KR102269535B1 - 자동화된 작업 하중 평가 장치 및 그 방법 - Google Patents

Abstract

본 발명에 따른 작업 하중을 평가하는 장치는, 특정 위치에 설치된 복수개의 압력 센서를 포함하며 깔창 형태로 구현된 인솔 센서와, 상기 압력 센서에 전원을 공급하고, 상기 압력 센서로부터 신호를 송수신하는데 이용되는 연결부와, 상기 연결부를 통해 인솔 센서와 연결되며, 상기 복수의 압력 센서의 측정값을 이용하여 작업 하중 평가 데이터를 출력하는 통신 및 데이터 처리 장치를 포함하며, 상기 작업 하중의 평가 데이터는, 작업 동작 중 시간에 따른 상기 압력 센서의 측정값을 이용하여 특징 후보군을 도출한 후, 상기 특징 후보군 중 선택된 특징을 입력 변수로 한 인공 신경망 모델을 적용하여 출력된다.

Description

자동화된 작업 하중 평가 장치 및 그 방법 {Apparatus for evaluating workload automatically and method thereof}

다양한 작업에 대해, 인체에 부담으로 작용하는 작업 하중을 평가 가능한 장치 및 그 방법이 제공된다. 더욱 구체적으로, 인공 신경망 모델을 이용하여 농작업과 같은 다양한 작업에 대하여 작업 하중을 정량적으로 평가할 수 있는 장치 및 방법이 제공된다.

농작업과 같이 장시간 작업자에게 부자연스러운 자세와 동작을 지속하게 하는 경우에는 작업자에게 자칫 부상의 위험을 가져다 줄 수 있다. 따라서, 작업 부담이 너무 높은 경우에는 작업을 보조할 수 있도록 작업 환경을 변경하거나 위험을 회피하기 위하여 적절한 휴식시간이 배정되어야 한다. 이와 같이 작업에서 발생할 수 있는 위험을 관리하기 위하여, 작업자의 동작과 위험도를 평가하는 연구와 개발이 지속되어 왔다.

도 1은 작업 부담을 평가하는 큐브 모델을 설명하기 위한 도면이다.

1993년 Kadefor 등은 작업자세, 작업시간, 작업하중 요소를 고려하여 작업의 위험도와 동작을 평가할 수 있는 큐브 모델을 제안하였다. 큐브 모델은 3차원 공간에 작업 시간, 작업 자세, 작업 하중(힘)을 정량적으로 표시함으로써, 작업의 위험도를 부피로서 산출하였다. 이러한 큐브 모델은 초기에는 단순한 수공구 작업을 평가하기 위한 모델로 활용되었으나, 이후 전신에 대한 다양한 작업의 부담과 위험을 평가하는 모델로 발전하였다.

작업 자세에 대해서는, 도 1에 도시된 바와 같이, 작업자의 특정 부위에 관성 측정장치 (Inertial Measurement Unit; IMU)( 10 내지 15)를 장착하는 경우에는 다양한 작업 자세에 대한 난이도를 평가할 수 있다. 따라서, 다양한 전신의 자세를 필요로 하는 조립 공정의 위험도와 작업 부담을 평가할 수 있다.

그러나, 작업자가 수행하는 작업의 종류가 한정적인 경우나 특정 패턴으로 데이터베이스화 되어 있는 경우에는, IMU를 이용하지 않고서도 작업 자세에 대한 정량적 평가를 수행할 수 있다. 예를 들어, 농작업의 경우에는 정형화된 몇가지 작업에 대해서는 작업 자세의 난이도를 평가하는 매뉴얼이 존재하기 때문에 이에 따라 농작업 지도사와 같은 전문 평가 인력이 정형화된 작업 자세의 난이도를 정량화 할 수 있다.

예를 들어, 농작업 중 '씨부리기'는 1) 흙을 퍼서 파종기에 쌓기, 2) 허리를 숙이고 씨앗을 뿌리기, 3) 파종기에 상토 뿌리기와 같이 작업 자세를 분류할 수 있다.

작업 시간의 경우에는 작업 자세의 관찰과 동시 또는 별도로 시간 만을 측정하기 때문에 정량화 하는데 특별히 어려움이 없다.

그러나, 작업 하중(힘)의 경우에는 작업자의 작업 관찰 만으로 정량화하기 어려운 점이 존재한다. 소위 작업이 얼마나 힘든가는 작업이 인체에 부담되는 하중으로 지칭할 수 있다. 즉, 본 발명의 명세서에서 사용되는 '작업 하중'은 작업이 인체에 부담이 되는 정도이며, 이는 단순한 무게와 상이한 개념으로 이해되어야 한다.

이러한 '작업 하중'은 작업자가 직접 감지하는 요소에 대한 피드백(표정, 작업 지속 시간, 휴식 시간)과 인체에 가해지는 물리적 부담을 종합적으로 고려하여 작업 평가의 전문가에 의한 평가에 의존해왔다. 예를 들어, 작업 평가 전문가는 작업 하중을 '위험도 하', '위험도 중', '위험도 상' 3단계로 분류하여 큐브 모델에 적용하였다.

그러나, 작업 하중에 대해서 상,중,하로 정량화하기 위해서는 작업 시간 내내 정형화된 특정 동작을 관찰하고, 개개인이 성별,신장,체중 등에 따라 느끼는 하중에 대해 정량화하는 기준을 적용하는 것은 정확도가 높지 않으며 전문가 사이의 평가 사이에도 많은 편차가 존재할 수 밖에 없다. 즉, 작업 하중의 평가 결과물은 정량 데이터지만, 평가의 과정에서는 정성적 평가 사항이 내재되어 있다.

또한, 전문가의 관측이 있다 하더라도, 작업 내내 하중이 발생하는 포인트를 관찰하고 기록하는 번거로움이 존재하는 문제점도 존재하였다.

따라서, 작업 위험과 부담을 평가하기 위한 시스템을 적용하기 위해서는 작업 하중에 대해 더욱 정확하고 일관성을 제공하는 솔루션이 절실히 필요하다.

한국 등록 특허 제10-1833604호 한국 등록 특허 제10-1732964호 일본 공개 특허 제 2018-526060호

본 발명은 전술한 문제점을 해결하기 위하여 인공 신경망 모델을 이용하여 작업 하중(힘)에 대한 더욱 정확하고 낮은 편차를 가진 정량적 평가 장치 및 방법을 제공한다.

본 발명의 일측면에 따른 작업 하중을 평가하는 장치는, 특정 위치에 설치된 복수개의 압력 센서를 포함하며 깔창 형태로 구현된 인솔 센서와, 상기 압력 센서에 전원을 공급하고, 상기 압력 센서로부터 신호를 송수신하는데 이용되는 연결부와, 상기 연결부를 통해 인솔 센서와 연결되며, 상기 복수의 압력 센서의 측정값을 이용하여 작업 하중 평가 데이터를 출력하는 통신 및 데이터 처리 장치를 포함할 수 있다. 여기서, 상기 작업 하중의 평가 데이터는, 작업 동작 중 시간에 따른 상기 압력 센서의 측정값을 이용하여 특징 후보군을 도출한 후, 상기 특징 후보군 중 선택된 특징을 입력 변수로 한 인공 신경망 모델을 적용하여 출력될 수 있다.

여기서, 상기 특징 후보군 중에 대하여 MRMR(minimal-redundancy-maximal-relevance) criterion을 이용하여 작업 하중과 연관성이 높은 특징이 선택될 수 있다. 또한, 상기 입력 변수는 상기 MRMR(minimal-redundancy-maximal-relevance) criterion을 이용하여 선택된 특징에 SFS(Sequential forward selection)를 이용하여 선택된 최적의 특징으로 결정될 수 있다.

상기 인공 신경망 모델은, 각각의 계층을 연결하는 링크의 가중치는 탄력적 오류 역전파 알고리즘을 사용할 수 있다.

또한, 본 발명의 다른 측면을 따른 작업 하중을 평가하는 방법은, 작업 또는 모사 작업 동작 중에 인솔 센서의 특정 위치에 설치된 압력 센서로부터 압력 데이터를 획득하는 단계와, 상기 압력 데이터를 작업자의 체중 데이터를 이용하여 정규화하고 시간에 기초하여 분할하는 단계와, 상기 분할된 압력 데이터로부터 얻을 수 있는 특징들을 선택하여 입력 변수를 선정하는 단계와, 상기 선정된 입력 변수를 인공 신경망 모델의 입력으로서 사용하여 작업 하중 평가 데이터를 출력하는 단계를 포함할 수 있다.

전술한 본 발명의 수단에 의한 작업 부담 평가 장치 및 방법은 인솔 센서를 이용하여 정확하게 작업 하중을 평가하고 이를 작업 위험 및 동작 평가 모델에 적용하여 작업자의 부상과 위험을 사전에 예방할 수 있다.

또한, 본 발명의 수단에 의한 작업 부담 평가 장치는 다양한 작업 형태에 대해 전문가 관측보다 적은 오차와 편차를 가지고 작업 하중을 평가할 수 있기 때문에 다양한 작업에 대해 범용성과 확장성을 지원하는 장점을 가진다.

또한, 작업 하중을 평가함에 있어 센서 장치와 자동화된 인공 신경망 모델을 이용하기 때문에, 전문가의 관측이 필요없어 종래 기술에 비해 더욱 경제적인 작업 위험 및 동작 모델을 제공할 수 있다.

본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.

도 1은 작업 부담을 평가하는 큐브 모델을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 작업 하중 평가 장치를 도시한 도면이다.
도 3은 본 발명의 일실시예에 따라, 인공 신경망을 이용한 작업 하중 평가를 수행하는 방법을 도시한 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 데이터 획득 단계를 도시한 상세 흐름도이다.
도 5는 본 발명의 일 실시예에 따른 데이터 정규화 및 분할 단계를 도시한 상세 흐름도이다.
도 6은 본 발명의 일 실시예에 따른 입력 변수를 선택하는 단계를 도시한 세부 흐름도이다.
도 7은 본 발명의 일 실시예에 따른 인공 신경망 모델을 도시한 도면이다.
도 8은 본 발명의 일 실시예 따라 입력 변수로 선정된 특징을 도시한 도면이다.
도 9는 본 발명의 일 실시예 따른 작업 부담 평가 장치와 전문가 평가 결과를 비교한 그래프도이다.

이하, 본 발명을 더욱 상세하게 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 의해 본 발명이 한정되지 않으며 본 발명은 후술할 청구범위의 의해 정의될 뿐이다.

덧붙여, 본 발명에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 발명의 명세서 전체에서 어떤 구성요소를 '포함'한다는 것은 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.

도 2는 본 발명의 일 실시예에 따른 작업 하중 평가 장치를 도시한 도면이다.

작업 하중 평가 장치는 인솔 센서(100), 연결부(120), 통신 및 데이터 처리부(200), 통신 및 데이터 처리부(200)과 유/무선 통신으로 연결가능한 스마트 장치(300, 400)을 포함한다.

인솔 센서(100)는 족부의 특정 압력지점에 배치된 압력 센서(110-1 내지 110-9)를 포함한다. 압력 센서(110-1 내지 110-9)는 족부에 해부학적 구조에 압력을 가장 잘 수신할 수 있는 곳에 배치될 수 있다. 도 2는 인솔에 9개의 센서가 배치된 것을 도시하였지만, 족부 전체에 대해 단위 영역 압력 센서를 배치한 인솔 센서도 이용 가능하다.

다만, 본 발명의 일 실시예는 작업 하중을 출력하는 입력 변수 선택을 위하여 압력 측정값을 이용하기 때문에 주요 지점의 배치된 소수의 센서로도 충분히 동작 가능하다.

소수의 센서를 이용하는 경우, 센서 중심의 압력이 측정되기 때문에 특수 제작된 소형 센서보다 큰 크기의 저가의 제품이 사용 가능하다. 예를 들어, FSR (Force Sensing Resistor)와 같은 압력 센서가 사용될 수 있다. 또한, 압력 센서(110-1 내지 110-9)는 상호 이격되고, 족부의 앞쪽, 중앙, 뒤쪽에 분산되어 배치되는 것이 바람직하다.

압력 센서(110-1 내지 110-9)에서 측정된 압력값은 연결부(120)을 통해 통신 및 데이터 처리 장치(200)으로 전송될 수 있다. 연결부(120)는 외부로부터 전원을 공급받거나 데이터를 송수신할 때 사용될 수 있다. 만약 압력 센서(110-1 내지 110-9)가 9개인 경우에는 연결부(120)는 다중화 기술을 이용하여 이보다 더 적은 물리적 케이블을 포함할 수 있다. 연결부(120)은 족부의 아치 부분에 배치됨으로써 간섭을 최소화할 수 있다.

통신 및 데이터 처리 장치(200)는 근거리 통신 모듈(210). 마이크로 컨트롤러(220), 멀티플렉서(230), 통신 인터페이스(240)을 포함한다.

근거리 통신 모듈(210)은 다른 근거리 통신 모듈을 갖춘 스마트 장치(300,400)과 통신을 하는데 이용된다. 예를 들어, 근거리 통신 모듈(210)은 저전력 블루투스 기술 (BLE:Bluetooth Low Energy)로 구현될 수 있다.

마이크로 컨트롤러(230)는 인솔 센서(100)를 구동하거나, 인솔 센서(100)으로부터 수신되는 신호 처리 및 통신 및 데이터 처리 장치(200)내의 데이터 처리를 제어한다. 도면에는 도시되지 않았지만, 마이크로 컨트롤러(220)와 함께 제어 동작을 수행할 수 있도록 휘발성 또는 비휘발성 메모리가 더 포함될 수 있는 것은 당업자들은 용이하게 이해할 수 있을 것이다.

멀티플렉서(230)은 인솔 센서(100)을 구동하거나, 처리된 데이터를 근거리 통신 모듈(210)을 통해 전송되는 신호를 다중화하는데 이용될 수 있다.

통신 인터페이스(240)은 인솔 센서(100) 또는 스마트 장치(300,400)과의 통신을 위한 프로토콜을 이용하여 신호 또는 처리된 데이터를 송 수신하는 기능을 수행한다.

스마트 장치(300, 400)은 보다 높은 컴퓨팅 파워를 이용하여 수신된 데이터를 처리하여 작업자의 작업 하중을 평가한다. 이때 작업 하중을 평가하는 신경망 모델 또는 알고리즘은 스마트 장치(300, 400)의 메모리에 저장되어 수행될 수 있다.

그러나, 작업 하중을 평가하는 신경망 모델이 하나의 하드웨어로 통신 및 데이터 처리 장치(200)에 장착된 경우에는 전술한 신경망 모델 또는 알고리즘은 통신 및 데이터 처리 장치(200)에서 수행되는 것도 가능하다. 이 경우에는 스마트 장치(300, 400)은 처리된 데이터를 수신하여 디스플레이만 하여도 충분한다.

도시된 작업 하중 평가 장치는 비교적 단순한 하드웨어를 갖추고도 인공 신경망 모델을 이용하여 효율적으로 작업 하중을 평가할 수 있다.

인솔 센서(100)이 측정한 압력 신호는 이후 설명될 인공 신경망 모델을 이용한 평가 방법을 통해 작업 하중 평가 결과를 제공하게 된다.

도 3은 본 발명의 일실시예에 따라, 인공 신경망을 이용한 작업 하중 평가를 수행하는 방법을 도시한 흐름도이다.

단계(S100)에서는 도 2에 도시한 인솔 센서(100)로부터 양발의 특정 부위의 압력 데이터를 획득한다. 획득된 데이터는 작업 하중 평가를 수행하기 위한 신호 처리가 수행된다.

구체적으로 단계(S200)에서는 인솔 센서(100)으로부터 획득된 데이터가 작업자의 체중을 고려하여 정규화가 수행되며, 일정 시간 간격으로 데이터의 분할(segmentation)이 수행된다.

단계(S300)에서는 분할된 데이터로부터 특정 작업과 연관성이 높은 특징(feature)로 구성된 입력 변수가 선정된다. 즉, 입력 변수로서 선택될 수 있는 '특징(feature)'은 압력 데이터로부터 획득할 수 있는 다양한 파라메터(예를 들어, 신호 전력, 엔트로피, 평균값, 편차, 진폭, 편포도 등)가 각각의 작업의 입력 변수로 선택될 수 있다.

위와 같이 선택된 입력 변수를 이용하여 인공 신경망 모델이 구축된다(S400). 인공 신경 모델망은 입력 변수가 입력되는 입력층, 상기 입력층과 가중 링크로 연결되는 은닉층, 상기 은닉층에서 각각의 작업에 필요한 작업 하중을 출력하는 출력층을 포함한다.

이와 같이, 구축된 인공 신경망 모델은 구축과 검증의 절차를 거쳐 각각의 작업에 대하여 작업 하중 평가 모델을 제공하고, 작업 하중 값은 전술한 큐브 모델에 적용되어 작업의 위험과 동작을 정량적으로 평가하는데 이용될 수 있다.

도 4는 본 발명의 일 실시예에 따른 데이터 획득 단계(S100)를 도시한 상세 흐름도이다.

단계(S110) 압력 데이터 획득을 위하여 한쌍의 인솔 센서를 장착한 작업자들이 다양한 작업에 대한 모사 동작을 수행한다.

각각의 작업에 대한 모사 동작을 수행하는 작업자 들은 도 2에 도시된 인솔 센서(100) 또는 IMU를 착용할 수 있다. 본 발명의 일 실시예에서는 인솔 센서(100)의 압력 값을 가공하여 작업 하중을 평가하기 때문에 단계(S120)에서는 인솔 센서(100)로부터 초당 압력 데이터를 획득한다.

한편, 인공 신경망 모델의 학습과 검증을 위하여 모사 작업의 동작별 정성 데이터 수집은 단계(S130)에서 이뤄진다. 여기서, 정성 데이터는 복수의 작업 평가 전문가 들이 모사 동작을 수행하는 작업자들에 대한 작업 하중을 평가한다. 평가의 방법은 정성적이기 때문에 도 4에서는 정성 데이터로 기재하였지만, 그 결과값은 3단계 위험 또는 다른 기준을 가진 정량 데이터 형태임을 이해될 것이다. 상기 정성 데이터가 많을수록 본 발명의 작업 하중 평가의 정확도와 편차를 개선시키는데 유리하다.

도 5는 본 발명의 일 실시예에 따른 데이터 정규화 및 분할(S200)를 도시한 상세 흐름도이다.

단계(S210)에서 인솔 센서에서 수집된 압력 데이터는 작업자의 체중을 고려하여 정규화 된다. 정규화 과정을 통해, 압력 데이터는 작업자의 체중 등 외부 요인에 대한 의존성이 제거되고 작업 하중과의 연관성이 더욱 높아진다.

정규화되어 수집된 데이터는 인공 신경망 모델에 학습되는 훈련 데이터 세트(training data set)와 인공 신경망 모델 검증에 이용되는 테스트 데이터 세트(test data set)로 분리된다(S220). 분리된 데이터는 인공 신경망의 학습과 검증에 각각 사용되게 된다.

단계(S230)은 데이터를 시간에 따라 데이터 분할(segmentation)을 수행하고 작업 하중 평가를 위해 이용될 특징(feature)을 도출한다. 특징은 정규화된 압력 데이터로부터 획득할 수 있는 다양한 지표(예를 들어, 신호 전력, 엔트로피, 평균값, 편차, 진폭, 편포도 등)가 될 수 있다.

도 6은 본 발명의 일 실시예에 따른 입력 변수를 선택하는 방법을 도시한 세부 흐름도이다.

전 단계에서 도출된 특징은 작업 하중을 평가하는데 이용될 특징들의 후보군을 먼저 도출한다(S310). 특징 후보군은 동작 인식과 연관성이 높은 특징들로 구현될 수 있다. 예를 들어, 압력과 압력 중심(COP)의 시간 도메인과 주파수 도메인의 파라메터들이 후보군으로 도출될 수 있다.

단계(S320)에서는 특징 후보군 중에서 최종적으로 입력 변수로 사용될 최적 특징을 선택하게 된다. 즉, 작업 하중과 연관성이 높은 특징만을 선정하기 위한 특징 선택 방법이 적용된다. 우선, 특징 후보군에서 MRMR(minimal-redundancy-maximal-relevance) criterion을 계산하여 특징 세트를 구성할 수 있다. MRMR은 입력 변수 간의 중복성이 낮고 출력 변수와 관련성이 높은 변수들을 선정하는 방법으로서 비선형 관계를 가지는 두개의 무작위 변수에서 관련성을 평가할 수 있는 Mutual Information(MI)을 사용할 수 있다.

MRMR을 사용한 특징 세트 구성은 먼저 관련성이 가장 높은 특징을 선정하고, 나머지 특징 중에 소정의 조건을 만족하는 경우 그 특징을 추가하는 것으로 시작된다. 이를 반복적으로 수행하였을 경우, 출력 변수와 최대 상관성, 특징들 사이의 최소 중복성을 만족하는 특징 세트가 구성되게 된다.

두번째 단계는 MRMR으로 구성된 특징세트에 SFS(Sequential forward selection)을 적용하여 인공 신경망 모델의 학습에 사용될 최종 특징들을 결정하는 것이다. 이 방법은 모델에 특징을 하나씩 넣어 에러율을 계산하고, 제일 낮은 에러율을 가진 특징을 기준으로 나머지 특징들을 반복적으로 추가하여 에러율이 증가하기 전까지의 특징을 모델의 입력으로 사용하는 것이다.

도 7은 본 발명의 일 실시예에 따른 인공 신경망 모델을 도시한 도면이다.

입력 변수로 사용될 특징들이 선택되면, 도 3에 도시된 흐름도에서 단계(S400)에서 작업 하중을 평가할 수 있는 인공 신경망 모델을 구축한다.

인공 신경망 모델은 사람 또는 동물의 두뇌의 신경망에 모사하는 컴퓨팅 시스템으로서 한 개의 입력층과 출력층 사이에 적어도 하나의 은닉층이 존재하는 다층 퍼셉트론으로 구현된다. 입력층, 은닉층, 출력층 사이에는 다수의 가중 링크로 연결되며, 가중 링크의 가중치는 학습을 통해서 조정된다.

본 발명의 실시예는 인솔 센서로부터 압력 데이터를 획득하고, 획득된 압력 데이터를 정규화하고 분할하여, 이를 이용한 특징을 선별하여 상기 특징의 값들을 작업 하중을 평가하기 위한 입력 변수를 선택한다.

선택된 특징은 다수의 입력 변수(입력 1, 입력 2..입력 N)은 입력층 A에 입력된다. 입력 변수와 대응하는 훈련 데이터 세트를 이용하여 인공 신경망 모델의 입력층 A, 은닉층 B, 출력층 C 사이의 가중 링크가 결정된다. 1차적으로 구축된 인공 신경망은 테스트 데이터 세트를 이용하여 다시 검증하고 학습하며 가중 링크의 값을 수정하여 정확도를 향상시킨다.

여기서, 가중치와 바이어스는 탄력적 오류 역전파 (Resilient back-propagation ;RPROP) 알고리즘을 사용하여 학습될 수 있으며, 이 때 각 계층의 전달 함수는 sigmoid transfer function과 linear transfer function가 사용될 수 있다. RPROP 알고리즘은 일반 역전파 알고리즘과 다르게 Gradient 크기가 아닌 부호를 사용하여 학습 시 가중치를 업데이트하는 특징을 가질 수 있다. 그러므로 빠른 학습 속도를 보이는 장점을 가지게 된다.

구축된 인공 신경망 모델의 출력층 C는 작업 하중에 대한 평가 데이터를 제공하게 된다.

도 8은 본 발명의 일 실시예 따라 입력 변수로 선정된 특징을 도시한 도면이다.

도 8의 (b)는 MRMR로 선별된 23개의 특징 세트에서SFS을 적용하여 선정한 결과이다. 도 8의 (a)와 같이 10, 11번째 단계에서 6.2%에서 7.1%로 오차율이 증가하여 최종적으로 10개의 Feature가 선정되었다.

본 발명의 실시예에서 선정된 10개의 특징 종류는 도 8의 (b)가 도시하고 있으며 양발에서 추출된 특징 2개, 오른발에서 추출된 특징 3개, 왼발에서 추출된 특징 5개이다. 이와 같이 추출된 특징들은 입력 변수로 사용되며, 양발 또는 한쪽 발의 인솔 센서 들의 신호 전력, 엔트로피, 평균값, 편차, 진폭, 편포도 등이 선택될 수 있다.

도 9는 본 발명의 일 실시예 따른 작업 부담 평가 장치와 정성 평가 결과를 비교한 그래프도이다.

도시된 바와 같이, 전문가들의 변동계수(coefficient of variance : COV)의 평균과 표준오차는 10.02±3.35% (Expert 1), 6.92±2.60% (Expert 2), 7.04±2.92% (Expert 3)를 보였으며, 인공 신경망 모델의 변동계수의 평균과 표준 오차는 2.62±0.48%로 계산되었다. 전문 평가자와 평균 변동계수는 제안한 모델과 비교하여 높은 수치를 보이며 실험자에 따른 평가결과의 편차가 크게 나타남을 보였다. 그리고 표준오차의 크기를 통해 전문평가자의 업무에 따른 변동계수의 범위가 본 발명의 일실시예 보다 넓음을 보였다.

이와 같이 본 발명의 실시예에 따른 작업 하중 평가 장치 및 방법은 작업 하중에 대해 정확하고 낮은 편차를 가진 신뢰성 있는 결과물을 제공할 수 있다.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 발명의 범위는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

100: 인솔 센서 200: 통신 및 데이터 처리부
300: 스마트 장치 110: 압력센서 120: 연결부

Claims (10)

1. 삭제
2. 삭제
3. 삭제
4. 삭제
5. 삭제
6. 자동으로 작업 하중을 평가하는 방법에 있어서,
   작업 또는 모사 작업 동작 별로 단계별 위험 데이터를 포함하는 데이터를 수집하는 단계와,
   상기 작업 또는 모사 작업 동작 중에 인솔 센서의 분산 배치된 복수의 압력 센서로부터 복수의 압력 데이터를 획득하는 단계와,
   상기 복수의 압력 데이터를 작업자의 체중 데이터를 이용하여 정규화하고 상기 작업 또는 모사 작업 동작 중에 시간에 기초하여 분할하는 단계와,
   상기 시간에 기초하여 분할된 압력 데이터로부터 얻을 수 있는 특징들을 선택하여 입력 변수를 선정하는 단계와,
   상기 선정된 입력 변수를 인공 신경망 모델의 입력으로서 사용하여 작업 하중 평가 데이터를 출력하는 단계를 포함하며,
   상기 입력 변수 선정 단계는,
   a) 특징 후보군을 도출하는 단계
   b) 상기 특징 후보군에 대하여 MRMR(minimal-redundancy-maximum-relevance) criterion을 이용하여 상기 작업 하중과 관련성이 가장 높은 특징을 선정하고, 나머지 특징의 추가를 반복적으로 수행하여, 출력 변수와 최대 상관성, 특징들 사이의 최소 중복성을 만족하는 특징 세트를 선택하는 단계와,
   c) 선택된 특징에 SFS(Sequential forward selection)를 이용하여 상기 수집된 데이터와 에러율이 25% 이하인 특징을 선택하는 단계
   를 포함하는 작업 하중 평가 방법.
7. 삭제
8. 삭제
9. 제 6 항에 있어서,
   상기 인공 신경망 모델은 탄력적 오류 역전파 알고리즘을 이용하여 구축되는 것인 작업 하중 평가 방법.
10. 제 9 항에 있어서,
    상기 인공 신경망 모델은, 상이한 방법으로 획득한 작업 평가 데이터 및 상기 정규화된 압력 데이터로부터 획득한 훈련 데이터와 검증 데이터를 이용하여 학습되는 것인 작업 하중 평가 방법.

Images