기초로 결정된 후보 관심영역 간의 중첩 수가 기 설정된 임계값을 초과하는 경우 해당 후보 관심영역들의 집합으로 정의되는 관심영역을 결정하고,
상기 화재 발생 위험도 예측부는
상기 관심영역에 존재하는 시설장치를 대상으로 상기 화재 발생 위험도를 예측하는 것을 특징으로 하는 인공지능 기반의 화재예방 제공 장치.
a monitoring information receiving unit that is installed in each of a plurality of facility devices and collects monitoring information about the operating state of the facility from a monitoring terminal including a plurality of sensors;
a diagnosis DB construction unit that visualizes and displays the monitoring information and builds a database for diagnosing fire occurrence;
a facility device abnormality detection unit for detecting abnormalities related to the plurality of facility devices in the process of building the database;
a fire risk prediction unit for predicting a fire risk through artificial intelligence-based fire prediction using pattern analysis for a corresponding facility device when the abnormality is detected; and
Including a preventive notification providing unit for providing a notification requesting preventive protection measures for the facility according to the risk of occurrence of the fire,
The monitoring terminal measures signals related to temperature, humidity, spark, smoke and gas in the operation process of the facility device through the plurality of sensors,
The monitoring information receiving unit
An electrical signal among the monitoring information is sampled at a specific period and converted into a digital signal,
The facility device abnormality detection unit
A fire precursor section in which a two-dimensional pattern graph expressed by a time axis and a value axis is generated for each sensor based on the corresponding monitoring information for a specific facility device and deviates from the operating range for each sensor based on the value axis When this is detected, the abnormality of the specific facility is determined,
The fire risk prediction unit
On the basis of the monitoring information for a specific facility, a driving pattern for each sensor defined as the operating state for a specific time interval is derived, and a fire related to the specific facility through learning about the correlation between the operating patterns for each sensor Create a fire diagnosis model that predicts the risk of occurrence,
The fire risk prediction unit
As a result of determining the representative characteristic value for the driving pattern for each sensor for the specific time interval and calculating the rate of change for the representative characteristic value between successive specific time intervals, a feature vector using the rate of change for each sensor as a component value Perform the learning by generating it as learning data,
The fire risk prediction unit
A first step of obtaining two-dimensional images related to the driving pattern for each sensor for the specific time interval, a second step of generating an n-dimensional (where n is a natural number) feature vector for each of the two-dimensional images, each A third step of generating a representative feature vector representing the specific time interval by integrating the feature vectors for each sensor into one, and a fourth step of generating the fire diagnosis model by learning about the representative feature vector are sequentially performed, ,
The diagnostic DB construction unit
By classifying the monitoring information by sensor type, a two-dimensional matrix with the plurality of facility devices and measurement times as each dimension is generated as a monitoring map for each type,
The facility device abnormality detection unit
By arranging the monitoring maps for each type side by side based on the measurement time dimension, the two-dimensional matrix is expanded to three dimensions, and when the number of overlaps between candidate regions of interest determined based on the distribution on each two-dimensional matrix exceeds a preset threshold, the corresponding candidate Determining a region of interest defined as a set of regions of interest,
The fire risk prediction unit
Artificial intelligence-based fire prevention providing device, characterized in that predicting the risk of fire occurrence for facility devices existing in the region of interest.
