KR102384742B1 - System and method for detecting anomality using sensor data - Google Patents

System and method for detecting anomality using sensor data Download PDF

Info

Publication number
KR102384742B1
KR102384742B1 KR1020150149445A KR20150149445A KR102384742B1 KR 102384742 B1 KR102384742 B1 KR 102384742B1 KR 1020150149445 A KR1020150149445 A KR 1020150149445A KR 20150149445 A KR20150149445 A KR 20150149445A KR 102384742 B1 KR102384742 B1 KR 102384742B1
Authority
KR
South Korea
Prior art keywords
steady
state
model
value
actual
Prior art date
Application number
KR1020150149445A
Other languages
Korean (ko)
Other versions
KR20170048843A (en
Inventor
주민식
강지훈
유효선
권순목
조성호
신계영
Original Assignee
삼성에스디에스 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성에스디에스 주식회사 filed Critical 삼성에스디에스 주식회사
Priority to KR1020150149445A priority Critical patent/KR102384742B1/en
Publication of KR20170048843A publication Critical patent/KR20170048843A/en
Application granted granted Critical
Publication of KR102384742B1 publication Critical patent/KR102384742B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)

Abstract

센서 데이터를 이용한 이상 감지 장치 및 방법이 개시된다. 본 발명의 일 실시예에 따른 복수 개의 센서를 이용하여 측정 대상의 이상 여부를 판단하기 위한 장치는, 정상 상태 환경에서, 상기 하나 이상의 센서로부터 복수의 정상 상태 센싱값을 획득하고, 상기 복수의 정상 상태 센싱값으로부터 정상 상태 모델을 생성하는 정상 상태 모델 생성부; 실제 환경에서, 상기 하나 이상의 센서로부터 복수의 실제 센싱값을 획득하고, 상기 복수의 실제 센싱값으로부터 실 측정 모델을 생성하는 실 측정 모델 생성부; 및 상기 정상 상태 모델 및 상기 실 측정 모델간의 비교를 통하여 상기 측정 대상의 이상 여부를 판단하는 판단부를 포함한다.Disclosed are an apparatus and method for detecting abnormality using sensor data. An apparatus for determining whether a measurement target is abnormal using a plurality of sensors according to an embodiment of the present invention obtains a plurality of steady-state sensing values from the one or more sensors in a steady-state environment, and a steady-state model generator for generating a steady-state model from the state-sensed value; an actual measurement model generation unit that acquires a plurality of actual sensed values from the one or more sensors in a real environment and generates an actual measurement model from the plurality of real sensed values; and a determination unit configured to determine whether the measurement target is abnormal through comparison between the steady-state model and the actual measurement model.

Description

센서 데이터를 이용한 이상 감지 장치 및 방법{SYSTEM AND METHOD FOR DETECTING ANOMALITY USING SENSOR DATA}Anomaly detection device and method using sensor data {SYSTEM AND METHOD FOR DETECTING ANOMALITY USING SENSOR DATA}

본 발명의 실시예들은 센서로부터 수집되는 데이터로부터 측정 대상의 이상 여부를 감지하기 위한 기술과 관련된다.Embodiments of the present invention relate to a technique for detecting whether a measurement object is abnormal from data collected from a sensor.

최근 들어 가스 누출 탐지, 화재 감지 등 다양한 분야에서 여러 종류의 센서들이 사용되고 있다. 예를 들어 미세 가스 모니터링 시스템의 경우 측정하고자 하는 미세 가스에 반응하는 센서를 이용하여 미세 가스의 유출 여부를 탐지한다.Recently, various types of sensors have been used in various fields such as gas leak detection and fire detection. For example, in the case of a fine gas monitoring system, it is detected whether the fine gas is leaked by using a sensor that responds to the fine gas to be measured.

이러한 센서의 경우 센싱 성능에 따라 가격 차이가 크게 나타난다. 센싱 성능이 높은 고감도의 센서의 경우 가격 또한 매우 고가이므로, 충분한 개수의 센서를 설치하기에는 비용 면에서 한계가 있다. 반대로 저가 센서의 경우에는 주변의 바람, 진동, 전압차, 온도, 습도 등의 외란을 센싱 데이터로 잘못 인식하는 문제가 있다. 특히 초 미세 가스 센서 등 고감도가 요구되는 센서들은 외란에 의한 거짓 알람(false alarm)의 비율이 실제 센싱 데이터보다 높아지는 경우도 존재하게 된다. 이에 따라 상대적으로 저가의 센서를 이용하면서도 외란의 영향을 최소화하기 위한 방안이 필요하게 되었다.In the case of these sensors, there is a large price difference depending on the sensing performance. In the case of high-sensitivity sensors with high sensing performance, the price is also very high, so there is a limit in terms of cost to install a sufficient number of sensors. Conversely, in the case of a low-cost sensor, there is a problem of erroneously recognizing surrounding disturbances such as wind, vibration, voltage difference, temperature, and humidity as sensing data. In particular, in sensors requiring high sensitivity, such as an ultra-fine gas sensor, the ratio of false alarms due to disturbance may be higher than actual sensing data. Accordingly, there is a need for a method to minimize the effect of disturbance while using a relatively inexpensive sensor.

대한민국 공개특허공보 제10-2005-0118068호 (2005. 12. 15.)Republic of Korea Patent Publication No. 10-2005-0118068 (2005. 12. 15.)

본 발명의 실시예들은 센서를 이용한 이상 감지 시스템에 있어 외란의 영향을 최소화하면서도 측정 대상의 이상을 조기에 감지하기 위한 수단을 제공하기 위한 것이다.SUMMARY Embodiments of the present invention provide a means for early detection of an abnormality in a measurement target while minimizing the influence of disturbance in an abnormality detection system using a sensor.

예시적인 실시예에 따르면, 복수 개의 센서를 이용하여 측정 대상의 이상 여부를 판단하기 위한 장치로서, 정상 상태 환경에서, 상기 하나 이상의 센서로부터 복수의 정상 상태 센싱값을 획득하고, 상기 복수의 정상 상태 센싱값으로부터 정상 상태 모델을 생성하는 정상 상태 모델 생성부; 실제 환경에서, 상기 하나 이상의 센서로부터 복수의 실제 센싱값을 획득하고, 상기 복수의 실제 센싱값으로부터 실 측정 모델을 생성하는 실 측정 모델 생성부; 및 상기 정상 상태 모델 및 상기 실 측정 모델간의 비교를 통하여 상기 측정 대상의 이상 여부를 판단하는 판단부를 포함하는 이상 감지 장치가 제공된다. According to an exemplary embodiment, there is provided an apparatus for determining whether a measurement target is abnormal using a plurality of sensors, wherein in a normal state environment, a plurality of normal state sensing values are obtained from the one or more sensors, and the plurality of normal state values are obtained. a steady-state model generator for generating a steady-state model from the sensed values; an actual measurement model generation unit that acquires a plurality of actual sensed values from the one or more sensors in a real environment and generates an actual measurement model from the plurality of real sensed values; and a determination unit configured to determine whether the measurement target is abnormal through comparison between the steady state model and the actual measurement model.

상기 정상 상태 모델은, 상기 실제 센싱값의 이상 여부를 판단하기 위한 임계값을 포함할 수 있다.The steady state model may include a threshold value for determining whether the actual sensed value is abnormal.

상기 정상 상태 모델 생성부는, 상기 복수의 정상 상태 센싱값에 대한 평균 및 표준편차로부터 상기 임계값을 계산할 수 있다.The steady-state model generator may calculate the threshold value from averages and standard deviations of the plurality of steady-state sensed values.

상기 정상 상태 모델 생성부는, 상기 복수의 정상 상태 센싱값에 부트스트랩(bootstrap) 기법, 또는 KDE(Kernal Density Estinmation) 중 어느 하나를 적용함으로써 상기 임계값을 계산할 수 있다.The steady-state model generator may calculate the threshold value by applying any one of a bootstrap technique and Kernal Density Estimation (KDE) to the plurality of steady-state sensing values.

상기 실 측정 모델은, 상기 복수의 실제 센싱값에 대한 이동평균값 또는 가중이동평균값을 포함할 수 있다.The actual measurement model may include a moving average value or a weighted moving average value for the plurality of actual sensed values.

상기 판단부는, 상기 정상 상태 모델 및 상기 실 측정 모델로부터 생성되는 단변량 관리도 또는 다변량 관리도를 이용하여 상기 실제 측정 대상의 이상 여부를 판단할 수 있다.The determination unit may determine whether the actual measurement target is abnormal by using a univariate control chart or a multivariate control chart generated from the steady-state model and the actual measurement model.

상기 판단부는, 상기 정상 상태 모델 및 상기 실 측정 모델 간의 차이를 누적한 값이 설정된 기준값을 초과하는 경우, 상기 측정 대상에 이상이 발생한 것으로 판단할 수 있다.The determination unit may determine that an abnormality has occurred in the measurement target when the accumulated difference between the steady-state model and the actual measurement model exceeds a set reference value.

상기 판단부는, 상기 실 측정 모델로부터 생성한 지수가중이동평균 값이 상기 정상 상태 모델에 포함된 임계치를 초과하는 경우, 상기 측정 대상에 이상이 발생한 것으로 판단할 수 있다.The determination unit may determine that an abnormality has occurred in the measurement target when the exponential weighted moving average value generated from the actual measurement model exceeds a threshold included in the steady-state model.

다른 예시적인 실시예에 따르면, 측정 대상의 이상 여부를 판단하기 위한 방법으로서, 정상 상태 환경에서, 상기 하나 이상의 센서로부터 복수의 정상 상태 센싱값을 획득하고, 상기 복수의 정상 상태 센싱값으로부터 정상 상태 모델을 생성하는 단계; 실제 환경에서, 상기 하나 이상의 센서로부터 복수의 실제 센싱값을 획득하고, 상기 복수의 실제 센싱값으로부터 실 측정 모델을 생성하는 단계; 및 상기 정상 상태 모델 및 상기 실 측정 모델간의 비교를 통하여 상기 측정 대상의 이상 여부를 판단하는 단계를 포함하는 이상 감지 방법이 제공된다.According to another exemplary embodiment, there is provided a method for determining whether a measurement target is abnormal, in a steady state environment, acquiring a plurality of steady state sensing values from the one or more sensors, and using the plurality of steady state sensing values to determine a steady state creating a model; in a real environment, obtaining a plurality of real sensed values from the one or more sensors, and generating a real measurement model from the plurality of real sensed values; and determining whether the measurement target is abnormal through comparison between the steady-state model and the actual measurement model.

상기 정상 상태 모델은, 상기 실제 센싱값의 이상 여부를 판단하기 위한 임계값을 포함할 수 있다.The steady state model may include a threshold value for determining whether the actual sensed value is abnormal.

상기 임계값은, 상기 복수의 정상 상태 센싱값에 대한 평균 및 표준편차로부터 계산될 수 있다.The threshold value may be calculated from an average and standard deviation of the plurality of steady-state sensing values.

상기 임계값은, 상기 복수의 정상 상태 센싱값에 부트스트랩(bootstrap) 기법, 또는 KDE(Kernal Density Estinmation) 중 어느 하나를 적용함으로써 계산될 수 있다.The threshold value may be calculated by applying any one of a bootstrap technique or Kernal Density Estimation (KDE) to the plurality of steady-state sensing values.

상기 실 측정 모델은, 상기 복수의 실제 센싱값에 대한 이동평균값 또는 가중이동평균값을 포함할 수 있다.The actual measurement model may include a moving average value or a weighted moving average value for the plurality of actual sensed values.

상기 이상 여부를 판단하는 단계는, 상기 정상 상태 모델 및 상기 실 측정 모델로부터 생성되는 단변량 관리도 또는 다변량 관리도를 이용하여 상기 측정 대상의 이상 여부를 판단하도록 구성될 수 있다.The determining of the abnormality may include determining whether the measurement target is abnormal using a univariate control chart or a multivariate control chart generated from the steady-state model and the actual measurement model.

상기 이상 여부를 판단하는 단계는, 상기 정상 상태 모델 및 상기 실 측정 모델 간의 차이를 누적한 값이 설정된 기준값을 초과하는 경우, 상기 측정 대상에 이상이 발생한 것으로 판단할 수 있다.In the determining whether there is an abnormality, when the accumulated difference between the steady-state model and the actual measurement model exceeds a set reference value, it may be determined that an abnormality has occurred in the measurement target.

상기 이상 여부를 판단하는 단계는, 상기 실 측정 모델로부터 생성한 지수가중이동평균 값이 상기 정상 상태 모델에 포함된 임계치를 초과하는 경우, 상기 측정 대상에 이상이 발생한 것으로 판단할 수 있다.In the determining of the abnormality, when the exponential weighted moving average value generated from the actual measurement model exceeds a threshold included in the steady-state model, it may be determined that an abnormality has occurred in the measurement target.

다른 예시적인 실시예에 따르면, 하드웨어와 결합되어, 정상 상태 환경에서, 하나 이상의 센서로부터 복수의 정상 상태 센싱값을 획득하고, 상기 복수의 정상 상태 센싱값으로부터 정상 상태 모델을 생성하는 단계; 실제 환경에서, 상기 하나 이상의 센서로부터 복수의 실제 센싱값을 획득하고, 상기 복수의 센싱값으로부터 실 측정 모델을 생성하는 단계; 및 상기 정상 상태 모델 및 상기 실 측정 모델간의 비교를 통하여 측정 대상의 이상 여부를 판단하는 단계를 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램이 제공된다.According to another exemplary embodiment, in combination with hardware, in a steady-state environment, obtaining a plurality of steady-state sensed values from one or more sensors, and generating a steady-state model from the plurality of steady-state sensed values; in a real environment, obtaining a plurality of actual sensed values from the one or more sensors, and generating a real measurement model from the plurality of sensed values; And a computer program stored in a computer-readable recording medium is provided to execute the step of determining whether a measurement target is abnormal through comparison between the steady-state model and the actual measurement model.

개시되는 실시예들에 따르면, 센서를 이용한 이상 감지 시스템에 있어 상대적으로 센싱 성능이 떨어지는 저가의 센서를 이용하면서도 환경 외란의 영향을 최소화한 정확한 이상 감지 성능을 얻을 수 있다. 또한, 본 발명의 실시예들에 따르면 단순 임계치 기반의 종래기술에 비해 이상을 조기에 감지할 수 있다.According to the disclosed embodiments, in an anomaly detection system using a sensor, it is possible to obtain accurate abnormality detection performance that minimizes the influence of environmental disturbances while using a low-cost sensor with relatively poor sensing performance. In addition, according to the embodiments of the present invention, an abnormality can be detected earlier than in the prior art based on a simple threshold.

도 1은 본 발명의 일 실시예에 따른 이상 감지 장치(100)의 구성을 설명하기 위한 블록도
도 2는 본 발명의 일 실시예에 따른 이상 감지 방법(200)을 설명하기 위한 흐름도1 is a block diagram illustrating the configuration of an abnormality detection apparatus 100 according to an embodiment of the present invention.
2 is a flowchart illustrating an abnormality detection method 200 according to an embodiment of the present invention.

이하, 도면을 참조하여 본 발명의 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.Hereinafter, specific embodiments of the present invention will be described with reference to the drawings. The following detailed description is provided to provide a comprehensive understanding of the methods, devices, and/or systems described herein. However, this is only an example, and the present invention is not limited thereto.

본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.In describing the embodiments of the present invention, if it is determined that the detailed description of the known technology related to the present invention may unnecessarily obscure the gist of the present invention, the detailed description thereof will be omitted. And, the terms to be described later are terms defined in consideration of functions in the present invention, which may vary according to intentions or customs of users and operators. Therefore, the definition should be made based on the content throughout this specification. The terminology used in the detailed description is for the purpose of describing embodiments of the present invention only, and should in no way be limiting. Unless explicitly used otherwise, expressions in the singular include the meaning of the plural. In this description, expressions such as “comprising” or “comprising” are intended to indicate certain features, numbers, steps, acts, elements, some or a combination thereof, one or more other than those described. It should not be construed to exclude the presence or possibility of other features, numbers, steps, acts, elements, or any part or combination thereof.

본 발명의 실시예들에 따른 이상 감지 장치는 하나 이상의 센서와 유선 또는 무선 네트워크를 통해 획득한 센싱값으로부터 측정 대상의 이상 발생 여부를 탐지하기 위한 장치를 의미한다. 이하의 설명에서는 편의를 위하여 이상 감지 장치가 하나 이상의 미세 가스 감지 센서를 이용하여 시설물 등의 가스 누출 여부를 탐지하기 위한 장치인 것으로 예시하여 설명하였으나, 본 발명의 실시예들은 특정 종류의 센서에 한정되는 것은 아니다. 즉, 본 발명의 실시예들은 다양한 종류의 센서를 이용한 이상 감지에 제한 없이 적용 가능함을 유의한다.An abnormality detecting apparatus according to embodiments of the present invention refers to an apparatus for detecting whether an abnormality has occurred in a measurement target from one or more sensors and a sensing value obtained through a wired or wireless network. In the following description, for convenience, the anomaly detection device has been exemplified as a device for detecting gas leakage in facilities using one or more fine gas detection sensors, but embodiments of the present invention are limited to a specific type of sensor it's not going to be That is, it is noted that the embodiments of the present invention can be applied without limitation to detecting abnormalities using various types of sensors.

본 발명의 실시예들에서, 이상 감지 장치는 상대적으로 저가의 센서를 이용하여 상기 센싱값을 획득하도록 구성된다. 일반적으로 저가의 센서들은 고가의 센서 장비에 비하여 미세 단위에서의 정밀도가 떨어지고 외란(outer disturbance)의 영향을 민감하게 받는 경향이 있다. 예를 들어, 미세 가스 감지 센서의 경우 특히 저농도(ppb 단위)의 측정시 해당 센서의 값 중 약 50% 이상이 외란 요인에 의하여 변동성을 갖는 것으로 알려져 있다. 즉, 이 경우 센서에 의해 측정되는 이상 중 약 절반 이상이 거짓 경보(false alarm)에 해당하게 된다.In embodiments of the present invention, the anomaly detection apparatus is configured to acquire the sensed value using a relatively inexpensive sensor. In general, low-cost sensors tend to have poorer precision in fine units and are sensitive to external disturbances compared to expensive sensor devices. For example, in the case of a fine gas detection sensor, it is known that about 50% or more of the value of the sensor has a variability due to a disturbance factor, particularly when measuring a low concentration (ppb unit). That is, in this case, about half or more of the abnormalities measured by the sensor correspond to false alarms.

일반적으로 센서의 측정값은 다음과 같은 형태로 정의할 수 있다.In general, the measured value of a sensor can be defined in the following form.

Figure 112015104293627-pat00001
Figure 112015104293627-pat00001

즉, 특정 시점(t)의 센서 측정값(Vt)은 측정 추정값(xt)과 측정 오차(εt)로 구성되어 있다. 측정 오차가 상대적으로 작은 고가의 센서의 경우 자체적인 측정 추정값 만으로도 측정 대상의 상태와 관련하여 어느 정도 신뢰성 있는 판정을 내릴 수 있다. 반면, 저가 센서의 경우 상대적으로 측정 오차의 비중이 크게 나타나므로 이의 영향을 줄이기 위한 방법들이 필요하게 된다. 이하에서는 저가 센서에서 발생할 수 있는 외란의 영향을 최소화할 수 있는 본 발명의 실시예들에 따른 이상 감지 장치의 구체적인 구성을 설명하기로 한다.That is, the sensor measurement value (V t ) at a specific time point (t) is composed of a measurement estimate value (x t ) and a measurement error (ε t ). In the case of an expensive sensor with a relatively small measurement error, it is possible to make a reliable decision with respect to the state of the measurement target only with its own measurement estimate. On the other hand, in the case of a low-cost sensor, since the proportion of measurement error is relatively large, methods for reducing the influence thereof are needed. Hereinafter, a detailed configuration of an anomaly detection device according to embodiments of the present invention capable of minimizing the effect of disturbance that may occur in a low-cost sensor will be described.

도 1은 본 발명의 일 실시예에 따른 이상 감지 장치(100)의 구성을 설명하기 위한 블록도이다. 도시된 바와 같이, 본 발명의 일 실시예에 따른 이상 감지 장치(100)는 정상 상태 모델 생성부(102), 실 측정 모델 생성부(104) 및 판단부(106)를 포함한다.1 is a block diagram for explaining the configuration of an abnormality detection apparatus 100 according to an embodiment of the present invention. As shown, the abnormality detection apparatus 100 according to an embodiment of the present invention includes a steady state model generator 102 , an actual measurement model generator 104 , and a determiner 106 .

정상 상태 모델 생성부(102)는 정상 상태 환경에서 상기 하나 이상의 센서로부터 복수의 정상 상태 센싱값을 획득하고, 획득한 복수의 정상 상태 센싱값으로부터 정상 상태 모델을 생성한다. The steady-state model generator 102 acquires a plurality of steady-state sensing values from the one or more sensors in a steady-state environment, and generates a steady-state model from the obtained plurality of steady-state sensed values.

정상 상태 환경이란 측정 대상 및 외란이 존재하지 않는 환경을 의미한다. 예를 들어, 미세 가스 감지 센서의 경우 측정 대상인 미세 가스가 존재하지 않으며, 또한 바람, 진동, 전압차, 온도, 습도 등에 주변 요인에 의한 외란 또한 존재하지 않는 안정된 대기 상태 환경이 상기 정상 상태 환경에 해당한다. 즉, 상기 정상 상태 센싱값은 외부의 영향을 배제한 상태에서 센서 자체의 특성에 따라 생성되는 값을 의미한다. 또한, 실제 환경은 상기 정상 상태 환경과 대비되는 개념으로서, 측정 대상 및 외란의 영향이 존재하는 실제 측정 환경을 의미한다. 즉, 상기 하나 이상의 센서가 측정 대상의 감지를 위하여 실제로 현장에 설치된 경우, 해당 현장의 환경이 상기 실제 환경이 된다.The steady-state environment refers to an environment in which a measurement target and disturbance do not exist. For example, in the case of a fine gas detection sensor, a stable atmospheric state environment in which no fine gas to be measured does not exist, and also no disturbance due to ambient factors such as wind, vibration, voltage difference, temperature, humidity, etc., exists in the steady state environment. corresponds to That is, the steady state sensing value means a value generated according to the characteristics of the sensor itself in a state in which external influences are excluded. In addition, the real environment is a concept in contrast to the steady-state environment, and refers to the actual measurement environment in which the measurement target and the influence of disturbance exist. That is, when the one or more sensors are actually installed in the field to detect the measurement target, the environment of the field becomes the actual environment.

정상 상태 모델은 상기 하나 이상의 센서가 상기 실제 환경에서 측정한 센싱값의 이상 여부를 판단하기 위한 임계값을 포함할 수 있다. 일 실시예에서, 정상 상태 모델 생성부(102)는 일정 시간 간격으로 측정한 복수의 정상 상태 센싱값의 평균 및 표준편차로부터 상기 임계값을 계산할 수 있다. 예를 들어, 정상 상태 모델 생성부(102)는 상기 센싱값의 평균값에서 특정 상수값(C)과 상기 표준편차를 곱한 값을 더한 영역까지를 정상 영역으로, 이를 초과하는 영역을 이상 영역으로 규정할 수 있다. 이와 같이 평균과 표준편차를 이용한 방법은 상기 정상 상태 센싱값이 정규분포 등 미리 알려진 통계적 분포를 따른다고 가정할 때 이용 가능하다.The steady-state model may include a threshold value for determining whether a sensing value measured by the one or more sensors in the real environment is abnormal. In an embodiment, the steady-state model generator 102 may calculate the threshold value from the average and standard deviation of a plurality of steady-state sensed values measured at regular time intervals. For example, the steady-state model generating unit 102 defines a region to which the average value of the sensed values is plus a value obtained by multiplying a specific constant value C and the standard deviation as a normal region, and a region exceeding this is defined as an abnormal region. can do. As described above, the method using the mean and standard deviation can be used when it is assumed that the steady-state sensing value follows a known statistical distribution such as a normal distribution.

다른 실시예에서, 정상 상태 모델 생성부(102)는 상기 복수의 정상 상태 센싱값에 부트스트랩(bootstrap) 기법, 또는 KDE(Kernal Density Estinmation) 중 어느 하나를 적용함으로써 상기 임계값을 계산할 수 있다. 부트스트랩 기법 또는 KDE 기법 등의 비모수추정법은 정상 상태 데이터의 분포 형태가 기존에 알려진 통계적 분포를 따르지 않을 때 이용 가능한 방법이다. 예를 들어, 상기 정상 상태 센싱값의 분포가 평균을 기준으로 정규분포 형태를 가지는 것이 아니라 왜도가 높은 형태(예를 들어 left-skewed 등)를 가지는 경우가 존재할 수 있다. 이 경우에는 정규분포를 기반으로 임계값을 계산하는 것이 아니라 부트스트랩 기법 또는 KDE 기법 등의 비모수추정법을 활용하는 것이 더 정확한 결과를 얻을 수 있다.In another embodiment, the steady-state model generator 102 may calculate the threshold by applying any one of a bootstrap technique and Kernal Density Estimation (KDE) to the plurality of steady-state sensed values. Nonparametric estimation methods such as the bootstrap method or the KDE method are available when the distribution of steady-state data does not follow the known statistical distribution. For example, there may exist a case in which the distribution of the steady-state sensing values does not have a normal distribution form based on the mean but has a high skewness form (eg, left-skewed, etc.). In this case, more accurate results can be obtained by using nonparametric estimation methods such as bootstrap method or KDE method rather than calculating the threshold based on the normal distribution.

부트스트랩 기법은 상기 정상 상태 센싱값으로부터 중복을 허용하면서 반복적으로 샘플을 무작위 추출(복원추출)하여 새로운 데이터셋을 구성(리샘플링)하여 상기 정상 상태 센싱값의 분포를 추정하는 방법이다. 또한 KDE 기법은 커널(kernel)을 사용하여 상기 정상 상태 센싱값의 분포를 추정하는 방법이다. 상기 부트스트랩 기법 및 상기 KDE 기법과 관련된 상세한 사항은 본 발명이 속하는 기술분야에서 잘 알려져 있는 사항인 바, 이하에서는 관련된 설명을 생략하기로 한다.The bootstrap technique is a method of estimating the distribution of the steady-state sensed values by repeatedly randomizing (reconstructing) samples while allowing overlap from the steady-state sensed values to construct a new data set (resampling). Also, the KDE technique is a method of estimating the distribution of the steady-state sensing values using a kernel. Details related to the bootstrap technique and the KDE technique are well known in the technical field to which the present invention pertains, and thus a related description will be omitted below.

다음으로, 실 측정 모델 생성부(104)는 실제 환경에서 상기 하나 이상의 센서로부터 복수의 실제 센싱값을 획득하고, 상기 복수의 실제 센싱값으로부터 실 측정 모델을 생성한다.Next, the actual measurement model generation unit 104 obtains a plurality of actual sensed values from the one or more sensors in a real environment, and generates an actual measurement model from the plurality of actual sensed values.

본 발명의 실시예들에서, 실 측정 모델 생성부(104)는 상기 실제 센싱값을 그대로 이용하는 것이 아니라 이동평균창(Moving Average Window)을 이용하여 상기 측정값을 일반화(generalization)함으로써 상기 실 측정 모델을 생성하도록 구성된다.In embodiments of the present invention, the actual measurement model generation unit 104 does not use the actual sensed value as it is, but generalizes the measured value using a Moving Average Window to make the actual measurement model is configured to create

전술한 바와 같이, 저가의 센서는 외란요인으로 인하여 수많은 잡음이 존재한다. 이로 인한 대표적인 문제는 실제 상태가 정상(in-control) 상태임에도 불구하고 측정값에서 이상치(outlier)가 생성됨으로써 거짓경보를 일으키게 되는 것이다. 수많은 거짓경보는 결국 측정 자체의 신뢰도를 저하시키기 되므로, 실제 이상 여부를 판단하기 전에 미리 최대한 외란 요인을 차단해 주는 것이 필요하다. 이를 위해, 본 발명의 실시예에서는 실제 센싱값을 그대로 이용하는 것이 아니라 이동평균창(Moving Average Window)을 이용하여 상기 실제 센싱값을 일반화(generalization)하게 된다.As described above, a low-cost sensor has numerous noises due to disturbance factors. A typical problem caused by this is that an outlier is generated in the measured value even though the actual state is an in-control state, thereby causing a false alarm. Numerous false alarms eventually lower the reliability of the measurement itself, so it is necessary to block disturbance factors as much as possible in advance before determining whether there is an actual abnormality. To this end, in the embodiment of the present invention, the actual sensed value is generalized using a moving average window instead of using the actual sensed value as it is.

일 실시예에서, 실 측정 모델 생성부(104)는 각 실제 센싱값 주변의 센싱값들의 이동평균값을 이용하여 상기 실 측정 모델을 구성할 수 있다. 예를 들어, 각 실제 센싱값의 앞뒤로 각각 2개의 값을 포함하여 이동평균값을 구할 경우, 상기 이동평균값은 다음의 수학식 2와 같이 계산될 수 있다.In an embodiment, the actual measurement model generation unit 104 may configure the actual measurement model by using a moving average value of sensing values around each actual sensing value. For example, when a moving average value is obtained by including two values before and after each actual sensed value, the moving average value may be calculated as in Equation 2 below.

Figure 112015104293627-pat00002
Figure 112015104293627-pat00002

(이때, V't는 이동평균값, Vt -2, Vt -1, Vt, Vt +1, Vt +2는 각각 t-2, t-1, t, t+1, t+2 시점에서의 센싱값)(In this case, V' t is the moving average value, V t -2 , V t -1 , V t , V t +1 , V t +2 is t-2, t-1, t, t+1, t+, respectively. Sensing value at time 2)

이와 같이 센싱값의 이동평균값을 이용하여 실 측정 모델을 구성할 경우 각 센싱값의 측정 자체에서 오는 오차를 평균이 갖는 일반화(generalization)의 개념을 통해 상쇄시킬 수 있다.As such, when an actual measurement model is constructed using the moving average of the sensed values, the error resulting from the measurement of each sensed value can be offset through the concept of generalization of the average.

다른 실시예에서, 실 측정 모델 생성부(104)는 단순 이동평균이 아닌 가중이동평균값을 이용하여 상기 실 측정 모델을 구성할 수 있다. 이 경우 각각의 센싱값에 적절한 가중치를 부여함으로써 보다 정확한 실 측정 모델을 구성할 수 있다. 예를 들어, 상기 가중이동평균값은 다음의 수학식 3과 같이 계산될 수 있다. 이때 상기 가중치는 센싱 데이터의 성질 등을 고려하여 적절히 설정될 수 있다. In another embodiment, the actual measurement model generation unit 104 may configure the actual measurement model by using a weighted moving average value instead of a simple moving average. In this case, a more accurate actual measurement model can be constructed by assigning an appropriate weight to each sensed value. For example, the weighted moving average value may be calculated as in Equation 3 below. In this case, the weight may be appropriately set in consideration of the nature of the sensing data, and the like.

Figure 112015104293627-pat00003
Figure 112015104293627-pat00003

(이때, V''t는 가중이동평균값, W1, W2, W3, W4, W5는 가중치)(In this case, V'' t is the weighted moving average value, W 1 , W 2 , W 3 , W 4 , W 5 are weights)

다음으로, 판단부(106)는 상기 정상 상태 모델 및 상기 실 측정 모델간의 비교를 통하여 상기 측정 대상의 이상 여부를 판단한다. 본 발명의 실시예들에서, 판단부(106)는 관리도 기법을 이용하여 측정 대상이 이상 상태인지의 여부를 판단하게 된다. 관리도 기법은 주로 생산 공정에서 해당 공정이 관리 상태(in-control state)에 있는지 여부를 판별하여 최종적으로 공정을 안정 상태로 유지하고 제품 품질의 균일화를 달성하기 위한 방법론이다. 즉, 본 발명의 실시예에서는 관리도의 주요 개념인 우연원인(chance cause)과 이상원인(assignable cause)을 센서 데이터가 갖고 있는 외란 변동(외란에 의한 센싱값의 변화) 및 이상 변동(측정 대상의 이상 발생에 따른 센싱값의 변화)에 대입함으로써, 정상 상태에서 측정한 센싱값을 기반으로 실제 센싱 값의 이상 여부를 판정하도록 구성된다.Next, the determination unit 106 determines whether the measurement target is abnormal through comparison between the steady-state model and the actual measurement model. In embodiments of the present invention, the determination unit 106 determines whether the measurement target is in an abnormal state using a control chart technique. The control chart technique is a methodology for ultimately maintaining the process in a stable state and achieving uniformity of product quality by determining whether the process is in an in-control state in the production process. That is, in the embodiment of the present invention, the disturbance fluctuation (change in the sensed value due to disturbance) and abnormal fluctuation (change in the sensed value due to disturbance) and abnormal fluctuation (change in the sensing value due to disturbance) in which the sensor data has a chance cause and an assignable cause, which are the main concepts of the control chart It is configured to determine whether an actual sensed value is abnormal based on the sensed value measured in a normal state by substituting it for the change in the sensed value according to the occurrence of an abnormality).

판단부(106)는 하나의 센서값을 이용한 단변량 관리도, 또는 복수 개의 센서값을 동시에 모니터링하는 다변량 관리도를 이용하여 상기 실제 센싱값의 이상 여부를 판단하도록 구성될 수 있다. 이때, 상기 단변량 관리도는 슈하트 x-bar 관리도, 측정 대상의 미세한 변동을 조기에 감지하는 누적합(CUSUM) 관리도 및 지수평활(EWMA) 관리도 등이 포함될 수 있다. 또한, 상기 다변량 관리도는 Hotelling's T2 관리도, M(multivariate)CUSUM, M(multivariate)EWMA 등을 이용할 수 있다.The determination unit 106 may be configured to determine whether the actual sensed value is abnormal by using a univariate control chart using one sensor value or a multivariate control chart for simultaneously monitoring a plurality of sensor values. In this case, the univariate control chart may include a Schhart x-bar control chart, a cumulative sum (CUSUM) control chart, and an exponential smoothing (EWMA) control chart for detecting minute fluctuations in the measurement target at an early stage. In addition, the multivariate control chart may use Hotelling's T 2 chart, M (multivariate) CUSUM, M (multivariate) EWMA, and the like.

예를 들어, 판단부(106)가 누적합 관리도를 이용하여 측정 대상의 이상 여부를 판단하도록 구성될 경우, 판단부(106)는 상기 정상 상태 모델 및 상기 실 측정 모델 간의 차이를 누적하고 상기 누적값이 기 설정된 기준값을 초과하는 경우 측정 대상에 이상이 발생한 것으로 판단할 수 있다. 구체적으로, 판단부(106)는 상기 실 측정 모델과 정상 상태 모델 생성부(102)에서 계산한 임계치 간의 차이를 누적하도록 구성될 수 있다. 이와 같이 누적합 관리도를 이용하여 센싱값의 이상 여부를 판단할 경우, 센싱값 자체는 이상 발생 영역에 속하지 않더라도 센싱값들의 변화하는 흐름이 이상 발생 징후를 나타내는 경우 이를 보다 빠르게 감지할 수 있다. For example, when the determination unit 106 is configured to determine whether the measurement target is abnormal using the cumulative sum control chart, the determination unit 106 accumulates the difference between the steady-state model and the actual measurement model, and When the value exceeds a preset reference value, it may be determined that an abnormality has occurred in the measurement target. Specifically, the determination unit 106 may be configured to accumulate a difference between the actual measurement model and the threshold calculated by the steady-state model generation unit 102 . When determining whether a sensed value is abnormal using the cumulative sum control chart as described above, even if the sensed value itself does not belong to an abnormality occurrence area, when the changing flow of the sensed values indicates an abnormality occurrence, it can be detected more quickly.

또한, 판단부(106)가 지수평활 관리도를 이용하여 측정 대상의 이상 여부를 판단하도록 구성될 경우, 판단부(106)는 상기 실 측정 모델로부터 지수가중이동평균을 계산하고, 상기 지수가중이동평균 값이 상기 정상 상태 모델에 포함된 임계치를 초과하는 경우, 상기 측정 대상에 이상이 발생한 것으로 판단할 수 있다.In addition, when the determination unit 106 is configured to determine whether the measurement target is abnormal using the exponential smoothing control chart, the determination unit 106 calculates an exponentially weighted moving average from the actual measurement model, and the exponentially weighted moving average When the value exceeds a threshold included in the steady-state model, it may be determined that an abnormality has occurred in the measurement target.

일 실시예에서, 정상 상태 모델 생성부(102), 실 측정 모델 생성부(104) 및 판단부(106)를 포함하는 이상 감지 장치(100)는 하나 이상의 프로세서 및 그 프로세서와 연결된 컴퓨터 판독 가능 기록 매체를 포함하는 컴퓨팅 장치 상에서 구현될 수 있다. 컴퓨터 판독 가능 기록 매체는 프로세서의 내부 또는 외부에 있을 수 있고, 잘 알려진 다양한 수단으로 프로세서와 연결될 수 있다. 컴퓨팅 장치 내의 프로세서는 각 컴퓨팅 장치로 하여금 본 명세서에서 기술되는 예시적인 실시예에 따라 동작하도록 할 수 있다. 예를 들어, 프로세서는 컴퓨터 판독 가능 기록 매체에 저장된 명령어를 실행할 수 있고, 컴퓨터 판독 가능 기록 매체에 저장된 명령어는 프로세서에 의해 실행되는 경우 컴퓨팅 장치로 하여금 본 명세서에 기술되는 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.In one embodiment, the abnormality detection device 100 including the steady-state model generator 102 , the actual measurement model generator 104 , and the determiner 106 includes one or more processors and a computer readable record associated with the processor. It may be implemented on a computing device including a medium. The computer-readable recording medium may be internal or external to the processor, and may be connected to the processor by various well-known means. A processor within the computing device may cause each computing device to operate in accordance with the exemplary embodiments described herein. For example, the processor may execute instructions stored in a computer-readable recording medium, and the instructions stored in the computer-readable recording medium, when executed by the processor, cause the computing device to operate according to the exemplary embodiments described herein. can be configured to perform

도 2는 본 발명의 일 실시예에 따른 이상 감지 방법(200)을 설명하기 위한 흐름도이다. 도 2에 도시된 방법은 예를 들어, 전술한 이상 감지 장치(100)에 의해 수행될 수 있다. 도시된 흐름도에서는 상기 방법을 복수 개의 단계로 나누어 기재하였으나, 적어도 일부의 단계들은 순서를 바꾸어 수행되거나, 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 도시되지 않은 하나 이상의 단계가 부가되어 수행될 수 있다.2 is a flowchart illustrating an abnormality detection method 200 according to an embodiment of the present invention. The method shown in FIG. 2 may be performed, for example, by the above-described abnormality detecting apparatus 100 . In the illustrated flowchart, the method is described by dividing the method into a plurality of steps, but at least some of the steps are performed in a different order, are performed together in combination with other steps, are omitted, are performed in sub-steps, or are not shown. One or more steps may be added and performed.

단계 202에서, 정상 상태 모델 생성부(102)는 정상 상태 환경에서 하나 이상의 센서로부터 복수의 정상 상태 센싱값을 획득하고, 상기 복수의 정상 상태 센싱값으로부터 정상 상태 모델을 생성한다.In step 202 , the steady-state model generator 102 acquires a plurality of steady-state sensed values from one or more sensors in a steady-state environment, and generates a steady-state model from the plurality of steady-state sensed values.

단계 204에서, 실 측정 모델 생성부(104)는 실제 환경에서 상기 하나 이상의 센서로부터 복수의 실제 센싱값을 획득하고, 상기 복수의 센싱값으로부터 실 측정 모델을 생성한다.In step 204, the real measurement model generation unit 104 obtains a plurality of actual sensed values from the one or more sensors in a real environment, and generates an actual measurement model from the plurality of sensed values.

단계 206에서, 판단부(106)는 상기 정상 상태 모델 및 상기 실 측정 모델간의 비교를 통하여 측정 대상의 이상 여부를 판단한다.In step 206, the determination unit 106 determines whether the measurement target is abnormal through comparison between the steady-state model and the actual measurement model.

한편, 본 발명의 실시예는 본 명세서에서 기술한 방법들을 컴퓨터상에서 수행하기 위한 프로그램, 및 상기 프로그램을 포함하는 컴퓨터 판독 가능 기록매체를 포함할 수 있다. 상기 컴퓨터 판독 가능 기록매체는 프로그램 명령, 로컬 데이터 파일, 로컬 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나, 또는 컴퓨터 소프트웨어 분야에서 통상적으로 사용 가능한 것일 수 있다. 컴퓨터 판독 가능 기록매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광 기록 매체, 및 롬, 램, 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 상기 프로그램의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함할 수 있다.Meanwhile, an embodiment of the present invention may include a program for performing the methods described in this specification on a computer, and a computer-readable recording medium including the program. The computer-readable recording medium may include program instructions, local data files, local data structures, etc. alone or in combination. The media may be specially designed and configured for the present invention, or may be commonly used in the field of computer software. Examples of the computer-readable recording medium include hard disks, magnetic media such as floppy disks and magnetic tapes, optical recording media such as CD-ROMs and DVDs, and program instructions specially configured to store and execute program instructions such as ROMs, RAMs, flash memories, etc. Hardware devices are included. Examples of the program may include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.

이상에서 본 발명의 대표적인 실시예들을 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.Although representative embodiments of the present invention have been described in detail above, those of ordinary skill in the art to which the present invention pertains will understand that various modifications are possible within the limits without departing from the scope of the present invention with respect to the above-described embodiments. . Therefore, the scope of the present invention should not be limited to the described embodiments, but should be defined by the claims described below as well as the claims and equivalents.

