지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 김원태
- 발행연도
- 2021
- 저작권
- 한국기술교육대학교 논문은 저작권에 의해 보호받습니다.
이용수9
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
화재 감지 시스템은 화재 발생 시 경보를 통해 신속한 안전조치를 가능 하게 하여 피해를 최소화하는 필수적인 설비로써 주택에 적용되었다. 그러나, 기존 화재 감지 시스템은 센서의 고장 또는 화재와 유사한 상황이 발생하는 경우 실제로 화재가 발생하지 않았음에도 불구하고 경보를 울리는 오경보를 종종 발생시킨다. 이와 같은 오경보는 시민들에게 안전 불감 증을 불러일으키고 무의미한 소방관 출동으로 소방 인력의 낭비와 비용 손실을 발생시키기 때문에 화재 감시 시스템의 오경보를 줄이는 것은 매우 중요하다.
기존의 단일 센서 기반의 화재 감지 시스템들은 단순 임계값을 기준으로 화재를 판단하기 때문에 오경보에 취약하다. 예를 들어, 연기 센서만을 이용하는 화재 감지 시스템은 실제 화재에서 발생하는 연기와 요리로 인한 연기를 구별하지 못한다. 이와 같은 단일 센서로 인한 단점은 복합 센서로부터 수집되는 데이터의 퓨전을 통해 해결할 수 있다. 센서 데이터퓨전으로 Fuzzy logic, Evidence theory, D-Number, Z-Number 그리고 머신러닝 등 과 같은 다양한 기법이 사용될 수 있다. 특히 머신러닝은 데이터의 학습을 통해 스스로 복합 센서 데이터간의 상관관계를 분석할 수있다는 장점을 가지기 때문에 최근 대부분의 화재 감지 시스템 연구에 적용되었다. 그러나, 현재 머신러닝 기반의 화재 감지 시스템은 학습 단계에서 고려하지 못했던 상황에서 오경보 발생 위험이 존재한다. 또한, 대부분의 오경보는 원인 미상이기 때문에 학습 데이터 수집이 불가능하다. 학습이 가능한 오경보는 일부 원인이 알려진 경우에 한정된다. 결과적으로, 알려진 오경보만 학습한 머신러닝 기반의 화재 감지 시스템은 언제나 원인 미상의 오경보 발생 위험이 존재한다.
화재 감지 시스템의 지속적인 센서 데이터 수집을 통한 재학습은 오경보 방지를 위한 해결 방안이 될 수 있다. 그러나 수집되는 데이터의 대부 분은 이미 학습했던 오경보가 아닌 비화재 데이터이며, 이 경우 재학습을 통한 성능 향상을 기대하기 힘들다. 학습하지 못했던 원인 미상의 오경보 발생 상황에서는 이상 데이터가 수집된다. 효과적인 재학습을 통한 성능 향상을 위해서는 수집되는 센서 데이터가 이미 학습한 데이터인지 학습하지 않은 이상 데이터인지 판별해야한다. 따라서 화재 감지 시스템은 원인 미상의 오경보를 발생시키는 이상 데이터를 판별하고 재학습을 통해 효과적인 성능 향상을 달성할 수 있다.
본 논문에서는 원인 미상의 오경보를 발생시키는 이상 데이터 재학습 기반의 고신뢰 화재 감지 시스템을 제안한다. 제안하는 시스템은 화재 감지 센서, IoT 게이트웨이, 기계학습 모델 관리 서버로 구성된다. 실험은 여러 종류의 시계열 데이터 분류에 사용되는 모델인 DNN, CNN, RNN을이용하였으며 각각의 재학습 성능 향상을 비교하였다. 4가지 오경보 발생 시나리오에서 재학습을 실험하고 평균을 계산하여 성능 향상을 평가 하였다. DNN, CNN, RNN 전부 성능 향상이 이루어 지는 것을 확인 하였으며, 특히 CNN은 정확도 89.31%으로 가장 높은 성능을 보였으며, RNN은재학습을 통한 성능 향상치가 12.43%로 가장 높은 성능 향상을 보였다.
이로써 제안하는 재학습 매커니즘을 통해 실험에 사용된 모든 기계학습 모델의 성능이 향상됨을 확인하였으며, 그 중 RNN이 재학습에서 가장 좋은 효과를 얻었음을 확인했다.
기존의 단일 센서 기반의 화재 감지 시스템들은 단순 임계값을 기준으로 화재를 판단하기 때문에 오경보에 취약하다. 예를 들어, 연기 센서만을 이용하는 화재 감지 시스템은 실제 화재에서 발생하는 연기와 요리로 인한 연기를 구별하지 못한다. 이와 같은 단일 센서로 인한 단점은 복합 센서로부터 수집되는 데이터의 퓨전을 통해 해결할 수 있다. 센서 데이터퓨전으로 Fuzzy logic, Evidence theory, D-Number, Z-Number 그리고 머신러닝 등 과 같은 다양한 기법이 사용될 수 있다. 특히 머신러닝은 데이터의 학습을 통해 스스로 복합 센서 데이터간의 상관관계를 분석할 수있다는 장점을 가지기 때문에 최근 대부분의 화재 감지 시스템 연구에 적용되었다. 그러나, 현재 머신러닝 기반의 화재 감지 시스템은 학습 단계에서 고려하지 못했던 상황에서 오경보 발생 위험이 존재한다. 또한, 대부분의 오경보는 원인 미상이기 때문에 학습 데이터 수집이 불가능하다. 학습이 가능한 오경보는 일부 원인이 알려진 경우에 한정된다. 결과적으로, 알려진 오경보만 학습한 머신러닝 기반의 화재 감지 시스템은 언제나 원인 미상의 오경보 발생 위험이 존재한다.
화재 감지 시스템의 지속적인 센서 데이터 수집을 통한 재학습은 오경보 방지를 위한 해결 방안이 될 수 있다. 그러나 수집되는 데이터의 대부 분은 이미 학습했던 오경보가 아닌 비화재 데이터이며, 이 경우 재학습을 통한 성능 향상을 기대하기 힘들다. 학습하지 못했던 원인 미상의 오경보 발생 상황에서는 이상 데이터가 수집된다. 효과적인 재학습을 통한 성능 향상을 위해서는 수집되는 센서 데이터가 이미 학습한 데이터인지 학습하지 않은 이상 데이터인지 판별해야한다. 따라서 화재 감지 시스템은 원인 미상의 오경보를 발생시키는 이상 데이터를 판별하고 재학습을 통해 효과적인 성능 향상을 달성할 수 있다.
본 논문에서는 원인 미상의 오경보를 발생시키는 이상 데이터 재학습 기반의 고신뢰 화재 감지 시스템을 제안한다. 제안하는 시스템은 화재 감지 센서, IoT 게이트웨이, 기계학습 모델 관리 서버로 구성된다. 실험은 여러 종류의 시계열 데이터 분류에 사용되는 모델인 DNN, CNN, RNN을이용하였으며 각각의 재학습 성능 향상을 비교하였다. 4가지 오경보 발생 시나리오에서 재학습을 실험하고 평균을 계산하여 성능 향상을 평가 하였다. DNN, CNN, RNN 전부 성능 향상이 이루어 지는 것을 확인 하였으며, 특히 CNN은 정확도 89.31%으로 가장 높은 성능을 보였으며, RNN은재학습을 통한 성능 향상치가 12.43%로 가장 높은 성능 향상을 보였다.
이로써 제안하는 재학습 매커니즘을 통해 실험에 사용된 모든 기계학습 모델의 성능이 향상됨을 확인하였으며, 그 중 RNN이 재학습에서 가장 좋은 효과를 얻었음을 확인했다.
목차
등록된 정보가 없습니다.
최근 본 자료
댓글(0)
0