상기 모니터링 정보를 시각화하여 디스플레이하고 화재 발생을 진단하기 위한 데이터베이스를 구축하는 단계;
상기 데이터베이스의 구축 과정에서 상기 복수의 시설장치들에 관한 이상을 검출하는 단계;
상기 이상이 검출된 경우 해당 시설장치를 대상으로 패턴 분석을 이용한 인공지능 기반의 화재 예측을 통해 화재 발생 위험도를 예측하는 단계; 및
상기 화재 발생 위험도에 따라 상기 해당 시설장치에 대한 예방보호 조치를 요청하는 알림을 제공하는 단계를 포함하되,
상기 감시 단말은 상기 복수의 센서들을 통해 시설장치의 운행 과정에서 온도, 습도, 스파크(spark), 연기 및 가스에 관한 신호를 측정하고,
상기 모니터링 정보를 수집하는 단계는
상기 모니터링 정보 중 전기적인 신호를 특정 주기로 샘플링(sampling)하여 디지털 신호로 변환하는 단계를 포함하고,
상기 이상을 검출하는 단계는
특정 시설장치에 대해 해당 모니터링 정보를 기초로 각 센서 별로 시간(time)축과 밸류(value)축으로 표현되는 2차원 패턴그래프를 생성하고 상기 밸류축을 기준으로 센서별 운행범위를 이탈하는 화재전조 구간이 검출된 경우 상기 특정 시설장치의 이상을 결정하는 단계를 포함하고,
상기 화재 발생 위험도를 예측하는 단계는
특정 시설장치에 대해 해당 모니터링 정보를 기초로 특정 시간간격 동안의 운행상태로 정의되는 각 센서별 운행 패턴을 도출하고 상기 각 센서별 운행 패턴 간의 상관관계에 관한 학습을 통해 상기 특정 시설장치에 관한 화재 발생 위험도를 예측하는 화재진단 모델을 생성하는 단계를 포함하고,
상기 화재 발생 위험도를 예측하는 단계는
상기 특정 시간간격에 대해 상기 각 센서별 운행 패턴에 대한 대표 특징값을 결정하고 연속하는 특정 시간간격 사이에 대표 특징값에 대한 변화율을 산출한 결과로서 각 센서별 변화율을 성분값으로 하는 특징벡터를 학습데이터로 생성하여 상기 학습을 수행하는 단계를 포함하고,
상기 화재 발생 위험도를 예측하는 단계는
상기 특정 시간간격에 대해 상기 각 센서별 운행 패턴에 관한 2차원 이미지들을 획득하는 제1 단계, 상기 2차원 이미지들 각각에 대한 n차원(상기 n은 자연수) 특징 벡터를 생성하는 제2 단계, 각 센서별 특징 벡터들을 하나로 통합하여 상기 특정 시간간격을 대표하는 대표 특징 벡터를 생성하는 제3 단계 및 상기 대표 특징 벡터에 관한 학습을 수행하여 상기 화재진단 모델을 생성하는 제4 단계를 순차적으로 수행하는 단계를 포함하고,
상기 데이터베이스를 구축하는 단계는
상기 모니터링 정보를 센서 유형별로 분류하여 상기 복수의 시설장치들과 측정시간들을 각 차원으로 하는 2차원 매트릭스를 유형별 감시 지도로서 생성하는 단계를 포함하고,
상기 이상을 검출하는 단계는
상기 유형별 감시 지도를 측정시간 차원을 기준으로 나란히 배치함으로써 상기 2차원 매트릭스를 3차원으로 확장하고 각 2차원 매트릭스 상의 분포를 기초로 결정된 후보 관심영역 간의 중첩 수가 기 설정된 임계값을 초과하는 경우 해당 후보 관심영역들의 집합으로 정의되는 관심영역을 결정하는 단계를 포함하고,
상기 화재 발생 위험도를 예측하는 단계는
상기 관심영역에 존재하는 시설장치를 대상으로 상기 화재 발생 위험도를 예측하는 단계를 포함하는 것을 특징으로 하는 인공지능 기반의 화재예방 제공 방법.
Collecting monitoring information about the operating state of the facility from a monitoring terminal installed in each of the plurality of facilities and including a plurality of sensors;
Visualizing and displaying the monitoring information and constructing a database for diagnosing fire occurrence;
detecting abnormalities with respect to the plurality of facility devices in the process of building the database;
predicting a fire risk through artificial intelligence-based fire prediction using pattern analysis for a corresponding facility device when the abnormality is detected; and
Comprising the step of providing a notification requesting preventive protection measures for the facility equipment according to the risk of occurrence of the fire,
The monitoring terminal measures signals related to temperature, humidity, spark, smoke and gas in the operation process of the facility device through the plurality of sensors,
The step of collecting the monitoring information is
Sampling an electrical signal of the monitoring information at a specific period and converting it into a digital signal,
The step of detecting the abnormality is
A fire precursor section in which a two-dimensional pattern graph expressed by a time axis and a value axis is generated for each sensor based on the corresponding monitoring information for a specific facility device and deviates from the operating range for each sensor based on the value axis Including the step of determining the abnormality of the specific facility equipment when this is detected,
Predicting the fire risk
On the basis of the monitoring information for a specific facility, a driving pattern for each sensor defined as the operating state for a specific time interval is derived, and a fire related to the specific facility through learning about the correlation between the operating patterns for each sensor generating a fire diagnosis model that predicts the risk of occurrence;
Predicting the fire risk
As a result of determining the representative characteristic value for the driving pattern for each sensor for the specific time interval and calculating the rate of change for the representative characteristic value between successive specific time intervals, a feature vector using the rate of change for each sensor as a component value Including the step of performing the learning by generating as learning data,
Predicting the fire risk
A first step of obtaining two-dimensional images related to the driving pattern for each sensor for the specific time interval, a second step of generating an n-dimensional (where n is a natural number) feature vector for each of the two-dimensional images, each A third step of generating a representative feature vector representing the specific time interval by integrating the feature vectors for each sensor into one and a fourth step of generating the fire diagnosis model by learning about the representative feature vector sequentially comprising steps,
The step of building the database is
Classifying the monitoring information by sensor type and generating a two-dimensional matrix with the plurality of facility devices and measurement times as each dimension as a monitoring map for each type,
The step of detecting the abnormality is
By arranging the monitoring maps for each type side by side based on the measurement time dimension, the two-dimensional matrix is expanded to three dimensions, and when the number of overlaps between candidate regions of interest determined based on the distribution on each two-dimensional matrix exceeds a preset threshold, the corresponding candidate determining a region of interest defined as a set of regions of interest;
Predicting the fire risk
Artificial intelligence-based fire prevention providing method comprising the step of estimating the risk of fire occurrence for the facility devices existing in the region of interest.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210015518A KR102319083B1 (en) | 2021-02-03 | 2021-02-03 | Artificial intelligence based fire prevention device and method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210015518A KR102319083B1 (en) | 2021-02-03 | 2021-02-03 | Artificial intelligence based fire prevention device and method |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102319083B1 true KR102319083B1 (en) | 2021-11-02 |
Family
ID=78476381
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210015518A KR102319083B1 (en) | 2021-02-03 | 2021-02-03 | Artificial intelligence based fire prevention device and method |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102319083B1 (en) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102450851B1 (en) | 2022-06-30 | 2022-10-24 | 한국과학기술정보연구원 | Method and system for visualization of disaster and crisis alert information |
| KR102461616B1 (en) * | 2021-11-15 | 2022-11-03 | 세종종합기술 주식회사 | Fire alarm system using artificial intelligence in case of fire in apartment houses |
| KR102470810B1 (en) * | 2021-11-15 | 2022-11-28 | 세종종합기술 주식회사 | Fire alarm system using artificial intelligence in case of fire in apartment houses |
| CN116989897A (en) * | 2023-09-26 | 2023-11-03 | 山东聚亨源环保科技有限公司 | Low-power-consumption vehicle-mounted remote abnormality monitoring system for dangerous waste warehouse |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100052437A (en) | 2010-04-17 | 2010-05-19 | 이현창 | The apparatus and method to locate the insulation degraded component by ultrasonic signal analyzation |
| KR101856479B1 (en) * | 2017-09-15 | 2018-06-19 | 주식회사 에프에스 | System of detection and controlling traditional market fire for fire prevention, and a method thereof |
| KR20200039290A (en) * | 2018-10-05 | 2020-04-16 | 한국전력공사 | System of predicting fire and method of predicting fire using the same |
| KR102197304B1 (en) * | 2020-02-04 | 2020-12-31 | 강정수 | Integrated fire protection apparatus and method using iot-based fire extinguishing devices |
-
2021
- 2021-02-03 KR KR1020210015518A patent/KR102319083B1/en active IP Right Grant
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100052437A (en) | 2010-04-17 | 2010-05-19 | 이현창 | The apparatus and method to locate the insulation degraded component by ultrasonic signal analyzation |
| KR101856479B1 (en) * | 2017-09-15 | 2018-06-19 | 주식회사 에프에스 | System of detection and controlling traditional market fire for fire prevention, and a method thereof |
| KR20200039290A (en) * | 2018-10-05 | 2020-04-16 | 한국전력공사 | System of predicting fire and method of predicting fire using the same |
| KR102197304B1 (en) * | 2020-02-04 | 2020-12-31 | 강정수 | Integrated fire protection apparatus and method using iot-based fire extinguishing devices |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102461616B1 (en) * | 2021-11-15 | 2022-11-03 | 세종종합기술 주식회사 | Fire alarm system using artificial intelligence in case of fire in apartment houses |
| KR102470810B1 (en) * | 2021-11-15 | 2022-11-28 | 세종종합기술 주식회사 | Fire alarm system using artificial intelligence in case of fire in apartment houses |
| KR102450851B1 (en) | 2022-06-30 | 2022-10-24 | 한국과학기술정보연구원 | Method and system for visualization of disaster and crisis alert information |
| CN116989897A (en) * | 2023-09-26 | 2023-11-03 | 山东聚亨源环保科技有限公司 | Low-power-consumption vehicle-mounted remote abnormality monitoring system for dangerous waste warehouse |
| CN116989897B (en) * | 2023-09-26 | 2023-12-22 | 山东聚亨源环保科技有限公司 | Low-power-consumption vehicle-mounted remote abnormality monitoring system for dangerous waste warehouse |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102319083B1 (en) | Artificial intelligence based fire prevention device and method | |
| US20220262221A1 (en) | Fire detection system | |
| KR102375679B1 (en) | Artificial intelligence based fire prediction method and device using pattern analysis | |
| KR102440097B1 (en) | System for predicting and preventing disaster for electric power facilities and operation method thereof | |
| US11729597B2 (en) | Digital twin disaster management system customized for underground public areas | |
| KR102289221B1 (en) | Fire protection method and fire protection system | |
| CN102737466B (en) | Method and system for estimating position and intensity of ignition source of fire | |
| CN105758661B (en) | Boiler heating surface service life evaluation system and method | |
| KR102289219B1 (en) | Fire protection method and fire protection system | |
| KR20220165906A (en) | System for remote monitoring and failure predicting of distribution board | |
| KR102213204B1 (en) | Method and apparatus for managing firefighting facilities and preventing fires based on gis using artificial neural networks | |
| KR102480449B1 (en) | Disaster prediction method using multiple sensors | |
| JP7248103B2 (en) | Anomaly detection method, anomaly detection device, program | |
| CN115393142A (en) | Intelligent park management method and management platform | |
| CN111932816A (en) | Fire alarm management method and device for offshore wind farm and island microgrid | |
| CN116777088B (en) | Power supply emergency repair environment monitoring method and system for guaranteeing life safety | |
| KR20200107626A (en) | Real-time accident prediction system using hazard assessment and method thereof | |
| CN117409526A (en) | Electrical fire extremely early warning and monitoring system and fire extinguishing method | |
| CN117092437A (en) | LED display device for monitoring health state of transformer in power grid | |
| CN110007171A (en) | The screening method and system of transformer online monitoring data false alarm | |
| Wang et al. | A novel IoT-based framework with Prognostics and Health Management and short term fire risk assessment in smart firefighting system | |
| TWI590180B (en) | Error detection system, error detection method and power management system | |
| KR20220085160A (en) | Cloud-based disaster detection method and disaster analysis system that performing the same | |
| KR102604708B1 (en) | Switchboard diagnosis system based on artificial intelligence and switchboard diagnosis method based on artificial intelligence | |
| KR102671288B1 (en) | Intelligent switchgear applied with situational recognition system based on data stream event analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |