KR102648377B1

KR102648377B1 - 네트워크 케이블 품질 모니터링이 가능한 ai 통합배선반 및 이를 이용한 방법

Info

Publication number: KR102648377B1
Application number: KR1020230120998A
Authority: KR
Inventors: 권필준
Original assignee: (주)프롬
Priority date: 2023-09-12
Filing date: 2023-09-12
Publication date: 2024-03-15

Abstract

본 발명은 네트워크 케이블 품질 모니터링이 가능한 AI 통합배선반에 관한 것으로서, 보다 상세하게는 네트워크 품질을 지속적으로 모니터링하고 수집된 데이터를 사용하여 잠재적인 네트워크 장애를 사전에 방지하는 네트워크 케이블 품질 모니터링이 가능한 AI 통합배선반에 관한 것이다.

Description

네트워크 케이블 품질 모니터링이 가능한 AI 통합배선반 및 이를 이용한 방법{Intelligent integrated wiring board with network cable quality monitoring}

본 발명은 네트워크 케이블 품질 모니터링이 가능한 AI 통합배선반에 관한 것으로서, 보다 상세하게는 AI 기술로 네트워크 품질을 지속적으로 모니터링하고 수집된 데이터를 사용하여 잠재적인 네트워크 장애를 사전에 방지하는 네트워크 케이블 품질 모니터링이 가능한 AI 통합배선반에 관한 것이다.

일반적으로 허브, 스위치, 공유기, 패치 판넬, 110 블럭, 단자대, IP CAMERA, NVR 등과 같은 네트워크 장치에는 가입자 측의 통신 장비가 랜 케이블을 통해 상호간 통신 가능하게 전기적으로 접속되어 있다. 즉, 랜(LAN: local area network)은 현대식 사무실 내에서 많은 수의 개인용 컴퓨터, 워크스테이션, 프린터 및 파일 서버들을 연결한다.

랜 시스템은 이러한 모든 장치들을 구리도체 랜케이블로 물리적으로 연결하여 구성되는데, 일반적으로 네 개의 연선쌍들로 구성된 8-전선 케이블이 가장 널리 사용되고 있다. 랜케이블 중에는 정전기적 실드(shield)로 작용하는 유연성 호일 박막을 포함하는 것도 있다.

케이블의 각 단부는 산업표준에 따르는 접속기 내에 연결되어 있다. 일반적으로, 랜케이블은 벽, 바닥, 빌딩의 천장 등을 통과하여 설치된다. 또한 랜케이블 시스템은 계속적인 유지보수, 업그레이드 및 문제 해결을 필요로 하는데, 이는 랜케이블 및 접속 기들은 파손되기 쉽고 또한 사무실 및 장비의 이동을 필요로 할 것이며 더 나아가 새로운 장비가 부가되기 때문이다.

건물 등에 랜 시스템(lan system)을 구축하기 위해서는 통신에 필요한 랜케이블(lan cable)과 네트워크(network) 장비가 갖추어져야 하며, 통상적인 시공 단계에서는 랜케이블 설치 작업이 선행되고 나서 이 작업이 완료되면 랜케이블에 각각의 네트워크 장치를 접속하여 설치하게 된다.

랜케이블의 포설 및 접속 작업이 완료되면 기술자들은 케이블이 이상 없이 잘 포설되어 접속이 이루어졌는가를 먼저 확인한 후에 네트워크 장치를 설치하게 된다. 즉, 기술자들은 랜케이블이 정상적으로 동작하는지를 확인하기 위해서 랜케이블 체커(lan cable checker)를 케이블의 양단에 접속하여 이상 유뮤를 확인하게 된다.

다음으로, 랜케이블의 확인이 끝나게 되면 각각의 네트워크 장치를 미리 설계된대로 랜케이블에 접속하여 장비의 파라미터(parameter)를 세팅한 후 전체적으로 네트워크의 동작을 확인하게 된다. 이러한 시공 단계를 모두 거쳐야 전체적인 랜 시스템이 정상적으로 동작할 수 있게 된다.

이와 같이 네트워크 장치에는 다수의 랜 케이블이 접속되어 있으므로, 네트워크 장치와 가입자 측 통신 장비의 초기 설치 시 또는 유지 보수 시 상술한 랜케이블의 선로, 선 번호, 단선, 단락 등을 식별하는데 많은 시간이 소요되고 있다.

또한, 설치가 완료된 후에도 통신이 제대로 이루어지지 않는다든가 비정상적인 동작을 하는 경우가 발생하며, 이런 경우 랜케이블의 이상 유무를 확인하기 위해서는 두 명의 통신작업자가 랜케이블의 양단에 각각 랜케이블 체커를 접속해야 되는데, 통신작업자 사이의 거리가 많이 떨어져 있으면 케이블의 이상 유무를 확인하는 교신을 위해서 별도의 통신 장비를 사용하여야 하는 불편함이 있다.

또한, 단말에 통신작업자 1명과 IDF에 1명이 각각 위치하여 수작업으로 선번을 체크해야 하고, IDF와 MDF에도 각각 통신작업자 1명씩 배치되어 회선을 수작업으로 일일이 체크하고 기록해야 하는 불편함이 있었다

특히, 관공서에서는 최초 1회에 걸쳐 케이블 품질 검사를 하는데 건물에 있는 회선 100~800개의 회선을 하나씩 하나씩 양 끝단을 연결하여 품질테스트를 해야하는 불편함이 있었다.

따라서, 관공서 등의 조직 변경에 따른 회선변경 시 발생하는 물리적 회선장애의 해결이 절실하다.

또한, 보건소 및 상수도계 운영 시스템 등의 안정적 회선 관리가 필요하고, 유지보수 업체에 전적으로 의존하는 불완전한 네트워크 관리를 지속가능한 관제 체계로 구축이 필요한 상태이다.

한국특허등록 제2527242호 한국특허등록 제2428890호 한국특허등록 제2430094호

본 발명은 전술한 문제점을 개선하기 위해 안출된 것으로, 본 발명은구내 네트워크망 및 전화 인프라 구축 또는 시스템 변경 시 네트워크 케이블 품질을 AI 기술로 신속하게 확인하며 정기적으로 감시가 가능한 네트워크 케이블 품질 모니터링이 가능한 AI 통합배선반을 제공하는데 목적이 있다.

또한, 본 발명은 AI 기술로 지능형 통합배선반과 원격 제어 및 주기적인 모니터링을 통해 구간별 품질감시가 가능한 네트워크 케이블 품질 모니터링이 가능한 AI 통합배선반을 제공하는데 목적이 있다.

또한, 본 발명의 실시예에 따르면, AI 기술로 네트워크 품질을 지속적으로 모니터링하고 수집된 데이터를 사용하여 잠재적인 네트워크 장애를 사전에 방지하는 네트워크 케이블 품질 모니터링이 가능한 AI 통합배선반을 제공하는데 목적이 있다.

상기와 같은 목적을 달성하기 위하여, 본 발명의 일 실시예는 안정적인 통신 인프라 구축과 네트워크 장애를 사전 예방하기 위한 지능형 통합배선반; 및 상기 지능형 통합배선반과 원격 제어와 주기적인 모니터링을 통해 구간별 품질감시가 가능하도록 네트워크로 연결된 관제시스템;을 포함하고, 상기 지능형 통합배선반은, 상기 지능형 통합배선반의 랜커넥터 정상 체결율을 검지하여 전산장애 예방하기 위한 미세저항 측정 모듈; 상기 지능형 통합배선반의 네트워크 케이블 품질측정을 위한 주파수 기반 측정 모듈; 상기 지능형 통합배선반의 저항데이터 수집 모듈에 의해 저항데이터 수집을 통한 회선 이상상태 진단 모듈; 및 상기 지능형 통합배선반의 POE 회선의 소모전력 데이터를 분석하여 단말장치의 고장 예측 모듈;을 포함한다.

상기 접지강도는 상기 랜커넥터 체결율을 측정하여 현장에서 확인하도록 디스플레이하거나 이메일로 전송하며, 상기 고장 예측 모듈이 POE 회선에 대한 저항데이터를 수집 및 분석하여 말단 단말장치의 MAC 어드레스를 통해 단말장치별 고장율을 집게한다.

상기 관제시스템은, 상기 미세저항 측정 모듈의 RJ45 랜커넥터 저항 데이터 수집을 위한 저항 데이터 수집 소프트웨어(Software) 애플리케이션; 상기 주파수 기반 측정 모듈의 네트워크 케이블 품질측정을 위해 단선 확인을 위한 케이블 주파수측정 소프트웨어(Software) 애플리케이션; 상기 회선 이상상태 진단 모듈의 이상 지연율 또는 손실율을 검지하기 위한 지연율/손실율 검지 소프트웨어(Software) 애플리케이션; 상기 고장 예측 모듈의 고장 예측을 위한 고장 예측 전력측정 소프트웨어(Software) 애플리케이션;을 포함한다.

상기 지능형 통합배선반은, 각 랜 pair(8가닥)에 대한 체결율을 측정하여 사전에 장애요인을 알람하도록 관제시스템에 알람 제어 명령 송신 신호를 전송한다.

상기 지능형 통합배선반은, PoE(Power over Ethernet)가 적용되고, POE 소모전력 데이터셋을 활용한 이상증상의 검지 가능한 통합배선반 탑재형 POE 지원 모듈;을 더 포함한다.

상기 지능형 통합배선반의 각 통합배선반이 RX/TX Gateway 역할을 수행하여 구획별 회선 전자파지연 측정 RX/TX 센서 또는 회선 저항 측정 RX/TX 센서를 통해 측정이 가능하고 복잡한 Path 구축 기관에서도 활용 가능하다.

상기 지능형 통합배선반의 연계 장비 및 건물에 포설된 네트워크 케이블에 대한 품질 검지를 위해, 각 네트워크 케이블에 대한 회선 결함 검지가 가능하다.

상기 지능형 통합배선반에 대한 단선 위치에 대한 사전 탐지를 위해 회선 손실dB 측정 센서를 통한 회선 품질에 대한 정량 데이터 및 분석 결과 리포트를 자동 생성 가능하다.

상기 관제시스템은, 센서들로 부터 이상 또는 비정상적인 이벤트를 식별하고 분류하는 데 사용되고, 식별하고 분류된 각 센서들의 정량 데이터로 부터 이상 현상을 실시간으로 감지하고 대응하도록 설계된 이상 유형 분석 지원 및 푸쉬 알람 엣지 모듈;에 연결된다.

상기 AI 모듈이 연계 장비 및 건물에 포설된 네트워크 케이블에 대한 품질 검지를 위해, 각 네트워크 케이블에 대한 회선 결함 검지 데이터를 딥러닝 인식 기술을 이용하여 분석하되, 네트워크 케이블에 대한 회선 결함을 검지하기 위해 충분한 양의 훈련 데이터를 수집하고, 회선 결함 데이터는 정상적인 상태와 결함이 있는 상태의 네트워크 케이블 이미지 또는 신호 데이터로서, 다양한 회선 결함 유형을 포함해야 정확한 분석을 위해 다양성을 확보하도록 하는 데이터 수집 과정; 수집한 데이터는 노이즈를 제거하고 적절한 형식으로 변환되도록, 그래프 이미지 데이터라면 크기를 조절하거나 회전 및 이동을 적용하고, 데이터를 학습에 적합한 형태로 변환하여 모델이 이해할 수 있도록 하는 데이터 전처리 과정; 회선 결함 검지에 사용할 딥러닝 모델을 설계하고, 컨볼루션 신경망(Convolutional Neural Network, CNN)을 사용하며, 이는 이미지나 시계열 데이터 처리에 특화되어, 모델의 레이어 구성과 하이퍼파라미터를 설정하여 네트워크를 구축하는 딥러닝 모델 설계 과정; 구성한 딥러닝 모델에 전처리된 데이터를 사용하여 학습을 시작하고 정상 상태와 결함 상태를 구분하는 방법을 학습하도록 모델을 최적화하며, 학습 데이터는 일반적으로 학습, 검증, 테스트 세트로 나누어 사용하는 데이터 학습 과정; 학습이 완료되면 모델을 테스트 데이터에 적용하여 정확도와 성능을 평가하,. 모델의 성능이 만족스럽다면 이를 사용하여 실제 데이터에 대한 회선 결함 검지를 수행하는 모델 평가 과정; 훈련된 딥러닝 모델을 실시간 환경에 적용하여 네트워크 케이블의 결함을 감지하고, 이를 통해 지능형 통합배선반에서 네트워크 케이블 품질 모니터링을 실시간으로 수행할 수 있게 하는 실시간 적용 과정;을 포함한다.

상기 AI 모듈이 상기 지능형 통합배선반에 대한 단선 위치에 대한 사전 탐지를 위해 회선 손실dB 측정 센서를 통한 회선 품질에 대한 정량 데이터 및 분석 결과 리포트를 자동 생성 가능하도록 하며, 상기 분석 결과 리포트에는 각 네트워크 케이블에 대한 딥러닝 기술을 통해 검출된 회선 결함 정보를 제공하는 회선 결함 검지 결과 정보; 네트워크 케이블의 품질을 정량화하여 dB 측정 값을 제공하는 회선 품질 측정 결과 정보; 각 네트워크 케이블의 위치와 배선반 상의 단선 위치를 나타내어 지점별로 확인 가능하게 하는 네트워크 케이블 위치 정보; 네트워크 케이블의 품질 변화를 시간대별로 기록하여 추이를 확인할 수 있도록 하는 시간대별 데이터 정보; 딥러닝 인식 기술을 활용하여 비정상적인 패턴이나 이상 징후를 감지하여 특이 사항을 보고하는 비정상적인 패턴 감지 정보; 회선 결함이나 품질 저하가 감지된 경우, 문제 해결을 위한 권장 조치 사항을 제시하는 권장 조치 정보; 데이터를 시각적으로 표현하여 쉽게 이해할 수 있도록 그래프와 차트로 제공하는 그래프 및 시각화 정보; 필요에 따라 추가적인 통계 또는 관련 정보를 포함한다.

상기 AI 모듈과 네트워크로 연결되는 상기 관제시스템은, 센서들로 부터 이상 또는 비정상적인 이벤트를 식별하고 분류하는 데 사용되고, 식별하고 분류된 각 센서들의 정량 데이터로 부터 이상 현상을 실시간으로 감지하고 대응하도록 설계된 이상 유형 분석 지원 및 푸쉬 알람 엣지 모듈;에 연결되고, 이상 유형 분석 지원 및 푸쉬 알람 엣지 모듈은, 관제시스템을 통해 여러 센서들로부터 데이터를 수집하고, 센서들은 네트워크 케이블 품질 모니터링을 위해 사용되는 회선 손실 dB 측정 센서뿐만 아니라, 다양한 환경 요소를 감지하는 센서들도 포함되어 센서들이 데이터를 실시간으로 관제시스템으로 전송하도록 하는 센서 데이터 수집부 ; 수집된 센서 데이터는 AI 모듈을 통해 이벤트를 식별하고 분류합니다. AI 모듈은 딥러닝 인식 기술을 활용하여 데이터를 분석하고, 정상적인 상태와 이상적인 상태를 구분하고, 네트워크 케이블의 회선 결함, 환경 변화를 감지하는 이벤트 식별 및 분류부; 이벤트를 분류하여 각 센서들의 정량 데이터를 기반으로 이상 현상을 실시간으로 감지하고, 정상 범위를 벗어난 데이터 또는 비정상적인 패턴을 감지하면 해당 이벤트를 이상 현상으로 판단하는 이상 현상 감지부; 이상 현상이 감지되면, 관제시스템은 이상 유형 분석을 수행하고, 이를 통해 어떤 유형의 이상이 발생하였는지 구체적으로 분석하고, 각 유형에 맞는 대응 방안을 도출하여, 회선 결함의 종류를 구분하고, 실내 온도나 습도의 환경 요소의 이상을 구분하는 이상 유형 분석부; 및 이상 현상이 감지되면, 관제시스템은 즉시 관리자나 책임자에게 푸쉬 알람을 전송하며, 푸쉬 알람은 이상 현상에 대한 정보와 해당 이벤트에 대한 세부 정보를 포함하여 실시간 대응이 가능하도록 하고, 관리자는 즉각적으로 이상 현상에 대한 조치를 취할 수 있으며, 이를 통해 잠재적인 장애 또는 문제를 최소화하고 시스템의 안정성을 유지하도록 하는 푸쉬 알람부;를 포함한다.

본 발명의 일 실시예에 따라 AI 기술로 네트워크 케이블 품질과 네트워크 장애를 사전 예방하기 위한 이상 지연율 감지 및 개별 서버장비의 손실율의 검지가 가능하다.

또한, 본 발명의 일 실시예에 따르면 AI 기술로 연계 장비 뿐만 아니라 건물에 포설된 네트워크 케이블에 대한 품질 검지, 회선 결함 검지, 및 단선 위치에 대한 탐지가 가능하다.

또한, 본 발명은 AI 기술로 품질측정의 시스템화로 별도의 추가 비용없이 정기적으로 측정이 가능하여, 인건비 절감 및 소요시간을 단축시킬 수 있다.

또한, 본 발명은 AI 기술로 회선 품질에 대한 정량 데이터 및 분석 결과 리포트를 자동 생성 및 간편하게 확인이 가능하다.

또한, 본 발명은 AI 기술로 회선량과 무관하게 자동품질 업그레이드 및 알람 수행이 가능하다.

또한, 본 발명은 AI 기술로 회선 품질에 대한 정량 데이터 및 분석 결과 리포트를 자동 생성 및 간편 확인이 가능하고, 분석 결과 리포트에 따라 회선량과 무관하게 자동품질 개선이 가능하다.

도 1은 본 발명의 일 실시예에 따른 네트워크 케이블 품질 모니터링이 가능한 AI 통합배선반을 구현하는 목표 등과의 관계를 개략적으로 나타내는 블럭도이다.
도 2는 본 발명의 일 실시예에 따른 네트워크 케이블 품질 모니터링이 가능한 AI 통합배선반의 구성도이다.
도 3은 본 발명의 일 실시예에 따른 네트워크 케이블 품질 모니터링이 가능한 AI 통합배선반의 세부 구성도이다.
도 4는 본 발명의 일 실시예에 따른 네트워크 케이블 품질 모니터링이 가능한 AI 통합배선반의 관제시스템 세부 구성도이다.
도 5는 본 발명의 일 실시예에 따른 딥러닝 방식과 타 방식을 비교한 도면이다.
도 6은 본 발명의 일 실시예에 따른 파형 데이터를 OCR로 변환하여 CNN 방식으로 추출하는 것을 보여주는 도면이다.
도 7은 도 6의 이미지 분석 방법을 보여주는 도면이다.
도 8은 본 발명의 일 실시예에 따른 학습 단계와 테스트 단계를 보여주는 도면이다.

상기한 바와 같은 본 발명을 첨부된 도면들과 실시예들을 통해 상세히 설명하도록 한다.

본 발명에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 발명에서 사용되는 기술적 용어는 본 발명에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 발명에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는, 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 발명에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.

또한, 본 발명에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다. 본 발명에서, "구성된다" 또는 "포함한다" 등의 용어는 발명에 기재된 여러 구성 요소들, 또는 여러 단계를 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.

이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.

또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다.

본 발명은 행정청사 또는 복합건물, 관제센터 등 구내 네트워크망 및 전화 인프라 구축 또는 시스템 변경 시 네트워크 케이블 품질을 신속하게 확인하며 정기적으로 감시가 가능한 네트워크 케이블 품질 모니터링이 가능하도록, 안정적인 통신 인프라 구축과 네트워크 장애를 사전 예방하기 위한 지능형 통합배선반(20); 및 상기 지능형 통합배선반과 원격 제어와 주기적인 모니터링을 통해 구간별 품질감시가 가능하도록 네트워크로 연결된 관제시스템(10);으로 크게 나누어 구성된다.

상기 지능형 통합배선반(20)은, 상기 지능형 통합배선반의 랜커넥터 정상 체결율을 검지하여 전산장애 예방하기 위한 미세저항 측정 모듈; 상기 지능형 통합배선반의 네트워크 케이블 품질측정을 위한 주파수 기반 측정 모듈; 상기 지능형 통합배선반의 저항데이터 수집을 통한 회선 이상상태 진단 모듈; 및 상기 지능형 통합배선반의 POE(Power over Ethernet) 회선의 소모전력 데이터를 분석하여 단말장치의 고장 예측 모듈;을 포함한다. 여기에서 각 모듈들은 후술하는 이상 상태 감지를 위한 핵심 역할을 한다.

구체적으로, 도 3에 도시된 바와 같이 미세저항 측정 모듈(11), 주파수 기반 측정 모듈(12), 회선 이상상태 진단 모듈(13), 고장 예측 모듈(14)을 참고 하여 자세히 설명하면, 미세저항 측정 모듈(11)은 지능형 통합배선반의 랜커넥터 체결율을 검지하기 위한 모듈이다.

랜커넥터가 정상적으로 체결되지 않은 경우, 통신장비와의 연결이 불안정해져 전산장애를 유발할 수 있다.

상기 미세저항 측정 모듈(11)은 랜커넥터와 연결된 미세저항을 측정하여 랜커넥터의 체결 상태를 판단한다.

상기 주파수 기반 측정 모듈(12)은 지능형 통합배선반의 네트워크 케이블 품질측정을 위한 모듈이다.

상기 주파수 기반 측정 모듈(12)은 주파수를 이용하여 케이블의 품질을 측정하고, 측정된 데이터를 토대로 케이블의 상태를 판단한다.

회선 이상상태 진단 모듈(13)은 회선의 이상상태 진단을 위한 모듈이다.

예를 들어 회선 이상상태 진단 모듈(13)은 회선에 적용되는 전압과 전류 값을 수집하여 회선의 저항 값을 산출한다.

즉 회선 이상상태 진단 모듈(13)은 이를 통해 회선의 이상 상태를 진단하고, 빠른 대처가 가능하다.

다른 실시예로서 회선 이상상태 진단 모듈(13)은 POE 회선의 소모전력 데이터를 분석하여 단말장치의 고장을 예측하는 모듈로서 동작할 수 있다.

회선 이상상태 진단 모듈(13)은 POE 회선으로 전송되는 전력 데이터를 분석하여, 고장 예측 모듈(14)을 통해 단말장치의 고장을 예측하고, 상기 단말장치의 고장으로 인한 네트워크 장애를 사전에 예방할 수 있다.

관리자 단말기의 디스플레이 내용 중 단선 위치와 유도전력 노이즈 위치를 3D모델링 및 3D맵핑하여 재디스플레이하고, 상기 3D맵핑으로 단선 지점과 고장 위치를 표출하며,

상기 지능형 통합배선반에서 중앙 지능형 통합배선반과 층별 지능형 통합배선반, 및 구내 아울렛 구간의 네트워크 이상 지연율 또는 데이터 이상 패킷 송수신율을 계산하여 감시 모니터링 및 알람할 수 있다.

일실시예로서 본 발명은 네트워크 케이블 품질측정을 위한 주파수 기반 측정 모듈, 저항데이터 수집을 통한 회선 이상상태 진단 모듈, 그리고 POE 회선의 소모전력 데이터를 분석하여 단말장치의 고장 예측 모듈을 포함하는 지능형 통합배선반은 네트워크 장애를 사전 예방하기 위한 것으로, 랜커넥터 정상 체결율을 검지하여 전산장애 예방하기 위한 미세저항 측정 모듈도 포함하여, 해당 통합배선반과 원격 제어와 주기적인 모니터링을 통해 구간별 품질감시가 가능하도록 네트워크로 연결된 관제시스템도 함께 구축된다.

따라서 본 발명은 아래와 같이 미세저항 측정 모듈을 통해 지능형 통합배선반의 랜커넥터 체결율을 검지하여 전산장애를 예방할 수 있다.

(1) 주파수 기반 측정 모듈을 이용하여 네트워크 케이블의 품질을 측정할 수 있어, 안정적인 통신 인프라 구축에 기여할 수 있다.

(2) 저항데이터 수집 모듈을 통한 저항데이터 수집을 통해 회선 이상상태 진단 모듈이 회선의 이상상태를 진단할 수 있어, 빠른 장애 대처가 가능하다.

(3) POE 회선의 소모전력 데이터를 분석하여 단말장치의 고장을 예측할 수 있어, 사전에 대처할 수 있다.

이러한 기능들을 통해 네트워크 장애를 사전에 예방하고, 안정적인 통신 인프라를 구축할 수 있다.

도 4에 도시된 바와 같이, 본 발명은 저항 데이터 수집 소프트웨어(15), 케이블 주파수측정 소프트웨어(16), 지연율/손실율 검지 소프트웨어(17), 고장 예측 전력측정 소프트웨어(18) 등으로 구성된다.

일실시예에 따른 상기 관제시스템(10)에서 저항 데이터 수집 소프트웨어(15), 케이블 주파수측정 소프트웨어(16), 지연율/손실율 검지 소프트웨어(17), 고장 예측 전력측정 소프트웨어(18) 각각은, 상기 미세저항 측정 모듈의 RJ45 랜커넥터 저항 데이터 수집을 위한 저항 데이터 수집 소프트웨어(Software) 애플리케이션; 상기 주파수 기반 측정 모듈의 네트워크 케이블 품질측정을 위해 단선 확인을 위한 케이블 주파수측정 소프트웨어(Software) 애플리케이션; 상기 회선 이상상태 진단 모듈의 이상 지연율 또는 손실율을 검지하기 위한 지연율/손실율 검지 소프트웨어(Software) 애플리케이션; 상기 고장 예측 모듈의 고장 예측을 위한 고장 예측 전력측정 소프트웨어(Software) 애플리케이션;을 포함한다.

그리고, 상기 지능형 통합배선반(20)의 랜커넥터 정상 체결율을 검지하도록 표시 및 연결되는 체결 검지 패치판넬(Hardware)을 포함한다.

일실시예에 따른 상기 지능형 통합배선반은, 각 랜 pair(8가닥)에 대한 체결율을 측정하여 사전에 장애요인을 알람하도록 관제시스템에 알람 제어 명령 송신 신호를 전송한다.

따라서 상기 지능형 통합배선반은, 네트워크 연결 문제를 미리 감지할 수 있다.

종래 발명의 단순 알람은 네트워크 연결이 중단될 때만 경고를 울렸지만, 본 발명에서는 각 LAN 케이블의 연결률을 측정하여 문제가 생기기 전에 미리 경고를 울릴 수 있기 때문이다.

이렇게 변경되면 네트워크 장애가 발생하더라도 사전에 경고를 받아 조치를 취할 수 있기 때문에, 문제 발생 시간과 관련된 비용과 시간을 절약할 수 있다. 또한, 문제 발생으로 인한 업무 중단이나 데이터 손실 등의 문제를 예방할 수 있기 때문에, 시스템의 안정성과 신뢰성을 높일 수 있다.

또한, 이번에 변경된 시스템에서는 각 LAN 케이블의 연결률을 측정하기 때문에, 어떤 LAN 케이블이 문제가 있는지 쉽게 파악할 수 있다. 따라서, 문제가 발생했을 때 빠른 대응이 가능하며, 이로 인해 장애 해결 시간을 단축시킬 수 있다.

일실시예에 따른 상기 지능형 통합배선반은, PoE가 적용되고, POE 소모전력 데이터셋을 활용한 이상증상의 검지 가능한 통합배선반 탑재형 POE 지원 모듈;을 더 포함한다.

따라서 PoE 지원 모듈은 네트워크 연결 문제를 감지하고 예방하기 위해 랜커넥터 정상 체결율을 검지하여 전산장애를 예방하는 데 사용된다. 이 모듈은 미세저항 측정 모듈, 주파수 기반 측정 모듈, 회선 이상상태 진단 모듈과 전기적으로 연결되어, 상호 연관되어 네트워크 장애를 예방하기 위한 효과적인 도구로, 지능형 통합배선반의 안전성과 신뢰성을 높이는 데 기여한다.

일실시예에 따른 상기 지능형 통합배선반의 각 통합배선반이 RX/TX Gateway 역할을 수행하여 구획별 회선 전파지연 측정 RX/TX 센서 또는 회선 저항 측정 RX/TX 센서를 통해 측정이 가능하고 복잡한 Path 구축 기관에서도 활용 가능하다.

따라서, 해당 지능형 통합배선반은 랜커넥터의 정상 체결율을 검지하여 전산장애를 예방하며, 회선 전파지연 측정 RX/TX 센서 또는 회선 저항 측정 RX/TX 센서를 통해 구획별 회선 전파지연을 측정할 수 있어, 복잡한 Path 구축 기관에서도 활용 가능한다.

이러한 기능들은 네트워크 장애 예방 및 대응에 큰 역할을 하며, 관제시스템(10)과 함께 구축하여 주기적인 모니터링을 위한 관제시스템의 효율성을 높이는 데 기여한다.

일실시예에 따른 상기 지능형 통합배선반의 연계 장비 및 건물에 포설된 네트워크 케이블에 대한 품질 검지를 위해, 각 네트워크 케이블에 대한 회선 결함 검지가 가능하다.

일실시예로서, 네트워크 케이블에 대한 회선 결함 검지가 가능한 회선 결함 검지 모듈에 추가로 미세 저항 측정 모듈, 주파수 기반 측정 모듈 및 회로 이상 진단 모듈을 더 포함시켜, 네트워크 장애 예방에 효과적인 도구로 사용된다. 이렇게 함으로써, 장애 발생으로 인한 시간과 비용을 절약할 수 있다.

일실시예에서는 각 LAN 케이블의 연결률을 측정할 수 있으므로 문제를 일으키는 LAN 케이블을 쉽게 판별할 수 있고, 이를 통해 문제가 발생한 경우 빠르게 대응할 수 있어 장애 해결 시간을 줄일 수 있다.

또한, 회선 결함 검지 모듈에는 회로 이상 진단 모듈이 포함되어 있어 실시간으로 이상을 감지하고 빠르게 대응할 수 있다.

이러한 회선 결함 검지 모듈의 기능은 안전 모니터링 시스템의 효율성을 높이는 중요한 요소이며, 네트워크로 연결된 제어 시스템과 연결되어 구역별 주기적 모니터링과 원격 제어가 가능하므로 품질 모니터링이 가능하다.

이는 안전 사고의 가능성을 최소화하고 안전 모니터링 시스템의 효율성을 높이는 데 기여한다.

따라서, 네트워크 케이블의 정상 연결률을 감지하여 컴퓨터 장애를 예방하고, RX/TX 센서를 사용하여 구역화된 회로의 전파 지연 또는 저항을 측정할 수 있어 복잡한 경로 구성 기관에서도 네트워크 장애를 방지하고 대응할 수 있으며, 이러한 기능은 제어 시스템과 결합하여 주기적 모니터링과 원격 제어가 가능해 안전 모니터링 시스템의 효율성을 높이는 데 기여한다.

일실시예에 따른 상기 지능형 통합배선반에 대한 단선 위치에 대한 사전 탐지를 위해 회선 손실dB 측정 센서를 통한 회선 품질에 대한 정량 데이터 및 분석 결과 리포트를 자동 생성 가능하다.

일실시예에 따른 상기 관제시스템은, 센서들로 부터 이상 또는 비정상적인 이벤트를 식별하고 분류하는 데 사용되고, 식별하고 분류된 각 센서들의 정량 데이터로 부터 이상 현상을 실시간으로 감지하고 대응하도록 설계된 이상 유형 분석 지원 및 푸쉬 알람 엣지 모듈;에 연결된다.

따라서, 상기 각 센서들의 정량 데이터 등을 실시간으로 모니터링하고 비정상적 현상에 따라 심각한 손상이나 중단을 일으키기 전에 신속하게 대응할 수 있다.

일실시예로서, 본 발명은 클라우드 기반 주기적인 모니터링을 위한 관제시스템과 광전용망으로 연결된 지능형 통합배선반(20)를 포함하여, 지능형 통합배선반(20) 등을 통해 이상 정보 수집장치로 연결한다.

이를 통해 실시간 지능형 통합배선반(20)의 감시, 딥러닝 기반 이상감지, 정보 보안전송, 실시간 이상 감시 감시, 이상 감시 의사결정 지원, 안전수준 지수화 감시, 시나리오 기반 비상대응, 빅데이터 기반 위험예측, 실시간 지능형 통합배선반(20) 기능을 통합감시모니터링, 딥러닝예측시스템, 정보종합시스템에 제공하는 클라우드 기반 주기적인 모니터링을 위한 관제시스템으로 구성된다.

본 발명은 지능형 통합배선반의 이상 정보를 수집하여 평가하는 환경조건 적용 위험성 평가 모듈, 안전관련 실시간 정보를 전달받아 고장 및 손상 사고 시나리오 도출 모듈, 의사결정지원을 위해 안전대책 기준안 제시 모듈, 안전대책 기준안 제시 모듈에서 안전대책 기준안을 포함하는 데이터를 통해 제도 개선 시나리오를 제공하는 제도개선 모듈을 포함한다. 이 외에도 지능형 통합배선반(20)와 연결된 추가센서가 더 포함될 수 있다.

따라서 본 발명은 회선 품질에 대한 정량 데이터 및 분석 결과 리포트를 자동 생성 및 간편 확인이 가능하고, 분석 결과 리포트에 따라 회선량과 무관하게 제도 개선 시나리오에 의한 자동품질 개선이 가능하다.

본 발명은 클라우드 기반 주기적인 모니터링을 위한 관제시스템(10)을 포함하는 클라우드 기반 구간별 품질감시 및 통합 안전 모니터링 시스템으로 구성된다.

이를 통해 지능형 통합배선반에서 발생할 수 있는 위험 요소를 미리 예측하고 대비하기 위한 시나리오 기반의 위험 요소 분석과 시나리오로 미리 대처할 수 있도록 시뮬레이션할 수 있다.

본 발명은 클라우드 기반의 주기적인 모니터링을 위한 관제시스템과 지능형 통합배선반(20)를 통해 지능형 통합배선반의 이상 정보를 실시간으로 감시하여 지능형 통합배선반에서 발생할 수 있는 위험을 미리 예측하고 대비할 수 있도록 하는 것이 목적이다.

이를 위해 본 발명은 각종 센서 및 감시장비를 활용하여 데이터를 수집하고, 클라우드 기반의 통합감시모니터링 시스템을 통해 이를 분석하고 가시화한다.

이를 통해 지능형 통합배선반(20)에서 발생할 수 있는 위험 상황을 미리 예측하여 대응 방안을 수립하고, 위험을 최소화할 수 있도록 지원한다.

또한, 본 발명은 주기적인 모니터링을 위한 관제시스템을 통해 수집된 데이터를 기반으로 빅데이터 기술과 딥러닝 기술을 활용하여 위험예측 및 이상감지 기능을 제공하며, 이를 통해 안전 대책을 강화하고, 안전수준 지수화 감시를 통해 안전한 운영을 지원한다.

본 발명은 또한 지능형 통합배선반 등과 네트워크로 연결되는 로컬 감시설비를 활용하여 이상 정보를 수집하고, 이를 지능형 통합배선반(20)를 통해 주기적인 모니터링을 위한 관제시스템과 연계하여 분석하고 가시화한다.

또한, 본 발명은 관제시스템(10)에 네트워크로 연결된 단말기 등과 같은 다양한 단말기를 통해 주기적인 모니터링을 위한 관제시스템에 접속할 수 있도록 지원하며, 네트워크를 통해 데이터를 전송하고, 각종 연계기관과의 연동을 지원한다.

마지막으로, 본 발명은 지능형 통합배선반의 이상 정보를 수집하여 평가하는 안전관련 실시간 정보를 전달받아 고장 및 손상 사고 시나리오를 도출하도록 관제시스템(10)에 전송할 수 있다.

상기 클라우드 기반 구간별 품질감시 및 통합 안전 모니터링 시스템(30)은 또한, 지능형 통합배선반(20)을 운영하면서 발생하는 다양한 이상 상태를 탐지하고 신속하게 대응하기 위한 기능을 제공한다.

이를 위해 상기 지능형 통합배선반(20)에 연결된 센서들은 랜커넥터 정상 체결율 등의 정보를 실시간으로 수집하고, 이를 통해 딥러닝 기반 이상감지 알고리즘을 활용하여 이상 여부를 감지한다. 이상 여부가 감지되면, 즉시 주기적인 모니터링을 위한 관제시스템(10)으로 경고 메시지가 전송되어 적절한 대응 조치를 취할 수 있도록 한다.

또한, 본 발명은 지능형 통합배선반(20)에서 발생하는 이상 상태 데이터를 수집하여 이를 분석하고 예측하는 기능도 제공한다.

이를 위해 상기 클라우드 기반 주기적인 모니터링을 위한 관제시스템(10)은 빅데이터 기반의 위험성 예측 모델을 활용하여, 지능형 통합배선반(20)에서 발생할 수 있는 위험 요소를 사전에 예측하고 대응 방안을 수립할 수 있도록 한다.

또한, 상기 지능형 통합배선반(20)에서 수집된 데이터를 GIS 기반으로 가시화하여 각 건물의 지능형 통합배선반(20)의 안전 상황을 모두 모아 실시간으로 파악할 수 있도록 하며, 이를 통해 안전 수준 지수화 및 안전 대책 수립을 지원한다.

따라서, 본 발명은 지능형 통합배선반(20)을 운영하면서 발생할 수 있는 다양한 이상 요소를 사전에 예측하고 대응할 수 있는 클라우드 기반 구간별 품질감시 및 통합 안전 모니터링 시스템(30)을 제공함으로써, 안전한 지능형 통합배선반(20) 운영을 지원하고 지능형 통합배선반(20)의 이상 요소를 최소화하는 기능을 제공한다.

실시예 1

본 발명의 일실시예에 따른 POE 소모전력 데이터를 포함하는 POE 소모전력 데이터셋을 활용한 이상증상의 검지 가능한 통합배선반 탑재형 POE 지원 모듈은 POE 장치에서 발생하는 이상 현상을 검지할 수 있어서, 장비의 안정적인 운영을 보장하며, 장비의 수명을 연장시킬 수 있다.

상기 POE 지원 모듈은 POE 소모전력 데이터셋을 활용하여 이상 현상을 검지한다. POE 장치에서는 전력 공급과 네트워크 연결이 동시에 이루어지기 때문에, 전력 공급이 원활하지 않을 경우 네트워크 연결에도 영향을 미치게 된다. 이 모듈은 POE 소모전력 데이터를 분석하여 전력 공급에 이상이 생길 경우 이를 검지한다. 이렇게 검지된 이상 현상은 적절한 조치를 취함으로써 장비의 안정적인 운영을 보장하고 수명을 연장시킬 수 있다.

또한, POE 지원 모듈은 통합배선반에 탑재되어 있어서, 쉽게 사용할 수 있다. 통합배선반에 탑재되어 있으므로, POE 장치의 관리 및 유지보수가 용이해진다. 또한, 이 모듈은 POE 장치의 지원 범위를 확장시켜 더 많은 장치를 사용할 수 있도록 한다. 이렇게 POE 장치의 안정성과 신뢰성을 높이는 이 모듈은 POE 기술 발전의 중요한 동력이 될 것이다.

POE 소모전력 데이터셋은 POE 장치에서 소비되는 전력의 양을 측정한 데이터로, POE 장치의 안정성을 높이기 위해 사용된다. POE 장치에서는 전력 공급과 네트워크 연결이 동시에 이루어지기 때문에, 전력 공급의 원활함이 중요하다.

이때 POE 소모전력 데이터셋을 활용하여 전력 공급에 이상이 생길 경우 이를 검지하고, 적절한 조치를 취함으로써 장비의 안정적인 운영을 보장하며, 장비의 수명을 연장시킬 수 있다.

여기에서, POE 소모전력 데이터셋은 POE 장비에서 소비되는 전력의 양을 정확히 측정하여, 이상 현상을 검지할 수 있다. 검지된 이상 현상은 적절한 조치를 취함으로써 장비의 안정적인 운영을 보장하고 수명을 연장시킬 수 있다.

만일, 낙뢰 및 임펄스가 유도나 접지를 통하여 유입되어 PoE 장치가 오동작이나 파손 발생을 최소화하고, PoE 시스템의 안전 동작과 신뢰성 있는 통신품질을 위하여 임펄스 서지 보호 및 내성회로를 더 추가할 수도 있다.

추가적으로 설치되는, AI 기반 제어 보드는 과열 방지 및 원격 모니터링 기능을 추가하여 더욱 향상시킬 수 있다.

이러한 기능은 POE 지원 모듈의 안전성과 신뢰성을 향상시키고 고품질 통신을 유지하는 데 도움이 된다.

다른 실시예로서 상기 PoE 지원 모듈에 번개나 유도 또는 접지를 통해 발생할 수 있는 충격 파동으로 인한 손상을 최소화하기 위해 추가적인 충격 파동 보호 및 회복 회로를 추가할 수도 있다.

AI 기반 제어 보드의 온도를 실시간으로 모니터링하여 과열을 방지하고, 원격 모니터링 및 관리 기능을 추가하여 편의성을 높일 수 있다.

따라서, AI 기반 제어 보드를 활용하여 더욱 정확하고 신뢰성 높은 모니터링 시스템을 구축할 수 있다.

이러한 개선 사항은 POE 지원 모듈의 성능과 내구성을 향상시켜 안전하고 신뢰성 높은 운영을 보장할 수 있다.

또한, 과열 시 자동으로 POE 지원 모듈을 종료시키는 실패 안전 모듈(실패 안전 메커니즘)을 구현함으로써 시스템의 안전성과 신뢰성을 더욱 향상시킬 수 있다.

이는 온도 센서 및 온도를 모니터링하고 과열 시 시스템을 종료하는 지능형 제어 시스템을 더 추가 사용하여 구현할 수 있다.

또한 사용자가 스마트폰이나 컴퓨터에서 시스템을 모니터링하고 제어할 수 있는 원격 관리 시스템을 구현함으로써 시스템의 편의성과 접근성을 크게 향상시킬 수 있다.

이는 IoT 기술과 사용자 친화적 인터페이스를 사용하여 사용자가 시스템에 액세스하고 제어할 수 있도록 하는 것으로 구현할 수 있다.

실시예 2

먼저 외부 전원이 인가되면 관제시스템(10)과 연결된 지능형 통합배선반(20)이 동작한다.

그리고, 관제시스템(10)이 지능형 통합배선반(20)의 동작 상태를 주파수 또는 전압 모니터링으로 확인한다.

예를 들어, 관제시스템(10)이 지능형 통합배선반(20)의 주파수 또는 전압 측정 값을 기준값과 비교하여 동작 상태를 확인한다.

마지막으로, 지능형 통합배선반(20)의 고장이 감지되면 관제시스템(10)이 감시 및 제어 장치(244)에 알람을 생성하도록 하여 각 지능형 통합배선반(20)에 알람 신호를 전송하고 사용자 단말기(144)에게 알림이 울리도록 제어한다.

이 때, 배선반이 동작하고, 품질 상태를 모니터링하면서 통신 프로토콜을 통해 제어 신호를 받고, 내부 배선반이 동작하여 품질 상태를 확인하고, 배선반 이상이 감지되면 알람이 울리는 것을 보여줄 수 있다.

또한, 지능형 통합배선반(20)는 작동 상태를 고장 예측 모듈(14)을 통해 모니터링하는 동안 통신 프로토콜을 통해 제어 신호를 수신한다.

고장 예측 모듈(14)은 지능형 통합배선반(20)의 동작 상태를 확인하고, 지능형 통합배선반(20)가 정상적으로 작동하는지 주파수 또는 전압 측정값을 비교하고, 고장이 감지되면 알람을 울린다.

본 발명은 일실시예로서 고장 예측 모듈(14)이 지능형 통합배선반(20)의 상태 정보 및 이에 상응하는 고장 알람 경보의 우선순위 및 알람 경보의 종류를 결정하는 단계; 및 고장 예측 모듈(14)이 상기 알람 경보의 우선순위, 종류에 기초하여 시각, 청각 및 촉각 중 적어도 하나 이상의 감각을 자극하는 알람 경보를 차등적으로 발생시키는 단계;를 포함할 수 있다.

일실시예로서 고장 예측 모듈(14)이 지능형 통합배선반(20)으로부터 전달받은 현재 상태 정보 및 이에 상응하는 대응 시나리오에 기초하여 고장 알람 경보의 우선순위 및 알람 경보의 종류를 결정하는 단계; 및 고장 예측 모듈(14)이 상기 알람 경보의 우선순위, 종류 및 대응 시나리오에 기초하여 시각, 청각 및 촉각 중 적어도 하나 이상의 감각을 자극하는 알람 경보를 차등적으로 발생시키는 단계;를 포함할 수 있다.

이러한 고장 예측 모듈(14)이 시나리오를 활용하면 다음과 같은 장점이 있다.

지능형 통합배선반(20)의 고장을 일정 시나리오에 따라 신속하고 정확하게 감지하고 적절한 조치를 취할 수 있다.

또한, 알람 경보의 우선순위와 종류에 따라 다양한 방식으로 사용자에게 통지할 수 있다.

그리고, 상기 시나리오에 따라 최적의 시각, 청각 및 촉각 등 다른 감각을 자극하는 알람 경보를 통해 사용자의 주의를 더욱 집중시킬 수 있다.

일실시예로서, 고장 예측 모듈(14)은 지능형 통합배선반(20)의 전원 공급 상태, 온도, 진동 등을 실시간으로 감지하고 분석할 수 있다.

또한, 고장 예측 모듈(14)은 지능형 통합배선반(20)의 고장 가능성을 예측하고 이에 따라 대응 시나리오를 설정한다. 예를 들어, 전원 공급 상태가 불안정하면 전원 공급 장치를 교체하거나 백업 전원을 사용하는 등의 조치를 취할 수 있다.

또한, 고장 예측 모듈(14)은 지능형 통합배선반(20)의 고장 위험도에 따라 알람 경보의 우선순위를 결정한다. 예를 들어, 온도가 일정 수준 이상으로 상승하면 긴급한 알람 경보를 우선적으로 발생시킬 수 있다.

또한, 고장 예측 모듈(14)은 알람 경보의 종류를 결정한다. 예를 들어, 시각적인 알람 경보로는 LED 램프의 점멸이나 색상 변화, 청각적인 알람 경보로는 부저나 스피커의 소리, 촉각적인 알람 경보로는 진동이나 충격 등이 있다.

또한, 고장 예측 모듈(14)은 알람 경보의 우선순위, 종류 및 대응 시나리오에 기초하여 시각, 청각 및 촉각 중 적어도 하나 이상의 감각을 자극하는 알람 경보를 차등적으로 발생시킨다.

예를 들어, 긴급한 알람 경보는 시각, 청각 및 촉각을 동시에 자극하는 알람 경보로 발생시키고, 일반적인 알람 경보는 시각 또는 청각 중 하나만 자극하는 알람 경보로 발생시킬 수 있다.

이하 본 발명은 지능형 통합배선반을 이용한 네트워크 케이블 품질 모니터링 방법에 대해 설명한다.

예를 들어, 외부 전원이 인가되면 배선반이 동작하고, 품질 상태를 모니터링하면서 통신 프로토콜을 통해 제어 신호를 받고, 내부 배선반이 동작하여 품질 상태를 확인하고, 배선반 이상이 감지되면 알람이 울리는 방식을 사용한다.

또한, 고장 예측 모듈을 통해 지능형 통합배선반의 고장을 예측하고, 알람 경보의 우선순위와 종류에 따라 다양한 방식으로 사용자에게 통지할 수 있다.

추가적으로, 위험상황을 알리는 경보메시지를 주변의 연동된 동료 작업자의 웨어러블 디바이스 및 상기 관제시스템(10)으로 전송하여 상기 동료 작업자의 웨어러블 디바이스 및 관제시스템(10)에서 표시되도록 제어한다.

실시예3

상기 디스플레이 내용 중 단선 위치와 유도전력 노이즈 위치를 지능형 통합배선반을 3D모델링한 화면에 3D맵핑하여 디스플레이하고, 상기 3D맵핑으로 예상 단선 지점과 고장 위치를 표출한다.

본 발명에서 사용되는 증강현실(AR)은 현실 세계에 가상 이미지를 겹쳐서 보여주는 기술로서, 증강현실을 이용하여 지능형 통합배선반을 3D모델링한 화면에 단선 위치와 유도전력 노이즈 위치를 3D맵핑하여 디스플레이하고, 추가적으로 3D맵핑으로 예상 단선 지점과 고장 위치를 표출할 수 있습니다.

예를 들어, 전기 설비의 3D모델을 증강현실 장치에 표시한 후, 전기 설비의 3D맵핑을 증강현실 장치에 입력하면, 증강현실 장치는 3D맵핑에서 예상 단선 지점과 고장 위치를 표출할 수 있다.

한편 도 5 내지 도 8에 도시된 바와 같이 AI 기법을 이용하면, 전기 설비의 고장을 보다 빠르고 정확하게 진단할 수 있다.

본 발명에서는 복잡한 케이블의 데이터 정보를 최대한 효율적으로 분석하고 예측할 수 있는 딥러닝 방식을 사용하겠다(도 5 참조).

구체적으로 딥러닝과 CNN(Convolutional Neural Networks)은 이미지 인식과 분류에 매우 효과적인 기술로서, 지능형 통합배선반의 3D 모델의 이미지를 학습시키고, 학습된 모델을 사용하여 단선 지점과 고장 위치를 인식하고 표출할 수 있다(도 6 참조).

또한 추가되는 강화학습은 환경과 상호작용하며 보상을 최대화하는 방법을 학습하는 머신 러닝 기술로서, 이를 활용하여 예상 단선 지점과 고장 위치를 찾는 최적의 정책을 학습할 수 있다(도 8 참조).

특히 포인트 클라우드 처리한 3D 모델은 일반적으로 포인트 클라우드로 표현된다. 포인트 클라우드 처리 기술을 사용하여 이러한 데이터를 분석하고 예상 단선 지점과 고장 위치를 추정할 수 있다.

실시예4

본 발명의 일 실시예에 따른 랜커넥터 체결율을 측정하여 현장에서 확인하도록 디스플레이하거나 이메일로 전송하는 데 있어, 케이블 데이터 예측 값을 기반으로 알람을 설정하거나, 알람을 수신하면 예측 값과 실제 값을 비교하여 케이블 품질 사용율을 확인하거나, 케이블 품질 사용율 예측 및 알람 설정을 반복하거나, 알람으로 관리자에게 전송할 때 이러한 알람 또는 예보/통보가 끝나거나 진행 중인 상황에서도 알람 또는 예보/통보가 진행중인 시스템을 가동시켜 실시간으로 예측 프로세스가 중단되지 않고 연장되도록 하여 시스템의 안정성을 높일 수 있다.

이하, 상기 지능형 통합배선반(20)과 연결된 케이블의 사용기간과 관련된 패턴을 탐색하는 과정을 시간 순서대로 나누어 자세히 설명한다.

(1) 케이블 데이터 수집 모듈이 현재까지의 케이블의 사용 기간과 관련된 케이블 데이터를 수집한다. 상기 케이블 데이터는 케이블의 작동 시간, 정지 시간, 작동 상태 등의 정보를 포함한다.

(2) 케이블 데이터 전처리 모듈이 수집된 케이블 데이터를 전처리한다. 이 과정에서는 케이블 데이터를 정렬, 결측치를 처리, 이상치를 제거 등을 수행한다.

여기에서, 지능형 통합배선반(20)을 통해 계산된 결측치는 데이터가 누락된 경우를 의미하고, 이상치는 데이터가 정상 범주를 벗어난 경우를 의미한다.

(3) 케이블 데이터 분석 모듈은 전처리된 케이블 데이터를 분석하는 과정으로, 이 과정에서 케이블의 사용 기간에 대한 통계적 분석, 시계열 분석, 패턴 분석 등을 수행한다.

여기에서, 지능형 통합배선반(20)을 통한 통계적 분석은 데이터의 분포와 특성을 파악하는 과정을 의미하고, 시계열 분석은 데이터의 변화 추세를 파악하는 과정을 의미하며, 패턴 분석은 데이터에서 규칙적인 패턴을 찾는 과정을 의미한다.

(4) 결과 정리 모듈은 분석 결과를 정리하는 모듈로서, 이 과정에서는 분석 결과를 이해하기 쉽게 요약하고, 시각화하여 표현한다.

상술한 애플리케이션들은 상기 지능형 통합배선반(20)에 포함되는 AI(또는 머신 러닝 모듈 등) 기능으로서, 분석 결과를 통해 상관관계를 찾아, 학습을 진행하는 모듈이다. 여기에서는 머신 러닝 알고리즘(ex. SVM, KNN, Neural Network)을 통해 케이블의 사용에 따른 단말장치별 고장율과 관련된 패턴을 찾을 수도 있다.

상술한 모듈들에 의해 학습이 완료되면, 새로운 케이블 데이터를 입력하면 학습 모델을 통해 예상 사용기간을 신속하게 예측할 수 있게 된다.

따라서, 본 발명은 통해 사용자는 실시간 모니터링을 통해 더 나은 정비관리, 높은 업무 효율성을 얻을 수 있게 된다.

특히, 본 발명의 케이블에 관한 AI 알고리즘은 다른 종류의 케이블 등도 같은 방법으로 학습할 수 있기 때문에, 폭 넓은 응용이 가능하다.

또한, 본 발명의 알고리즘은 단 한 번의 학습을 통해 반복되는 케이블 품질 또는 사용율을 예측하는 작업을 쉽게 할 수 있다.

따라서, 본 발명은 AI 기술을 통해 케이블 단말장치별 고장율의 변화를 적시에 인식하고, 분석하고, 예상하는 데 도움이 된다.

한편, 상기 복수개 케이블까지의 시계열 케이블 데이터를 수집하여 저장하는 경우 단순 평균값 또는 지수 가중 이동 평균을 사용하여 각 센서의 케이블 데이터를 분석할 수도 있다.

상기 지능형 통합배선반(20)이 단순 평균값을 이용하여 복수개 케이블까지의 시계열 케이블 데이터를 수집하여 저장하기 위해서는,

(1) 지능형 통합배선반(20)으로 복수개 케이블의 시계열 케이블 데이터를 수집한다. 이 케이블 데이터는 날짜별 또는 시간대별로 기록된다.

(2) 수집된 케이블 데이터를 저장할 데이터베이스 테이블을 생성합니다. 여기에서, 테이블은 시간대, 케이블 ID, 센서 ID, 센서 값, 평균값 컬럼을 가지며, 이를 DB에 기록할 수 있도록 설계한다.

(3) 각 센서의 값들을 이용하여 평균값을 계산한다.

(4) 계산된 평균값, 시간대, 복수개 케이블까지의 값을 테이블에 저장한다.

(5) 계산된 평균값을 이용하여 시각화 또는 분석을 수행한다.

이와 같이 단순 평균값을 이용하면, 시계열 케이블 데이터를 정확하게 조회/분석/시각화할 수 있다.

상기 지능형 통합배선반(20)의 AI 기능은, 통합 배선반에 부착된 미세저항 측정 모듈(11), 주파수 기반 측정 모듈(12), 회선 이상상태 진단 모듈(13), 고장 예측 모듈(14)의 케이블에 대한 시계열 데이터를 측정/분석/진단/예측함으로 단말장치별 고장율 변화를 탐구할 수 있다.

이 때, 단순 평균(또는 지수 가중 이동 평균)을 사용하면 최근 케이블 데이터 포인트에 더 많은 가중치를 부여하므로 보다 정확한 측정, 분석, 진단, 및 예측이 가능하다. 이렇게 하면 시계열 케이블 데이터의 현재 추세를 더 잘 나타낼 수 있다.

또한, 지능형 통합배선반(20)은 케이블 품질을 측정하는 케이블 미세저항, 주파수, 회선 이상상태 등의 연계 정보를 확인하여 케이블의 품질 또는 막힘 등을 예측할 수 있다.

예를 들어, 상기 센서들의 케이블 데이터를 종합하여 최초 설치후 케이블 데이터 와 10일 간격의 케이블 데이터를 계속하여 종합하고 평균값을 산출하여 사용기간 동안의 케이블 품질/사용율을 확인할 수 있고 이를 토대로 앞으로 남아있는 품질 사용율을 유추한다.

일반적으로, 지수 가중 이동 평균을 사용하면 단순 이동 평균 성능 보다 우수한 성능을 보여준다.

지수 가중 이동 평균 알고리즘은 최근 케이블 데이터 포인트들 사이를 부드럽게 연결함으로 센서들을 통한 시계열 정보 수집 증폭 시 상대적인 차이가 나타날 확률 줄일 수 있다.

따라서, 지수 가중 이동 평균은 본 발명에 따른 자가진단이 가능한 AI 케이블 시스템의 고장 예측 모듈 등에 연결된 다양한 AI 모듈의 최종 결과물 분석/평가/시각화 시 중요한 역할을 수행할 수 있다.

시각화 측면에서 지수 가중 이동 평균을 사용하면 최근 측정 중에 추가 정보를 생성하고 보다 정확한 시각화 결과를 생성할 수도 있다.

즉, 지수 가중 이동 평균을 사용하여 시계열 케이블 데이터에서 현재 추세를 더 정확하게 표현하고 더 나은 시각화 결과를 얻을 수 있다.

더 나은 시각화 결과라는 의미는 예를 들어, 연속 시계열 정보 수집 시 측정 종료 상태 검출 시 자가진단을 목표로하는 자가진단이 가능한 AI 시스템의 동작 원인, 최근 케이블 데이터 포인트 등 최근 정보 추출 시 보다 자세한 이해가 가능하게 됨을 의미한다.

특히 자동화 지능형 통합배선반(20)을 기반으로 하는 자가진단이 가능한 AI 시스템은 측정 중 정확하고 일관된 시각화 솔루션(외부 디스플레이 장치 등)을 사용하여 쉽게 연속 시계열 자료 패턴을 분석할 수 있도록 외부에 디스플레이할 수 있다.

예를 들어, 지수 가중 이동 평균을 사용하면 케이블 데이터에서 추세 패턴을 보다 정확하게 표현할 수 있으므로 시간 경과에 따른 케이블 데이터의 변화를 쉽게 식별하고 분석할 수 있다.

따라서 이를 통해 케이블 데이터의 기본 패턴에 대한 더 의미 있는 통찰력과 더 나은 이해를 관리자에게 제공할 수 있다.

또한 지능형 통합배선반(20)이 지수 가중 이동 평균을 사용하면 케이블 데이터에서 변칙 또는 특이치를 식별하는 데도 도움이 된다.

본 발명은 일별 측정된 수치(E) 등을 통해 설정값 까지의 일별 변동수치를 계산하여 남은 사용기간을 유추할 수 있다.

또한, 본 발명은 일자별 케이블 미세저항, 주파수, 회선 이상상태 등을 연산하여 남아있는 케이블 사용 가능 시간 등을 화면에 표시한다.

본 발명은 모바일 단말기(예 : 스마트폰)을 통해 앱 활용이 가능한데, 현장명, 접속 버튼, 가져오기 버튼과 현장명 입력 버튼을 이용한 현장명 입력과, 현장명 검색 및 찾기가 가능하다.

가져올 케이블 데이터 날짜 설정 후, 가져오기 화면 정보 표시로서 일시가 나타나 있고, 케이블은 날짜별로 케이블 미세저항, 주파수, 회선 이상상태 등이 표시되된다.

SMS전송번호 버튼 또는 수정/입력 버튼을 통해 문자메세지 전송할 번호를 입력 또는 수정할 수 있다.

이하 상술한 평균값을 산출하여 통합 배선반 사용 기간 동안 케이블 품질 사용율을 확인하는 과정을 단계별로 설명한다.

상기 지능형 통합배선반(20)은,

(1) 케이블 설치 후, 복수개 케이블까지의 케이블 데이터를 수집하여 저장한다.

(2) 7일 내지 10일 간격으로 센서들의 케이블 데이터를 수집하여 저장한다.

(3) 센서들의 케이블에서 추출한 데이터(예 : 미세저항 측정 모듈(11), 주파수 기반 측정 모듈(12), 회선 이상상태 진단 모듈(13), 고장 예측 모듈(14) 등을 통한 데이터)를 시간적으로 순서대로 정렬한다.

(4) 수집된 케이블 데이터를 단순 평균 또는 지수 가중 이동 평균을 이용해 평균값을 산출한다.

(5) 산출된 평균값을 기준으로 케이블의 사용 기간과 일정한 품질을 유지한 상태의 사용률을 확인한다.

(6) 이를 통해 남아있는 품질 사용률을 유추한다.

(7) 이를 통해 케이블 교체 시점을 예측 할 수 있다.

만일 상술한 단순 평균값을 사용하는 것과 지수 가중 이동 평균을 사용하는 경우, 본 발명은 시계열 케이블 데이터 분석에 강점을 가질 수 있다.

즉, 단순 평균값은 전체 케이블 데이터를 균등하게 계산하는 것이며, 이는 최근 케이블 데이터와 오래된 케이블 데이터의 가중치가 같은 경우이다.

반면, 지수 가중 이동 평균은 최근 케이블 데이터에 더 큰 가중치를 두어 계산하며, 이는 시계열 케이블 데이터를 분석할 때 최근 케이블 데이터의 영향을 더 크게 반영하여 더 정확한 예측이 가능하다.

예를 들어 지수 가중 이동 평균은 단순 평균값보다 더 최근 케이블 데이터에 더 높은 가중치를 부여하는 경우에 유용할 수 있다. 이는 케이블 품질 사용율에서도 마찬가지로 최근의 케이블 데이터가 품질 사용율에 더 큰 영향을 미치는 경우에 적용할 수 있다.

그러나 상술한 계산 방법이 복잡하고 케이블 데이터에 대한 알고리즘 구성도 복잡하기 때문에 설명력이 떨어질 수 있다.

그리고 본 발명에서 단순 평균값도 간단하고 이해하기 쉬우며 일반적으로 충분히 사용 가능하다.

일실시예로서 상기 지능형 통합배선반(20)이 지수 가중 이동 평균을 이용하여 머신 러닝에서 선형 회귀 방법으로 케이블 품질 사용율을 예측하는 단계를 세부적으로 설명한다.

(1) 센서들로부터 수집된 케이블 데이터를 정제하고 정제된 케이블 데이터를 이용하여 지수 가중 이동 평균을 계산한다.

(2) 지수 가중 이동 평균을 입력 케이블 데이터로 사용하여 선형 회귀 모델을 학습시킨다.

(3) 학습된 모델을 이용하여 새로운 지수 가중 이동 평균을 입력하여 케이블 품질 사용율을 예측한다.

(4) 예측된 결과를 분석하여 케이블 품질 사용율을 평가한다.

다른 실시예로서 단순 평균을 이용하여 머신 러닝에서 선형 회귀 방법으로 케이블 품질 사용율을 예측하는 단계를 세부적으로 설명한다.

상기 지능형 통합배선반(20)이 단순 평균을 이용하여 케이블 품질 또는 사용율을 예측하는 방법은 아래와 같이 세부적으로 설명할 수 있다.

(1) 먼저 센서들로부터 수집된 케이블 데이터를 정제하여 필요한 케이블 데이터만 추출한다.

그리고 (2) 추출된 케이블 데이터를 통해 케이블 사용 기간을 측정하고 케이블 사용 기간에 대한 평균값을 구한다.

이 때, 단순 평균을 이용하여 케이블 품질 사용율을 예측하는 머신 러닝 방법은 다음과 같이 수행될 수 있다.

(3) 복수개의 케이블 상태(케이블 미세저항, 주파수, 회선 이상상태 감지 센서 등)로부터 수집된 케이블 데이터를 통합하여 설치 후부터 기간 동안의 케이블 품질 사용율 케이블 데이터를 생성한다.

그리고, (4) 생성된 케이블 데이터를 활용하여 훈련 케이블 데이터와 테스트 케이블 데이터를 분리한다.

일실시예로서 상기 지능형 통합배선반(20)이 단말장치별 고장율 등에 관련된 케이블 훈련 데이터와 케이블 테스트 데이터를 분리한 후, 본 발명의 단순 평균을 이용하여 머신 러닝에서 케이블 품질 사용율을 예측하는 단계는 다음과 같다.

(1) 케이블 데이터 수집 모듈(410)을 통해 케이블 사용 기간과 관련된 센서들의 케이블 데이터를 수집한다.

(2) 케이블 데이터 전처리 모듈(420)을 통해 수집된 케이블 데이터를 정제하여 이상치를 제거하고 필요한 정보만을 추출한다.

(3) 훈련 케이블 데이터 생성 모듈(430)을 통해 전처리된 케이블 데이터를 단순 평균을 이용하여 머신 러닝에서 케이블 품질 사용율을 예측한다.

다른 실시예로서 상기 지능형 통합배선반(20)이 1일차 단순 평균 ~ 7일차 단순 평균을 내고, 이를 지수 가중 이동 평균으로 날짜별 케이블 품질 사용율을 예측하는 방법을 설명한다.

지수 가중 이동 평균 모듈은,

(1) 기간별 케이블 데이터(예 : 미세저항 측정 모듈(11), 주파수 기반 측정 모듈(12), 회선 이상상태 진단 모듈(13), 고장 예측 모듈(14) 등의 데이터) 또는 단말장치별 고장율 등을 수집하여 평균을 구한다 .

(2) 기간별 평균을 지수 가중 이동 평균을 적용하여 케이블 품질 사용율을 예측한다.

(3) 지수 가중 이동 평균을 구하기 위해 가중치를 적용할 계수를 구한다.

(4) 기간별 평균과 가중치를 곱하여 가중 평균을 구한다.

(5) 가중 평균을 이전 가중 평균에 가중치를 적용하여 현재 가중 평균을 구한다.

(6) 기간별 평균과 현재 가중 평균을 비교하여 예측 값을 수정한다.

(7) 예측 값을 기간별로 저장하여 이를 그래프로 표현한다.

(8) 예측 값과 실제 값을 비교하여 예측 정확도를 평가한다.

(9) 필요시 예측 모델을 수정하고 다시 평가한다.

(10) 최종 예측 값을 활용하여 케이블 품질 사용율을 예측한다.

본 발명의 또 다른 실시예로서 상기 지능형 통합배선반(20)이 인공 지능에 적용하거나 트랜스포머 모듈도 적용해서 미리 예측하기 어려운 경우도 파악해서 알람해주는 방법을 설명한다.

상기 트랜스포머 모듈은,

(1) 인공 지능 모델을 선정하여 학습시킨다(ex. LSTM, GRU, Transformer).

(2) 케이블 품질 사용율 데이터를 수집하여 인공 지능 모델에 입력으로 적용한다.

(3) 학습된 모델로 케이블 품질 사용율을 예측한다.

(4) 예측 값과 실제 값을 비교하여 예측 정확도를 평가한다.

(5) 예측 정확도가 낮은 경우, 모델을 수정하거나 다른 인공 지능 모델을 적용한다.

(6) 예측 정확도가 높은 경우, 예측 값을 기반으로 알람을 설정한다.

(7) 알람을 수신하면 예측 값과 실제 값을 비교하여 케이블 품질 사용율을 확인한다.

(8) 케이블 품질 사용율이 일정 수준 이하인 경우, 케이블 교체를 요청한다.

(9) 케이블 교체가 완료되면 인공 지능 모델을 재학습한다.

(10) 케이블 품질 사용율 예측 및 알람 설정을 반복한다.

또 다른 실시예로서 먼저, 상기 지능형 통합배선반(20)이 AI 모듈 중 트랜스포머 모듈로서 트랜스포머 방법을 적용해서 미리 예측하기 어려운 경우도 파악해서 알람해주는 방법을 설명한다.

상기 트랜스포머 모듈은,

(1) 인공 지능 모델을 훈련시킨다. (ex: LSTM, CNN, Transformer)

(2) 수집된 케이블 데이터를 인공 지능 모델에 적용하여 케이블 품질 사용율을 예측한다.

(3) 예측된 결과를 실제 값과 비교하여 예측 정확도를 평가한다.

(4) 예측 정확도가 낮은 경우, 모델을 수정하고 다시 평가한다.

(5) 예측 결과를 분석하여 예측이 어려운 경우를 파악한다. (ex: 예측 오차가 큰 경우)

(6) 예측이 어려운 경우를 알람으로 알려준다.

(7) 알람을 수신한 사람은 실제 값을 확인하여 예측 결과를 수정한다.

(8) 수정된 결과를 인공 지능 모델에 재적용하여 모델을 개선한다.

(9) 개선된 모델을 적용하여 예측 결과를 다시 확인한다.

(10) 최종 예측 결과를 활용하여 케이블 품질 사용율을 예측하고, 이를 알람으로 관리자에게 전송한다.

여기에서 사용되는 AI 기법 중 Transformer 방법은 케이블 데이터를 입력받아 그 케이블 데이터를 예측하는 기능을 가지고 있어 케이블 품질 예측에도 사용 가능할 수 있다. 그러나 특정 문제에 대한 훈련 데이터를 충분히 준비하지 않으면 정확도가 떨어질 수 있다. 그래서 케이블 품질 예측에 사용하기 위해서는 케이블 품질과 관련된 케이블 데이터를 충분히 수집하고 전처리 하여야 한다.

이를 위해 상기 지능형 통합배선반(20)이 케이블 품질(예 : 접지 강도)과 관련된 케이블 데이터를 빅데이터화하여 적용하도록 제어하는 AI 모듈을 설명하겠다.

왜냐하면, 케이블의 품질이 좋을수록 접지 강도가 높아지고, 케이블 내부의 전선이 튼튼하고, 절연체가 잘 붙어 있어, 이로 인해 케이블의 전기 저항이 낮아지고, 접지 강도가 높아진다.

상기 AI 모듈은,

(1) 케이블 품질과 관련된 케이블 데이터를 빅데이터화하여 수집한다 (ex: 케이블 미세저항, 주파수, 회선 이상상태 등)

(2) 케이블 데이터를 전처리하여, 학습과 예측에 사용 가능한 형태로 변환한다.

(3) Transformer 방법을 사용하는 AI 모델을 구축한다.

(4) 전처리된 케이블 데이터를 이용하여 모델을 훈련시킨다.

(5) 케이블 데이터의 훈련된 모델을 테스트 데이터로 평가하여 예측 정확도를 확인한다.

(6) 예측 정확도가 낮은 경우 모델을 수정하여 다시 훈련시킨다.

(7) 예측된 결과를 분석하여 예측이 어려운 경우를 파악한다. (ex: 예측 오차가 큰 경우)

(8) 상기 케이블 데이터 만으로 예측이 어려운 경우를 관리자에게 알람으로 알려준다.

(9) 알람을 수신한 사람은 실제 값을 확인하여 예측 결과를 수정한다.

(10) 수정된 결과를 인공 지능 모델에 재적용하여 다시 빅데이터화(케이블 데이터)한다.

여기에서 (8) 단계에는, 케이블 데이터를 분석하여 케이블의 품질을 예측하기 위한 모델을 학습시킴에도 불구하고, 품질 예측 모델을 사용하여 케이블의 품질을 예측하기 어려운 경우, 관리자에게 알람을 메일, SMS, 앱 푸시 등을 통해 전송되는 것이 포함된다.

왜냐하면, 품질 예측 모델을 학습시킴에도 불구하고, 품질 예측이 어려운 경우는 모델의 파라미터에 문제가 있을 수 있다.

일반적으로 학습데이터가 부족하거나, 학습데이터의 품질이 낮은 경우, 모델이 제대로 학습되지 않아 품질 예측이 어려울 수 있다.

또한, 케이블 품질 예측 모델의 구조, 사용된 알고리즘, 파라미터 설정 등이 적절하지 않을 경우 품질 예측이 어려울 수 있다.

따라서 품질 예측 모델을 학습하기 전에 품질 좋은 학습데이터를 수집하고, 모델의 구조를 적절히 설계(케이블 품질 예측 모델의 구조, 사용된 알고리즘, 파라미터 설정 등)하고 이 중에서 알고리즘과 파라미터를 시간에 따라 적절하게 선택하는 것이 필요하다.

다른 예로 상기 지능형 통합배선반(20)의 AI 모듈은, (1) 자가진단 케이블 데이터를 수집하고, 일정 일자까지의 케이블 데이터를 수집한다.

(2) 일정 기간 동안의 케이블 데이터를 평균하여 각 날짜별 평균값을 구한다.

(3) 이를 지수 가중 이동 평균을 계산하여 케이블 일정 품질로 유지하면서 사용가능한 사용율을 예측한다.

(4) 계산된 예측값을 기반으로 케이블 품질 사용율을 분석한다.

(5) 분석 결과를 기반으로 케이블 품질 사용율을 최적화 할 수 있는 방법을 계산한다.

(6) 최적화된 방법을 시행하여 케이블 품질 사용율을 개선한다.

(7) 개선된 케이블 품질 사용율을 종래 케이블 품질과 비교하여 평가한다.

(8) 평가 결과를 기반으로 케이블 교체 횟수 및 방법을 수정하거나 반복한다.

(9) 반복 학습 과정을 통해 케이블 품질 사용율을 지속적으로 개선한다.

(10) 최종적으로 케이블 품질 사용율을 최대한 효율적으로 사용한 결과를 관리자 단말기에 전송한다.

이 때, 자가진단 케이블 데이터는, AI 모듈이 케이블 교체 횟수 및 방법을 최대한 효율적으로 사용하기 위해 기본 데이터로 사용한다.

한편 본 발명에 따른 지능형 통합배선반(20)의 정보에서 정상수치 범위를 벗어나는 이상이 발견될 시 알람 기법으로 지수이동평균(EMA) 또는 지수가중이동평균(Exonentially Weighted Moving Average ;EWMA)을 사용하여 최근 케이블에 대하여 이상 수치의 변화량이 정상수치 범위를 벗어날 시에만 알람을 발생한다.

또한 지수가중이동평균은 최근 케이블 데이터에 더 많은 영향을 받기 때문에 센서 신호 중 최근 데이터에 더 높은 가중치를 둔다.

자세히 살펴보면,

여기서 vt 는 t 번째 센서 신호 데이터의 가중 지수가중이동평균이다. 그리고 β 값은 하이퍼파라미 터로 최적의 값이며 0.9임이 바람직하다. 마지막으로 θt 는 센서 신호 중 t 번째 데이터의 값이다.

먼저 β 값을 변경해보면, β 가 0.9일 경우 vt 는 이전 10개의 데이터의 평균과 거의 같다.

다른 방법으로 상기 지능형 통합배선반(20)에서 정상수치 범위를 벗어나는 이상으로 판단되는 경우, 판단되는 시간 동안 지능형 통합배선반(20)의 정상수치를 벗어나는 신호 변화 백분율 면적을 (EMAx - xi)/EMAx × dt 로 구하고 이전 시간에서 기록한 면적과 누적 합산하고, 지능형 통합배선반(20)의 신호값으로 계산된 신호 변화율 면적 (EMAy - yi)/EMAy × dt 을 누적 합산하여 각각 구한 누적된 신호 변화율 면적의 차이를 기준 데이터(또는 빅데이터)와 비교해 일정치 이상 차이날 경우 센서 데이터인 것인지 판단한다.

(여기에서, EMA 는 지수 이동 평균값; x와 y는 각각 센서 측정값; 첨자 x와 첨자 y는 각각 센서 측 정값으로 계산된 값; 첨자 i 는 측정값이 측정된 시간 순서를 나타내는 수치; dt 는 매 측정 시간 차이)

따라서 지수적으로 감소하는 가중치를 곱하는 지수 이동 계산식을 사용하여 종래 데이터의 저장과 연산 처리가 필요없어 훨씬 간단하게 평균치를 구할 수 있고 하드웨어 측면에서는 최소한 메모리 용량으로 고기능 MCU가 필요치 않으며 적은 연산횟수로 전력 소모가 적다.

또 다른 방법으로서, 지수이동 평균(Exponential Moving Average)은 오래된 데이터에 대한 가중치는 기하 급수적으로 감소하지만 0이 되지 는 않는다.

아래 수학식 2와 같이 센서 신호 각각의 데이터 Y에 대한 가중이동평균(a)과 다르게 지수가중이동평균(b)은 지수적으로 계산한다.

(여기에서, 계수 α는 0과 1 사이의 가중치 감소 정도, Y t는 기간 t 에서의 값, S t는 임의의 기간 t 에서의 지수이동평균 값)

실시예5

케이블 미세저항, 주파수 등의 데이터를 변환하는 AI 데이터 변환부는 각 데이터를 표현하는 그래프에 대한 이미지를 캡쳐하여 타임라인별 작동 형태를 텍스트(숫자) 데이터로 변환한다.

상기 그래프를 텍스트 데이터로 변환하는 단계에서는 이미지 처리 기술을 이용하여 각 시스템의 작동 텍스트 데이터를 수집하게 된다.

이를 위해 상기 이미지를 캡쳐하여 타임라인별 작동 형태를 텍스트 데이터로 변환하는 단계로 이루어진 AI 알고리즘을 사용하여 시스템 고장의 초기 징후를 감지하고 고장이 발생하기 전에 수정 조치를 취할 수 있다.

이러한 알고리즘을 포함하는 멀티모달 AI는 텍스트, 이미지, 영상, 음성 등 다양한 데이터 모달리티를 함께 고려하여 서로의 관계성을 학습 및 표현하는 기술이다. 따라서 멀티모달 AI는 하나의 모달리티를 활용하는 것보다 다양한 작업을 수행할 수 있다.

멀티모달 인공지능은 여러 가지 종류의 데이터를 처리하여 정보를 추출하는 기술이다. 예를 들어, 그래프 등 수치 정보를 포함하는 이미지 분석 기술을 사용하여 이미지를 처리하고, 자연어 처리 기술(예 : GPT 등)을 사용하여 텍스트를 이해하고 분석 및 처리할 수 있다.

실시예6

실시예7

상기 AI 모듈이 상기 지능형 통합배선반에 대한 단선 위치에 대한 사전 탐지를 위해 회선 손실dB 측정 센서를 통한 회선 품질에 대한 정량 데이터 및 분석 결과 리포트를 자동 생성 가능하도록 하며, 상기 분석 결과 리포트에는 각 네트워크 케이블에 대한 딥러닝 기술을 통해 검출된 회선 결함 정보를 제공하는 회선 결함 검지 결과 정보; 네트워크 케이블의 품질을 정량화하여 dB 측정 값을 제공하는 회선 품질 측정 결과 정보; 각 네트워크 케이블의 위치와 배선반 상의 단선 위치를 나타내어 지점별로 확인 가능하게 하는 네트워크 케이블 위치 정보; 네트워크 케이블의 품질 변화를 시간대별로 기록하여 추이를 확인할 수 있도록 하는 시간대별 데이터 정보; 딥러닝 인식 기술을 활용하여 비정상적인 패턴이나 이상 징후를 감지하여 특이 사항을 보고하는 비정상적인 패턴 감지 정보; 회선 결함이나 품질 저하가 감지된 경우, 문제 해결을 위한 권장 조치 사항을 제시하는 권장 조치 정보; 데이터를 시각적으로 표현하여 쉽게 이해할 수 있도록 그래프와 차트로 제공하는 그래프 및 시각화 정보; 필요에 따라 추가적인 통계 또는 관련 정보를 포함하는 기타 통계 및 정보;로 이루어진다.

실시예8

상기 AI 모듈과 네트워크로 연결되는 상기 관제시스템은, 센서들로 부터 이상 또는 비정상적인 이벤트를 식별하고 분류하는 데 사용되고, 식별하고 분류된 각 센서들의 정량 데이터로 부터 이상 현상을 실시간으로 감지하고 대응하도록 설계된 이상 유형 분석 지원 및 푸쉬 알람 엣지 모듈;에 연결되고, 이상 유형 분석 지원 및 푸쉬 알람 엣지 모듈은, 관제시스템을 통해 여러 센서들로부터 데이터를 수집하고, 센서들은 네트워크 케이블 품질 모니터링을 위해 사용되는 회선 손실 dB 측정 센서뿐만 아니라, 다양한 환경 요소를 감지하는 센서들도 포함되어 센서들이 데이터를 실시간으로 관제시스템으로 전송하도록 하는 센서 데이터 수집부; 수집된 센서 데이터는 AI 모듈을 통해 이벤트를 식별하고 분류합니다. AI 모듈은 딥러닝 인식 기술을 활용하여 데이터를 분석하고, 정상적인 상태와 이상적인 상태를 구분합니다. 예를 들어, 네트워크 케이블의 회선 결함, 환경 변화를 감지하는 이벤트 식별 및 분류부; 이벤트를 분류하여 각 센서들의 정량 데이터를 기반으로 이상 현상을 실시간으로 감지하고, 정상 범위를 벗어난 데이터 또는 비정상적인 패턴을 감지하면 해당 이벤트를 이상 현상으로 판단하는 이상 현상 감지부; 이상 현상이 감지되면, 관제시스템은 이상 유형 분석을 수행하고, 이를 통해 어떤 유형의 이상이 발생하였는지 구체적으로 분석하고, 각 유형에 맞는 대응 방안을 도출하여, 회선 결함의 종류를 구분하고, 실내 온도나 습도의 환경 요소의 이상을 구분하는 이상 유형 분석부; 및 이상 현상이 감지되면, 관제시스템은 즉시 관리자나 책임자에게 푸쉬 알람을 전송하며, 푸쉬 알람은 이상 현상에 대한 정보와 해당 이벤트에 대한 세부 정보를 포함하여 실시간 대응이 가능하도록 하고, 관리자는 즉각적으로 이상 현상에 대한 조치를 취할 수 있으며, 이를 통해 잠재적인 장애 또는 문제를 최소화하고 시스템의 안정성을 유지하도록 하는 푸쉬 알람부;를 포함한다.

실시예9

원격지에서 감시하는 원격감시기능을 갖는 AI 모듈(19);를 포함하며, 상기 AI 모듈(19)을 통해 회선 품질을 조기에 감지함으로써 결함이 손상을 일으키거나 안전 위험을 초래하기 전에 AI 모듈(19)이 시스템을 수리하도록 제어 명령하고, 상기 AI 모듈(19)이 학습을 통해 이미지 센서를 이동시키는 방향은 트래킹 인풋 모듈에 의한 궤적입력 기능에 의해 전환된 추적 데이터(tracking data)가 이미지 센서를 회전시키는 이동 컨트롤러에게 보내지고, 상기 이동 컨트롤러는 추적 데이터를 기반으로 이미지 센서 이동 방향을 조정하고, 이동이 완료되면 조정된 위치에서 특정부위의 정상 접속 유무(예 : 장력 등)를 계측하는 기능을 가지고 복수개의 센서로 위험요소를 모니터링하고 음성경보를 해주며, 상기 AI 모듈(19)은 이미지 센서의 궤적 정보를 입력받는 궤적입력 기능을 활용하여 입력된 궤적에 따라 그 궤적에 해당되는 케이블의 장력을 이미지로 모니터링한다.

10 : 관제시스템
11 : 미세저항 측정 모듈
12 : 주파수 기반 측정 모듈
13 : 회선 이상상태 진단 모듈
14 : 고장 예측 모듈
15 : 저항 데이터 수집 소프트웨어
16 : 케이블 주파수측정 소프트웨어
17 : 지연율/손실율 검지 소프트웨어
18 : 고장 예측 전력측정 소프트웨어
20 : 지능형 통합배선반

Claims

안정적인 통신 인프라 구축과 네트워크 장애를 사전 예방하기 위한 지능형 통합배선반(20); 및 상기 지능형 통합배선반과 원격 제어와 주기적인 모니터링을 통해 구간별 품질감시가 가능하도록 네트워크로 연결된 관제시스템(10);을 포함하는 네트워크 케이블 품질 모니터링이 가능한 AI 통합배선반에 있어서,
상기 지능형 통합배선반(20)은,
상기 지능형 통합배선반의 랜커넥터 정상 체결율을 접지강도인 미세저항으로 검지하여 전산장애 예방하기 위한 미세저항 측정 모듈;
상기 지능형 통합배선반의 네트워크 케이블 주파수 품질측정을 위한 주파수 기반 측정 모듈;
상기 지능형 통합배선반의 POE 회선의 저항데이터 수집을 통한 회선 이상상태를 진단하는 회선 이상상태 진단 모듈;
상기 지능형 통합배선반의 POE 회선의 소모전력 데이터를 분석하여 단말장치의 고장을 예측하는 고장 예측 모듈; 및
상기 단말장치에 표시된 그래프에 대한 이미지를 캡쳐하여 타임라인별 작동 형태를 숫자 데이터로 변환하고, 상기 그래프를 숫자 데이터로 변환하는 단계에서는 이미지 처리 기술을 이용하여 각 시스템의 작동 텍스트 데이터를 수집하는 AI 모듈;을 포함하는 네트워크 케이블 품질 모니터링이 가능한 AI 통합배선반.
청구항 1에 있어서,
상기 관제시스템(10)은,
상기 미세저항 측정 모듈의 RJ45 랜커넥터 저항 데이터 수집을 위한 저항 데이터 수집 소프트웨어 애플리케이션;
상기 주파수 기반 측정 모듈의 네트워크 케이블 품질측정을 위해 단선 확인을 위한 케이블 주파수측정 소프트웨어 애플리케이션;
상기 회선 이상상태 진단 모듈의 이상 지연율 또는 손실율을 검지하기 위한 지연율/손실율 검지 소프트웨어 애플리케이션;
상기 고장 예측 모듈의 고장 예측을 위한 고장 예측 전력측정 소프트웨어 애플리케이션;을 포함하는 네트워크 케이블 품질 모니터링이 가능한 AI 통합배선반.
청구항 1에 있어서,
상기 지능형 통합배선반은,
각 랜커넥터의 페어(pair)에 대한 체결율을 측정하여 사전에 장애요인을 알람하도록 관제시스템에 알람 제어 명령 송신 신호를 전송하는 것을 특징으로 하는 네트워크 케이블 품질 모니터링이 가능한 AI 통합배선반.
청구항 1에 있어서,
상기 지능형 통합배선반은,
PoE가 적용되고, POE 소모전력 데이터셋을 활용한 이상증상의 검지 가능한 통합배선반 탑재형 POE 지원 모듈;을 더 포함하는 네트워크 케이블 품질 모니터링이 가능한 AI 통합배선반.
청구항 1에 있어서,
상기 지능형 통합배선반의 각 통합배선반이 RX/TX Gateway 역할을 수행하여 구획별 회선 전파지연 측정 RX/TX 센서 또는 회선 저항 측정 RX/TX 센서를 통해 측정이 가능하고 복잡한 Path 구축 기관에서도 활용 가능한 것을 특징으로 하는 네트워크 케이블 품질 모니터링이 가능한 AI 통합배선반.
청구항 1에 있어서,
상기 AI 모듈이 연계 장비 및 건물에 포설된 네트워크 케이블에 대한 품질 검지를 위해, 각 네트워크 케이블에 대한 회선 결함 검지 데이터를 딥러닝 인식 기술을 이용하여 분석하되,
네트워크 케이블에 대한 회선 결함을 검지하기 위해 일정양 이상의 훈련 데이터를 수집하고, 회선 결함 데이터는 정상적인 상태와 결함이 있는 상태의 네트워크 케이블 이미지 또는 신호 데이터로서, 다양한 회선 결함 유형을 포함해야 정확한 분석을 위해 다양성을 확보하도록 하는 데이터 수집 과정; 수집한 데이터는 노이즈를 제거하고 일정 형식으로 변환되도록, 그래프 이미지 데이터라면 크기를 조절하거나 회전 및 이동을 적용하고, 데이터를 학습에 일정 형태로 변환하여 모델이 이해할 수 있도록 하는 데이터 전처리 과정; 회선 결함 검지에 사용할 딥러닝 모델을 설계하고, 컨볼루션 신경망(Convolutional Neural Network, CNN)을 사용하며, 이는 이미지나 시계열 데이터 처리에 특화되어, 모델의 레이어 구성과 하이퍼파라미터를 설정하여 네트워크를 구축하는 딥러닝 모델 설계 과정; 구성한 딥러닝 모델에 전처리된 데이터를 사용하여 학습을 시작하고 정상 상태와 결함 상태를 구분하는 방법을 학습하도록 모델을 최적화하며, 학습 데이터는 일반적으로 학습, 검증, 테스트 세트로 나누어 사용하는 데이터 학습 과정; 학습이 완료되면 모델을 테스트 데이터에 적용하여 정확도와 성능을 평가하,. 모델의 성능이 만족스럽다면 이를 사용하여 실제 데이터에 대한 회선 결함 검지를 수행하는 모델 평가 과정; 훈련된 딥러닝 모델을 실시간 환경에 적용하여 네트워크 케이블의 결함을 감지하고, 이를 통해 지능형 통합배선반에서 네트워크 케이블 품질 모니터링을 실시간으로 수행할 수 있게 하는 실시간 적용 과정;을 포함하는 것을 특징으로 하는 네트워크 케이블 품질 모니터링이 가능한 AI 통합배선반.
청구항 1에 있어서,
상기 AI 모듈이 상기 지능형 통합배선반에 대한 단선 위치에 대한 사전 탐지를 위해 회선 손실dB 측정 센서를 통한 회선 품질에 대한 정량 데이터 및 분석 결과 리포트를 자동 생성 가능하도록 하며,
상기 분석 결과 리포트에는 각 네트워크 케이블에 대한 딥러닝 기술을 통해 검출된 회선 결함 정보를 제공하는 회선 결함 검지 결과 정보; 네트워크 케이블의 품질을 정량화하여 dB 측정 값을 제공하는 회선 품질 측정 결과 정보; 각 네트워크 케이블의 위치와 배선반 상의 단선 위치를 나타내어 지점별로 확인 가능하게 하는 네트워크 케이블 위치 정보; 네트워크 케이블의 품질 변화를 시간대별로 기록하여 추이를 확인할 수 있도록 하는 시간대별 데이터 정보; 딥러닝 인식 기술을 활용하여 비정상적인 패턴이나 이상 징후를 감지하여 특이 사항을 보고하는 비정상적인 패턴 감지 정보; 회선 결함이나 품질 저하가 감지된 경우, 문제 해결을 위한 권장 조치 사항을 제시하는 권장 조치 정보; 데이터를 시각적으로 표현하여 쉽게 이해할 수 있도록 그래프와 차트로 제공하는 그래프 및 시각화 정보; 추가적인 통계 또는 관련 정보를 포함하는 기타 통계 및 정보;로 이루어진 것을 특징으로 하는 네트워크 케이블 품질 모니터링이 가능한 AI 통합배선반.
청구항 1에 있어서,
상기 AI 모듈과 네트워크로 연결되는 상기 관제시스템은, 센서들로 부터 이상 또는 비정상적인 이벤트를 식별하고 분류하는 데 사용되고, 식별하고 분류된 각 센서들의 정량 데이터로 부터 이상 현상을 실시간으로 감지하고 대응하도록 설계된 이상 유형 분석 지원 및 푸쉬 알람 엣지 모듈;에 연결되고,
이상 유형 분석 지원 및 푸쉬 알람 엣지 모듈은,
관제시스템을 통해 여러 센서들로부터 데이터를 수집하고, 센서들은 네트워크 케이블 품질 모니터링을 위해 사용되는 회선 손실 dB 측정 센서뿐만 아니라, 다양한 환경 요소를 감지하는 센서들도 포함되어 센서들이 데이터를 실시간으로 관제시스템으로 전송하도록 하는 센서 데이터 수집부;
수집된 센서 데이터는 AI 모듈을 통해 이벤트를 식별하고 분류합니다. AI 모듈은 딥러닝 인식 기술을 활용하여 데이터를 분석하고, 정상적인 상태와 이상적인 상태를 구분하고, 네트워크 케이블의 회선 결함, 환경 변화를 감지하는 이벤트 식별 및 분류부;
이벤트를 분류하여 각 센서들의 정량 데이터를 기반으로 이상 현상을 실시간으로 감지하고, 정상 범위를 벗어난 데이터 또는 비정상적인 패턴을 감지하면 해당 이벤트를 이상 현상으로 판단하는 이상 현상 감지부;
이상 현상이 감지되면, 관제시스템은 이상 유형 분석을 수행하고, 이를 통해 어떤 유형의 이상이 발생하였는지 구체적으로 분석하고, 각 유형에 맞는 대응 방안을 도출하여, 회선 결함의 종류를 구분하고, 실내 온도나 습도의 환경 요소의 이상을 구분하는 이상 유형 분석부; 및
이상 현상이 감지되면, 관제시스템은 즉시 관리자나 책임자에게 푸쉬 알람을 전송하며, 푸쉬 알람은 이상 현상에 대한 정보와 해당 이벤트에 대한 세부 정보를 포함하여 실시간 대응이 가능하도록 하고, 관리자는 즉각적으로 이상 현상에 대한 조치를 취할 수 있으며, 이를 통해 잠재적인 장애 또는 문제를 최소화하고 시스템의 안정성을 유지하도록 하는 푸쉬 알람부;를 포함하는 것을 특징으로 하는 네트워크 케이블 품질 모니터링이 가능한 AI 통합배선반.
청구항 1의 네트워크 케이블 품질 모니터링이 가능한 AI 통합배선반을 이용한 방법에 있어서,
상기 접지강도는 상기 랜커넥터의 체결율을 측정하여 현장에서 확인하도록 디스플레이하거나 이메일로 전송하는 단계;
상기 고장 예측 모듈이 POE 회선에 대한 저항데이터를 수집 및 분석하여 말단 단말장치의 MAC 어드레스를 통해 단말장치별 고장율을 집게하는 단계;
상기 디스플레이 내용 중 단선 위치와 유도전력 노이즈 위치를 3D모델링 및 3D맵핑하여 재디스플레이하고, 상기 3D맵핑으로 단선 지점과 고장 위치를 표출하는 단계;
상기 지능형 통합배선반에서 중앙 지능형 통합배선반과 층별 지능형 통합배선반, 및 구내 아울렛 구간의 네트워크 이상 지연율 또는 데이터 이상 패킷 송수신율을 계산하여 감시 모니터링 및 알람하는 단계;
상기 AI 모듈이 수치 데이터를 OCR 기능을 포함하는 이미지 분석 기술을 사용하여 이미지를 수치 데이터로 처리하고, 자연어 처리 기술을 사용하여 수치 데이터를 분석하는 단계;를 포함하는 네트워크 케이블 품질 모니터링이 가능한 AI 통합배선반을 이용한 방법.