KR20240062316A - Complex anomaly detection method in smart housing - Google Patents

Complex anomaly detection method in smart housing Download PDF

Info

Publication number
KR20240062316A
KR20240062316A KR1020220142403A KR20220142403A KR20240062316A KR 20240062316 A KR20240062316 A KR 20240062316A KR 1020220142403 A KR1020220142403 A KR 1020220142403A KR 20220142403 A KR20220142403 A KR 20220142403A KR 20240062316 A KR20240062316 A KR 20240062316A
Authority
KR
South Korea
Prior art keywords
data
abnormality
smart
residential
occurred
Prior art date
Application number
KR1020220142403A
Other languages
Korean (ko)
Inventor
양중식
염경록
조영준
이정원
우준혁
Original Assignee
(주)아이와즈
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 (주)아이와즈 filed Critical (주)아이와즈
Priority to KR1020220142403A priority Critical patent/KR20240062316A/en
Publication of KR20240062316A publication Critical patent/KR20240062316A/en

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/80—Homes; Buildings
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/2803—Home automation networks
    • H04L12/2823—Reporting information sensed by appliance or service execution status of appliance services in a home automation network

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Automation & Control Theory (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Emergency Management (AREA)
  • Development Economics (AREA)
  • Civil Engineering (AREA)
  • Architecture (AREA)
  • Toxicology (AREA)
  • Accounting & Taxation (AREA)
  • Signal Processing (AREA)
  • Structural Engineering (AREA)
  • Environmental & Geological Engineering (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Selective Calling Equipment (AREA)

Abstract

본 발명에 따른 스마트 하우징에서의 복합 이상 탐지 시스템은, 유무선 인터넷으로 연결된 서비스 서버, 사용자 단말기 및 복수의 각종 주거서비스용 IoT 스마트 디바이스를 포함하고, 상기 서비스서버는, 모든 IoT 스마트 디바이스 데이터와 모든 주거서비스 데이터를 취합하는 데이터 취득부; 모든 스마트 디바이스 데이터와 주거서비스 데이터를 인코더로 압축하고 디코더로 복원하여 복원 오차를 산출하여 임계치 이상이면 이상이 발생한 것으로 판정하는 이상 탐지부; 이상을 탐지한 경우 이상이 발생한 스마트 디바이스 또는 주거서비스의 개별 원인을 분석하는 분석부; 관련 스마트 디바이스 및 주거서비스 복합 이상 탐지 결과와 각 단계별로 사용된 모든 데이터들을 정리하여 사용자에게 제공할 리포트를 작성하는 리포트 작성부 및 사용자에게 발생한 이상을 알려주는 알림부를 포함한다.The complex anomaly detection system in smart housing according to the present invention includes a service server connected to the wired and wireless Internet, a user terminal, and a plurality of IoT smart devices for various residential services, and the service server stores all IoT smart device data and all residential services. A data acquisition unit that collects service data; An abnormality detection unit that compresses all smart device data and residential service data with an encoder and restores it with a decoder, calculates a restoration error, and determines that an abnormality has occurred if it is greater than a threshold; When an abnormality is detected, an analysis unit that analyzes the individual cause of the abnormal smart device or residential service; It includes a report writing section that organizes the results of detection of complex abnormalities in related smart devices and residential services and all data used in each step to create a report to be provided to the user, and a notification section that notifies the user of any abnormalities that have occurred.

Description

스마트 하우징에서의 복합 이상 탐지 방법{Complex anomaly detection method in smart housing}Complex anomaly detection method in smart housing}

본 발명은 스마트 하우징에서의 복합 이상 탐지 방법에 관한 것으로서, 더욱 상세하게는 모든 스마트 데이터와 주거서비스 데이터로부터 가정 내에서 발생하는 이상 상황을 탐지하고, 이상이 탐지된 시점에 입력된 사용자 가정 내의 모든 스마트 디바이스 데이터와 주거서비스 데이터를 복합적으로 활용하여 가정 내에 이상이 발생한 원인을 일반 사용자도 간편하게 분석할 수 있도록 지원하는 기술에 관한 것이다.The present invention relates to a complex abnormality detection method in smart housing. More specifically, it detects abnormal situations occurring within the home from all smart data and housing service data, and detects all abnormalities in the user's home entered at the time the abnormality is detected. It is about a technology that allows general users to easily analyze the causes of problems in the home by utilizing smart device data and housing service data in a complex manner.

스마트 하우징 서비스는 주거 안전, 주거 편의, 주거 쾌적, 유지관리 등을 위해 스마트 하우스에 설치된 각종 IoT 기기들을 활용하여 제공되는 주거서비스를 총칭한다.Smart housing service refers to residential services provided using various IoT devices installed in smart houses for residential safety, residential convenience, residential comfort, and maintenance.

최근 스마트홈이 각광받으며 점차 그 영역이 넓어지고 있고, 생활 편의와 안전 등을 위한 다양한 IoT 서비스들이 개발되고 적용되고 있다.Recently, smart home has been in the spotlight and its scope is gradually expanding, and various IoT services for convenience and safety of life are being developed and applied.

IoT 서비스들은 각자 독립적으로 작동하여 제조사가 다르면 상호 연계나 통합적인 관리가 어려운 문제점이 존재한다. 따라서 스마트 하우징 서비스 분야에서 이상 탐지(anomaly detection) 기술은 주로 단일 디바이스 또는 단일 주거서비스를 대상으로 활용되고 있다.IoT services operate independently, so if they are from different manufacturers, there is a problem in that it is difficult to connect or manage them in an integrated manner. Therefore, in the field of smart housing services, anomaly detection technology is mainly used for single devices or single housing services.

현재까지 주거서비스의 이상 발생 원인을 분석할 때 하나의 디바이스 또는 하나의 주거서비스가 생성하는 정보만을 제공하기 때문에 전문가가 아닌 일반 사용자들은 정말로 이상이 발생한 것인지 아니면 환경 변화에 따른 변화일 뿐인지 판단하기 힘들다. 따라서 일반 사용자는 왜 이상이 탐지되었는지 알 수 없는 문제점이 있다.To date, when analyzing the cause of abnormalities in residential services, only information generated by one device or one residential service is provided, so general users, not experts, are unable to determine whether an abnormality has truly occurred or is just a change due to environmental changes. it's tough. Therefore, there is a problem in that general users cannot know why an abnormality was detected.

또한, 이상 탐지의 범위가 개별 디바이스나 주거서비스이며, 주거서비스를 제공하는 서비스 제공자 역시 서비스마다 다르기 때문에 관련 있는 서비스들끼리도 서로 연계가 되지 않아 한 가정 내에서 사용하는 모든 디바이스와 서비스 데이터를 복합적으로 활용해야 하는 가정 내 통합 이상 탐지는 힘든 상황이다.In addition, the scope of anomaly detection is individual devices or residential services, and the service providers who provide residential services are also different for each service, so related services are not linked to each other, so all devices and service data used within a home are combined. It is difficult to detect integrated abnormalities within the home that must be utilized.

한국공개특허 제10-2022-0127606호Korean Patent Publication No. 10-2022-0127606

상기의 문제점을 해결하고자 본 발명은 모든 스마트 데이터와 주거서비스 데이터로부터 가정 내에서 발생하는 이상 상황을 탐지하고, 이상이 탐지된 시점에 입력된 사용자 가정 내의 모든 스마트 디바이스 데이터와 주거서비스 데이터를 복합적으로 활용하여 가정 내에 이상이 발생한 원인을 일반 사용자도 간편하게 분석할 수 있도록 지원하고자 한다.In order to solve the above problems, the present invention detects abnormal situations occurring within the home from all smart data and residential service data, and combines all smart device data and residential service data within the user's home entered at the time the abnormality is detected. We hope to use this to help general users easily analyze the cause of problems occurring in the home.

상기의 해결하고자 하는 과제를 위한 본 발명에 따른 스마트 하우징에서의 복합 이상 탐지 시스템은, 유무선 인터넷으로 연결된 서비스 서버, 사용자 단말기 및 복수의 각종 주거서비스용 IoT 스마트 디바이스를 포함하고, 상기 서비스서버는,The complex anomaly detection system in a smart housing according to the present invention for the above problem to be solved includes a service server connected to the wired or wireless Internet, a user terminal, and a plurality of IoT smart devices for various residential services, and the service server includes,

모든 IoT 스마트 디바이스 데이터와 모든 주거서비스 데이터를 취합하는 데이터 취득부; 모든 스마트 디바이스 데이터와 주거서비스 데이터를 인코더로 압축하고 디코더로 복원하여 복원 오차를 산출하여 임계치 이상이면 이상이 발생한 것으로 판정하는 이상 탐지부; 이상을 탐지한 경우 이상이 발생한 스마트 디바이스 또는 주거서비스의 개별 원인을 분석하는 분석부; 관련 스마트 디바이스 및 주거서비스 복합 이상 탐지 결과와 각 단계별로 사용된 모든 데이터들을 정리하여 사용자에게 제공할 리포트를 작성하는 리포트 작성부 및 사용자에게 발생한 이상을 알려주는 알림부를 포함한다.Data acquisition department that collects all IoT smart device data and all residential service data; An abnormality detection unit that compresses all smart device data and residential service data with an encoder and restores it with a decoder, calculates a restoration error, and determines that an abnormality has occurred if it is greater than a threshold; When an abnormality is detected, an analysis unit that analyzes the individual cause of the abnormal smart device or residential service; It includes a report writing section that organizes the results of detection of complex abnormalities in related smart devices and residential services and all data used in each step to create a report to be provided to the user, and a notification section that notifies the user of any abnormalities that have occurred.

상기 이상 탐지부는, LSTM 자동 인코더를 사용하는 것을 특징으로 한다.The anomaly detection unit is characterized by using an LSTM auto-encoder.

상기 IoT 스마트 디바이스는 온도센서, 습도센서, 소음센서, 동작센서를 포함하는 것을 특징으로 한다.The IoT smart device is characterized by including a temperature sensor, a humidity sensor, a noise sensor, and a motion sensor.

상기 주거서비스는 주거안전, 주거쾌적, 주거편의, 유지관리를 포함하는 것을 특징으로 한다.The housing service is characterized by including residential safety, residential comfort, residential convenience, and maintenance.

본 발명의 다른 실시예로서, 스마트 하우징 복합 이상 탐지 시스템을 이용하여 스마트 하우징의 복합 이상을 탐지하는 방법은, 상기 서비스 서버에서 가정 내 디바이스 데이터와 가정 내 주거서비스 데이터를 취득하여 입력하는 단계; 모든 스마트 디바이스 데이터와 주거서비스 데이터를 인코더로 압축하고 디코더로 복원하여 복원 오차를 산출하여 임계치 이상이면 이상이 발생한 것으로 판정하는 단계; 이상을 탐지한 경우 이상이 발생한 스마트 디바이스 또는 주거서비스를 찾기 위해 1차원인 분석을 하는 단계; 이상을 탐지한 경우 이상이 발생한 스마트 디바이스 또는 주거서비스의 개별 원인을 분석하는 단계 및 관련 스마트 디바이스 및 주거서비스 복합 이상 탐지 결과와 각 단계별로 사용된 모든 데이터들을 정리하여 발생한 이상을 사용자에게 알려주는 단계를 포함한다.As another embodiment of the present invention, a method of detecting a complex abnormality in a smart housing using a smart housing complex abnormality detection system includes the steps of acquiring and inputting in-home device data and in-home residential service data from the service server; Compressing all smart device data and residential service data with an encoder and restoring them with a decoder, calculating a restoration error, and determining that an abnormality has occurred if it is greater than a threshold; When an abnormality is detected, performing a one-dimensional analysis to find the smart device or residential service in which the abnormality occurred; When an abnormality is detected, a step of analyzing the individual cause of the smart device or residential service where the abnormality occurred, and a step of organizing the combined abnormality detection results of the related smart device and residential service and all data used in each step to inform the user of the abnormality that occurred. Includes.

스마트 디바이스 데이터 이상 판정은, 가정 내 디바이스 데이터를 취득하여 입력하는 단계; 인코더로 상기 데이터를 압축하는 단계; 디코더로 데이터를 복원하는 단계 및 복원된 오차가 임계치보다 크면 이상이 발생한 것으로 판정하는 단계를 포함하는 것을 특징으로 한다.Determining abnormalities in smart device data includes acquiring and inputting device data within the home; Compressing the data with an encoder; It is characterized by including the step of restoring data with a decoder and determining that an abnormality has occurred if the restored error is greater than a threshold.

주거서비스 데이터 이상 판정은, 가정 내 주거서비스 데이터를 취득하여 입력하는 단계; 인코더로 상기 데이터를 압축하는 단계; 디코더로 데이터를 복하는 단계 및 복원된 오차가 임계치보다 크면 이상이 발생한 것으로 판정하는 단계를 포함하는 것을 특징으로 한다.The determination of abnormality in residential service data includes the steps of acquiring and inputting residential service data within the home; Compressing the data with an encoder; It is characterized by including the step of restoring data with a decoder and determining that an abnormality has occurred if the restored error is greater than a threshold.

개별 원인 분석 및 사용자에게 알려주는 단계는, 이상 발생 당시 입력받은 데이터셋을 대상으로 개별 이상 탐지를 실행하는 단계; 이상 탐지 대상 데이터를 입력하는 단계; 인코더로 데이터를 압축하는 단계; 디코더로 데이터를 복원하는 단계; 복원된 오차가 임계치보다 크면 이상이 발생한 것으로 1차 판정하는 단계; 관련 디바이스 데이터 및 서비스데이터 확보하는 단계; 중복된 분석 결과가 있는지 판정하는 단계; 중복 분석이 결과가 없는 경우 인코더로 데이터를 압축하는 단계; 디코더로 데이터를 복원하는 단계; 복원된 오차가 임계치보다 크면 이상이 발생한 것으로 2차 판정하여 표시하는 단계 및 사용자에서 이상 결과를 알려주는 단계를 포함하는 것을 특징으로 한다.The step of analyzing individual causes and notifying users includes performing individual anomaly detection on the data set input at the time an anomaly occurs; Inputting abnormality detection target data; Compressing data with an encoder; restoring data with a decoder; If the restored error is greater than the threshold, first determining that an abnormality has occurred; Securing related device data and service data; Determining whether there are duplicate analysis results; compressing the data with the encoder if redundant analysis yields no results; restoring data with a decoder; If the restored error is greater than the threshold, it is characterized in that it includes a step of secondary determination and display that an abnormality has occurred and a step of informing the user of the abnormal result.

본 발명에 따른 스마트 하우징에서의 복합 이상 탐지 방법은, 이상 탐지 당시 입력받은 모든 디바이스 데이터와 서비스 데이터를 사용자에게 제공하기 때문에 일반 사용자는 여러 조건을 고려하여 왜 이상이 발생하였는지 원인을 복합적으로 분석하고 정말로 이상 상황이 맞는지 판단할 수 있다.The complex abnormality detection method in smart housing according to the present invention provides the user with all device data and service data input at the time of abnormality detection, so the general user can comprehensively analyze the cause of why the abnormality occurred by considering various conditions. You can determine whether the situation is truly abnormal.

또한, 본 발명에 따른 스마트 하우징에서의 복합 이상 탐지 방법은, 사용자 판단에 따른 최종적인 이상 발생 여부 정보를 활용하여 사용자 가정에 최적화된 맞춤 이상 탐지 서비스 제공이 가능해진다.In addition, the complex abnormality detection method in smart housing according to the present invention makes it possible to provide a customized abnormality detection service optimized for the user's home by utilizing information on whether the final abnormality has occurred according to the user's judgment.

일반적으로 스마트 하우징을 위한 주거서비스들의 경우 가정 내외부의 환경 변화에 따라 오작동 등으로 인해 사용자가 만족할만한 서비스를 제공하지 못해 사용자가 서비스를 활용하지 않게 되는 경우가 많지만, 본 발명은 사용자에게 주거서비스가 왜 그렇게 작동했는지 판단하고 관리할 수 있도록 지원하여 주거서비스의 라이프 사이클을 연장할 수 있다.In general, in the case of residential services for smart housing, there are many cases where users do not use the service because they are unable to provide satisfactory services to users due to malfunctions due to changes in the environment inside and outside the home. However, the present invention provides residential services to users. The life cycle of housing services can be extended by helping to determine and manage why things are working the way they are.

도 1은 본 발명에 따른 스마트 하우징의 개념도이다.
도 2는 본 발명에 따른 전체 서비스의 개념도이다.
도 3은 본 발명에 따른 복합 이상 탐지 서비스 서버의 블록도이다.
도 4는 본 발명에 따른 복합 이상 탐지 방법의 전체 흐름도이다.
도 5는 본 발명에 따른 스마트 디바이스의 복합 이상 탐지 방법의 흐름도이다.
도 6은 본 발명에 따른 주거서비스의 복합 이상 탐지 방법의 흐름도이다.
도 7은 본 발명에 따른 분석 및 리포트 작성 흐름도이다.1 is a conceptual diagram of a smart housing according to the present invention.
Figure 2 is a conceptual diagram of the entire service according to the present invention.
Figure 3 is a block diagram of a complex anomaly detection service server according to the present invention.
Figure 4 is an overall flow chart of the complex anomaly detection method according to the present invention.
Figure 5 is a flowchart of a method for detecting complex abnormalities in a smart device according to the present invention.
Figure 6 is a flowchart of a method for detecting complex abnormalities in residential services according to the present invention.
Figure 7 is a flowchart of analysis and report creation according to the present invention.

이하, 본 발명의 실시를 위한 구체적인 실시예와 도면을 참고하여 설명한다. 본 발명의 실시예는 하나의 발명을 설명하기 위한 것으로서 권리범위는 예시된 실시예에 한정되지 아니하고, 예시된 도면은 발명의 명확성을 위하여 핵심적인 내용만 확대 도시하고 부수적인 것을 생략하였으므로 도면에 한정하여 해석하여서는 아니 된다.Hereinafter, the present invention will be described with reference to specific examples and drawings. The embodiments of the present invention are intended to explain one invention, and the scope of rights is not limited to the illustrated embodiments, and the illustrated drawings are limited to the drawings because only the core contents are enlarged and incidental details are omitted for clarity of the invention. It should not be interpreted as such.

본 발명에서의 스마트 하우징 주거서비스는 주거안전, 주거편의, 주거쾌적, 유지관리 등을 위해 스마트 하우스에 설치된 각종 IoT 기기들을 활용하여 제공되는 서비스를 총칭한다.Smart housing residential services in the present invention collectively refer to services provided using various IoT devices installed in smart houses for residential safety, residential convenience, residential comfort, maintenance, etc.

종래 스마트 하우징 분야에서의 이상 탐지는 개별 디바이스 또는 주거서비스 데이터를 입력받아 규칙 기반, 머신러닝, 딥러닝 기법 등을 사용하여 도출된 값이 임계치를 넘어설 경우 이상이 발생한 것으로 판단하여 이상 탐지를 수행하였다.In the conventional smart housing field, abnormality detection is performed by receiving individual device or housing service data and determining that an abnormality has occurred when the derived value using rule-based, machine learning, and deep learning techniques exceeds a threshold. did.

본 발명에서는 딥러닝 기반 이상 탐지 기법인 LSTM(long short-term memory) 자동 인코더(AutoEncoder)를 사용하여 개별 디바이스 또는 주거서비스 데이터가 아닌 가정 내 스마트 디바이스와 주거서비스의 모든 데이터를 입력값으로 사용하여 인코더를 통해 압축하고, 이를 다시 디코더(decoder)를 통해 복원한 결과를 입력값과 비교하는 과정에서 산출되는 복원 오차가 미리 설정한 임계치보다 큰 경우 이상이 발생한 것으로 판단한다. 이를 통해 사용자의 가정 내에 이상이 발생했는지 여부를 진단한다.The present invention uses LSTM (long short-term memory) AutoEncoder, a deep learning-based anomaly detection technique, to use all data from smart devices and residential services in the home as input, rather than individual device or residential service data. If the restoration error calculated in the process of comparing the result of compressing through an encoder and restoring it through a decoder with the input value is greater than a preset threshold, it is determined that an error has occurred. Through this, it is diagnosed whether an abnormality has occurred in the user's home.

LSTM 자동 인코더는 시계열 데이터를 위한 것으로 출력값을 입력값과 비교하여 차이를 구하기 위한 비지도 학습 기법으로, 정상 데이터가 대다수이고 이상 데이터가 거의 없는 경우에 효율적이다.The LSTM autoencoder is for time series data and is an unsupervised learning technique that compares output values with input values to find the difference. It is efficient when there is a majority of normal data and little abnormal data.

본 발명에서는 이상 탐지 당시 입력받은 모든 디바이스 데이터와 서비스 데이터를 사용자에게 제공하기 때문에 일반 사용자는 여러 조건을 고려하여 왜 이상이 발생하였는지 원인을 복합적으로 분석하고 정말로 이상 상황이 맞는지 판단할 수 있게 된다.In the present invention, since all device data and service data input at the time of abnormality detection are provided to the user, the general user can comprehensively analyze the cause of why the abnormality occurred by considering various conditions and determine whether the abnormal situation is truly correct.

도 1은 본 발명에 따른 스마트 하우징의 개념도로서 유무선 인터넷으로 접속된 서비스 서버, 사용자 단말기 및 인터넷으로 연결된 다수의 각종 주거서비스용 IoT 스마트 디바이스를 포함한다.Figure 1 is a conceptual diagram of a smart housing according to the present invention, which includes a service server connected to the wired and wireless Internet, a user terminal, and a number of IoT smart devices for various residential services connected to the Internet.

도 2는 본 발명에 따른 전체 서비스의 개념도이고, 도 3은 복합 이상 탐지 서비스 서버의 블록도로서, 모든 IoT 스마트 디바이스 데이터와 모든 주거서비스 데이터를 취합하는 데이터 취득부, 모든 스마트 디바이스 데이터와 주거서비스 데이터를 인코더로 압축하고 디코더로 복원하여 복원 오차를 산출하여 임계치 이상이면 이상이 발생한 것으로 판정하는 이상 탐지부, 이상을 탐지한 경우 이상이 발생한 스마트 디바이스 또는 주거서비스를 차기 위해 개별 분석을 수행하는 분석부, 관련 스마트 디바이스 및 주거서비스 복합 이상 탐지 결과와 각 단계별로 사용된 모든 데이터들을 정리하여 사용자에게 제공할 리포트를 작성하는 리포트 작성부 및 사용자에게 발생한 이상을 알려주는 알림부를 포함한다.Figure 2 is a conceptual diagram of the entire service according to the present invention, and Figure 3 is a block diagram of a complex anomaly detection service server, including a data acquisition unit that collects all IoT smart device data and all residential service data, all smart device data and residential service data. An anomaly detection unit that compresses data with an encoder, restores it with a decoder, calculates the restoration error, and determines that an abnormality has occurred if it exceeds the threshold. When an abnormality is detected, an analysis performs individual analysis to repair the smart device or residential service in which the abnormality occurred. It includes a report writing section that organizes the detection results of complex abnormalities in related smart devices and residential services and all data used in each step to create a report to be provided to the user, and a notification section that notifies the user of any abnormalities that have occurred.

사용자 가정 내 IoT 스마트 디바이스는 온도센서, 습도센서, 소음센서, 동작센서 등을 포함할 수 있고, 모든 스마트 디바이스의 데이터가 취합된다.IoT smart devices in the user's home may include temperature sensors, humidity sensors, noise sensors, motion sensors, etc., and data from all smart devices is collected.

주거서비스 데이터는 실내 온도 조절 서비스 데이터 등 사용자 단말기나 서비스 서버가 IoT 기기를 제어한 데이터와 결과 데이터이다. 예를 들어, 실외 기온이 35℃이고 실내온도가 33℃일 경우 실내 온도를 관리하는 주거서버에서 창문을 닫고 에어컨의 희망온도를 26℃로 설정하여 가동하도록 기기를 제어하였을 때, 창문을 닫는 기기 제어 데이터 값과 에어컨을 켜는 기기 제어 데이터 값, 그리고 희망온도를 26℃로 설정한 기기 제어 데이터 값이 주거서비스 데이터이다. Housing service data is data and result data that a user terminal or service server controls IoT devices, such as indoor temperature control service data. For example, when the outdoor temperature is 35℃ and the indoor temperature is 33℃, the residential server that manages the indoor temperature controls the device to close the window and set the desired temperature of the air conditioner to 26℃ and operate it. The device closes the window. The control data value, the device control data value that turns on the air conditioner, and the device control data value that sets the desired temperature to 26℃ are residential service data.

이상 탐지는 모든 스마트 디바이스 데이터와 주거서비스 데이터를 LSTM 자동 인코더로 압축하고 디코더로 복원하여 복원 오차를 산출한다.For anomaly detection, all smart device data and residential service data are compressed with an LSTM auto-encoder and restored with a decoder to calculate the restoration error.

상기 데이터 취득부는 데이터 통합 변환부를 더 포함하여, 스마트기기 및 주거서비스 데이터들을 일괄 입력할 수 있도록 데이터 데이터를 통합하여 변환한다.The data acquisition unit further includes a data integration conversion unit, and integrates and converts the data so that smart device and residential service data can be input at once.

본 발명에서는 데이터 및 통신 포맷 등이 달라 함께 활용하기 어려웠던 종래의 스마트기기 및 주거서비스 데이터들을 스마트하우징 플랫폼을 통해 통합 및 연계가 가능하도록 데이터 통합 변환부에서 데이터 통합 변환을 하여 이상탐지를 위한 딥러닝 모델에 한꺼번에 입력하여 복합적인 분석이 가능하다.In the present invention, the data integration and conversion unit performs deep learning for anomaly detection so that conventional smart device and residential service data, which were difficult to utilize together due to different data and communication formats, can be integrated and linked through a smart housing platform. Complex analysis is possible by inputting all data into the model at once.

복원 오차가 소정의 임계치와 비교하여 큰 경우 이상 데이터로 표시하여 사용자에게 알려준다.If the restoration error is large compared to a predetermined threshold, it is displayed as abnormal data and notified to the user.

인코더는 입력값이 입력되면 입력값에 대해 복수의 계층 간의 가중치가 적용되는 복수의 연산을 수행하여 잠재 벡터인 잠재값을 산출하여 출력한다. When an input value is input, the encoder performs a plurality of operations in which weights between multiple layers are applied to the input value to calculate and output a latent value, which is a latent vector.

디코더는 잠재값에 대해 복수의 계층 간의 가중치가 적용되는 복수의 연산을 수행하여 복원값을 생성한다. 즉, 입력값은 복수의 특징벡터를 포함하는 특징벡터행렬이다.The decoder generates a restored value by performing a plurality of operations in which weights between a plurality of layers are applied to the potential value. That is, the input value is a feature vector matrix including a plurality of feature vectors.

기존의 오토인코더는 시간적 특성을 담을 수 없으므로, 시간적 특성을 고려하기 위해 인코더는 적어도 하나의 LSTM 레이어(Long Short-Term Memory layer)를 포함한다. 인코더의 LSTM 레이어 사이에 Dense 레이어(dense layer)가 더 포함될 수 있다.Since the existing autoencoder cannot contain temporal characteristics, the encoder includes at least one LSTM layer (Long Short-Term Memory layer) to consider temporal characteristics. A dense layer may be further included between the LSTM layers of the encoder.

디코더는 적어도 하나의 LSTM 레이어를 포함한다. 디코더의 LSTM 레이어층 사이에 Dense 레이어가 더 포함될 수 있다.The decoder includes at least one LSTM layer. A Dense layer may be further included between the LSTM layers of the decoder.

오토인코더 모델은 히든레이어의 유닛 수가 모델 입력부분의 유닛 수보다 적기 때문에 인코더를 통해 중요한 정보만 살려 압축을 수행한다.In the autoencoder model, because the number of units in the hidden layer is less than the number of units in the model input part, compression is performed using only important information through the encoder.

인코더의 마지막 계층이 생성한 특징 지도가 잠재값이며, 디코더의 마지막 계층이 생성한 특징 지도가 복원값이 된다.The feature map generated by the last layer of the encoder is the latent value, and the feature map generated by the last layer of the decoder is the restored value.

본 발명은 개별 디바이스 또는 개별 주거서비스를 벗어나 가정 단위, 더 나아가서는 건물 단위나 단지 단위로까지 확장하여 이상을 탐지한다. 따라서 개별 디바이스나 서비스 데이터를 사용하는 것이 아니라, 가정 내에 설치된 스마트 디바이스가 생성하는 데이터와 주거서비스 데이터를 모두 활용하여 복합적인 분석을 통해 가정 내 이상을 탐지한다. 예를 들면 사용자 가정 내에 설치된 스마트 디바이스 데이터를 모두 모아 LSTM 자동 인코더에 입력하여 인코더로 압축한 후 다시 디코더로 복원하여 복원 오차를 구한 결과값이 임계치보다 클 경우 이상이 발생한 것으로 판단한다. 마찬가지로 건물 단위 이상 탐지에서는 건물 내 모든 디바이스와 서비스 데이터를 사용하고, 단지 단위 이상 탐지에서는 단지 내 모든 디바이스와 서비스 데이터를 사용하게 된다.The present invention extends beyond individual devices or individual residential services to detect abnormalities at the household level, and even at the building or complex level. Therefore, rather than using individual device or service data, it detects abnormalities in the home through complex analysis by utilizing both data generated by smart devices installed in the home and residential service data. For example, all smart device data installed in the user's home is collected, input into an LSTM auto-encoder, compressed by the encoder, and then restored by the decoder. If the restoration error is greater than the threshold, it is determined that an error has occurred. Likewise, building-level anomaly detection uses all device and service data within the building, and complex-level anomaly detection uses all device and service data within the complex.

본 발명에서는 이상 탐지 시 사용자에게 1차 분석 정보를 제공한다. 이를 위해 통합 이상 탐지를 통해 가정 내 이상을 탐지한 경우, 어떤 디바이스 또는 어떤 주거서비스에서 이상이 발생하였는지 개별 원인을 분석한 후, 이상이 탐지된 디바이스 또는 서비스와 관련 있는 디바이스나 서비스 데이터를 묶어 추가적인 이상 탐지를 수행한다. 관련 있는 디바이스나 서비스 정보는 주거안전, 주거쾌적, 주거편의, 유지관리 4종의 대분류와 전문가 자문을 통해 미리 모델링 해 둔 관련 서비스 정보 모델을 통해 가져올 수 있다.In the present invention, primary analysis information is provided to the user when an abnormality is detected. To this end, when an abnormality in the home is detected through integrated abnormality detection, the individual cause is analyzed to determine which device or residential service the abnormality occurred in, and then additional device or service data related to the device or service for which the abnormality was detected is bundled. Perform anomaly detection. Related device or service information can be retrieved through the four major categories of residential safety, residential comfort, residential convenience, and maintenance, and through the related service information model modeled in advance through expert advice.

최종적으로 가정 내 통합 이상 탐지 결과, 디바이스 및 서비스 개별 이상 탐지 결과, 관련 디바이스 및 서비스 복합 이상 탐지 결과와 각 단계별로 사용된 모든 데이터들을 정리하여 사용자에게 제공할 리포트를 작성한다. 사용자는 이렇게 작성된 리포트를 통해 종합적인 정보를 제공받아 정말로 자신의 가정 내에 이상 상황이 발생한 것인지, 아니면 주변 환경의 변화에 따라 발생한 자연스러운 현상인지 판단할 수 있게 된다. Finally, a report to be provided to the user is created by organizing the integrated abnormality detection results within the home, individual abnormality detection results for devices and services, combined abnormality detection results for related devices and services, and all data used in each step. Through this report, users are provided with comprehensive information and can determine whether an abnormal situation has truly occurred in their home or whether it is a natural phenomenon caused by changes in the surrounding environment.

도 4는 본 발명에 따른 복합 이상 탐지 방법의 전체 흐름도이다.Figure 4 is an overall flow chart of the complex anomaly detection method according to the present invention.

서비스 서버에서 복합 이상 탐지 방법은, 가정 내 디바이스 데이터와 가정 내 주거서비스 데이터를 취득하여 입력하는 단계, 모든 스마트 디바이스 데이터와 주거서비스 데이터를 인코더로 압축하고 디코더로 복원하여 복원 오차를 산출하여 임계치 이상이면 이상이 발생한 것으로 판정하는 단계, 이상을 탐지한 경우 이상이 발생한 스마트 디바이스 또는 주거서비스를 찾기 위해 1차 원인 분석을 하는 단계, 이상을 탐지한 경우 이상이 발생한 스마트 디바이스 또는 주거서비스의 개별 원인을 분석하는 단계 및 관련 스마트 디바이스 및 주거서비스 복합 이상 탐지 결과와 각 단계별로 사용된 모든 데이터들을 정리하여 발생한 이상을 사용자에게 알려주는 단계를 포함한다.The complex abnormality detection method in the service server involves acquiring and inputting in-home device data and in-home residential service data, compressing all smart device data and residential service data with an encoder, and restoring it with a decoder to calculate the restoration error and exceed the threshold. Step of determining that an abnormality has occurred; If an abnormality is detected, analyzing the primary cause to find the smart device or residential service in which the abnormality occurred; If an abnormality is detected, determining the individual cause of the smart device or residential service in which the abnormality occurred It includes the analysis step, the results of detecting complex abnormalities in related smart devices and residential services, and the step of organizing all data used in each step and informing the user of any abnormalities that have occurred.

도 5는 본 발명에 따른 스마트 디바이스의 복합 이상 탐지 방법의 흐름도로서, 가정 내 디바이스 데이터를 취득하여 입력하는 단계, 인코더로 상기 데이터를 압축하는 단계, 디코더로 데이터를 복원하는 단계 및 복원된 오차가 임계치보다 크면 이상이 발생한 것으로 판정하는 단계를 포함한다.Figure 5 is a flowchart of a method for detecting a complex abnormality in a smart device according to the present invention, which includes the steps of acquiring and inputting device data in the home, compressing the data with an encoder, restoring the data with a decoder, and the restored error. If it is greater than the threshold, it includes determining that an abnormality has occurred.

도 6은 본 발명에 따른 주거서비스의 복합 이상 탐지 방법의 흐름도로서, 가정 내 주거서비스 데이터를 취득하여 입력하는 단계, 인코더로 상기 데이터를 압축하는 단계, 디코더로 데이터를 복하는 단계 및 복원된 오차가 임계치보다 크면 이상이 발생한 것으로 판정하는 단계를 포함한다.Figure 6 is a flowchart of a method for detecting complex abnormalities in residential services according to the present invention, which includes the steps of acquiring and inputting residential service data in the home, compressing the data with an encoder, copying the data with a decoder, and restored errors. If is greater than the threshold, it includes determining that an abnormality has occurred.

도 7은 본 발명에 따른 분석 및 리포트 작성 흐름도로서, 이상 발생 당시 입력받은 데이터셋을 대상으로 개별이상 탐지를 실행하는 단계, 이상 탐지 대상 데이터를 입력하는 단계, 인코더로 데이터를 압축하는 단계, 디코더로 데이터를 복원하는 단계, 복원된 오차가 임계치보다 크면 이상이 발생한 것으로 1차 판정하는 단계, 관련 디바이스 및 서비스데이터 확보하는 단계, 중복된 분석 결과가 있는지 판정하는 단계, 중복 분석이 결과가 없는 경우 인코더로 데이터를 압축하는 단계, 디코더로 데이터를 복원하는 단계, 복원된 오차가 임계치보다 크면 이상이 발생한 것으로 2차 판정하여 표시하는 단계 및 사용자에서 이상 결과를 알려주는 단계를 포함한다.Figure 7 is a flowchart of analysis and report creation according to the present invention, which includes the steps of performing individual anomaly detection on a data set input at the time an anomaly occurs, inputting data to be detected for anomaly, compressing data with an encoder, and decoder. Step of restoring raw data, Step of first determining that an error has occurred if the restored error is greater than the threshold, Step of securing related device and service data, Step of determining whether there are duplicate analysis results, If duplicate analysis does not yield results It includes compressing data with an encoder, restoring data with a decoder, secondary determination and displaying that an abnormality has occurred if the restored error is greater than a threshold, and notifying the user of the abnormality result.

Claims (8)

유무선 인터넷으로 연결된 서비스 서버, 사용자 단말기 및 복수의 각종 주거서비스용 IoT 스마트 디바이스를 포함하는 스마트 하우징 복합 이상 탐지 시스템에 있어서,
상기 서비스서버는,
모든 IoT 스마트 디바이스 데이터와 모든 주거서비스 데이터를 취합하는 데이터 취득부;
모든 스마트 디바이스 데이터와 주거서비스 데이터를 인코더로 압축하고 디코더로 복원하여 복원 오차를 산출하여 임계치 이상이면 이상이 발생한 것으로 판정하는 이상 탐지부;
이상을 탐지한 경우 이상이 발생한 스마트 디바이스 또는 주거서비스의 개별 원인을 분석하는 분석부;
관련 스마트 디바이스 및 주거서비스 복합 이상 탐지 결과와 각 단계별로 사용된 모든 데이터들을 정리하여 사용자에게 제공할 리포트를 작성하는 리포트 작성부 및
사용자에게 발생한 이상을 알려주는 알림부를 포함하는 스마트 하우징 복합 이상 탐지 시스템.In the smart housing complex abnormality detection system including a service server connected to wired and wireless Internet, a user terminal, and a plurality of IoT smart devices for various residential services,
The service server is,
Data acquisition department that collects all IoT smart device data and all residential service data;
An anomaly detection unit that compresses all smart device data and residential service data with an encoder, restores it with a decoder, calculates a restoration error, and determines that an abnormality has occurred if it is greater than a threshold;
When an abnormality is detected, an analysis unit that analyzes the individual cause of the abnormal smart device or residential service;
A report writing department that organizes the results of detection of complex abnormalities in related smart devices and residential services and all data used in each step to create a report to be provided to users;
A smart housing complex abnormality detection system that includes a notification unit that notifies the user of abnormalities that have occurred. 제1항에 있어서,
상기 이상 탐지부는,
LSTM 자동 인코더를 사용하는 것을 특징으로 하는 스마트 하우징 복합 이상 탐지 시스템.According to paragraph 1,
The abnormality detection unit,
Smart housing complex anomaly detection system featuring an LSTM autoencoder. 제1항에 있어서,
상기 IoT 스마트 디바이스는 온도센서, 습도센서, 소음센서, 동작센서를 포함하는 것을 특징으로 하는 스마트 하우징 복합 이상 탐지 시스템.According to paragraph 1,
The IoT smart device is a smart housing complex abnormality detection system characterized in that it includes a temperature sensor, a humidity sensor, a noise sensor, and a motion sensor. 제1항에 있어서,
상기 주거서비스는 주거안전, 주거쾌적, 주거편의, 유지관리를 포함하는 것을 특징으로 하는 스마트 하우징 복합 이상 탐지 시스템.According to paragraph 1,
The residential service is a smart housing complex abnormality detection system characterized in that it includes residential safety, residential comfort, residential convenience, and maintenance. 제1항 내지 제4항 중 어느 한 항의 스마트 하우징 복합 이상 탐지 시스템을 이용하여 스마트 하우징의 복합 이상을 탐지하는 방법은,
상기 서비스 서버에서 가정 내 스마트 디바이스 데이터와 가정 내 주거서비스 데이터를 취득하여 입력하는 단계;
모든 스마트 디바이스 데이터와 주거서비스 데이터를 인코더로 압축하고 디코더로 복원하여 복원 오차를 산출하여 임계치 이상이면 이상이 발생한 것으로 판정하는 단계;
이상을 탐지한 경우 이상이 발생한 스마트 디바이스 또는 주거서비스를 찾기 위해 1차원인 분석을 하는 단계;
이상을 탐지한 경우 이상이 발생한 스마트 디바이스 또는 주거서비스의 개별 원인을 분석하는 단계 및
관련 스마트 디바이스 및 주거서비스 복합 이상 탐지 결과와 각 단계별로 사용된 모든 데이터들을 정리하여 발생한 이상을 사용자에게 알려주는 단계를 포함하는 스마트 하우징의 복합 이상을 탐지하는 방법.A method of detecting a complex abnormality in a smart housing using the smart housing complex abnormality detection system of any one of claims 1 to 4,
Obtaining and inputting in-home smart device data and in-home residential service data from the service server;
Compressing all smart device data and residential service data with an encoder and restoring them with a decoder to calculate a restoration error, and determining that an abnormality has occurred if it is greater than a threshold;
When an abnormality is detected, performing a one-dimensional analysis to find the smart device or residential service where the abnormality occurred;
When an abnormality is detected, analyzing the individual cause of the smart device or residential service where the abnormality occurred, and
A method of detecting complex abnormalities in smart housing that includes organizing all data used in each step and informing the user of the abnormalities that have occurred, along with the detection results of complex abnormalities in related smart devices and housing services. 제5항에 있어서,
스마트 디바이스 데이터 이상 판정은,
가정 내 스마트 디바이스 데이터를 취득하여 입력하는 단계;
인코더로 상기 데이터를 압축하는 단계;
디코더로 데이터를 복원하는 단계 및
복원된 오차가 임계치보다 크면 이상이 발생한 것으로 판정하는 단계를 포함하는 것을 특징으로 하는 스마트 하우징의 복합 이상을 탐지하는 방법.According to clause 5,
When determining an abnormality in smart device data,
Obtaining and inputting smart device data within the home;
Compressing the data with an encoder;
Steps to restore data with decoder and
A method for detecting a complex abnormality in a smart housing, comprising the step of determining that an abnormality has occurred if the restored error is greater than a threshold. 제5항에 있어서,
주거서비스 데이터 이상 판정은,
가정 내 주거서비스 데이터를 취득하여 입력하는 단계;
인코더로 상기 데이터를 압축하는 단계; 디코더로 데이터를 복하는 단계 및
복원된 오차가 임계치보다 크면 이상이 발생한 것으로 판정하는 단계를 포함하는 것을 특징으로 하는 스마트 하우징의 복합 이상을 탐지하는 방법.According to clause 5,
When determining abnormalities in housing service data,
Obtaining and entering housing service data within the home;
Compressing the data with an encoder; Step of copying data with decoder and
A method for detecting a complex abnormality in a smart housing, comprising the step of determining that an abnormality has occurred if the restored error is greater than a threshold. 제5항에 있어서,
개별 원인 분석 및 사용자에게 알려주는 단계는,
이상 발생 당시 입력받은 데이터셋을 대상으로 개별 이상 탐지를 실행하는 단계;
이상 탐지 대상 데이터를 입력하는 단계;
인코더로 데이터를 압축하는 단계;
디코더로 데이터를 복원하는 단계;
복원된 오차가 임계치보다 크면 이상이 발생한 것으로 1차 판정하는 단계;
관련 디바이스 데이터 및 서비스데이터 확보하는 단계;
중복된 분석 결과가 있는지 판정하는 단계;
중복 분석이 결과가 없는 경우 인코더로 데이터를 압축하는 단계;
디코더로 데이터를 복원하는 단계;
복원된 오차가 임계치보다 크면 이상이 발생한 것으로 2차 판정하여 표시하는 단계 및
사용자에서 이상 결과를 알려주는 단계를 포함하는 것을 특징으로 하는 스마트 하우징의 복합 이상을 탐지하는 방법.
According to clause 5,
The steps to analyze individual causes and inform users are:
Performing individual anomaly detection on the data set input at the time an anomaly occurs;
Inputting abnormality detection target data;
Compressing data with an encoder;
restoring data with a decoder;
If the restored error is greater than the threshold, first determining that an abnormality has occurred;
Securing related device data and service data;
determining whether there are duplicate analysis results;
compressing the data with the encoder if redundant analysis yields no results;
restoring data with a decoder;
If the restored error is greater than the threshold, secondary determination and displaying that an abnormality has occurred;
A method for detecting complex abnormalities in a smart housing, comprising the step of informing the user of abnormal results.
KR1020220142403A 2022-10-31 2022-10-31 Complex anomaly detection method in smart housing KR20240062316A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220142403A KR20240062316A (en) 2022-10-31 2022-10-31 Complex anomaly detection method in smart housing

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220142403A KR20240062316A (en) 2022-10-31 2022-10-31 Complex anomaly detection method in smart housing

Publications (1)

Publication Number Publication Date
KR20240062316A true KR20240062316A (en) 2024-05-09

Family

ID=91075709

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220142403A KR20240062316A (en) 2022-10-31 2022-10-31 Complex anomaly detection method in smart housing

Country Status (1)

Country Link
KR (1) KR20240062316A (en)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220127606A (en) 2021-03-11 2022-09-20 에스케이플래닛 주식회사 Apparatus and Method for Sound Anomaly Detection based on Non-compression Convolutional Neural Network

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220127606A (en) 2021-03-11 2022-09-20 에스케이플래닛 주식회사 Apparatus and Method for Sound Anomaly Detection based on Non-compression Convolutional Neural Network

Similar Documents

Publication Publication Date Title
TWI632443B (en) Apparatus for determining importance of abnormal data and method for determining importance of abnormal data
JP5753286B1 (en) Information processing apparatus, diagnostic method, and program
US9842302B2 (en) Population-based learning with deep belief networks
CN108780315B (en) Method and apparatus for optimizing diagnostics of rotating equipment
US9035750B2 (en) Method and system for state encoding
US8275735B2 (en) Diagnostic system
US20160370799A1 (en) Self-learning fault detection for hvac systems
EP3183622B1 (en) Population-based learning with deep belief networks
JP6823576B2 (en) Anomaly detection system and anomaly detection method
Frank et al. A performance evaluation framework for building fault detection and diagnosis algorithms
US10496085B2 (en) Power plant system fault diagnosis by learning historical system failure signatures
CA2438834A1 (en) Real-time spatio-temporal coherence estimation for autonomous mode identification and invariance tracking
US20100063611A1 (en) Systems and methods for real time classification and performance monitoring of batch processes
KR101249902B1 (en) Diagnostic system and method for home appliance
EP3944043B1 (en) Maintenance work assistance device
CN110779157B (en) Abnormality detection system, abnormality detection method, and storage device
Parhizkar et al. Efficient performance monitoring of building central heating system using Bayesian Network method
CN117114454A (en) DC sleeve state evaluation method and system based on Apriori algorithm
AU2020226203A1 (en) Power monitoring
KR20230125116A (en) The method for fault detection without training data or diagnosis with prediction of remaining time until breakdown using clustering algorithm and statistical methods
KR20240062316A (en) Complex anomaly detection method in smart housing
WO2020230422A1 (en) Abnormality diagnosis device and method
CN116523722A (en) Environment monitoring analysis system with machine learning capability
CN115066693A (en) Operation state classification system and operation state classification method
CN110986267A (en) Detection method and device for abnormal sound of air conditioner and air conditioner