KR102619793B1

KR102619793B1 - Ai 기반 안전 센서 이상치 감지 및 알람 분류 방법, 컴퓨팅 장치 및 컴퓨터 프로그램

Info

Publication number: KR102619793B1
Application number: KR1020230109927A
Authority: KR
Inventors: 하승재
Original assignee: 주식회사 에이아이비즈
Priority date: 2023-08-22
Filing date: 2023-08-22
Publication date: 2024-01-03

Abstract

전술한 바와 같은 과제를 실현하기 위한 본 발명의 다양한 실시예에 따른 AI 기반 안전 센서 이상치 감지 및 알람 분류 방법이 개시된다. 상기 방법은, 현장 센서 데이터를 획득하는 단계, 상기 현장 센서 데이터와 연관 관계를 가진 추가 데이터를 획득하는 단계, 상기 현장 센서 데이터 및 상기 추가 데이터에 기초하여 입력 데이터를 생성하는 단계 및 상기 입력 데이터를 GNN(Graph Nerual Network) 모델의 입력으로 처리하여 이상치 스코어를 산출하고, 상기 산출된 이상치 스코어를 기반으로 이상 상황을 감지하는 단계를 포함할 수 있다.

Description

AI 기반 안전 센서 이상치 감지 및 알람 분류 방법, 컴퓨팅 장치 및 컴퓨터 프로그램{METHOD, COMPUTING DEVICE AND COMPUTER PROGRAM FOR AI-BASED SAFETY SENSOR OUTLIER DETECTION AND ALARM CLASSIFICATION}

본 발명은 건설 현장에서 획득되는 실시간 현장 데이터를 처리하여 이상 상황을 감지하기 위한 것으로, 보다 구체적으로, 인공지능을 활용하여 다양한 센서 데이터 간의 상관관계를 분석하여 이상 현상을 감지하고, 이를 통해 잘못된 알람의 발생을 저하시키기 위한 방법에 관한 것이다.

일반적으로 건설업은 수많은 작업 인력이 투입되어 동시에 여러 작업이 진행되는 노동집약적인 산업으로서, 투입되는 인력에 대해 체계적이며 효과적인 안전관리가 무엇보다도 중요하다. 안전에 대한 철저한 관리가 이루어지지 않으면 중대한 인명피해나 재산 손실이 발생할 수 있다.

그러나 실제 현장에서는, 많은 작업자들을 관리하는 관리자가 비교적 소수로 운영되고 있는 실정이며, 이에 따라, 안전 사고를 미연에 방지하는 데에는 한계가 있다.

한편, 4차 산업혁명에 발맞춰 다양한 산업현장에도 스마트 안전관리 기술이 도입되고 있다. 스마트 안전관리는, 정보통신기술(ICT)과 인공지능, 빅데이터, 사물인터넷, 로봇, 드론, 지능형 CCTV, 메타버스 등 4차산업혁멱 기술을 접목해 사업장의 안전을 관리하는 것을 의미한다. 산업현장에서 이러한 첨단기술의 접목은 안정성 향상에 크게 기여하고 있다.

구체적으로, 건설 현장에서는, Tilt Sensor(기울기 센서)를 여러가지 장비나 구조물에 구비하여, 해당 센서로부터 실시간 획득되는 센서 데이터를 모니터링함으로써 이상 상황 발생을 지속적으로 감지할 수 있다. 또한, 이상 상황이 감지되는 경우, 작업자들에게 알람을 제공하여 이상 상황에 알맞은 조치를 취하도록 하거나, 대피할 수 있도록 하여 현장에서의 사고 발생을 미연에 방지할 수 있다. 대한민국 공개특허 제10-2017-0109986호(2017.10.10)는 구조물을 지지하는 동바리에 부착되는 구조물 안전 계측 장치에 관한 것으로, 동바리의 기울기를 기반으로 경고 신호를 출력할 수 있음을 개시하고 있다.

다만 종래의 기술의 경우, 기울기 계측값이 특정 임계값을 벗어나는지 여부를 기반으로 이상 상황을 감지할 수 있을 뿐이며, 기울기 계측값이 변동하는 특정 상황(예컨대, 주변 공사 진동 및 센서 오측정으로 인한 노이즈 데이터 등)에서도 잘못된 경고 신호를 발생시켜 비효율적인 대처를 야기하며, 알람 원인을 즉시 해석하기 어렵다는 문제점이 있다. 기울기 센서의 경우, 온도 변화에 따라서 영점이 이동하는 성질을 가지고 있기 때문에, 이 또한 측정 오차의 원인으로 작용할 수 있다.

따라서, 당 업계에는, 건설 현장에서 센서 데이터에 기반하여 이상 상황 발생 여부를 판단하는 과정에서, 고정된 특정 임계치를 기준으로 판단하는 방안이 아닌, AI를 활용하여 다양한 센서 데이터 간의 상관 관계를 분석하여 보다 정확한 이상 상황 탐지를 지원하며, 이상 상황 발생 원인을 즉시 해석하여 보다 효율적인 대처를 가능하게 하는 방법에 대한 연구개발 수요가 존재할 수 있다.

본 발명이 해결하고자 하는 과제는 전술한 배경기술에 대응하여 안출된 것으로, 종래의 기준선 방식이 아닌, 인공지능을 활용한 센서 데이터 간의 상관관계 분석을 통해 이상 현상 감지의 정확성을 향상시키기 위함이다.

본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

상술한 과제를 해결하기 위한 본 발명의 다양한 실시예에 따른 AI 기반 안전 센서 이상치 감지 및 알람 분류 방법이 개시된다. 상기 방법은, 현장 센서 데이터를 획득하는 단계, 상기 현장 센서 데이터와 연관 관계를 가진 추가 데이터를 획득하는 단계, 상기 현장 센서 데이터 및 상기 추가 데이터에 기초하여 입력 데이터를 생성하는 단계 및 상기 입력 데이터를 GNN(Graph Nerual Network) 모델의 입력으로 처리하여 이상치 스코어를 산출하고, 상기 산출된 이상치 스코어를 기반으로 이상 상황을 감지하는 단계를 포함할 수 있다.

대안적인 실시예에서, 상기 현장 센서 데이터는, 현장에 구비된 센서 모듈을 통해 실시간 획득되는 시계열 데이터이며, 상기 추가 데이터는, 상기 현장 센서 데이터의 획득 시점에 대응하여 획득되는 데이터이며, 상기 현장 센서 데이터에 영향을 주는 변수에 관련한 데이터이고, 상기 입력 데이터를 생성하는 단계는, 상기 현장 센서 데이터 및 상기 추가 데이터를 기반으로 하나 이상의 연관 그래프를 생성하는 단계 및 상기 하나 이상의 연관 그래프를 기반으로 입력 데이터를 생성하는 단계를 포함하며, 상기 하나 이상의 연관 그래프는, 상기 현장 센서 데이터와 상기 추가 데이터의 분포에 관련한 제1그래프 및 상기 현장 센서 데이터와 상기 추가 데이터 간의 상관관계에 관한 제2그래프 중 적어도 하나를 포함할 수 있다.

대안적인 실시예에서, 상기 GNN 모델은, 그래프 편차를 이용하여 데이터 간의 관계에 대한 그래프를 학습한 신경망 모델로, 상기 입력 데이터에 포함된 데이터들 간의 상관관계 분석을 통해 예측 현장 센서 데이터를 출력하며, 실제로 획득된 현장 센서 데이터와 상기 예측 현장 센서 데이터 간의 비교에 기초하여 상기 이상치 스코어를 산출하는 것을 특징으로 할 수 있다.

