스마트팜 센서 상태 기반 건전성 관리 알고리즘 개발 연구
Research on the Development of Smart Farm Sensor Status-based Prognostics and Health Management Algorithms
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
최근 우리나라 농업의 지향점은 과학기술을 통한 고효율 디지털 농업의 실현을 목표로 하고 있다. 이에 따라 디지털 농업 기술이 전국적으로 보급 확산하고 있지만, 센서와 데이터의 신뢰성과 정확성을 확보하지 못해 스마트팜의 활용도와 정책의 실효성도 저하하고 있다. 따라서 본 논문에서는 스마트팜에 활용되는 센서 환경 데이터 분석을 통한 센서 고장 징후 포착 및 진단 기술 개발을 위해 고장예지 및 건전성관리(PHM: Prognostics and Health Management) 기술을 적용하고자 한다. 스마트팜 데이터를 수집하기 위해 5개의 농가를 선정하였고, 스마트팜 온실에서 문제가 발생되고 있는 습도 센서와 이산화탄소 센서를 PHM 관리 대상으로 선정하였다. 건전성관리 기술을 이용하여 이상데이터 감지 및 고장 예측 기술을 수학적 모델과 머신러닝 기반 이상 감지 알고리즘 개발하였다. 실험결과로 상대 습도 추정 알고리즘에 의해 이상 데이터와 센서의 고장 상태를 90%이상 식별하고 고장에 대한 대응이 가능하였고, CO₂ 농도는 절대 평균 오차 15.4ppm 수준에서 환경에 따른 CO2 농도의 변화를 추정할 수 있었다. 이후 스마트팜 장비에 적용하여 더 신뢰성 있는 데이터의 확보와 안정적 스마트팜의 장비 유지 관리에 적용하여 많은 기대효과를 예상한다.
Abstract
Recently, the direction of agriculture in Korea is aimed at realizing highly efficient digital agriculture through science and technology. Accordingly, digital agricultural technology is spreading nationwide, but the reliability and accuracy of sensors and data are not secured, reducing the usability of smart farms and the effectiveness of policies. Therefore, in this paper, we aim to apply Prognostics and Health Management (PHM) technology to develop sensor failure symptom detection and diagnosis technology through analysis of sensor environment data used in smart farms. Five farms were selected to collect smart farm data, and humidity sensors and CO₂ sensors, which were causing problems in smart farm greenhouses, were selected as PHM management targets. Using health management technology, abnormal data detection and failure prediction technology was developed using a mathematical model and a machine learning-based abnormality detection algorithm. As a result of the experiment, the relative humidity estimation algorithm identified more than 90% of the abnormal data and sensor failure conditions and responded to the failure, and the CO₂ concentration could be estimated according to the environment at an absolute average error of 15.4 ppm. After that, it was applied to smart farm equipment to secure more reliable data and to maintain stable smart farm equipment, resulting in a lot of expected effects
참고문헌 (15)
- Analysis on the status and future development of smart farming project, "J. Y. Byun", National Assembly Budget Office, ~ (2022)
- Y. C. Choi, "Smart farm in the 4th industrial revolution era", The Journal of The Korean Institute of Communication Sciences, 36(3), pp.9~16 (2019)
- H. Kim, "A study on the diversification of distribution channels through analysis of changes in production and distribution of envirnoment-friendly agricultural products", pp.2018
- J. Kaaya, "Role of information technology in agriculture", Proceedings of FoA Conference, 4 (1999)
- M. Mourad, "A method for automatic validation of long time series of data in urban hydrology", Water Science & Technology, 45(4-5), pp.263~270 (2002)
- S. J. Hong, "An integrated verification system for an rnn inference processor", Korean Society of Electronics Engineers Conference, pp.1918~1921 (2022)
- A study on smart farm operation status and development direction, "D. S. Seo", Ministry of Agriculture, Food and Rural Affairs, Linked data from the National Library of Korea, ~ (2016)
- 조성민, "RNN과 강화 학습을 이용한 자동 문서 제목 생성", Journal of Information Technology Applications & Management, 27(1), pp.49~58 (2020), 한국데이터전략학회
- 최휘민, "스마트팜 ICT기기의 이상탐지 시스템", 한국인터넷방송통신학회 논문지, 19(2), pp.169~174 (2019), 한국인터넷방송통신학회[DOI]
- A. B. Sharma, "Sensor faults : Detection methods and prevalence in real-world datasets", ACM Transactions on Sensor Networks, 6(3), pp.1~39 (2010)
- Prognostics & health management toward industrial digitalization, "KSPHM", KSPHM, ~ (2019)
- "PHM basic concept" (2022)[URL]
- 정예은, "인공지능 기반 건전성 예측 및 관리에 관한 국내 연구 동향 분석", 품질경영학회지, 51(2), pp.223~245 (2023), 한국품질경영학회[DOI]
- "LightGBM" (2022)[URL]
- (2022)[URL]