100: 이상 감지 장치
102: 정상 상태 모델 생성부
104: 실 측정 모델 생성부
106: 판단부100: anomaly detection device
102: steady state model generation unit
104: actual measurement model generation unit
106: judgment unit

Claims (17)

하나 이상의 센서를 이용하여 측정 대상의 이상 여부를 판단하기 위한 장치로서,
정상 상태 환경에서, 상기 하나 이상의 센서로부터 복수의 정상 상태 센싱값을 획득하고, 상기 복수의 정상 상태 센싱값으로부터 정상 상태 모델을 생성하는 정상 상태 모델 생성부;
실제 환경에서, 상기 하나 이상의 센서로부터 복수의 실제 센싱값을 획득하고, 상기 복수의 실제 센싱값으로부터 실 측정 모델을 생성하되, 상기 복수의 실제 센싱값에 대한 이동평균값 또는 가중이동평균값에 기초하여 실 측정 모델을 생성하는 실 측정 모델 생성부; 및
상기 정상 상태 모델 및 상기 실 측정 모델간의 비교를 통하여 상기 측정 대상의 이상 여부를 판단하는 판단부를 포함하며,
상기 정상 상태 모델은, 상기 실제 센싱값의 이상 여부를 판단하기 위한 임계값을 포함하고,
상기 정상 상태 모델 생성부는, 상기 복수의 정상 상태 센싱값의 평균값에 특정 상수값(C)과 표준편차를 곱한 값을 더하여 임계값을 계산하는, 이상 감지 장치.
A device for determining whether a measurement target is abnormal using one or more sensors,
a steady-state model generator configured to obtain a plurality of steady-state sensed values from the one or more sensors in a steady-state environment, and generate a steady-state model from the plurality of steady-state sensed values;
In a real environment, a plurality of real sensed values are obtained from the one or more sensors, and a real measurement model is generated from the plurality of real sensed values, and based on a moving average value or a weighted moving average value for the plurality of real sensed values, a real an actual measurement model generation unit generating a measurement model; and
and a determination unit for determining whether the measurement target is abnormal through comparison between the steady-state model and the actual measurement model,
The steady-state model includes a threshold value for determining whether the actual sensed value is abnormal,
The steady-state model generator is configured to calculate a threshold value by adding a value obtained by multiplying an average value of the plurality of steady-state sensing values by a specific constant value C and a standard deviation.
 삭제delete 삭제delete 삭제delete 삭제delete 청구항 1에 있어서,
상기 판단부는, 상기 정상 상태 모델 및 상기 실 측정 모델로부터 생성되는 단변량 관리도 또는 다변량 관리도를 이용하여 상기 실제 측정 대상의 이상 여부를 판단하는, 이상 감지 장치.
The method according to claim 1,
The determination unit is configured to determine whether the actual measurement target is abnormal by using a univariate control chart or a multivariate control chart generated from the steady-state model and the actual measurement model.
 청구항 6에 있어서,
상기 판단부는, 상기 정상 상태 모델 및 상기 실 측정 모델 간의 차이를 누적한 값이 설정된 기준값을 초과하는 경우, 상기 측정 대상에 이상이 발생한 것으로 판단하는, 이상 감지 장치.
7. The method of claim 6,
The determination unit may be configured to determine that an abnormality has occurred in the measurement target when a value obtained by accumulating a difference between the steady-state model and the actual measurement model exceeds a set reference value.
 청구항 6에 있어서,
상기 판단부는, 상기 실 측정 모델로부터 생성한 지수가중이동평균 값이 상기 정상 상태 모델에 포함된 임계치를 초과하는 경우, 상기 측정 대상에 이상이 발생한 것으로 판단하는, 이상 감지 장치.
7. The method of claim 6,
The determination unit, when the exponential weighted moving average value generated from the actual measurement model exceeds a threshold included in the steady-state model, determines that an abnormality has occurred in the measurement target, an abnormality detection device.
 하나 이상의 센서를 이용하여 측정 대상의 이상 여부를 판단하기 위한 방법으로서,
정상 상태 환경에서, 상기 하나 이상의 센서로부터 복수의 정상 상태 센싱값을 획득하고, 상기 복수의 정상 상태 센싱값으로부터 정상 상태 모델을 생성하는 단계;
실제 환경에서, 상기 하나 이상의 센서로부터 복수의 실제 센싱값을 획득하고, 상기 복수의 실제 센싱값으로부터 실 측정 모델을 생성하되,
상기 복수의 실제 센싱값에 대한 이동평균값 또는 가중이동평균값에 기초하여 상기 실 측정 모델을 생성하는 단계; 및
상기 정상 상태 모델 및 상기 실 측정 모델간의 비교를 통하여 상기 측정 대상의 이상 여부를 판단하는 단계를 포함하며,
상기 정상 상태 모델은, 상기 실제 센싱값의 이상 여부를 판단하기 위한 임계값을 포함하고,
상기 임계값은 상기 복수의 정상 상태 센싱값의 평균값에 특정 상수값(C)과 표준편차를 곱한 값을 더하여 계산되는, 이상 감지 방법.
As a method for determining whether a measurement target is abnormal using one or more sensors,
in a steady-state environment, obtaining a plurality of steady-state sensed values from the one or more sensors, and generating a steady-state model from the plurality of steady-state sensed values;
In a real environment, obtaining a plurality of real sensed values from the one or more sensors, and generating a real measurement model from the plurality of real sensed values,
generating the actual measurement model based on a moving average value or a weighted moving average value for the plurality of actual sensed values; and
Comprising the step of determining whether the measurement target is abnormal through comparison between the steady-state model and the actual measurement model,
The steady-state model includes a threshold value for determining whether the actual sensed value is abnormal,
The threshold value is calculated by adding a value obtained by multiplying an average value of the plurality of steady-state sensing values by a specific constant value (C) and a standard deviation.
 삭제delete 삭제delete 삭제delete 삭제delete 청구항 9에 있어서,
상기 이상 여부를 판단하는 단계는,
상기 정상 상태 모델 및 상기 실 측정 모델로부터 생성되는 단변량 관리도 또는 다변량 관리도를 이용하여 상기 측정 대상의 이상 여부를 판단하도록 구성되는, 이상 감지 방법.
10. The method of claim 9,
The step of determining whether the abnormality is
and determining whether the measurement target is abnormal using a univariate control chart or a multivariate control chart generated from the steady-state model and the actual measurement model.
 청구항 14에 있어서,
상기 이상 여부를 판단하는 단계는,
상기 정상 상태 모델 및 상기 실 측정 모델 간의 차이를 누적한 값이 설정된 기준값을 초과하는 경우, 상기 측정 대상에 이상이 발생한 것으로 판단하는, 이상 감지 방법.
15. The method of claim 14,
The step of determining whether the abnormality is
When the accumulated difference between the steady-state model and the actual measurement model exceeds a set reference value, it is determined that an abnormality has occurred in the measurement target.
 청구항 14에 있어서,
상기 이상 여부를 판단하는 단계는,
상기 실 측정 모델로부터 생성한 지수가중이동평균 값이 상기 정상 상태 모델에 포함된 임계치를 초과하는 경우, 상기 측정 대상에 이상이 발생한 것으로 판단하는, 이상 감지 방법.
15. The method of claim 14,
The step of determining whether the abnormality is
When the exponential weighted moving average value generated from the actual measurement model exceeds a threshold included in the steady-state model, it is determined that an abnormality has occurred in the measurement target.
 하드웨어와 결합되어
정상 상태 환경에서, 하나 이상의 센서로부터 복수의 정상 상태 센싱값을 획득하고, 상기 복수의 정상 상태 센싱값으로부터 정상 상태 모델을 생성하는 단계;
실제 환경에서, 상기 하나 이상의 센서로부터 복수의 실제 센싱값을 획득하고, 상기 복수의 센싱값으로부터 실 측정 모델을 생성하되,
상기 복수의 실제 센싱값에 대한 이동평균값 또는 가중이동평균값에 기초하여 상기 실 측정 모델을 생성하는 단계; 및
상기 정상 상태 모델 및 상기 실 측정 모델간의 비교를 통하여 측정 대상의 이상 여부를 판단하는 단계를 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장되며,
상기 정상 상태 모델은, 상기 실제 센싱값의 이상 여부를 판단하기 위한 임계값을 포함하고,
상기 임계값은 상기 복수의 정상 상태 센싱값의 평균값에 특정 상수값(C)과 표준편차를 곱한 값을 더하여 계산되는, 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
combined with hardware
in a steady-state environment, obtaining a plurality of steady-state sensed values from one or more sensors, and generating a steady-state model from the plurality of steady-state sensed values;
In a real environment, obtaining a plurality of real sensed values from the one or more sensors, and generating a real measurement model from the plurality of sensed values,
generating the actual measurement model based on a moving average value or a weighted moving average value for the plurality of actual sensed values; and
It is stored in a computer-readable recording medium to execute the step of determining whether the measurement target is abnormal through comparison between the steady-state model and the actual measurement model,
The steady-state model includes a threshold value for determining whether the actual sensed value is abnormal,
The threshold value is calculated by adding a value obtained by multiplying an average value of the plurality of steady-state sensing values by a specific constant value (C) and a standard deviation, a computer program stored in a computer-readable recording medium.
KR1020150149445A 2015-10-27 2015-10-27 System and method for detecting anomality using sensor data KR102384742B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150149445A KR102384742B1 (en) 2015-10-27 2015-10-27 System and method for detecting anomality using sensor data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150149445A KR102384742B1 (en) 2015-10-27 2015-10-27 System and method for detecting anomality using sensor data