대안적인 실시예에서, 상기 GNN 모델은, 상기 입력 데이터에 포함된 각 데이터에 대응하는 고유한 임베딩 벡터를 캡처하는 임베딩 모델 및 각 데이터에 대응하는 임베딩에 기초하여 어텐션 가중치를 산출하며, 산출된 어텐션 가중치를 기반으로 그래프의 다음 값을 예측하는 어텐션 모듈을 포함할 수 있다.

대안적인 실시예에서, 상기 방법은, 상기 각 데이터의 임베딩 벡터와 상기 어텐션 가중치에 기초하여 각 데이터 간의 상관관계에 대한 시각화 정보를 생성하는 단계 및 상기 시각화 정보를 사용자 단말로 전송할 것을 결정하는 단계; 를 더 포함할 수 있다.

대안적인 실시예에서, 상기 방법은, 상기 임베딩 벡터와 상기 어텐션 가중치에 기초하여 데이터 간의 유사도를 분석하는 단계, 상기 데이터 간의 유사도 분석 결과에 기초하여 중요 데이터를 식별하는 단계 및 상기 현장 센서 데이터 및 상기 중요 데이터의 조합에 관련한 중요 그래프에 가중치를 부여하는 단계를 더 포함할 수 있다.

대안적인 실시예에서, 상기 이상 상황을 감지하는 단계는, 상기 이상 상황이 발생한 것으로 감지한 경우, 알람 정보를 생성하는 단계, 상기 현장 센서 데이터의 변화 패턴에 기초하여 상기 알람 정보를 진실에 관련한 제1알람 및 오류에 관련한 제2알람 중 적어도 하나로 분류하는 단계, 상기 알람 정보가 제1알람으로 분류된 경우, 분류된 상기 제1알람을 사용자 단말로 전송할 것을 결정하는 단계를 더 포함할 수 있다.

대안적인 실시예에서, 상기 이상 상황이 발생한 것으로 감지한 경우, 알람 정보를 생성하는 단계는, 상기 임베딩 벡터와 상기 어텐션 가중치에 기초하여 원인 분석 정보를 생성하는 단계 및 상기 알람 정보가 제2알람으로 분류된 경우, 상기 원인 분석 정보를 상기 사용자 단말로 전송할 것을 결정하는 단계를 포함할 수 있다.

본 발명의 다른 실시예에서, AI 기반 안전 센서 이상치 감지 및 알람 분류 방법을 수행하는 서버가 개시된다. 상기 서버는 하나 이상의 인스트럭션을 저장하는 메모리 및 상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고, 상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써 전술한 AI 기반 안전 센서 이상치 감지 및 알람 분류 방법을 수행할 수 있다.

본 발명의 또 다른 실시예에서, AI 기반 안전 센서 이상치 감지 및 알람 분류 방법을 수행하는 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은, 하드웨어인 컴퓨터와 결합되어, 전술한 AI 기반 안전 센서 이상치 감지 및 알람 분류 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장될 수 있다.

본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.

본 발명의 다양한 실시예에 따르면, 종래의 기준선 방식이 아닌, 인공지능을 활용한 센서 데이터 간의 상관관계 분석을 통한 이상 현상 감지를 수행함으로써, 이상 상황 발생 예측의 정확성을 향상시킬 수 있다.

또한, 이상 현상에 대한 원인 분석이 가능하며, 알람에 대한 객관적인 위험성 판단이 가능한 가능하다는 장점이 있다. 이를 통해, 알람 처리의 정확성 향상을 도모하며, 현장에서의 조속한 조치를 취할 수 있도록 하여 안정성 향상에 기여할 수 있다.

본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 일 실시예와 관련된 AI 기반 안전 센서 이상치 감지 및 알람 분류 방법이 구현될 수 있는 개략적인 시스템을 도시한 예시도이다.
도 2는 본 발명의 일 실시예와 관련된 AI 기반 안전 센서 이상치 감지 및 알람 분류 방법을 수행하는 서버의 블록 구성도를 도시한다.
도 3은 본 발명의 일 실시예와 관련된 AI 기반 안전 센서 이상치 감지 및 알람 분류 방법의 예시적인 순서도를 도시한다.
도 4는 본 발명의 일 실시예와 관련된 다양한 유형의 입력 데이터를 예시적으로 도시한 예시도이다.
도 5는 본 발명의 일 실시예와 관련된 GNN 모델의 생성 과정을 예시적으로 나타낸 예시도이다.
도 6은 본 발명의 일 실시예와 관련된 입력 데이터를 기반으로 알람 정보를 생성하는 과정을 예시적으로 나타낸 예시도이다.
도 7은 본 발명의 일 실시예와 관련된 알람 정보의 분류 과정을 설명하기 위한 예시도이다.
도 8은 본 발명의 일 실시예와 관련된 하나 이상의 네트워크 함수를 나타낸 개략도이다.

다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 발명의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.

또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 발명내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.

제시된 실시예들에 대한 설명은 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 발명의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

본 명세서에서, 컴퓨터는 적어도 하나의 프로세서를 포함하는 모든 종류의 하드웨어 장치를 의미하는 것이고, 실시 예에 따라 해당 하드웨어 장치에서 동작하는 소프트웨어적 구성도 포괄하는 의미로서 이해될 수 있다. 예를 들어, 컴퓨터는 스마트폰, 태블릿 PC, 데스크톱, 노트북 및 각 장치에서 구동되는 사용자 클라이언트 및 애플리케이션을 모두 포함하는 의미로서 이해될 수 있으며, 또한 이에 제한되는 것은 아니다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세하게 설명한다.

본 명세서에서 설명되는 각 단계들은 컴퓨터에 의하여 수행되는 것으로 설명되나, 각 단계의 주체는 이에 제한되는 것은 아니며, 실시 예에 따라 각 단계들의 적어도 일부가 서로 다른 장치에서 수행될 수도 있다.

도 1은 본 발명의 일 실시예와 관련된 AI 기반 안전 센서 이상치 감지 및 알람 분류 방법이 구현될 수 있는 개략적인 시스템을 도시한 예시도이다.

도 1에 도시된 바와 같이, AI 기반 안전 센서 이상치 감지 및 알람 분류 방법이 구현되는 시스템은, 사용자 단말(10), 외부 서버(20), 서버(100) 및 네트워크를 포함할 수 있다. 도 1에서 도시되는 컴포넌트들은 예시적인 것으로, 추가적인 컴포넌트들이 존재하거나 또는 도 1에서 도시되는 컴포넌트 중 일부는 생략될 수도 있다.

본 발명의 실시예들에 따른 네트워크는 공중전화 교환망(PSTN: Public Switched Telephone Network), xDSL(x Digital Subscriber Line), RADSL(Rate Adaptive DSL), MDSL(Multi Rate DSL), VDSL(Very High Speed DSL), UADSL(Universal Asymmetric DSL), HDSL(High Bit Rate DSL) 및 근거리 통신망(LAN) 등과 같은 다양한 유선 통신 시스템들을 사용할 수 있다.

또한, 여기서 제시되는 네트워크는 CDMA(Code Division Multi Access), TDMA(Time Division Multi Access), FDMA(Frequency Division Multi Access), OFDMA(Orthogonal Frequency Division Multi Access), SC-FDMA(Single Carrier-FDMA) 및 다른 시스템들과 같은 다양한 무선 통신 시스템들을 사용할 수 있다.

본 발명의 실시예들에 따른 네트워크는 유선 및 무선 등과 같은 그 통신 양태를 가리지 않고 구성될 수 있으며, 단거리 통신망(PAN: Personal Area Network), 근거리 통신망(WAN: Wide Area Network) 등 다양한 통신망으로 구성될 수 있다. 또한, 네트워크는 공지의 월드와이드웹(WWW: World Wide Web)일 수 있으며, 적외선(IrDA: Infrared Data Association) 또는 블루투스(Bluetooth)와 같이 단거리 통신에 이용되는 무선 전송 기술을 이용할 수도 있다. 본 명세서에서 설명된 기술들은 위에서 언급된 네트워크들뿐만 아니라, 다른 네트워크들에서도 사용될 수 있다.

본 발명의 일 실시예에 따르면, 사용자 단말(10)은 서버(100)에 엑세스하여 건설 현장에서 이상 상황이 발행하였는지 여부를 감지하고자 하는 사용자(관리자 또는 작업자)에 관련한 단말일 수 있다. 예컨대, 사용자 단말(10)의 사용자는 건설 현장에서 시설 안전을 관리하고자 하는 관리인일 수 있다. 다시 말해, 사용자 단말(10)의 사용자는, 건설 현장에서 획득되는 다양한 센싱 데이터를 기반으로 이상 상황이 탐지하기 위한 작업자 또는 관리자일 수 있다. 실시예에서, 사용자 단말(10)은 서버(100)로부터 이상 상황 발명에 관련한 알람 정보를 수신할 수 있다. 예컨대, 서버(100)는 건설 현장에서 이상 상황(예컨대, 붕괴, 파손 등)이 발생함을 감지하여 알람 정보를 생성하고 이를 사용자 단말(10)로 전송할 수 있으며, 사용자 단말(10)을 사용자는 알람 정보를 통해 건설 현장에서 이상 상황이 발생하였음을 인지할 수 있다.

사용자 단말(10)은 서버(100)와 통신을 위한 메커니즘을 갖는 시스템에서의 임의의 형태의 엔티티(들)를 의미할 수 있다. 예를 들어, 이러한 사용자 단말(10)은 PC(personal computer), 노트북(note book), 모바일 단말기(mobile terminal), 스마트 폰(smart phone), 태블릿 PC(tablet pc) 및 웨어러블 디바이스(wearable device) 등을 포함할 수 있으며, 유/무선 네트워크에 접속할 수 있는 모든 종류의 단말을 포함할 수 있다. 또한, 사용자 단말(10)은 에이전트, API(Application Programming Interface) 및 플러그-인(Plug-in) 중 적어도 하나에 의해 구현되는 임의의 서버를 포함할 수도 있다. 또한, 사용자 단말(10)은 애플리케이션 소스 및/또는 클라이언트 애플리케이션을 포함할 수 있다.

본 발명의 일 실시예에 따르면, 외부 서버(20)는 다양한 건설 현장에서 획득되는 복수 개의 센서 데이터들을 저장하는 서버일 수 있다. 예를 들어, 외부 서버(100)는 다양한 건설 현장에서 발생하는 기울기 센싱 데이터, 진동 발생 데이터, 온도 데이터, 습도 데이터, 풍향 데이터 및 풍속 데이터 등을 저장하고 있을 수 있으나, 이에 제한되지 않는다. 외부 서버(20)는 다양한 건설 현장에서 감지되는 복수 개의 종류에 대응하는 데이터들을 빅데이터화 하여 저장하는 서버일 수 있다.

외부 서버(20)에 저장된 정보들은 본 발명에서의 신경망을 학습시키기 위한 학습 데이터, 검증 데이터 및 테스트 데이터로 활용될 수 있다. 즉, 외부 서버(20)는 본 발명의 신경망 모델을 학습시키기 위한 데이터 세트에 관한 정보를 저장하고 있는 서버일 수 있다.

본 발명의 서버(100)는 외부 서버(20)로부터 복수 개의 종류에 대응하는 센서 데이터(또는 센싱 데이터)들을 수신하여 학습 데이터 세트를 구축할 수 있으며, 학습 데이터 세트를 통해 하나 이상의 네트워크 함수를 포함하는 신경망 모델을 학습시킴으로써, 본 발명의 GNN(Graph Nerual Network) 모델을 생성할 수 있다.

외부 서버(20)는 디지털 기기로서, 랩탑 컴퓨터, 노트북 컴퓨터, 데스크톱 컴퓨터, 웹 패드, 이동 전화기와 같이 프로세서를 탑재하고 메모리를 구비한 연산 능력을 갖춘 디지털 기기일 수 있다. 외부 서버(20)는 서비스를 처리하는 웹 서버일 수 있다. 전술한 서버의 종류는 예시일 뿐이며 본 발명은 이에 제한되지 않는다.

실시예에 따르면, 서버(100)는 인공지능 모델을 활용하여 다양한 센서 데이터들 간의 상관관계를 분석하여 현장에서의 이상 상황 발생 여부를 감지할 수 있다.

구체적인 실시예에서, GNN 모델은, 그래프 편차를 이용하여 데이터 간의 관계에 대한 그래프를 사전 학습한 신경망 모델일 수 있다. GNN 모델은 입력 데이터에 포함된 데이터들 간의 상관관계 분석을 통해 예측 현장 센서 데이터를 출력하며, 실제로 획득된 현장 센서 데이터와 예측 현장 센서 데이터 간의 비교에 기초하여 이상치 스코어를 산출할 수 있다. 서버(100)는 GNN 모델을 통해 산출된 이상치 스코어를 기반으로 이상 상황의 발생 여부를 감지할 수 있다. 예컨대, 서버(100)는 GNN 모델을 통해 산출된 이상치 스코어가 일정 기준치(예컨대, 임계 기준치)를 초과하는 경우, 이상 상황이 발생한 것으로 판단하여 알람 정보를 생성할 수 있다. 추가적으로 서버(100)는 알람 정보를 진실에 관련한 제1알람 및 오류에 관련한 제2알람 중 적어도 하나로 분류할 수 있다.

전술한 바와 같이, 서버(100)는 인공지능 모델을 활용하여 복수 개의 센서 데이터 간의 상관관계를 분석하여 이상 현상을 탐지할 수 있다. 이는, 단순히 임계치를 벗어남에 따라 발생되는 false 알람(즉, 제2알람)을 감소시키고, 알람 중에서도 위험 상황인 true 알람(즉, 제1알람)을 분류하여 실제 상황에 적절하고 신속한 대응을 수행할 수 있도록 하는 장점이 있다. 딥러닝 모델의 학습 방법, 이상 상황 감지하며, 알림 정보 생성하여 제공하는 방법에 대한 보다 구체적인 설명은, 이하의 도 2 및 도 8을 참조하여 후술하도록 한다.

도 2는 본 발명의 일 실시예와 관련된 AI 기반 안전 센서 이상치 감지 및 알람 분류 방법을 수행하는 서버의 블록 구성도를 도시한다.

도 2를 참조하면, 본 발명의 일 실시예에 따른 서버(100)는 하나 이상의 프로세서(110), 프로세서(110)에 의하여 수행되는 컴퓨터 프로그램(151)을 로드(Load)하는 메모리(120), 버스(130), 통신 인터페이스(140) 및 컴퓨터 프로그램(151)을 저장하는 스토리지(150)를 포함할 수 있다. 여기서, 도 2에는 본 발명의 실시예와 관련 있는 구성요소들만 도시되어 있다. 따라서, 본 발명이 속한 기술분야의 통상의 기술자라면 도 2에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다.

프로세서(110)는 서버(100)의 각 구성의 전반적인 동작을 제어한다. 프로세서(110)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller Unit), GPU(Graphic Processing Unit) 또는 본 발명의 기술 분야에 잘 알려진 임의의 형태의 프로세서를 포함하여 구성될 수 있다.

프로세서(110)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 본 발명의 일 실시예에 따른 공정 설비의 비정상 동작을 감지하기 위한 데이터 처리를 수행할 수 있다.

프로세서(110)는 메모리(120)에 저장된 컴퓨터 프로그램을 판독하여 본 발명의 일 실시예에 따른 딥러닝을 위한 데이터 처리를 수행할 수 있다. 본 발명의 일 실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다.

또한, 프로세서(110)는 CPU, GPGPU, 및 TPU 중 적어도 하나가 네트워크 함수의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 발명의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 네트워크 함수의 학습, 네트워크 함수를 이용한 데이터 분류를 처리할 수 있다. 또한, 본 발명의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.

본 명세서에서 네트워크 함수는 인공 신경망, 뉴럴 네트워크와 상호 교환 가능하게 사용될 수 있다. 본 명세서에서 네트워크 함수는 하나 이상의 뉴럴 네트워크를 포함할 수도 있으며, 이 경우 네트워크 함수의 출력은 하나 이상의 뉴럴 네트워크의 출력의 앙상블(ensemble)일 수 있다.

본 발명의 일 실시예에 따르면, 프로세서(110)는 통상적으로 서버(100)의 전반적인 동작을 처리할 수 있다. 프로세서(110)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(120)에 저장된 응용 프로그램을 구동함으로써, 사용자 또는 사용자 단말에게 적정한 정보 또는, 기능을 제공하거나 처리할 수 있다.

또한, 프로세서(110)는 본 발명의 실시예들에 따른 방법을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있으며, 서버(100)는 하나 이상의 프로세서를 구비할 수 있다.

다양한 실시예에서, 프로세서(110)는 프로세서(110) 내부에서 처리되는 신호(또는, 데이터)를 일시적 및/또는 영구적으로 저장하는 램(RAM: Random Access Memory, 미도시) 및 롬(ROM: Read-Only Memory, 미도시)을 더 포함할 수 있다. 또한, 프로세서(110)는 그래픽 처리부, 램 및 롬 중 적어도 하나를 포함하는 시스템온칩(SoC: system on chip) 형태로 구현될 수 있다.

메모리(120)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(120)는 본 발명의 다양한 실시예에 따른 방법/동작을 실행하기 위하여 스토리지(150)로부터 컴퓨터 프로그램(151)을 로드할 수 있다. 메모리(120)에 컴퓨터 프로그램(151)이 로드되면, 프로세서(110)는 컴퓨터 프로그램(151)을 구성하는 하나 이상의 인스트럭션들을 실행함으로써 상기 방법/동작을 수행할 수 있다. 메모리(120)는 RAM과 같은 휘발성 메모리로 구현될 수 있을 것이나, 본 발명의 기술적 범위가 이에 한정되는 것은 아니다.

버스(230)는 서버(100)의 구성 요소 간 통신 기능을 제공한다. 버스(230)는 주소 버스(address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.

통신 인터페이스(140)는 서버(100)의 유무선 인터넷 통신을 지원한다. 또한, 통신 인터페이스(140)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 통신 인터페이스(140)는 본 발명의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다. 몇몇 실시예에서, 통신 인터페이스(140)는 생략될 수도 있다.

스토리지(150)는 컴퓨터 프로그램(151)을 비 임시적으로 저장할 수 있다. 서버(100)를 통해 AI 기반 안전 센서 이상치 감지 및 알람 분류하기 위한 프로세스를 수행하는 경우, 스토리지(150)는 AI 기반 안전 센서 이상치 감지 및 알람 분류하기 위한 프로세스를 제공하기 위하여 필요한 각종 정보를 저장할 수 있다.

스토리지(150)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.

컴퓨터 프로그램(151)은 메모리(120)에 로드될 때 프로세서(110)로 하여금 본 발명의 다양한 실시예에 따른 방법/동작을 수행하도록 하는 하나 이상의 인스트럭션들을 포함할 수 있다. 즉, 프로세서(110)는 상기 하나 이상의 인스트럭션들을 실행함으로써, 본 발명의 다양한 실시예에 따른 상기 방법/동작을 수행할 수 있다.

일 실시예에서, 컴퓨터 프로그램(151)은 현장 센서 데이터를 획득하는 단계, 현장 센서 데이터와 연관 관계를 가진 추가 데이터를 획득하는 단계, 현장 센서 데이터 및 추가 데이터에 기초하여 입력 데이터를 생성하는 단계; 및 입력 데이터를 GNN 모델의 입력으로 처리하여 이상치 스코어를 산출하고, 산출된 이상치 스코어를 기반으로 이상 상황을 감지하는 단계를 포함하는 AI 기반 안전 센서 이상치 감지 및 알람 분류 방법을 수행하도록 하는 하나 이상의 인스트럭션을 포함할 수 있다.

본 발명의 실시예와 관련하여 설명된 방법 또는 알고리즘의 단계들은 하드웨어로 직접 구현되거나, 하드웨어에 의해 실행되는 소프트웨어 모듈로 구현되거나, 또는 이들의 결합에 의해 구현될 수 있다. 소프트웨어 모듈은 RAM(Random Access Memory), ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리(Flash Memory), 하드 디스크, 착탈형 디스크, CD-ROM, 또는 본 발명이 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터 판독가능 기록매체에 상주할 수도 있다.

본 발명의 구성 요소들은 하드웨어인 컴퓨터와 결합되어 실행되기 위해 프로그램(또는 애플리케이션)으로 구현되어 매체에 저장될 수 있다. 본 발명의 구성 요소들은 소프트웨어 프로그래밍 또는 소프트웨어 요소들로 실행될 수 있으며, 이와 유사하게, 실시 예는 데이터 구조, 프로세스들, 루틴들 또는 다른 프로그래밍 구성들의 조합으로 구현되는 다양한 알고리즘을 포함하여, C, C++, 자바(Java), 어셈블러(assembler) 등과 같은 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능적인 측면들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다.

도 3은 본 발명의 일 실시예와 관련된 AI 기반 안전 센서 이상치 감지 및 알람 분류 방법의 예시적인 순서도를 도시한다. 도 3에 도시된 단계들은 필요에 의해 순서가 변경될 수 있으며, 적어도 하나 이상의 단계가 생략 또는 추가될 수 있다. 즉, 이하의 단계들은 본 발명의 일 실시예에 불과할 뿐, 본 발명의 권리 범위는 이에 제한되지 않는다.

본 발명의 일 실시예에 따르면, AI 기반 안전 센서 이상치 감지 및 알람 분류 방법은, 현장 센서 데이터를 획득하는 단계(S100)를 포함할 수 있다.

실시예에서, 서버(100)는 현장 센서 데이터를 획득할 수 있다. 본 발명의 일 실시예에 현장 센서 데이터의 획득은, 메모리(120)에 저장된 현장 센서 데이터를 수신하거나 또는 로딩(loading)하는 것일 수 있다. 또한, 현장 센서 데이터의 획득은, 유/무선 통신 수단에 기초하여 다른 저장 매체, 다른 컴퓨팅 장치, 동일한 컴퓨팅 장치 내의 별도 처리 모듈로부터 데이터를 수신하거나 또는 로딩하는 것일 수 있다.

일 실시예에서, 서버(100)가 획득하는 현장 센서 데이터는, 현장에 구비된 센서 모듈을 통해 실시간 획득되는 시계열 데이터일 수 있다. 실시예에서, 현장 센서 데이터는, 현장에 구비된 Tilt Sensor 모듈로부터 시계열적으로 획득되는 기울기 센서 데이터일 수 있다. 예컨대, 건설 현장에서 특정 구조물에 Tilt Sensor 모듈이 구비될 수 있으며, 구조물의 각도 변화에 대한 정보가 기울기 센서 데이터로써 실시간 획득되게 된다. 서버(100)는 통신 인터페이스를 통해 Tilt Sensor 모듈로부터 기울기 센서 데이터를 획득할 수 있다. 이러한 기울기 센서 데이터는 이상 상황 발생을 감지하는 데 고려되는 적어도 하나의 현장 센서 데이터일 수 있다.

본 발명의 일 실시예에 따르면, AI 기반 안전 센서 이상치 감지 및 알람 분류 방법은, 현장 센서 데이터와 연관 관계를 가진 추가 데이터를 획득하는 단계(S200)를 포함할 수 있다.

실시예에서, 추가 데이터는, 현장 센서 데이터의 획득 시점에 대응하여 획득되는 데이터이며, 상기 현장 센서 데이터에 영향을 주는 변수에 관련한 데이터일 수 있다.

구체적인 예를 들어, 현장 센서 데이터는, 특정 기간 동안 기울기 센서 모듈을 통해 시계열적으로 측정되는 기울기 센서 데이터일 수 있으며, 추가 데이터는 기울기 센서 데이터가 획득되는 시점과 동일한 기간 동안 획득되는 기후 변화 데이터를 포함할 수 있다.

기울기 센서 모듈의 경우, 통상 온도 변화에 따라서 영점이 이동하는 성질을 가지고 있으며, 이는 측정 오차로 작용할 수 있다. 즉, 온도에 관련한 기후 변화 데이터는 현장 센서 데이터 즉 기울기 센서 데이터에 영향을 주는 요소일 수 있으며, 추가 데이터로 정의되어 획득될 수 있다.

전술한 설명에서는 기울기 센서 데이터에 영향을 주는 기후 변화(또는 온도 변화) 데이터를 추가 데이터로써 설명하였으나, 현장 센서 데이터는 기울기 센서 뿐만 아니라 범용적으로 다양한 공사 현장에서 이상 상황 판단에 활용되는 데이터를 더 포함할 수 있으며, 추가 데이터 또한, 현장 센서 데이터에 영향을 줄 수 있는 다양한 센싱 데이터를 더 포함할 수도 있다.

본 발명의 일 실시예에 따르면, AI 기반 안전 센서 이상치 감지 및 알람 분류 방법은, 현장 센서 데이터 및 추가 데이터에 기초하여 입력 데이터를 생성하는 단계(S300)를 포함할 수 있다.

실시예에서, 입력 데이터는, 현장 센서 데이터와 추가 데이터의 조합을 통해 생성되는 그래프에 관한 정보를 포함할 수 있다.

구체적으로, 입력 데이터를 생성하는 단계는, 현장 센서 데이터 및 추가 데이터를 기반으로 하나 이상의 연관 그래프를 생성하는 단계 및 하나 이상의 연관 그래프를 기반으로 입력 데이터를 생성하는 단계를 포함할 수 있다. 실시예에서, 하나 이상의 연관 그래프는, 현장 센서 데이터와 추가 데이터의 분포에 관련한 제1그래프 및 상기 현장 센서 데이터와 상기 추가 데이터 간의 상관관계에 관한 제2그래프 중 적어도 하나를 포함할 수 있다.

구체적인 실시예에서, 서버(100)는 도 4에 도시된 바와 같이, 현장 센서 데이터와 추가 데이터 간의 관계에 관련한 그래프를 생성하여 입력 데이터를 구축할 수 있다. 서버(100)는 도 4의 (a)와 같이 온도 센싱 데이터와 기울기 센서 데이터 간의 분포에 관한 그래프 도 4의 (b)와 같이 시간 변화에 대한 온도 센싱 데이터에 관한 그래프, 그리고 도 4의 (c)와 같이, 온도 센싱 데이터의 변화와 기울기 센서 데이터 간의 상관관계를 나타내는 그래프 등을 생성함으로써, 입력 데이터를 생성할 수 있다. 이러한 입력 데이터는 단순히 특정 센싱 데이터(예컨대, 기울기 센서 데이터) 만을 포함하는 것이 아닌, 특정 센싱 데이터와 해당 특정 센싱 데이터에 영향을 주는 추가 데이터(예컨대, 온도 변화 데이터)의 관계가 표현된 그래프 정보임에 따라, 해당 그래프 정보에 대한 분석을 통해 이상 상황 발생 여부를 감지할 수 있게 된다. 이는 단순히 하나의 센서 데이터 만을 고려하는 것이 아닌, 센서 데이터에 영향을 줄 수 있는 요소에 관련한 다른 센서 데이터와의 상관관계를 가진 추가 데이터를 활용한 분석이기 때문에, 이상 상황 탐지에 정확도가 향상시킬 수 있다는 장점이 있다.

이러한 입력 데이터는 GNN 알고리즘에 입력으로 처리되어 각 센서 데이터(또는 센싱 데이터) 간의 상관관계 분석에 기반이 될 수 있다. 실시예에서, GNN 모델은, 입력 데이터를 입력으로 하여 현장 센서 데이터의 예측치(즉, 예측 현장 센서 데이터)를 출력하며, 출력된 예측 현장 센서 데이터와 실제 획득된 현장 센서 데이터를 비교하여 이상치 스코어를 산출할 수 있다. GNN 모델의 출력인 이상치 스코어는 이상 상황을 감지하는데 활용되게 된다.

본 발명의 일 실시예에 따르면, AI 기반 안전 센서 이상치 감지 및 알람 분류 방법은, 입력 데이터를 GNN 모델의 입력으로 처리하여 이상치 스코어를 산출하고, 산출된 이상치 스코어를 기반으로 이상 상황을 감지하는 단계(S400)를 포함할 수 있다.

실시예에서 GNN 모델은, 그래프 편차를 이용하여 데이터 간의 관계에 대한 그래프를 학습한 신경망 모델로, 상기 입력 데이터에 포함된 데이터들 간의 상관관계 분석을 통해 예측 현장 센서 데이터를 출력하며, 실제로 획득된 현장 센서 데이터와 상기 예측 현장 센서 데이터 간의 비교에 기초하여 상기 이상치 스코어를 산출하는 것을 특징으로 할 수 있다.

일 실시예에 따르면, GNN 모델은, 입력 데이터에 포함된 각 데이터에 대응하는 고유한 임베딩 벡터를 캡처하는 임베딩 모델 및 각 데이터에 대응하는 임베딩에 기초하여 어텐션 가중치를 산출하며, 산출된 어텐션 가중치를 기반으로 그래프의 다음 값을 예측하는 어텐션 모듈을 포함할 수 있다.

다양한 실시예에서, 서버(100)는 복수 개의 종류에 대응하는 센서 데이터들을 기반으로 학습 데이터를 구축할 수 있으며, 구축된 학습 데이터를 활용하여 하나 이상의 네트워크 함수에 대한 학습을 수행함으로써, GNN 모델을 생성할 수 있다. 구체적으로, 도 5를 참조하면, 서버(100)는 학습 데이터를 수집할 수 있다. 실시예에서, 서버(100)는 센서 모듈 또는 외부 서버(100)로부터 신경망의 학습을 위한 학습 데이터를 수집할 수 있다. 구체적인 예를 들어, 서버(100)는 다년간 작업이 수행된 다양한 건설 현장들에 구비된 기울기 센서(Tilt Sensor) 모듈들을 통해 수집되었던 기울기 센서 데이터들을 수집할 수 있다. 예컨대, 기울기 센서 데이터는, tilt angle 및 tilt meter에 대한 정보를 포함할 수 있으나, 이에 제한되지 않는다.

이러한 기울기 센서 데이터들은 서버(100)의 메모리에 저장되어 있거나, 또는 외부 서버(100)에 사전 저장된 것일 수 있다. 또한, 예를 들어, 서버(100)는 기온 변화에 관련한 정보들을 저장하는 별도의 외부 서버(예컨대, 기상청 서버)에 접근하여, 온도 변화에 관련한 데이터들을 수집할 수 있다. 다시 말해, 서버(100)는 특정 외부 서버에 접근하여 기울기 센서 데이터들이 수집된 시점에 대응하는 온도(또는 기후) 데이터를 크롤링(crawling)할 수 있다.

서버(100)는, 다년간 축적된 기울기 센서 데이터들과 온도 변화 데이터들을 수집할 수 있으며, 이를 신경망의 학습에 적합한 데이터로 가공 처리할 수 있다.

실시예에 따르면, 서버(100)는 학습 데이터의 전처리 및 샘플링(sampling)을 수행할 수 있다. 서버(100)는 수집된 데이터들을 1분 단위로 리샘플링할 수 있으며, 결측치에 대한 보간 처리를 수행할 수 있다. 기울기 센서 데이터 및 온도 변화 데이터는 시간의 흐름에 따라 변화되어 획득되는 시계열 데이터이므로, 이를 신경망의 입력으로 처리하기 위해서는 적절한 데이터의 가공이 필요하며, 서버(100)는 리샘플링을 통해 일정 크기로 각 데이터를 분할하여 신경망의 입력으로 처리할 수 있다.

일 예로, 서버(100)는 특정 구간에 항목이 결측된 경우, 해당 항목의 전, 후 항목값을 기반으로 결측된 항목에 대한 보간 처리를 수행할 수 있다. 예를 들어, 특정 시점에서의 기울기 각도에 관련한 제1항목이 결측된 경우, 서버(100)는 제1항목의 전, 후의 항목값 각각을 식별(예컨대, 3°, 7°)하고, 각 항목값의 평균값을 산출(예컨대, 5°)하여 결측 항목을 보충할 수 있다.

또한, 서버(100)는 결측 처리된 기울기 센서 데이터들에 각 기간에 대응하도록 온도 센싱 데이터를 추가할 수 있다. 이 경우, 서버(100)는 기울기 센서 데이터(예컨대, 학습용 현장 센싱 데이터)와 온도 센싱 데이터(예컨대, 학습용 추가 데이터)에 기초하여 각 데이터 간의 상관관계를 나타내는 그래프를 생성할 수 있다.

일 예로, 서버(100)는 온도 센싱 정보와 센서 기울기 간의 분포를 나타내는 그래프, 온도 센싱 정보와 센서 기울기 간의 상관관계를 나타내는 그래프 등을 생성할 수 있다. 이와 같이 생성된 그래프들은 하나 이상의 네트워크 함수의 학습을 위한 학습 데이터로써 활용되게 된다.

서버(100)는 관찰된 상관관계를 바탕으로 센서 간 노드와 엣지를 연결하며, 그래프 구조 학습을 위한 네트워크를 구축할 수 있다. 또한, 서버(100)는 구축된 네트워크에 하이퍼 파라미터(Hyper-parameter)를 세팅할 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 하이퍼 파라미터에 대한 구체적인 기재는 예시일 뿐 본 발명은 이에 제한되지 않는다.

이후, 정상 상황으로 가정한 학습 데이터들이 rule-base 방식으로 정제될 수 있으며, 정제한 방식으로 test 데이터의 이상치 포인트가 라벨링되어 학습이 수행됨에 따라, GNN 모델이 생성되게 된다. 실시예에 따르면, 모델의 학습이 완료된 후, 테스트 데이터를 통해 성능에 대한 확인 및 평가가 수행될 수 있다.

서버(100)는 테스트 데이터를 이용하여 하나 이상의 네트워크 함수의 성능을 테스트하여 하나 이상의 네트워크 함수의 활성화 여부를 결정함으로써, 인공지능 모델(즉, GNN 모델)을 생성할 수 있다. 테스트 데이터는 GNN 모델의 성능을 검증하기 위하여 사용될 수 있으며, 학습 데이터 중 적어도 일부로 구성될 수 있다. 예를 들어, 학습 데이터 중 70%는 GNN 모델의 학습(즉, 레이블과 비슷한 결과값을 출력하도록 가중치를 조정하기 위한 학습)을 위해 활용될 수 있으며, 30%는 GNN 모델의 성능을 검증하기 위한 테스트 데이터로써 활용될 수 있다. 서버(100)는 학습이 완료된 GNN 모델에 테스트 데이터를 입력하고 오차를 측정하여 사전 결정된 성능 이상인지 여부에 따라 GNN 모델의 활성화 여부를 결정할 수 있다.

서버(100)는 학습이 완료된 GNN 모델에 테스트 데이터를 이용하여 학습 완료된 GNN 모델의 성능을 검증하고 학습 완료된 GNN 모델의 성능이 사전에 결정된 기준 이상인 경우 해당 GNN 모델을 다른 어플리케이션에서 사용하도록 활성화할 수 있다.

또한, 서버(100)는 학습 완료된 GNN 모델의 성능이 사전에 결정된 기준 이하인 경우 해당 GNN 모델을 비활성화하여 폐기할 수 있다. 예를 들어, 서버(100)는 정확도(accuracy), 정밀도(precision), 재현율(recall) 등의 요소를 기준으로 하여 생성된 GNN 모델의 성능을 판단할 수 있다. 전술한 성능 평가 기준은 예시일 뿐이며 본 발명은 이에 제한되지 않는다. 다양한 실시예에서 서버(100)는 각각의 인공지능 모델을 독립적으로 학습시켜 복수의 인공지능 모델 모델을 생성할 수 있으며, 성능을 평가하여 일정 성능 이상의 인공지능 모델만을 사용할 수 있다.

다양한 실시예에 따르면, 서버(100)는 GNN 모델을 통해 이상치 스코어를 산출하여 이상 상황의 발생을 감지한 경우, 알람 정보를 생성할 수 있으며, 생성된 알람의 종류를 분류할 수 있다.

구체적인 실시예에서 이상 상황을 감지하는 단계는, 이상 상황이 발생한 것으로 감지한 경우, 알람 정보를 생성하는 단계, 현장 센서 데이터의 변화 패턴에 기초하여 알람 정보를 진실에 관련한 제1알람 및 오류에 관련한 제2알람 중 적어도 하나로 분류하는 단계 및 알람 정보가 제1알람으로 분류된 경우, 분류된 상기 제1알람을 사용자 단말로 전송할 것을 결정하는 단계를 더 포함할 수 있다.

도 6을 참조하여 보다 자세히 설명하면, 서버(100)는 GNN 모델을 활용하여 각 센서 데이터 간의 상관 관계 분석에 따른 이상치 스코어를 출력할 수 있으며, 이를 기반으로 이상 상황이 발생하였는지 여부를 판단할 수 있다. 서버(100)는 이상치 스코어가 기준 임계치를 초과하는 경우, 이상 상황이 발생한 것으로 감지하여 알람 정보를 생성할 수 있다. 또한, 서버(100)는 이상치 스코어가 기준 임계치를 초과하지 않는 경우, 이상 상황이 아닌 것으로 감지하여 알람 정보를 생성하지 않을 수 있다. 즉, 서버(100)는 예측 센서 값과 실제 센서 값의 차이에 따라 산출되는 이상치 스코어가 기준치 이상으로 산출되는 경우에만 이상 상황이 발생하였다고 판단하여 알람 정보를 생성하게 된다.

이 경우, 서버(100)는 생성된 알람을 분류하기 위한 추가적인 과정을 수행할 수 있다. 예컨대, 알람 정보의 경우, 이상치 스코어를 기반으로 생성되는 것임에 따라 알람의 원인에 대한 정보가 명확하지 않을 수 있으므로, 오류에 관한 알람일 확률이 존재한다. 서버(100)는 이러한 오류(false) 알람이 사용자에게 제공되는 것을 최소화하기 위하여 생성된 알람을 분류하는 추가적인 과정을 수행하게 된다.

실시예에서, 서버(100)는 알람 정보를 생성하는 경우, 알람 정보 생성에 기반이 된 현장 센서 데이터의 변화 패턴을 인식하여 알람 정보를 제1알람(true alarm) 및 제2알람(false alarm) 중 적어도 하나로 분류할 수 있다. 다양한 실시예에서, 현장 센서 데이터만을 학습 데이터로 하여 추가적인 학습을 통해 학습된 신경망 모델(예컨대, 분류 모델)이 존재할 수 있으며, 서버(100)는 해당 분류 모델을 활용하여 알람 정보를 제1알람 및 제2알람 중 적어도 하나로 분류시킬 수 있다. 이 경우, 분류 모델의 학습에 활용되는 학습 데이터 세트는, 현장 센서 데이터(예컨대, 기울기 센서 데이터)들에 관련한 복수의 학습 입력 데이터들과 현장 센서 데이터들에 대응하여 이상 사고가 발생에 관련한 복수의 학습 출력 데이터들을 포함하여 구성될 수 있다. 학습 입력 데이터들 각각에는 정답에 관련한 복수의 학습 출력 데이터 각각이 매칭되어 있으며, 지도 학습 방식을 통한 학습 결과 분류 모델이 생성되게 된다. 서버(100)는 학습 결과 생성된 분류 모델을 활용하여 현장 센서 데이터의 패턴을 분석함으로써, 생성된 알람 정보를 제1알람 및 제2알람 중 적어도 하나로 분류할 수 있다.

또한, 실시예에서, 도 7에 도시된 바와 같이, 서버(100)는 알람이 제1알람으로 분류된 경우, 알람 정보를 사용자 단말로 전송할 수 있다. 다시 말해, 생성된 알람 정보가 진실에 관한 제1알람으로 분류된 경우에만 사용자에게 알림을 전송하는 구성이다. 이는 기존의 방식으로 알람 처리의 정확성을 향상시켜 현장에서 유의미한 조치를 취하도록 도울 수 있다. 다시 말해, 생성된 알람이 위험 신호인지를 보다 객관적으로 판단할 수 있게 하여 사용자로 하여금 알람에 대한 보다 적절한 대응을 수행하도록 하여 안정성을 향상시키는 효과를 제공할 수 있다.

또한 실시예에 따르면, 이상 상황이 발생한 것으로 감지한 경우, 알람 정보를 생성하는 단계는, 임베딩 벡터와 어텐션 가중치에 기초하여 원인 분석 정보를 생성하는 단계 및 알람 정보가 제2알람으로 분류된 경우, 원인 분석 정보를 사용자 단말로 전송할 것을 결정하는 단계를 포함할 수 있다.

일 실시예에 따르면, GNN 모델은, 입력 데이터에 포함된 각 데이터에 대응하는 고유한 임베딩 벡터를 캡처하는 임베딩 모델 및 각 데이터에 대응하는 임베딩에 기초하여 어텐션 가중치를 산출하며, 산출된 어텐션 가중치를 기반으로 그래프의 다음 값을 예측하는 어텐션 모듈을 포함할 수 있다. 실시예에서, 임베딩 모델은, 각 센서의 고유한 특성을 유연하게 캡처하기 위하여 임베딩 벡터를 활용할 수 있다. 즉, 임베딩 모델은 각 센서 데이터에 대응하는 임베딩 벡터를 기반으로 각 센서 데이터의 고유한 특성을 파악할 수 있으며, 센서 쌍 간의 관계를 학습할 수 있다. 임베딩 모델을 통해 각 개별 센서 데이터 간의 관계가 학습될 수 있으며, 이를 그래프 내의 엣지로 인코딩할 수 있다. 이 경우, 그래프 내의 다른 센서에 대한 어텐션 함수를 기반으로 센서 데이터의 다음 값을 예측하는 방법이 학습되게 된다. 즉, 어텐션 모듈을 활용함에 따라 각 데이터에 대응하는 벡터 임베딩 간의 상관 관계 학습을 위한 어텐션 가중치가 산출되며, 산출된 언텐션 가중치를 기반으로 센서 데이터의 다음(즉, 미래 시점의 예측) 값이 예측될 수 있다. GNN 모델은 예측된 값(즉, 예측 현장 센서 데이터)과 실제 측정되는 값(즉, 실제 현장 센서 데이터)를 비교할 수 있으며, 비교 결과에 따라 이상치 스코어를 산출하게 된다.

실시예에서, 서버(100)는 알람 정보가 생성된 경우, 각 센서 데이터에 대응하는 임베딩 벡터와 어텐션 가중치에 기초하여 이상 상황 발생에 관한 원인을 분석할 수 있다.

구체적인 실시예에서, 알람 정보를 생성하는 단계는, 임베딩 벡터와 어텐션 가중치에 기초하여 원인 분석 정보를 생성하는 단계 및 알람 정보가 제2알람으로 분류된 경우, 원인 분석 정보를 상기 사용자 단말로 전송할 것을 결정하는 단계를 포함할 수 있다.

서버(100)는 각 센서 데이터에 대응하는 임베딩 벡터와 설정된 어텐션 가중치를 기반으로 이상 상황 발생 원인에 관련한 원인 분석 정보를 생성할 수 있다. 이러한 원인 분석은, 각 데이터의 고유한 특성을 파악하도록 하는 임베딩 벡터와 각 데이터 간의 상관 관계 분석에서 결정되는 임베딩 가중치를 통해 산출될 수 있다. 즉, 데이터 간의 상관관계 분석을 통해, 알람 정보 생성 시, 알람 생성의 원인 규명이 가능해질 수 있다.

실시예에서, 도 7에 도시된 바와 같이, 알람 정보가 제2알람으로 분류되는 경우, 서버(100)는 원인 분석 정보를 사용자 단말로 전송할 수 있다. 다시 말해, 서버(100)는 알람이 오류에 관련한 false 알람으로 분류되는 경우, 해당 원인을 사용자가 파악할 수 있도록 원인 분석 정보를 사용자 단말로 전송할 수 있다.

다양한 실시예에서, 서버(100)는 각 센서 데이터에 대응하는 임베딩 벡터와 어텐션 가중치를 활용하여 센서 간의 상관관계를 시각화하여 사용자 단말에 제공할 수 있다. 이러한 시각화 정보를 통해 사용자에게 설명 가능성을 제공하는 구성이다.

구체적인 실시예에서, AI 기반 안전 센서 이상치 감지 및 알람 분류 방법은, 각 데이터의 임베딩 벡터와 어텐션 가중치에 기초하여 각 데이터 간의 상관관계에 대한 시각화 정보를 생성하는 단계 및 시각화 정보를 사용자 단말로 전송할 것을 결정하는 단계를 더 포함할 수 있다.

사용자는 시각화 정보를 통해, 현장 센서 데이터와 추가 데이터의 상관관계를 용이하게 파악할 수 있으며, 나아가 알람 발생의 요인이나, 또는 이상 상황 발생 원인에 대한 파악 및 분석이 가능해질 수 있다.

다양한 실시예에서, 서버(100)는 추가 데이터에 포함된 다양한 종류의 센서 데이터들 중 현장 센서 데이터와의 연관성을 기반으로 상관 관계에 대한 분석을 수행할 수 있다.

구체적인 실시예에서, AI 기반 안전 센서 이상치 감지 및 알람 분류 방법은, 임베딩 벡터와 어텐션 가중치에 기초하여 데이터 간의 유사도를 분석하는 단계, 데이터 간의 유사도 분석 결과에 기초하여 중요 데이터를 식별하는 단계 및 현장 센서 데이터 및 중요 데이터의 조합에 관련한 입력 데이터에 가중치를 부여하는 단계를 더 포함할 수 있다.

좀 더 구체적으로, 현장 센서 데이터에 영향을 주는 추가 데이터는, 다양한 종류의 센서 데이터들을 포함할 수 있다. 예를 들어, 현장 센서 데이터가 기울기 센서 데이터인 경우, 추가 데이터는, 온도 변화에 관련한 온도 센서 데이터 및 풍속 변화에 관련한 풍속 센서 데이터를 포함할 수 있다. 서버(100)는 각 센서 데이터(즉, 기울기 센서 데이터, 온도 센서 데이터 및 풍속 센서 데이터)의 임베딩 벡터와 어텐션 가중치를 기반으로 각 센서 데이터 간의 유사도를 분석할 수 있다. 서버(100)는 기울기 센서 데이터와 온도 센서 데이터 간의 유사도 및 기울기 센서 데이터와 풍속 센서 데이터 간의 유사도 분석을 수행할 수 있다. 실시예에서, 특정 종류의 추가 데이터가 현장 센서 데이터와 유사도가 크다는 것은, 변화 패턴 또는 양상이 유사하다는 것을 의미하며, 이상 상황 발생 감지에 보다 많은 영향을 인가하는 요소일 수 있다.

서버(100)는 기울기 센서 데이터(즉, 현장 센서 데이터)와 유사도가 높은 것으로 판별된 추가 데이터를 중요 데이터로 식별할 수 있으며, 이 경우, 해당 중요 데이터와 현장 센서 데이터의 조합을 통해 생성된 입력 데이터에 가중치를 부여할 수 있다. 예를 들어, 유사도 분석 결과, 기울기 센서 데이터와 온도 센서 데이터 간의 제1유사도가 기울기 센서 데이터와 풍속 센서 데이터 간의 제2유사도 보다 높은 경우, 온도 센서 데이터를 주용 데이터로 식별할 수 있으며, 기울기 센서 데이터와 온도 센서 데이터의 조합을 통해 생성되는 입력 데이터(즉, 하나 이상의 연관 그래프)에 가중치를 부여할 수 있다. 즉, 복수의 데이터 간의 상관관계를 분석하는 과정에서, 추가 데이터에 포함된 다양한 종류의 센서 데이터들 중 이상 상황 발생에 여부 감지에 기여도가 클 것으로 예상되는 센서 데이터를 기반으로 생성된 입력 데이터에 가중치를 부여함으로써, 이상 상황 발생 감지에 있어, 데이터 들 간의 상관 관계를 보다 명확히 분석할 수 있다.

도 8은 본 발명의 일 실시예와 관련된 하나 이상의 네트워크 함수를 나타낸 개략도이다.

본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 “노드”라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 “노드”들은 “뉴런(neuron)”들로 지칭될 수도 있다.

딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 발명은 이에 제한되지 않는다.

뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링 되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링 되어있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨이 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.

뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.

본 발명의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 발명의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 발명의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다. 용어 "기계-판독가능 매체"는 명령(들) 및/또는 데이터를 저장, 보유, 및/또는 전달할 수 있는 무선 채널 및 다양한 다른 매체를 포함하지만, 이들로 제한되는 것은 아니다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 발명의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 발명의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims

컴퓨팅 장치의 하나 이상의 프로세서에서 수행되는 방법에 있어서,
현장 센서 데이터를 획득하는 단계;
상기 현장 센서 데이터와 연관 관계를 가진 추가 데이터를 획득하는 단계;
상기 현장 센서 데이터 및 상기 추가 데이터에 기초하여 입력 데이터를 생성하는 단계; 및
상기 입력 데이터를 GNN(Graph Nerual Network) 모델의 입력으로 처리하여 이상치 스코어를 산출하고, 상기 산출된 이상치 스코어를 기반으로 이상 상황을 감지하는 단계; 를 포함하며,
상기 GNN 모델은,
상기 입력 데이터에 포함된 각 데이터에 대응하는 고유한 임베딩 벡터를 캡처하는 임베딩 모델; 및
각 데이터에 대응하는 임베딩에 기초하여 어텐션 가중치를 산출하며, 산출된 어텐션 가중치를 기반으로 그래프의 다음 값을 예측하는 어텐션 모듈; 을 포함하고,
상기 방법은,
상기 임베딩 벡터와 상기 어텐션 가중치에 기초하여 데이터 간의 유사도를 분석하는 단계;
상기 데이터 간의 유사도 분석 결과에 기초하여 중요 데이터를 식별하는 단계; 및
상기 현장 센서 데이터 및 상기 중요 데이터의 조합에 관련한 입력 데이터에 가중치를 부여하는 단계; 를 더 포함하는,
AI 기반 안전 센서 이상치 감지 및 알람 분류 방법.
제1항에 있어서,
상기 현장 센서 데이터는, 현장에 구비된 센서 모듈을 통해 실시간 획득되는 시계열 데이터이며,
상기 추가 데이터는, 상기 현장 센서 데이터의 획득 시점에 대응하여 획득되는 데이터이며, 상기 현장 센서 데이터에 영향을 주는 변수에 관련한 데이터이고,
상기 입력 데이터를 생성하는 단계는,
상기 현장 센서 데이터 및 상기 추가 데이터를 기반으로 하나 이상의 연관 그래프를 생성하는 단계; 및
상기 하나 이상의 연관 그래프를 기반으로 입력 데이터를 생성하는 단계; 를 포함하며,
상기 하나 이상의 연관 그래프는,
상기 현장 센서 데이터와 상기 추가 데이터의 분포에 관련한 제1그래프 및 상기 현장 센서 데이터와 상기 추가 데이터 간의 상관관계에 관한 제2그래프 중 적어도 하나를 포함하는,
AI 기반 안전 센서 이상치 감지 및 알람 분류 방법.
제1항에 있어서,
상기 GNN 모델은, 그래프 편차를 이용하여 데이터 간의 관계에 대한 그래프를 학습한 신경망 모델로, 상기 입력 데이터에 포함된 데이터들 간의 상관관계 분석을 통해 예측 현장 센서 데이터를 출력하며, 실제로 획득된 현장 센서 데이터와 상기 예측 현장 센서 데이터 간의 비교에 기초하여 상기 이상치 스코어를 산출하는 것을 특징으로 하는,
AI 기반 안전 센서 이상치 감지 및 알람 분류 방법.
삭제
제1항에 있어서,
상기 방법은,
상기 각 데이터의 임베딩 벡터와 상기 어텐션 가중치에 기초하여 각 데이터 간의 상관관계에 대한 시각화 정보를 생성하는 단계; 및
상기 시각화 정보를 사용자 단말로 전송할 것을 결정하는 단계; 를 더 포함하는,
AI 기반 안전 센서 이상치 감지 및 알람 분류 방법.
삭제
제1항에 있어서,
상기 이상 상황을 감지하는 단계는,
상기 이상 상황이 발생한 것으로 감지한 경우, 알람 정보를 생성하는 단계;
상기 현장 센서 데이터의 변화 패턴에 기초하여 상기 알람 정보를 진실에 관련한 제1알람 및 오류에 관련한 제2알람 중 적어도 하나로 분류하는 단계; 및
상기 알람 정보가 제1알람으로 분류된 경우, 분류된 상기 제1알람을 사용자 단말로 전송할 것을 결정하는 단계; 를 더 포함하는,
AI 기반 안전 센서 이상치 감지 및 알람 분류 방법.
제7항에 있어서,
상기 이상 상황이 발생한 것으로 감지한 경우, 알람 정보를 생성하는 단계는,
상기 임베딩 벡터와 상기 어텐션 가중치에 기초하여 원인 분석 정보를 생성하는 단계; 및
상기 알람 정보가 제2알람으로 분류된 경우, 상기 원인 분석 정보를 상기 사용자 단말로 전송할 것을 결정하는 단계;
를 포함하는,
AI 기반 안전 센서 이상치 감지 및 알람 분류 방법.
하나 이상의 인스트럭션을 저장하는 메모리; 및
상기 메모리에 저장된 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하고,
상기 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
제1항의 방법을 수행하는, 장치.
하드웨어인 컴퓨터와 결합되어, 제1항의 방법을 수행할 수 있도록 컴퓨터에서 독출가능한 기록매체에 저장된 컴퓨터프로그램.