KR102770636B1 - 다수의 저가형 동종 가스센서를 이용한 전자코 시스템 - Google Patents
다수의 저가형 동종 가스센서를 이용한 전자코 시스템 Download PDFInfo
- Publication number
- KR102770636B1 KR102770636B1 KR1020210171254A KR20210171254A KR102770636B1 KR 102770636 B1 KR102770636 B1 KR 102770636B1 KR 1020210171254 A KR1020210171254 A KR 1020210171254A KR 20210171254 A KR20210171254 A KR 20210171254A KR 102770636 B1 KR102770636 B1 KR 102770636B1
- Authority
- KR
- South Korea
- Prior art keywords
- gas sensors
- data
- gas
- sample
- sensor
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
- 238000012545 processing Methods 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 12
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 230000005856 abnormality Effects 0.000 claims abstract description 6
- 239000007789 gas Substances 0.000 claims description 109
- 238000000034 method Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 235000019640 taste Nutrition 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 2
- 239000000796 flavoring agent Substances 0.000 claims 1
- 235000019634 flavors Nutrition 0.000 claims 1
- 210000001331 nose Anatomy 0.000 description 26
- 238000010586 diagram Methods 0.000 description 6
- 238000004140 cleaning Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 235000019997 soju Nutrition 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008786 sensory perception of smell Effects 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/007—Arrangements to check the analyser
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0022—General constructional details of gas analysers, e.g. portable test equipment using a number of analysing channels
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
- G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
본 발명은 다수의 저가형 동종 가스센서를 이용한 전자코 시스템에 관한 것이다. 샘플 공급부는 분류대상 샘플을 공급한다. 가스센서부는 샘플 공급부로부터 공급된 샘플에 대한 데이터를 분류대상별로 취득하도록 서로 다른 종류의 가스센서들이 다수 개씩 동종으로 그룹핑되어 구비된다. 데이터 처리부는 가스센서부로부터 취득된 데이터의 신호 이상유무를 확인하여 이상신호 확인시 동종 가스센서들의 정상신호를 이용하여 생성된 가상신호로 이상신호를 대체하여 데이터를 전처리한 후, 전처리된 데이터로 머신러닝 모델(machine learning model)을 학습시켜 샘플을 분류한다.
Description
본 발명은 전자코 시스템에 관한 것으로, 더욱 상세하게는 센서를 이용하여 특정 기체의 종류를 구별하는 전자코 시스템에 관한 것이다.
전자코(Electronic Nose)는 센서를 이용하여 특정 기체의 종류를 구별하는 전자장치이다. 인간의 후각 기관은 기체의 종류와 농도까지 구분할 수 있는 매우 정밀한 감각 능력을 갖고 있지만, 특정 기체에 일정 시간 이상 노출되면 쉽게 피로해져서 더 이상 그 기체를 감지하지 못하고 안전상 맡을 수 있는 기체의 종류가 한정되어 있다.
이와 달리, 전자코는 지속적으로 기체를 모니터링 할 수 있고, 인간에 유해한 기체에도 사용이 가능하다. 이러한 효율성으로 인해 전자코는 식품과 음료산업, 폭발물 탐지, 독성 물질이나 마약류 검출, 환경 모니터링 등뿐만 아니라, 의학 진단에 이르기까지 다양한 응용 분야에서 활용이 가능하다.
기존의 전자코 시스템은 가스 선택성(하나의 가스에만 반응하는 특성)이 우수한 센서 또는 가스 민감도(미량의 가스에도 반응하는 특성)가 우수한 센서를 어레이로 활용하여 향과 맛을 구분하게 된다.
이러한 센서는 기본적으로 고가이며, 주기적으로 사용 전 전문적인 교정을 수행해야 하는 단점이 있다. 또한, 수십 개의 서로 다른 선택성을 가진 센서를 활용하여 데이터를 수집할 때, 고장난 센서 또는 교정이 안된 센서가 있는 경우에는 정확한 분석을 할 수 없다는 문제점이 있다.
본 발명의 과제는 주기적으로 사용 전 전문적인 교정 없이 저가로 샘플을 정확하게 분류할 수 있는 전자코 시스템을 제공함에 있다.
상기의 과제를 달성하기 위한 본 발명에 따른 다수의 저가형 동종 가스센서를 이용한 전자코 시스템은 샘플 공급부와, 가스센서부, 및 데이터 처리부를 포함한다. 샘플 공급부는 분류대상 샘플을 공급한다. 가스센서부는 샘플 공급부로부터 공급된 샘플에 대한 데이터를 분류대상별로 취득하도록 서로 다른 종류의 가스센서들이 다수 개씩 동종으로 그룹핑되어 구비된다. 데이터 처리부는 가스센서부로부터 취득된 데이터의 신호 이상유무를 확인하여 이상신호 확인시 동종 가스센서들의 정상신호를 이용하여 생성된 가상신호로 이상신호를 대체하여 데이터를 전처리한 후, 전처리된 데이터로 머신러닝 모델(machine learning model)을 학습시켜 샘플을 분류한다.
본 발명의 효과는 다음과 같다.
첫째, 동종 가스센서들 간 출력이 상이하고, 교차간섭 문제를 분류대상 샘플의 고유 패턴으로 활용하기 때문에 전자코 시스템을 보정할 필요가 없다.
둘째, 전자코 시스템의 보정이 필요 없기 때문에 전자코 시스템에 사용된 가스센서가 고장 나더라도 단순 교체만으로 즉시 전자코 시스템이 동작이 가능하다.
셋째, 다수의 동종 가스센서들을 사용하기 때문에 상호비교를 통해 가스센서의 고장진단을 쉽게 할 수 있으며, 고장 난 가스센서가 검출되면 함께 사용된 동종 가스센서들의 신호를 이용해 가상출력을 생성할 수 있기 때문에 고유 패턴의 왜곡을 최소화할 수 있다.
넷째, 비정상상태 응답을 분류대상 샘플의 고유 패턴으로 활용하기 때문에 빠르게 샘플 분류가 가능하다.
도 1은 본 발명의 일 실시예에 따른 다수의 저가형 동종 가스센서를 이용한 전자코 시스템에 대한 구성도이다.
도 2는 데이터 처리부의 작용 예를 나타낸 도면이다.
도 3은 가상신호를 생성하는 예를 나타낸 그래프이다.
도 4는 본 발명의 일 실시예에 따른 다수의 저가형 동종 가스센서를 이용한 전자코 시스템의 샘플 분류 성능을 확인하기 위해 실험한 결과를 나타낸 도면이다.
도 2는 데이터 처리부의 작용 예를 나타낸 도면이다.
도 3은 가상신호를 생성하는 예를 나타낸 그래프이다.
도 4는 본 발명의 일 실시예에 따른 다수의 저가형 동종 가스센서를 이용한 전자코 시스템의 샘플 분류 성능을 확인하기 위해 실험한 결과를 나타낸 도면이다.
본 발명에 대해 첨부된 도면을 참조하여 상세히 설명하면 다음과 같다. 여기서, 동일한 구성에 대해서는 동일부호를 사용하며, 반복되는 설명, 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략한다. 본 발명의 실시형태는 당업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위해서 제공되는 것이다. 따라서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
도 1은 본 발명의 일 실시예에 따른 다수의 저가형 동종 가스센서를 이용한 전자코 시스템에 대한 구성도이다. 도 2는 데이터 처리부의 작용 예를 나타낸 도면이다. 도 3은 가상신호를 생성하는 예를 나타낸 그래프이다.
도 1 내지 도 3을 참조하면, 본 발명의 일 실시예에 따른 다수의 저가형 동종 가스센서를 이용한 전자코 시스템(100)은 샘플 공급부(110)와, 가스센서부(120), 및 데이터 처리부(130)를 포함한다.
샘플 공급부(110)는 분류대상 샘플(1)을 공급한다. 여기서, 분류대상 샘플(1)은 시중에 판매되는 희석식 소주 3종(처음처럼, 참이슬, 진로) 등과 같은 다양한 샘플이 사용될 수 있다.
샘플 공급부(110)는 필터로 정제된 압축공기를 이용하여, 분류대상 샘플(1)을 가스센서부(120)의 센서 챔버(122) 내로 공급하는 기능과, 센서 챔버(122) 내의 공기를 정화하는 클리닝 기능을 수행할 수 있다.
샘플 공급부(110)는 공급관(112)을 통해 분류대상 샘플(1)이 저장된 탱크(111) 내로 샘플 주입용 압축공기를 공급해서 공압에 의해 탱크(111) 내의 샘플(1)을 배출관(113)을 통해 센서 챔버(122) 내로 가스 형태로 공급할 수 있다. 샘플 공급부(110)는 센서 챔버(122) 내의 팬(116)에 의해 센서 챔버(122) 내의 샘플(1)을 유동시켜 가스센서(121)들에 고르게 공급한 후 센서 챔버(122)의 샘플 배기관(114)을 통해 배출할 수 있다.
샘플 공급부(110)는 샘플(1) 측정 후 클리닝관(115)을 통해 센서 챔버(122) 내로 클리닝용 압축공기를 공급해서 공압에 의해 센서 챔버(122) 내의 잔여 샘플을 샘플 배기관(114)을 통해 배출함으로써, 센서 챔버(122) 내의 공기를 정화할 수 있다.
가스센서부(120)는 샘플 공급부(110)로부터 공급된 샘플(1)에 대한 데이터를 분류대상별로 취득하도록 서로 다른 종류의 가스센서(121)들이 다수 개씩 동종으로 그룹핑되어 구비된다.
일 예로, 가스센서부(120)는 센서 챔버(122) 내에 총 6종의 가스센서(121)를 각각 5개씩 그룹을 지어 총 30개의 가스센서(121)들을 어레이로 구성한 것일 수 있다. 즉, 가스센서(121)들은 종류별로 A 센서 그룹, B 센서 그룹, C 센서 그룹, D 센서 그룹, E 센서 그룹, F 센서 그룹으로 총 6개의 그룹을 이루고, 그룹마다 5개씩 마련되어 구성될 수 있다.
가스센서(121)들은 저가형 반도체식 가스센서인 MQ-3, MQ-2, MQ-4, MQ-7, MQ-9, MQ-135와 같은 6종의 가스센서가 이용될 수 있다. 물론, 가스센서부(120)는 예시된 바에 한정되지 않고 다양하게 구성될 수 있다.
데이터 처리부(130)는 가스센서부(120)로부터 취득된 데이터의 신호 이상유무를 확인하여 이상신호 확인시 동종 가스센서(121)들의 정상신호를 이용하여 생성된 가상신호로 이상신호를 대체하여 데이터를 전처리한 후, 전처리된 데이터로 머신러닝 모델을 학습시켜 샘플(1)을 분류한다.
즉, 데이터 처리부(130)는 가스센서부(120)에서 취득한 데이터의 전처리 및 분류를 담당한다. 데이터 처리부(130)는 가스센서부(120)에서 취득된 데이터의 신호 이상유무를 확인 후, 노이즈 필터 과정 및 정규화 과정을 거칠 수 있다.
일 예로, 데이터 처리부(130)는 각 가스센서가 안정화된 상태에서 데이터 이동평균을 계산하여 일정시간 이상 임의로 선정된 문턱값을 초과하는 가스센서를 고장으로 판단할 수 있다. 문턱값은 각종 가스센서를 미리 실험하여 정상신호로 평가를 위한 기준 값으로 선정될 수 있다.
다른 예로, 데이터 처리부(130)는 동종 가스센서들의 각 데이터 피크값의 평균을 구한 후 각 피크값의 표준편차값이 임의로 선정된 문턱값을 초과하는 가스센서를 고장으로 판단할 수 있다.
또 다른 예로, 데이터 처리부(130)는 동종 가스센서들의 각 데이터 전체를 상관분석 기법으로 분석한 후 상관계수가 임의로 선정된 문턱값을 초과하는 가스센서를 고장으로 판단할 수 있다. 여기서, 상관분석 기법으로는 피어슨 상관계수(Pearson Correlation Coefficient)/스피어만 상관계수(Spearman Correlation Coefficient), 크론바흐 알파계수(Cronbach Alpha Coefficient) 등이 이용될 수 있다.
또 다른 예로, 데이터 처리부(130)는 각 가스센서가 안정화된 상태에서 데이터 이동평균을 계산하여 일정시간 이상 임의로 선정된 문턱값을 초과하는 값을 센서 고장판단 계수로 취득하고, 동종 가스센서들의 각 데이터 피크값의 평균을 구한 후 각 피크값의 표준편차값이 임의로 선정된 문턱값을 초과하는 값을 센서 고장판단 계수로 취득하며, 동종 가스센서들의 각 데이터 전체를 상관분석 기법으로 분석한 후 상관계수가 임의로 선정된 문턱값을 초과하는 값을 센서 고장판단 계수로 취득한 후, 취득한 센서 고장판단 계수들의 평균값이 임의로 선정된 문턱값을 초과하는 가스센서를 고장으로 판단할 수 있다.
데이터 처리부(130)는 일부 가스센서의 이상 발생 시, 동종 가스센서들의 정상신호를 이용하여 가상출력을 생성한 후 이상신호를 대체한다. 일 예로, 데이터 처리부는 동종 가스센서들의 정상신호 데이터의 평균값을 이용하여 가상신호를 생성할 수 있다.
다른 예로, 데이터 처리부(130)는 동종 가스센서들의 정상신호 데이터의 실효값(Root Mean Square)을 이용하여 가상신호를 생성할 수 있다. 또 다른 예로, 데이터 처리부(130)는 동종 가스센서들의 정상신호 데이터의 평균값과 실효값을 평균해서 구한 평균값을 이용하여 가상신호를 생성할 수 있다.
데이터 처리부(130)는 전처리 완료된 데이터는 머신러닝 모델에 학습시킨 후, 생성된 모델을 통해 샘플 분류를 수행한다. 본 실시예에서, 머신러닝 모델은 다층 신경망(Multi-Layer Perceptron; MLP) 모델일 수 있으며, 완전 연결 레이어(fully connected layer) 등을 통해 데이터를 처리해 샘플을 분류할 수 있다. 머신러닝 모델은 콘볼루션 신경망(Convolutional Neural Network: CNN) 모델일 수도 있다.
이와 같이, 본 발명의 전자코 시스템(100)은 종래의 전자코 시스템이 선택성과 민감도가 우수한 고가의 가스센서를 활용하는 것과는 달리 선택성과 민감도가 낮은 저가형 가스센서를 다수 사용하는 것을 특징으로 한다.
일반적으로, 동일한 향과 맛에 대해 저가형 가스센서는 동종 가스센서라 하더라도 가스센서들 간 출력값과 응답특성이 상이하고, 검출 대상이 아닌 가스에도 반응하여 출력을 나타내는 교차간섭 특성을 가지고 있다.
본 발명의 전자코 시스템(100)은 저가형 가스센서의 교차간섭 특성과 동종 가스센서의 상이한 출력 특성을 적극 활용하여 가스 분류에 이용한다. 즉, 본 발명의 전자코 시스템(100)에서 사용된 저가형 가스센서들은 모두 각기 다른 출력을 나타내기 때문에, 이 출력을 검출하고자 하는 가스의 고유 패턴으로 사용이 가능하다. 이러한 고유 패턴을 다양한 향과 맛에 대해서 데이터를 획득하고 머신러닝 모델을 통해 학습시키면 향과 맛 분류 시스템인 본 발명의 전자코 시스템(100)으로 활용이 가능하게 된다.
또한, 실제 적용시, 장시간 사용된 저가형 가스센서가 고장날 경우, 기 학습된 고유 패턴과 많은 차이를 보이는 출력값을 나타낼 수 있기 때문에 이에 대한 보정이 필요할 수 있으나, 본 발명의 전자코 시스템(100)에서는 고장난 가스센서의 출력을 주변의 동종 가스센서들의 신호를 활용하여 가상출력을 생성하여 사용함으로써 고장난 가스센서가 고유 패턴에 미치는 영향을 최소화할 수 있다.
또한, 고유 패턴을 형성할 때, 종래의 전자코 시스템은 출력이 일정해지는 정상상태 출력까지 수분 이상 충분한 시간 동안 검출 가스에 노출시키지만, 본 발명의 전자코 시스템(100)은 수십초 정도만 검출 가스에 노출시키고, 공기로 클리닝시키는 사이클로 비정상상태 응답을 고유 패턴으로 활용하기 때문에 검출 속도가 빠른 장점이 있다.
도 4는 본 발명의 일 실시예에 따른 다수의 저가형 동종 가스센서를 이용한 전자코 시스템의 샘플 분류 성능을 확인하기 위해 실험한 결과를 나타낸 도면이다.
여기서, 가스센서는 반도체식 가스센서 6종을 각각 5개씩 총 30개로 구성되었고, 시중에 판매되는 희석식 소주 3종(처음처럼, 참이슬, 진로)의 맛을 구분하는 것에 활용하여 그 성능을 검증하였다. 또한, 본 실시예의 전자코 시스템에 의해 취득된 데이터로 머신러닝 모델을 학습시켜 총 3회 분류를 진행한 결과이다.
도 4에 도시된 바와 같이, 실험결과는 혼동행렬(confusion matrix)로 표현되며, 대각선 행렬의 값은 분류모델의 예측성능 대비 정확도를 정규화한 값을 나타낸다. 대각선 행렬의 정규화한 값을 살펴보면, 0.91 이상으로 샘플 분류 성능이 비교적 우수하므로, 희석식 소주 맛 구분 등에 활용 가능할 것으로 확인된다.
본 발명은 첨부된 도면에 도시된 일 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 당해 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 수 있을 것이다. 따라서, 본 발명의 진정한 보호 범위는 첨부된 청구 범위에 의해서만 정해져야 할 것이다.
1..샘플
110..샘플 공급부
120..가스센서부
121..가스센서
130..데이터 처리부
110..샘플 공급부
120..가스센서부
121..가스센서
130..데이터 처리부
Claims (4)
- 분류대상 샘플을 공급하는 샘플 공급부;
상기 샘플 공급부로부터 공급된 샘플에 대한 데이터를 분류대상별로 취득하도록 서로 다른 종류의 가스센서들이 다수 개씩 동종으로 그룹핑되어 구비된 가스센서부; 및
상기 가스센서부로부터 취득된 데이터의 신호 이상유무를 확인하여 이상신호 확인시 동종 가스센서들의 정상신호를 이용하여 생성된 가상신호로 이상신호를 대체하여 데이터를 전처리한 후, 전처리된 데이터로 머신러닝 모델(machine learning model)을 학습시켜 샘플을 분류하는 데이터 처리부;를 포함하며,
상기 가스센서들은 검출 대상이 아닌 가스에도 반응하여 출력을 나타내는 교차간섭 특성을 갖고 샘플의 동일한 향과 맛에 대해 동종 간에 각기 다른 출력을 나타내는 구성으로 이루어지며;
상기 데이터 처리부는, 상기 가스센서들의 교차간섭 특성과 상기 가스센서들의 동종 간 상이한 출력 특성과 상기 가스센서들의 비정상상태 응답을 머신러닝 모델에 의해 샘플의 고유 패턴으로 학습시켜 샘플을 분류하는 것을 특징으로 하는 다수의 저가형 동종 가스센서를 이용한 전자코 시스템. - 제1항에 있어서,
상기 데이터 처리부는,
각 가스센서가 안정화된 상태에서 데이터 이동평균을 계산하여 일정시간 이상 임의로 선정된 문턱값을 초과하는 가스센서를 고장으로 판단하거나,
동종 가스센서들의 각 데이터 피크값의 평균을 구한 후 각 피크값의 표준편차값이 임의로 선정된 문턱값을 초과하는 가스센서를 고장으로 판단하거나,
동종 가스센서들의 각 데이터 전체를 상관분석 기법으로 분석한 후 상관계수가 임의로 선정된 문턱값을 초과하는 가스센서를 고장으로 판단하는 것을 특징으로 하는 다수의 저가형 동종 가스센서를 이용한 전자코 시스템. - 제1항에 있어서,
상기 데이터 처리부는,
각 가스센서가 안정화된 상태에서 데이터 이동평균을 계산하여 일정시간 이상 임의로 선정된 문턱값을 초과하는 값을 센서 고장판단 계수로 취득하고,
동종 가스센서들의 각 데이터 피크값의 평균을 구한 후 각 피크값의 표준편차값이 임의로 선정된 문턱값을 초과하는 값을 센서 고장판단 계수로 취득하며,
동종 가스센서들의 각 데이터 전체를 상관분석 기법으로 분석한 후 상관계수가 임의로 선정된 문턱값을 초과하는 값을 센서 고장판단 계수로 취득한 후,
취득한 센서 고장판단 계수들의 평균값이 임의로 선정된 문턱값을 초과하는 가스센서를 고장으로 판단하는 것을 특징으로 하는 다수의 저가형 동종 가스센서를 이용한 전자코 시스템. - 제1항 내지 제3항 중 어느 하나의 항에 있어서,
상기 데이터 처리부는,
동종 가스센서들의 정상신호 데이터의 평균값을 이용하여 가상신호를 생성하거나,
동종 가스센서들의 정상신호 데이터의 실효값(Root Mean Square)을 이용하여 가상신호를 생성하거나,
동종 가스센서들의 정상신호 데이터의 평균값과 실효값을 평균해서 구한 평균값을 이용하여 가상신호를 생성하는 것을 특징으로 하는 다수의 저가형 동종 가스센서를 이용한 전자코 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210171254A KR102770636B1 (ko) | 2021-12-02 | 2021-12-02 | 다수의 저가형 동종 가스센서를 이용한 전자코 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210171254A KR102770636B1 (ko) | 2021-12-02 | 2021-12-02 | 다수의 저가형 동종 가스센서를 이용한 전자코 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20230083129A KR20230083129A (ko) | 2023-06-09 |
| KR102770636B1 true KR102770636B1 (ko) | 2025-02-24 |
Family
ID=86765337
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210171254A Active KR102770636B1 (ko) | 2021-12-02 | 2021-12-02 | 다수의 저가형 동종 가스센서를 이용한 전자코 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102770636B1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN119357560B (zh) * | 2024-12-23 | 2025-04-29 | 浙江工商大学 | 一种电子鼻轻量化气体识别方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6960751B2 (ja) | 2017-03-22 | 2021-11-05 | 大阪瓦斯株式会社 | 異常判定装置、及び異常判定方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE19722334B4 (de) * | 1997-05-28 | 2011-01-05 | Robert Bosch Gmbh | Abgassondendiagnoseverfahren und -vorrichtung |
| KR20030093682A (ko) * | 2002-06-05 | 2003-12-11 | (주)엠아이스트림 | 자동차용 휘발유에 포함된 환경유해 가스 및 이물질탐지와 판별을 위한 소형 전자코시스템 및 방법 |
| KR102815624B1 (ko) | 2019-08-14 | 2025-06-04 | 한국전자통신연구원 | 스펙트럼 분석 기반 전자코 장치 및 방법 |
-
2021
- 2021-12-02 KR KR1020210171254A patent/KR102770636B1/ko active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6960751B2 (ja) | 2017-03-22 | 2021-11-05 | 大阪瓦斯株式会社 | 異常判定装置、及び異常判定方法 |
Non-Patent Citations (1)
| Title |
|---|
| 박종식, 이성수. 다중 센서 어레이 신호 검증을 위한 플랫폼 설계. 한국정보통신학회논문지 제15권 제11호, 2011.11. pp2480-2487.* |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230083129A (ko) | 2023-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5473931B2 (ja) | 光学粒子計数器を較正検証するためのシステム及び方法 | |
| US8064722B1 (en) | Method and system for analyzing signal-vector data for pattern recognition from first order sensors | |
| CN106068447B (zh) | 差压测量组件及用于监测差压测量组件的方法 | |
| US9651529B2 (en) | Artificial olfactory system and an application thereof | |
| Srivastava et al. | Probabilistic artificial neural network and E-nose based classification of Rhyzopertha dominica infestation in stored rice grains | |
| KR102770636B1 (ko) | 다수의 저가형 동종 가스센서를 이용한 전자코 시스템 | |
| DE60205356D1 (de) | System, vorrichtung und verfahren zur diagnose eines strömungssystems | |
| EP1978358A3 (de) | Sensor zur Erfassung eines toxischen oder gefährlichen Gasgemisches und Betriebsverfahren | |
| CN108107086B (zh) | 一种基于阵列气体传感器的气体检测方法及气体传感器 | |
| KR20200027088A (ko) | 인공신경망을 이용한 멀티모달 센서 이상 감지 장치 및 방법 | |
| US6094968A (en) | Continuous emissions monitoring system | |
| US20070209426A1 (en) | System and method for determining duct leakage and fan flow efficiency | |
| JP4723544B2 (ja) | 基板分類方法および装置、基板分類方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体 | |
| CN116759014A (zh) | 基于随机森林的气体种类及浓度预测方法、系统及装置 | |
| CN102762972A (zh) | 用于确定散射光测量设备的测量结果质量的方法和装置 | |
| CN118376656A (zh) | 一种基于电子鼻的气味识别方法及系统 | |
| US7672813B2 (en) | Mixed statistical and numerical model for sensor array detection and classification | |
| US20190049366A1 (en) | System, method and apparatus for continuous evaluation, detection and storage of colorimetric wavelength changes on a chemically impregnated media useful in the detection of gases | |
| CN111242278A (zh) | 一种基于智能算法的复合烟感低误报方法 | |
| CN113420813B (zh) | 一种车辆尾气检测设备颗粒物过滤棉状态的诊断方法 | |
| US20110098974A1 (en) | Adaptive differential ratio-metric detector | |
| US7019657B2 (en) | Method, apparatus and system for fire detection | |
| JP4635967B2 (ja) | 時系列信号を用いた物品の良否判定装置及び良否判定方法 | |
| CN109682858B (zh) | 一种利用气体传感器实时检测气体浓度的方法 | |
| KR102015712B1 (ko) | 대기 환경 센서의 고장을 검출하기 위한 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PA0109 | Patent application |
Patent event code: PA01091R01D Comment text: Patent Application Patent event date: 20211202 |
|
| PA0201 | Request for examination | ||
| PG1501 | Laying open of application | ||
| E902 | Notification of reason for refusal | ||
| PE0902 | Notice of grounds for rejection |
Comment text: Notification of reason for refusal Patent event date: 20240411 Patent event code: PE09021S01D |
|
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration |
Patent event code: PE07011S01D Comment text: Decision to Grant Registration Patent event date: 20250205 |
|
| GRNT | Written decision to grant | ||
| PR0701 | Registration of establishment |
Comment text: Registration of Establishment Patent event date: 20250217 Patent event code: PR07011E01D |
|
| PR1002 | Payment of registration fee |
Payment date: 20250218 End annual number: 3 Start annual number: 1 |
|
| PG1601 | Publication of registration |