Publications (2)

Publication Number Publication Date
KR20170048843A KR20170048843A (en) 2017-05-10
KR102384742B1 true KR102384742B1 (en) 2022-04-07

Family

ID=58743792

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150149445A KR102384742B1 (en) 2015-10-27 2015-10-27 System and method for detecting anomality using sensor data

Country Status (1)

Country Link
KR (1) KR102384742B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102578489B1 (en) 2022-07-12 2023-09-13 이재학 Digital transformation prediction system based on big data and machine learning

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102548265B1 (en) * 2018-11-20 2023-06-26 삼성중공업 주식회사 Apparatus for testing fault of monitoring sensor
CN114858205B (en) * 2021-02-03 2024-03-01 盟立自动化股份有限公司 Storage equipment and monitoring method thereof

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002521201A (en) * 1998-07-21 2002-07-16 ドファスコ インコーポレイテッド A multivariate statistical model-based system for monitoring the operation of a continuous caster to detect the occurrence of impending breakouts
JP2007139621A (en) * 2005-11-18 2007-06-07 Omron Corp Determination device, control program of determination device, and recording medium recording control program of determination device
JP2010096682A (en) * 2008-10-17 2010-04-30 Yokogawa Electric Corp Physical quantity measuring apparatus
JP5454671B2 (en) * 2010-02-26 2014-03-26 株式会社日立製作所 Failure cause diagnosis system and method
JP2014142697A (en) * 2013-01-22 2014-08-07 Hitachi Ltd Abnormality diagnostic method and device of the same

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050117639A (en) 2004-05-19 2005-12-15 임종수 Gas leak prevention system and method using the same

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002521201A (en) * 1998-07-21 2002-07-16 ドファスコ インコーポレイテッド A multivariate statistical model-based system for monitoring the operation of a continuous caster to detect the occurrence of impending breakouts
JP2007139621A (en) * 2005-11-18 2007-06-07 Omron Corp Determination device, control program of determination device, and recording medium recording control program of determination device
JP2010096682A (en) * 2008-10-17 2010-04-30 Yokogawa Electric Corp Physical quantity measuring apparatus
JP5454671B2 (en) * 2010-02-26 2014-03-26 株式会社日立製作所 Failure cause diagnosis system and method
JP2014142697A (en) * 2013-01-22 2014-08-07 Hitachi Ltd Abnormality diagnostic method and device of the same

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102578489B1 (en) 2022-07-12 2023-09-13 이재학 Digital transformation prediction system based on big data and machine learning

Also Published As

Publication number Publication date
KR20170048843A (en) 2017-05-10

Similar Documents

Publication Publication Date Title
US10060831B2 (en) Method for assessing whether or not a measured value of a physical parameter of an aircraft engine is normal
JP6257594B2 (en) Method and apparatus for detecting leakage current in resistance temperature detector
US20120296605A1 (en) Method, computer program, and system for performing interpolation on sensor data for high system availability
KR102384742B1 (en) System and method for detecting anomality using sensor data
BRPI1101439B1 (en) METHOD FOR DETECTING THE DEGRADATION OF THE PERFORMANCE OF A SENSOR IN AN ANGLE FLOW MEASUREMENT DEVICE
US20170219454A1 (en) Leak identification in a mass transport network
Chai et al. Online incipient fault diagnosis based on Kullback‐Leibler divergence and recursive principle component analysis
CN115059634A (en) Fault diagnosis method and device for air blowing equipment and electronic equipment
KR102534577B1 (en) Gas analysis system and gas analysis method
JP2016139274A (en) Malfunction diagnosis method and malfunction diagnosis system
JP6909413B2 (en) Causality learning methods, programs, equipment and anomaly analysis systems
KR102502952B1 (en) Method and apparatus for sensing data based on stats analysis
JP2010276339A (en) Method and device for diagnosis sensor
KR101896157B1 (en) Method for controlling sensor based on statistical process control
KR101823387B1 (en) A resilient sensor fusion apparatus by using heterogeneous sensors and method thereof
JP2019159786A (en) Information processing device, information processing method, and program
US10316690B2 (en) Method for validation of an investigated sensor and corresponding machine
US20070225926A1 (en) Method and apparatus for quantitatively determining severity of degradation in a signal
JP2017198565A (en) Detector, infrared sensor, detection method, and program
Mao et al. Rapid structural condition assessment using transmissibility with quantified confidence for decision making
KR102455723B1 (en) Monitoring system and method for sensing failure of power generation facilities early
CN103217186A (en) Self evaluating transimitter
KR102450030B1 (en) System and method for sensing failure of power generation facilities
US9218733B2 (en) Method for early detection of cooling-loss events
US11892829B2 (en) Monitoring apparatus, method, and program

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E90F Notification of reason for final refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant