WO2021230408A1 - 센서오류 모니터링기능을 포함한 지능형 센서 및 그 구현방법 - Google Patents
센서오류 모니터링기능을 포함한 지능형 센서 및 그 구현방법 Download PDFInfo
- Publication number
- WO2021230408A1 WO2021230408A1 PCT/KR2020/006554 KR2020006554W WO2021230408A1 WO 2021230408 A1 WO2021230408 A1 WO 2021230408A1 KR 2020006554 W KR2020006554 W KR 2020006554W WO 2021230408 A1 WO2021230408 A1 WO 2021230408A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- sensor
- data
- power
- main
- logic
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
- G01D18/002—Automatic recalibration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
- G01D18/008—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00 with calibration coefficients stored in memory
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D3/00—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups
- G01D3/08—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups with provision for safeguarding the apparatus, e.g. against abnormal operation, against breakdown
-
- 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
-
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0297—Reconfiguration of monitoring system, e.g. use of virtual sensors; change monitoring method as a response to monitoring results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0796—Safety measures, i.e. ensuring safe condition in the event of error, e.g. for controlling element
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/16—Error detection or correction of the data by redundancy in hardware
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/16—Error detection or correction of the data by redundancy in hardware
- G06F11/1608—Error detection by comparing the output signals of redundant hardware
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/16—Error detection or correction of the data by redundancy in hardware
- G06F11/1658—Data re-synchronization of a redundant component, or initial sync of replacement, additional or spare unit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/16—Error detection or correction of the data by redundancy in hardware
- G06F11/20—Error detection or correction of the data by redundancy in hardware using active fault-masking, e.g. by switching out faulty elements or by switching in spare elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/16—Error detection or correction of the data by redundancy in hardware
- G06F11/20—Error detection or correction of the data by redundancy in hardware using active fault-masking, e.g. by switching out faulty elements or by switching in spare elements
- G06F11/202—Error detection or correction of the data by redundancy in hardware using active fault-masking, e.g. by switching out faulty elements or by switching in spare elements where processing functionality is redundant
- G06F11/2023—Failover techniques
Definitions
- the present invention is an FPGA (Field Programmable Gate Array) programmed to monitor the operation of the sensor with a built-in function to monitor the error of the sensor in order to increase the reliability and ease of use of the sensor used in many areas. It is about an intelligent sensor implemented by embedding and its implementation method.
- FPGA Field Programmable Gate Array
- the present invention provides a method for freely attaching and detaching a necessary sensor, an interface method for combining various sensors, and not only detecting an error of the sensor by analyzing data coming from the sensor, but also analyzing the surrounding environment and power data.
- FPGA system semiconductor
- the internal logic model can be changed according to the type of sensor and the characteristics of the measurement data, and the internal logic model used for each sensor used is analyzed by big data and deep learning.
- FPGA system semiconductor
- a sensor is a device that converts various physical data of the natural world into electrical signals so that they can be used in the IT environment.
- sensors can detect almost all physical data, such as temperature, humidity, gas, wind direction/speed, sound, image, pressure, and bio, and are used for various purposes in various industrial fields. It is an element that plays an important role.
- An object of the present invention is to make a method for increasing the reliability of the sensor by using such a sensor technology as a background technology.
- Deep learning technology is a technology that continuously learns the current inference model with standard data to gradually make a good inference model. This inference model allows the system to predict current data through past data.
- the technology used to create standard data is big data analysis technology. Big data analysis technology is a technology that systematically classifies a lot of data generated in the same system and creates standard data by securing correlations. can
- the MQTT V5.0 protocol was used to enable interworking with the IoT system.
- Abnormal data can be divided into two types: a case in which abnormal data is generated instantaneously, and a case in which the sensor data changes significantly after a certain period of time due to continuous accumulation of abnormal data.
- Instantaneous abnormal data can be easily removed by comparing the before and after data and removing the abnormal data.
- the present invention is to propose a method for detecting abnormal data and predicting sensor failure, and an intelligent sensor having a built-in function that can replace the main sensor function by using an auxiliary sensor if necessary and an implementation method thereof.
- the present invention proposes an intelligent sensor to solve the above problems.
- 1 is a structural diagram and a mechanical diagram of an intelligent sensor proposed in the present invention.
- the intelligent sensor of the present invention is characterized in that it has a set of the main sensor 101 and the ghost sensor 102 used to compare abnormal conditions of the data of the main sensor. And it consists of a coupling unit 200 that connects them, environment collection sensors 103 and 104 that collect surrounding environment data, a main analysis 300 that collects and analyzes all data, and a power supply and interface 105 connected to the system.
- a coupling unit 200 that connects them
- environment collection sensors 103 and 104 that collect surrounding environment data
- a main analysis 300 that collects and analyzes all data
- a power supply and interface 105 connected to the system.
- has been Their structure is divided into three major parts and consists of a mechanical structure. First, it consists of a collection module composed of a sensor and a sensor coupling unit, a processing module that combines environmental sensors and main analysis to check surrounding information, and an interface module that combines power and interface functions. And each module has several types of functions (eg temperature collection module, humidity collection module, wired interface module, wireless
- FIG. 2 a detailed configuration of the sensor coupling unit 200 that monitors the state while transmitting the data of the sensor is shown in FIG. 2 .
- the first is the power input interface 201 .
- the main sensor data transfer unit 206 and the ghost sensor data transfer unit 207 serve to transmit sensor data, a sensor connection state, and a state of power supplied to the sensor to the processing module.
- the power connection detection unit 204 checks whether each sensor is installed and sends it to the processing module.
- the sensor data connection unit 205 serves to convert sensor data into digital MODBUS data.
- This sensor data connection is implemented in the form of analog data-MODBUS conversion, digital data-MODBUS conversion, and MODBUS data bypass.
- the sensor power converter 202 serves to change the main power to the power used by the sensor. Different types of sensors require different power sources, so power conversion was placed in the data collection unit.
- the main analysis unit 300 is intelligent collected from the environmental sensors (103, 104) that check the environmental information in addition to the data of the main sensor and the ghost sensor collected through the sensor connection unit described above, whether each sensor is connected or not, and the sensor supply power information. It is a part that determines whether the sensor is in an abnormal state or is fixed by combining the state information of the main power source with the environmental information around the sensor. To this end, in the present invention, a logic model is used to enable quick analysis. The part that performs data analysis by embedding such a logic model is the FPGA 301 .
- the internal logic model is stored in the internal memory 308 as a part for detecting errors and abnormal situations by converting all data processing into logical operations, and a detailed algorithm of the logic model is shown in FIG. 4 .
- the main sensor connection unit 302 and the ghost sensor connection unit 303 serve to transmit the data of the sensor connection unit described above to the FPGA, and the main role of the present invention is to match the signal level.
- the sensor collection module of the present invention is designed to be used by changing various types according to the role, and accordingly, the power level of the sensor data also varies. Therefore, in order to connect it to the FPGA, it is necessary to convert it to a power level that can be applied to the FPGA, and the part that plays this role is the sensor connection part.
- the sensor data conversion unit 304 is also a part that converts the data of the surrounding environment sensor so that it can be applied to the FPGA, and the environmental sensor can be changed according to what physical quantity of the surrounding environment is collected like the previous sensor collection module, It serves to match the data type and voltage level so that it can be applied to the FPGA.
- the power input 306 and the power output 307 receive external power and supply power to the sensor, and the input power monitor 305 is placed here to monitor the occurrence of an abnormal situation when external power is applied.
- the power and interface module may be configured in various types depending on the configuration of a wired power input or wireless power input module, a wired data interface, or a wireless data interface.
- Wired power input is implemented as an external DC power input or POE (Power Of Ethernet) input
- wireless power input is implemented with an electromagnetic induction module such as a mobile phone wireless charger.
- a wired interface for data input/output is implemented in an Ethernet method, and a wireless interface is configured by WIFI or Bluetooth.
- the communication protocol to communicate with the system through this physical interface used the MQTT V5.0 protocol, which is a standard protocol for the Internet of Things.
- the main effect of the present invention is to increase the reliability of sensor data and predict whether the sensor is malfunctioning so that the system can be used without interruption.
- more accurate sensor data can be used in the system with high reliability and can be utilized for various applications, the application area can be extended to an area that was not normally used because of the reliability of the data, and the occurrence of a failure can be predicted in advance.
- the need for regular inspection is reduced, so unnecessary waste of manpower and cost due to periodic sensor replacement can also be reduced.
- the intelligent sensor of the present invention secures the data reliability of such a sensor through the logic module mounted on the internal FPGA and predicts the possibility of error, while supporting the communication protocol of the existing sensor in use so that it can be used easily. do.
- the sensor is largely composed of three parts: a collection part, a processing part, and an interface part, and it is implemented so that it can be replaced as needed.
- the sensor connection unit allows various sensors to be freely connected, and has various interfaces to detect electrical errors and data errors of the sensors.
- a ghost sensor interface of a secondary sensor concept was installed to increase data accuracy.
- the main analysis unit sends sensor data, power monitoring data, and environmental sensor data used to analyze abnormality and failure data to the FPGA, centering on the FPGA, which is the most core component, and the sensor data and abnormal or failure warning interrupt that is analyzed from the FPGA. It consists of parts that connect signals to the system.
- FIG. 4 is an example of a general logic model configured in the FPGA inside the main analysis unit.
- This logic model is stored in the memory inside the intelligent sensor, and when power is first applied, the FPGA reads the data from the memory and composes the internal logic circuit.
- Logic is largely composed of three modules for detecting abnormal situations and one module for predicting failure, and the determined data is finally combined in the system communication module to communicate with the system.
- the FPGA 301 fetches the internal logic model previously downloaded from the internal memory 308 and programs the FPGA internal logic. And the applied power is applied to the sensor connection unit 200 .
- the sensor connection part the main sensor 101 is first connected, and when the ghost sensor 102 is connected, the sensor power converter 202 that detects the connection signal converts it into power suitable for the sensor, so that power is applied to the sensor from then on. Therefore, it is configured to minimize electric shock when attaching and detaching the sensor.
- the main sensor starts to measure the physical data to be measured.
- the main sensor and the ghost sensor that convert the physical data into an electrical signal are combined with the measured data, the current sensor connection status, and the sensor power status data to the data connection units 302 and 303 in the main analysis unit 300.
- the level of the electrical signal coming from the sensor and the electrical signal that can be received from the FPGA is checked and matched, and it is sent to the FPGA.
- analysis is performed with a total of 7 input data (main sensor data, ghost sensor data, each sensor power state, main power state, and each environment data information). This analysis task is shown in FIG. 4 .
- the MUX logic located at the sensor data input stage uses the sensor mounting information to determine whether the sensor data is valid or not, and the validated data is transferred to the logic of the next step.
- the data comparison logic the values of the main sensor data and the ghost sensor data are compared with each other. It analyzes whether data is abnormal through the difference between two data collected in the same place. Through this logic, the sensor data corrected through comparison is generated, and the comparison data error information is also generated. The sensor data corrected in this way is applied as an input to the surrounding environment information comparison data correction logic.
- the surrounding environment information comparison data logic is a logic that performs correction according to the environmental sensor information to the input sensor information, and performs different logic according to the type of the installed environmental sensor and the measured sensor information.
- the logic model to be executed at this time is programmed in advance and stored in the memory, and then programmed when the power is first applied.
- the output of this logic is sensor data calibrated according to environmental information and error information data collected from surrounding environment information.
- the corrected data is transferred to the error detection module by the data pattern, which is the next logic.
- the error detection logic based on the data pattern is the logic to determine whether the sensor is faulty.
- the logic model used for this logic is created by combining a logic algorithm that has learned the state of data collected by past sensors through a deep learning algorithm and a logic algorithm created through a big data analysis algorithm created by collecting data from other same sensors. , generates output data by calculating the current state of the sensor and the probability that a failure will occur in the future through the generated logic.
- the abnormal state and failure prediction logic generates an abnormal signal occurrence and failure prediction signal by combining the error information data generated in the previous logic, the sensor power abnormal signal input from the outside, and the main power supply abnormal signal.
- the abnormal signal generates whether an error has occurred in the data
- the failure prediction signal generates a signal when the failure probability is 80% or more based on the 1st, 3rd, and 5th days.
- the sensor data, abnormal signal generation data, and failure occurrence data generated in this way are connected to the system communication logic, where they are converted into MQTT protocol and connected to the outside through high-speed serial communication logic.
- the signal transmitted to the outside communicates with the system through the power and interface module 105 .
- This power and interface module receives external power and converts it to internal main power, and transmits sensor data and abnormal and error data to the system.
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
본 발명은 많은 영역에서 사용되고 있는 센서의 신뢰도를 높이고 사용의 편이성을 높이기 위해 센서의 오류를 모니터링할 수 있는 기능을 내장한 것으로 센서의 동작을 모니터링할 수 있로록 프로그램된 FPGA(Field Programmable Gate Array)를 내장하여 구현한 지능형 센서와 그 구현방법에 대한 것이다. 특히 본 발명은 필요한 센서를 자유롭게 탈부착 할 수 있도록 하는 방법과 다양한 센서를 결합할 수 있도록 하는 인터페이스 방법, 그리고 센서에서 들어오는 데이터를 분석하여 센서의 오류를 검출하는것 뿐만 아니고, 주변의 환경 및 전원 데이터를 복합적으로 수집하여 오류를 검출하는 방법을 제안한다.
Description
본 발명은 많은 영역에서 사용되고 있는 센서의 신뢰도를 높이고 사용의 편이성을 높이기 위해 센서의 오류를 모니터링할 수 있는 기능을 내장한 것으로 센서의 동작을 모니터링할 수 있로록 프로그램된 FPGA(Field Programmable Gate Array)를 내장하여 구현한 지능형 센서와 그 구현방법에 대한 것이다.
특히 본 발명은 필요한 센서를 자유롭게 탈부착 할 수 있도록 하는 방법과 다양한 센서를 결합할 수 있도록 하는 인터페이스 방법, 그리고 센서에서 들어오는 데이터를 분석하여 센서의 오류를 검출하는것 뿐만 아니고, 주변의 환경 및 전원 데이터를 복합적으로 수집하여 오류를 검출하는 방법을 제안한다.
그리고 FPGA라고 불리는 시스템 반도체를 활용하며, 내부 로직 모델을 센서의 종류 및 측정 데이터의 특징에 따라 변화시킬 수 있도록 한 것을 특징으로 하고, 사용되는 센서 별로 사용되는 내부 로직 모델을 빅데이터 분석 및 딥러닝 기술과 결합하여, 정확도가 높도록 구현하는 것을 특징으로 한다.
센서란 각종 자연계의 물리적 데이터를 전기적 신호로 변환시켜서 IT환경에서 사용할 수 있도록 해주는 소자이다. 현재 센서는 온도, 습도, 가스, 풍향/풍속, 소리, 영상, 압력, 바이오 등 거의 모든 물리적 데이터를 감지할 수 있으며, 각종 산업현장에서 다양한 용도로 사용되고 있으며, 그 중에서도 사물인터넷 분야에서는 종단에서 가장 중요한 역할을 하는 소자이다.
본 발명에서는 이러한 센서의 기술을 배경기술로 하여 센서의 신뢰도를 높일 수 있도록 하는 방법을 만드는데 그 목적이 있다.
또 많은 산업 부분에서 빅데이터 분석 및 딥러닝 기술들이 사용된다. 딥러닝 기술이란 표준 데이터를 가지고 현재의 추론 모델을 계속적으로 학습시켜서 점차 좋은 추론 모델을 만드는 기술이다. 이 추론 모델은 시스템에서 현재의 데이터를 과거의 데이터를 통하여 예상할 수 있도록 한다. 이를 위해서 표준 데이터를 만드는데 사용하는 기술이 빅데이터 분석 기술이다. 빅데이터 분석 기술은 동일한 시스템에서 발생하는 많은 데이터를 체계적으로 분류하고, 이에 대한 상관관계를 확보하여 표준데이터를 만드는 기술로 이렇게 분석되어 나오는 표준데이터를 딥러닝 기술에서 사용하면 보다 정확한 추론 모델을 만들 수 있다.
본 발명에서는 센서 데이터 자체를 이용한 추론 모델 생성 뿐만 아니라 오류 데이터 발생시 생기는 데이터를 활용한 오류 추론 모델을 생성하여, 효과적인 분석이 가능하도록 하였다.
또 시스템과의 통신을 하는 방법에서는 MQTT V5.0 프로토콜을 활용하여 사물 인터넷 시스템과의 연동이 가능하도록 하였다.
4차 산업혁명이 시작되면서 사물 인터넷이라는 개념이 등장하였으며, 이는 산업 전반에 점차 그 영역을 넓히고 있다. 이에 따라 종단에서 각종 물리량(온도, 습도, 압력, 가스, 연기 등)을 수집하는 소자가 점차 개발되고, 사용이 많아지고 있다. 하지만 영역이 넓어짐에 따라 센서가 설치되는 환경이 점차 열악해 지고, 이에 따라 센서 데이터의 오류 및 센서 자체의 고장이 많아지게 되었다. 따라서 이러한 이상데이터를 찾아내고, 센서 고장 시 빠른 교체등의 조치를 하여 센서를 사용하는 시스템이 동작하는데 문제가 발생하지 않도록 하는 것이 중요한 사항으로 대두되고 있다.
이상 데이터는 순간적으로 이상 데이터를 발생시키는 경우와 지속적으로 이상 데이터가 누적되어 일정 기간이 지나면 센서 데이터가 아주 변경되는 경우 2가지로 나눌수 있다. 순간적인 이상데이터는 전 후의 데이터를 비교하여 이상데이터를 제거하는 방법으로 손쉽게 제거할 수 있다. 하지만 이상데이터 누적에 의한 데이터의 오류가 발생하는 경우에는 이를 감지하기는 어렵다.
그리고 열악한 환경에 설치되는 센서의 경우 일정 시간이 지나면 거의 반드시라고 할 만큼 고장이 발생한다. 하지만 센서의 고장이 발생한 이 후 센서를 교체하거나 하는 행위를 수행하는 경우에는 그 시간만큼 시스템의 동작에 영향을 미치게 된다.
이에 본 발명에서는 이상데이터를 찾아내는 방법과 센서 고장을 예측하며, 필요에 따라 보조 센서를 이용하여 주 센서기능을 대체할 수 있는 기능을 내장하고 있는 지능형 센서와 그 구현 방법을 제안하려고 한다.
본 발명에서는 상기의 과제를 해결하기 위해 지능형 센서를 제안한다. 도 1은 본 발명에서 제안하는 지능형 센서의 구조도 및 기구도이다.
본 발명의 지능형 센서는 주 센서(101)와 주 센서의 데이터의 이상 상황을 비교하는데 사용하는 고스트 센서(102) 세트를 가진다는데에 그 특징이 있다. 그리고 이들을 연결하는 결합부(200), 주변환경 데이터를 수집하는 환경 수집 센서(103, 104), 모든 데이터를 수집하여 분석하는 Main 분석(300), 시스템과 연결되는 전원 및 인터페이스(105)로 구성되어 있다. 이들의 구성은 크게 3부분으로 나누어 기구적으로 구성된다. 우선 센서와 센서결합부로 구성된 수집모듈과 주변 정보 확인 위한 환경센서 및 Main 분석이 결합된 처리 모듈, 그리고 전원 및 인터페이스 기능이 결합된 인터페이스 모듈로 구성된다. 그리고 각 모듈들은 기능에 여러 종류가 있으며(예 온도 수집 모듈, 습도 수집모듈, 유선 인터페이스 모듈, 무선 인터페이스 모듈, 블루투스 모듈 등), 필요에 따라 그 구성품을 변경시킬 수 있다.
그 중 센서의 데이터를 전달하면서, 상태를 모니터링하는 센서 결합부(200)의 상세 구도는 도 2이다. 센서 연결부의 인터페이스는 크게 3개가 있다. 첫째는 전원 입력 인터페이스(201)이다. 그리고 주 센서 데이터 전달부(206)와 고스트 센서 데이터 전달부(207)는 센서 데이터와 센서 연결상태, 그리고 센서에 공급되는 전원 상태를 처리모듈에 전달하는 역할을 한다. 그 외의 모든 구성품은 주센서와 고스트 센서용 각각이 존재하며, 그 역할은 동일하게 구현하였다. 전원 연결 감지부(204)는 각 센서들이 장착되어 있는지 여부를 확인하여 처리모듈에 보내는 역할을 한다.센서데이터 연결부(205)는 센서 데이터를 디지털 MODBUS 데이터로 변경해 주는 역할을 한다. 이 센서 데이터 연결부는 아날로그 데이터-MODBUS 변환, 디지털 데이터-MODBUS 변환, MODBUS 데이터 바이페스의 형태로 구현된다. 센서 전원 변환기(202)는 주 전원을 센서에서 사용하는 전원으로 변경하는 역할을 한다. 센서의 종류에 따라 서로 다른 전원이 필요로 하므로 전원 변환은 데이터 수집부에 위치하도록 하였다.
Main 분석부(300)의 상세 구조는 도 3과 같다. Main 분석부는 앞에서 설명한 센서 연결부를 통하여 수집된 주센서 및 고스트 센서의 데이터, 각 센서의 연결 여부, 센서 공급 전원 정보에 추가하여 환경 사항을 확인하는 환경센서들(103, 104)로 부터 수집된 지능형 센서 주변 환경 정보에 메인 전원의 상태정보를 결합하여 센서의 이상상태나 고정여부를 판정하는 부분이다. 이를 위하여 본 발명에서는 로직 모델을 활용하여 빠른 분석이 가능하도록 하였는데 이런 로직 모델을 내장하여 데이터 분석을 수행하는 부분은 FPGA(301)이다. 내부 로직모델은 모든 데이터 처리를 논리연산으로 변환하여 오류 및 이상상황을 검출하는 부분으로 내부 메모리(308)에 저장되어 있으며, 로직 모델의 상세 알고리즘은 도 4와 같다. 주센서 연결부(302)와 고스트 센서 연결부(303)는 FPGA에 앞에서 설명한 센처 연결부의 데이터를 전달하는 역할을 하며, 본 발명에의 주 역할은 신호 레벨을 맞추는 역할이다. 앞에서 이야기 했듯이 본 발명의 센서 수집 모듈은 역할에 따라 다양한 종류를 변경하여 사용할 수 있도록 설계되어 있으며, 이에 따라 센서 데이터의 전원 레벨 역시 다양하다. 따라서 이를 FPGA와 연결하기 위해서는 FPGA에 인가할 수 있는 전원 레벨로 변환하는 것이 필요하며, 이 역할을 하는 부분이 센서 연결부이다. 센서 데이터 변환부(304)도 역시 주변 환경센서의 데이터를 FPGA에 인가할 수 있도록 변환해 주는 부분으로 환경센서도 앞의 센서 수집 모듈과 마찬가지로 주변 환경의 어떠한 물리량을 수집하느냐에 따라 변경될 수 있으며, 이를 FPGA에 인가할 수 있도록 데이터 형태와 전압 레벨을 맞추는 역할을 한다. 전원 입력(306)과 전원출력(307)은 외부 전원을 받아서 센서에 전원을 공급하는 부분으로 여기에 입력전원 모니터(305)를 두어 외부 전원 인가시 이상상황 발생을 모니터링 할 수 있도록 구성하였다.
이러한 주변 사항과 센서 데이터를 종합적으로 분석하여 그 결과를 고속 시리얼 데이터(309)를 통하여 전원 및 인터페이스 모듈(105)로 전달하며, 이를 통하여 시스템과 통신하게 된다. 본 발명에서는 전원 및 인터페이스 모듈 내에는 유선 전원 입력 또는 무선 전원 입력 모듈, 유선 데이터 인터페이스 또는 무선 데이터 인터페이스 등의 구성에 따라 여러가지 종류로 구성될 수 있다. 유선 전원입력은 외부 DC 전원 입력, 또는 POE(Power Of Ethernet) 입력등으로 구현하며, 무선 전원입력은 휴대폰 무선 충전기와 같은 전자기 유도방식 모듈로 구현한다. 그리고 데이터 입출력을 위한 유선 인터페이스는 이더넷 방식으로 구현하며, 무선 인터페이스는 WIFI나 Bluetooth 등으로 구성된다. 이러한 물리적 인터페이스를 통해 시스템과 통신하는 통신 프로토콜은 사물인터넷 표준 프로토콜인 MQTT V5.0 프로토콜을 사용하였다.
본 발명의 주된 효과는 센서 데이터의 신뢰성을 높이고, 센서의 고장 여부를 예측하여 시스템을 중단없이 사용할 수 있도록 하는데에 있다. 이렇게 함으로 보다 정확한 센서 데이터를 신뢰성 높게 시스템에서 사용하여 다양한 응용에 활용할 수 있고, 평소에 데이터의 신뢰성때문에 사용할 수 없던 영역으로 응용영역을 확장할 수 있으며, 또한 고장 여부를 미리 예측할 수 있기 때문에 주기적인 정기점검의 필요성이 낮아지고 이에 따라 불필요한 인력 낭비 및 주기적인 센서의 교체에 따른 비용도 감소할 수 있다.
현재 4차 산업혁명시대에 가장 많은 곳에서 그 필요성이 증대되고 있는 시스템은 사물 인터넷 시스템이다. 그 사물인터넷 시스템의 가장 종단에서 각종 응용에 사용하고자 물리적 데이터를 수집하는데 사용하는 소자는 센서이다. 이러한 센서는 현재 일반적으로 소모품으로 생각되며, 데이터의 부정확성을 예상하고 있으며, 또한 수시로 고장이날 수 있으므로 자주 현장으로 사람이 가서 교체를 해주어야 하는 소자로 생각하고 있다.
하지만 본 발명의 지능형 센서는 이러한 센서의 데이터 신뢰성을 내부 FPGA에 장착된 로직 모듈을 통하여 확보하고, 또한 오류 가능성도 예측하면서도, 사용에 있어서 기존의 센서가 가지는 통신 프로토콜을 그대로 지원하여 쉽게 사용할 수 있도록 한다.
도 1은 본 발명인 센서오류 모니터링 기능을 포함한 지능형 센서에 대한 구성 방법 및 기구도에 대한 예이다. 구성도를 보면, 기구도에서 보면 센서를 크게 수집부, 처리부, 인터페이스부의 3부분으로 구성하여 필요에 따라 교체가 가능하도록 구현하였다.
도 2는 센서와 센서 연결부의 구성에 대한 것이다. 본 발명에서 센서 연결부는 다양한 센서를 자유롭게 연결할 수 있도록 하며, 센서의 전기적 오류, 데이터의 오류를 감지할 수 있도록 다양한 인터페이스를 가지고 있다. 그리고 주 센서 외에 보조센서 개념의 고스트 센서 인터페이스를 두어 데이터 정확성을 높이도록 하였다.
도 3은 데이터를 처리하는 Main 분석부의 구성에 대한 것이다. Main 분석부는 가장 핵심 부품인 FPGA를 중심으로 해서 이상 및 고장 데이터를 분석하는데 사용되는 센서 데이터, 전원 모니터링 데이터, 환경 센서 데이터들을 FPGA로 보내는 부분과 FPGA에서 분석되어 나오는 센서 데이터 및 이상 또는 고장 경고 Interrupt 신호를 시스템에 연결하는 부분으로 구성하였다.
도 4는 Main 분석부 내부의 FPGA에 구성되는 일반적인 로직 모델에 대한 예이다. 이 로직 모델은 지능형 센서 내부의 메모리에 저장되어 있으며, 처음 전원이 인가되었을 때 FPGA가 메모리의 데이터를 읽어와서 내부 로직 회로를 구성한다. 로직은 크게 이상상황을 파악하는 3개의 모듈과 고장을 예상하는 하나의 모듈로 구성되어 있으며, 이렇게 판단된 데이터는 시스템 통신 모듈에서 최종적으로 하나로 결합되어 시스템과 통신하게 된다.
[부호의 설명]
100 센서오류 모니터링 기능을 포함한 지능형 센서
101 물리데이터 수집에 사용되는 주 센서
102 주 센서 데이터 이상상태 비교에 사용되는 고스트 센서
103 외부 환경 보정에 사용되는 환경센서 1
104 외부 환경 보정에 사용되는 환경센서 2
105 시스템과 연결에 사용되는 인터페이스 및 외부 전원 입력부
200 센서 탈부착이 가능한 데이터 인터페이스 부
201 주 전원 입력 인터페이스 202 주전원에서 센서 전원 변환기
203 센서 전원 모니터 204 센서 탈부착 감지 장치
205 센서 데이터 수집
206, 207 센서데이터+연결상태+전원상태 데이터 전달부
300 Main 처리부
301 FPGA(Field Programmable Gate Array)
302, 303 센서 데이터 전압 레벨과 FPGA 신호 전압 레벨 발란스 부
304 환경센서 전압레벨 및 데이터 변환부
305 주전원 모니터링 306 주전원 입력
307 주전원 출력 308 로직 모델 저장 메모리
309 고속 시리얼 데이터 연결부
이하의 내용은 첨부된 도면을 참조하여 본 발명의 바람직한 실시 예를 상세히 설명한 내용이다.
최초로 지능형 센서(100)에 전원이 인가되면, FPGA(301)는 내부의 메모리(308)에서 미리 다운로드 되어 있던 내부 로직 모델을 가져와 FPGA 내부 로직을 프로그램 한다. 그리고 인가된 전원은 센서 연결부(200)에 인가된다. 센서 연결부에서는 우선적으로 주 센서(101)가 연결되고, 고스트 센서(102)가 연결되면, 연결 신호를 감지한 센서 전원 변환기(202)에서 센서에 맞는 전원으로 변환하여 그때부터 센서에 전원이 인가되도록 하여 센서 탈부착시 전기적 충격을 최소화 하도록 구성하였다.
이렇게 센서 및 FPGA의 내부 로직 모델 프로그램까지 완료가 되면, 이때부터 주 센서는 측정하고자 하는 물리적 데이터에 대한 측정을 시작한다. 물리적 데이터를 전기적 신호로 변환한 주 센서 및 고스트 센서는 이 측정된 데이터와 현재 센서의 연결상태, 그리고 센서의 전원상태 데이터와 결합하여 Main 분석부(300)에 있는 데이터 연결부(302, 303)에 보내게 된다.
데이터 연결부에서는 센서에서 나오는 전기적 신호와 FPGA에서 받을 수 있는 전기적 신호의 레벨을 확인하여 이를 맞추는 작업을 수행하고 이를 FPGA로 보낸다.
FPGA에서는 총 7개의 입력 데이터(주센서 데이터, 고스트 센서 데이터, 각 센서 전원상태, 메인 전원상태, 각 환경 데이터 정보)를 가지고 분석 업무를 수행한다. 이 분석 업무는 도 4와 같다.
우선 센서 데이터 입력단에 위치한 MUX 로직에서는 센서 장착 정보를 활용하여 센서 데이터의 유효성 여부를 판단하며, 유효성이 판단된 데이터는 다음 단계의 로직으로 전달한다.
데이터 비교 로직에서는 주센서 데이터와 고스트 센서 데이터의 값을 서로 비교한다. 동일한 장소에서 수집되는 두 데이터 차이를 통하여 데이터 이상여부를 분석하는 것으로 각 센서에서 수집되는 시점 전후 16샘플 데이터를 서로 상호비교하여 데이터 오류를 찾아내는 알고리즘을 이용하여 구성되어 있다. 이 로직을 통하여 비교를 통해 보정된 센서 데이터가 생성되며, 또한 비교데이터 오류 정보 역시 생성된다. 이렇게 보정된 센서 데이터는 주변환경정보 비교 데이터 보정 로직에 입력으로 인가된다.
주변 환경정보 비교 데이터 로직은 입력된 센서정보에 환경센서 정보에 따른 보정을 수행하는 로직으로 장착되는 환경센서의 종류와 측정되는 센서 정보에 따라 다른 로직을 수행한다. 이때 수행하는 로직 모델은 사전에 프로그램되어 메모리에 저장되어 있다가 최초 전원 인가시 프로그램 된다. 이 로직의 출력은 환경정보에 따라 보정된 센서 데이터와 주변 환경정보에서 수집된 오류 정보 데이터이다. 보정된 데이터는 다음 로직인 데이터 패턴에 의한 오류 파악 모듈로 전달된다.
앞의 두 로직이 센서 데이터의 이상동작을 파악하는 로직이라면 데이터 패턴에 의한 오류 파악 로직은 센서의 고장여부를 파악하는 로직이다. 이 로직에 사용되는 로직 모델은 과거 센서가 수집하는 데이터의 상태를 딥러닝 알고리즘을 통하여 학습한 로직 알고리즘과 다른 동일 센서들의 데이터를 수집하여 만든 빅데이터 분석 알고리즘을 통하여 생성된 로직 알고리즘을 결합하여 만들며, 이렇게 생성된 로직을 통하여 센서의 현재 상태와 앞으로 고장이 발생될 확율을 계산하여 출력 데이터를 생성한다.
이상상태 및 고장 예상 로직은 앞의 로직에서 생성된 오류 정보 데이터와 외부에서 입력되는 센서 전원 이상신호, 메인 전원 이상신호를 결합하여 이상신호 발생여부와 고장 예상 신호를 발생한다. 이상신호는 데이터의 오류가 발생한 여부를 발생하고, 고장 예상 신호는 1일, 3일, 5일을 기준으로 고장 발생 확율이 80% 이상일 경우 신호를 발생한다.
이렇게 생성된 센서 데이터와 이상신호 발생 데이터, 그리고 고장 발생 예상 데이터는 시스템 통신 로직으로 연결되며, 여기서 MQTT 프로토콜로 변환되고, 고속 시리얼 통신로직을 통해 외부로 연결된다.
외부로 전달된 신호는 전원 및 인터페이스 모듈(105)을 통하여 시스템과 통신을 한다. 이 전원 및 인터페이스 모듈은 외부 전원을 받아서 내부 메인 전원으로 변환하는 역할과 센서 데이터와 이상 및 오류 데이터를 시스템에 전달하는 역할을 하는데 이때 유선 이더넷이나 무선 WIFI, Bluetooth 등의 하드웨어 구성이 모두 가능하다.
Claims (6)
- 주 센서와 고스트 센서에서 각각 받고 센서 데이터를 받고 이를 비교하여 센서데이터의 오류여부를 판단하고, 가능한 경우 데이터를 보정하며, 이 데이터와 외부 환경센서 수집 데이터를 동시에 비교 분석하여, 주변환경에 의한 센서 데이터 오류여부를 판단하고, 가능한 경우 데이터를 보정하는 센서 이상 데이터 감지 및 보정 로직.
- 제 1항에 있어서센서 이상 데이터 감지 및 보정 로직의 결과 데이터를 빅데이터 분석을 통하여 자기 데이터 학습과, 동종의 다른 센서에서 발생하는 데이터를 활용하여 생성한 데이터 패턴 분석과 센서 전원의 상태 및 주 전원의 상태 등을 종합적으로 판단하여 센서의 고장여부를 예측하는 로직.
- 상기 1항과 2항의로직을 내부에 프로그램하는 FPGA를 기반으로 하고, 주센서, 고스트 센서의 데이터를 레벨 밸런스를 맞추어 연결하는 하드웨어를 가지고, 외부 환경 센서 데이터를 수집하고, 외부 전원 모니터를 가지고 있으며, 로직 모델을 업데이트 가능하도록 하여 필요에 따라 FPGA 내부 로직을 변경할 수 있는 구조를 가진 Main 분석 부.
- 상기 3항의Main 분석부에 연결되어 주 센서 및 고스트 센서 각각의 연결 상태를 감지하며, 센서 데이터를 Main 분석부에 전달하고, 센서의 탈부착이 쉽계 가능하도록 센서 연결 감지 내용을 바탕으로 센서 전원을 주 전원 입력을 이용하여 변환하여 공급하는 회로를 가지고, 이 센서에 입력되는 전원 상태를 모니터랑하여 그 결과를 Main 분석부에 전달하는 기능을 가지는 센서 연결부.
- 상기 3항의Main 분석부에 연결되어 시스템과 센서 사이의 데이터를 물리적으로 연결시켜주는 역할을 하면서, 사용자의 편의에 따라 유선 연결 및 무선연결을 자유롭게 선택하여 사용할 수 있도록 하고, 외부 전원 인가시 발생할 수 있는 전원 충격을 방지할 수 있도록 하는 회로를 내장하고 있는 전원 및 인터페이스 부.
- 상기의 3, 4, 5항을모두 포함하고 있으면서 필요한 물리량 수집에 신뢰성을 높일 수 있는 센서 오류 모니터링 기능을 포함한 지능형 센서.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200056454A KR20210138298A (ko) | 2020-05-12 | 2020-05-12 | 센서오류 모니터링기능을 포함한 지능형 센서 및 그 구현방법 |
KR10-2020-0056454 | 2020-05-12 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2021230408A1 true WO2021230408A1 (ko) | 2021-11-18 |
Family
ID=78524460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/KR2020/006554 WO2021230408A1 (ko) | 2020-05-12 | 2020-05-19 | 센서오류 모니터링기능을 포함한 지능형 센서 및 그 구현방법 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR20210138298A (ko) |
WO (1) | WO2021230408A1 (ko) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001227790A (ja) * | 2000-02-18 | 2001-08-24 | Fujitsu General Ltd | 空気調和機のセンサ故障診断装置 |
JP2003344516A (ja) * | 2002-05-27 | 2003-12-03 | Nissan Motor Co Ltd | 電流センサ異常検出装置およびその装置を備えた制御システム |
KR20040037493A (ko) * | 2002-10-28 | 2004-05-07 | 주식회사 포스코 | 센서의 자기 진단 장치 및 방법 |
KR20190103150A (ko) * | 2017-01-03 | 2019-09-04 | 인텔 코포레이션 | 센서 관리 및 신뢰성 |
KR20190128420A (ko) * | 2018-05-08 | 2019-11-18 | 주식회사 심플비트 | 클라우드 기반 가상 센서를 이용한 IoT 센서 이상 진단 방법 및 시스템 |
-
2020
- 2020-05-12 KR KR1020200056454A patent/KR20210138298A/ko not_active Application Discontinuation
- 2020-05-19 WO PCT/KR2020/006554 patent/WO2021230408A1/ko active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001227790A (ja) * | 2000-02-18 | 2001-08-24 | Fujitsu General Ltd | 空気調和機のセンサ故障診断装置 |
JP2003344516A (ja) * | 2002-05-27 | 2003-12-03 | Nissan Motor Co Ltd | 電流センサ異常検出装置およびその装置を備えた制御システム |
KR20040037493A (ko) * | 2002-10-28 | 2004-05-07 | 주식회사 포스코 | 센서의 자기 진단 장치 및 방법 |
KR20190103150A (ko) * | 2017-01-03 | 2019-09-04 | 인텔 코포레이션 | 센서 관리 및 신뢰성 |
KR20190128420A (ko) * | 2018-05-08 | 2019-11-18 | 주식회사 심플비트 | 클라우드 기반 가상 센서를 이용한 IoT 센서 이상 진단 방법 및 시스템 |
Also Published As
Publication number | Publication date |
---|---|
KR20210138298A (ko) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2012057378A1 (ko) | 범용 센서 자가 진단 장치 및 그 진단 방법 | |
WO2013032062A1 (ko) | 태양광 모듈 모니터링 시스템 | |
RU2454632C2 (ru) | Способ контроля состояния силоизмерительного устройства, силоизмерительное устройство и силоизмерительный модуль | |
WO2018044061A2 (ko) | 공기구동 제어밸브의 온라인 진단 시스템 및 방법 | |
WO2020138623A1 (ko) | 배전반 감시 시스템 및 그것의 동작방법 | |
WO2020076083A1 (ko) | 다중 예측 모델을 적용한 발전소 조기 경보 장치 및 방법 | |
CN110138870B (zh) | 一种泛在电力物联网电力设备的感知层检测***及其检测方法 | |
WO2014182034A1 (ko) | 무선 네트워크에서의 에너지 고효율을 위한 시간 동기화 방법 및 이를 적용한 네트워크 | |
US6462684B1 (en) | Advanced self-calibrating, self-repairing data acquisition system | |
WO2021230408A1 (ko) | 센서오류 모니터링기능을 포함한 지능형 센서 및 그 구현방법 | |
WO2018044041A1 (ko) | 조기경보시스템에서 외부 영향을 고려한 최신 데이터 학습 방법 및 그 시스템 | |
WO2022025386A1 (ko) | 건축물 에너지 공공 데이터를 이용한 규칙 기반 및 기계 학습 기반의 고장 진단 시스템 및 방법 | |
WO2021256721A1 (ko) | 무선 통신을 이용하는 불량 배터리 감지 시스템 및 방법 | |
CN110989427A (zh) | 一种多处理器计算机的故障检测和健康管理方法 | |
CN211979065U (zh) | 一种电缆老化检测*** | |
WO2013024924A1 (ko) | 배전계통 고장구간 검출 장치 및 방법 | |
WO2022119111A1 (ko) | 모듈화 센서 플랫폼 장치 | |
WO2022225117A1 (ko) | 실시간 이상 탐지를 위한 gnn 기반의 마스터 상태 생성 방법 | |
WO2017116028A1 (ko) | 센서 제어 시스템 및 방법 | |
WO2022164040A1 (ko) | 배터리 팩, 배터리 장치 및 전해액 누설 검출 방법 | |
KR20200074740A (ko) | 산소농도분석기의 원격 고장진단 시스템 및 방법 | |
KR100358951B1 (ko) | 구조물 무인관리 시스템 | |
CN212692940U (zh) | 一种机房温湿度在线监测*** | |
WO2021261614A1 (ko) | 설비의 진단 방법, 프로그램 및 시스템 | |
CN212585884U (zh) | 一种扭矩测量***、装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 20935693 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 20935693 Country of ref document: EP Kind code of ref document: A1 |