KR-20260060575-A - Autonomous modeling apparatus and method

KR20260060575AKR 20260060575 AKR20260060575 AKR 20260060575AKR-20260060575-A

Abstract

본 발명의 일 실시예에 의한 모델링 장치, 물리적 혹은 수학적 원리 기반 화이트박스 모델인 예측 모델을 생성하는 예측 모델링부, 관측된 변수를 입력 변수 및 출력 변수로 하는 블랙박스 모델인 벤치마크 모델을 생성하는 벤치마크 모델링부, 예측 모델의 예측 값과 실제 관측된 값 사이의 잔차 및 벤치마크 모델의 출력 값과 실제 관측된 값 사이의 잔차를 각각 계산하는 거리 모델링부 및 예측 모델의 잔차와 벤치마크 모델의 잔차를 기초로 예측 모델을 보정하는 보정 모델링부를 포함할 수 있다.

Inventors

윤성민
이제윤
구자범

Assignees

성균관대학교산학협력단

Dates

Publication Date: 20260506
Application Date: 20241025

Claims (20)

물리적 혹은 수학적 원리 기반 화이트박스 모델인 예측 모델을 생성하는 예측 모델링부; 관측된 변수를 입력 변수 및 출력 변수로 하는 블랙박스 모델인 벤치마크 모델을 생성하는 벤치마크 모델링부; 상기 예측 모델의 예측 값과 실제 관측된 값 사이의 잔차 및 상기 벤치마크 모델의 출력 값과 실제 관측된 값 사이의 잔차를 각각 계산하는 거리 모델링부; 및 상기 예측 모델의 잔차와 상기 벤치마크 모델의 잔차를 기초로 예측 모델을 보정하는 보정 모델링부; 를 포함하는 모델링 장치.
제1항에 있어서, 상기 보정 모델링부는, 보정 상수 및 활성화 함수를 포함하는 보정 모델을 생성하고, 상기 보정 모델을 기초로 상기 예측 모델을 보정하는 것을 특징으로 하는 모델링 장치.
제2항에 있어서, 상기 보정 모델링부는, 상기 보정 모델의 손실함수를 상기 잔차를 최소화하는 방향으로 설정하여 상기 보정 상수를 추정하고, 상기 보정 상수를 상기 예측 모델의 예측 값에 더한 값을 기초로 상기 예측 모델을 보정하는 것을 특징으로 하는 모델링 장치.
제3항에 있어서, 상기 보정 모델링부는, 상기 보정 상수를 상기 예측 모델의 예측 값에 더한 값을 상기 벤치마크 모델의 입력 변수로 하여 출력된 출력 값을 상기 손실함수의 입력 값으로 활용하는 것을 특징으로 하는 모델링 장치.
제2항에 있어서, 상기 보정 모델링부는 0부터 상기 보정 상수 사이의 최대값을 양의 활성화 함수로, 최소값을 음의 활성화 함수로 구분하는 것을 특징으로 하는 모델링 장치.
제1항에 있어서, 상기 벤치마크 모델링부는, 상기 관측된 변수 중 상기 출력 변수를 먼저 결정하고, 결정된 출력 변수에 기초하여 상기 입력 변수를 결정하는 것을 특징으로 하는 모델링 장치.
제6항에 있어서, 상기 벤치마크 모델링부는, 상기 관측된 변수들 간 상관 계수 분석을 통해 상관 계수가 미리 설정한 기준 이상이 되는 변수를 상기 출력 변수로 결정하는 것을 특징으로 하는 모델링 장치.
제7항에 있어서, 상기 벤치마크 모델링부는, 상기 결정된 출력 변수에 대해 민감도 분석을 수행하여 상기 입력 변수의 후보를 결정하고, 상기 입력 변수의 후보 중 분산 팽창 요인(VIF) 값이 미리 설정한 기준 이상의 변수는 후보에서 제외하는 것을 특징으로 하는 모델링 장치.
제8항에 있어서, 상기 벤치마크 모델링부는, 상기 예측 모델의 예측 값을 벤치마크 모델의 상기 입력 변수로 활용하는 것을 특징으로 하는 모델링 장치.
제1항에 있어서, 상기 거리 모델링부는, 상기 잔차가 미리 설정된 임계값을 초과하는 경우, 상기 예측 모델 혹은 상기 벤치마크 모델에 오류가 있는 것으로 판단하는 것을 특징으로 하는 모델링 장치.
예측 모델링부에서, 물리적 혹은 수학적 원리 기반 화이트박스 모델인 예측 모델을 생성하는 예측 모델링 단계; 벤치마크 모델링부에서, 관측된 변수를 입력 변수 및 출력 변수로 하는 블랙박스 모델인 벤치마크 모델을 생성하는 벤치마크 모델링 단계; 거리 모델링부에서, 상기 예측 모델의 예측 값과 실제 관측된 값 사이의 잔차 및 상기 벤치마크 모델의 출력 값과 실제 관측된 값 사이의 잔차를 각각 계산하는 거리 모델링 단계; 및 보정 모델링부에서, 상기 예측 모델의 잔차와 상기 벤치마크 모델의 잔차를 기초로 예측 모델을 보정하는 보정 모델링 단계; 를 포함하는 모델링 방법.
제11항에 있어서, 상기 보정 모델링 단계는, 보정 상수 및 활성화 함수를 포함하는 보정 모델을 생성하고, 상기 보정 모델을 기초로 상기 예측 모델을 보정하는 것을 특징으로 하는 모델링 방법.
제12항에 있어서, 상기 보정 모델링 단계는, 상기 보정 모델의 손실함수를 상기 잔차를 최소화하는 방향으로 설정하여 상기 보정 상수를 추정하고, 상기 보정 상수를 상기 예측 모델의 예측 값에 더한 값을 기초로 상기 예측 모델을 보정하는 것을 특징으로 하는 모델링 방법.
제13항에 있어서, 상기 보정 모델링 단계는, 상기 보정 상수를 상기 예측 모델의 예측 값에 더한 값을 상기 벤치마크 모델의 입력 변수로 하여 출력된 출력 값을 상기 손실함수의 입력 값으로 활용하는 것을 특징으로 하는 모델링 방법.
제12항에 있어서, 상기 보정 모델링 단계는 0부터 상기 보정 상수 사이의 최대값을 양의 활성화 함수로, 최소값을 음의 활성화 함수로 구분하는 것을 특징으로 하는 모델링 방법.
제11항에 있어서, 상기 벤치마크 모델링 단계는, 상기 관측된 변수 중 상기 출력 변수를 먼저 결정하고, 결정된 출력 변수에 기초하여 상기 입력 변수를 결정하는 것을 특징으로 하는 모델링 방법.
제16항에 있어서, 상기 벤치마크 모델링 단계는, 상기 관측된 변수들 간 상관 계수 분석을 통해 상관 계수가 미리 설정한 기준 이상이 되는 변수를 상기 출력 변수로 결정하는 것을 특징으로 하는 모델링 방법.
제17항에 있어서, 상기 벤치마크 모델링 단계는, 상기 결정된 출력 변수에 대해 민감도 분석을 수행하여 상기 입력 변수의 후보를 결정하고, 상기 입력 변수의 후보 중 분산 팽창 요인(VIF) 값이 미리 설정한 기준 이상의 변수는 후보에서 제외하는 것을 특징으로 하는 모델링 방법.
제18항에 있어서, 상기 벤치마크 모델링 단계는, 상기 예측 모델의 예측 값을 벤치마크 모델의 상기 입력 변수로 활용하는 것을 특징으로 하는 모델링 방법.
제11항에 있어서, 상기 거리 모델링 단계는, 상기 잔차가 미리 설정된 임계값을 초과하는 경우, 상기 예측 모델 혹은 상기 벤치마크 모델에 오류가 있는 것으로 판단하는 것을 특징으로 하는 모델링 방법.

Description

자율적 모델링 장치 및 방법 {Autonomous modeling apparatus and method} 본 발명은 인간의 개입 없이 가상 모델을 구축할 수 있는 자율적 모델링 장치 및 방법이다. 자연환경에서 발생하는 다양한 물리적 현상을 정확히 예측하고 분석하기 위해서는 이를 수학적으로 표현하는 모델이 필수적이다. 이러한 수학적 모델은 물리적 현상의 정량적 이해를 가능하게 하며, 다양한 환경 조건에서의 거동을 예측하는 데 중요한 역할을 한다. 그러나 이와 같은 모델은 다수의 변수를 포함하며 복잡한 수학적 연산을 요구하기 때문에, 그 구축과 해석이 매우 어렵다. 특히 건설환경과 같은 거대한 시스템이나, 대기 등의 자연환경을 대상으로 한 수학적 모델은 그 복잡성이 더욱 증가하며, 이를 실험실 환경에서 정확히 재현하고 검증하는 것은 현실적으로 매우 어렵다. 이러한 모델을 실험적으로 구현하기 위해서는 막대한 비용이 소요되며, 실험 과정 자체도 매우 복잡하다. 결과적으로, 이러한 모델을 실험적으로 검증하는 것은 기술적, 경제적 측면에서 큰 도전 과제가 된다. 따라서, 복잡한 환경을 대상으로 하는 수학적 모델의 구축과 검증에 수반되는 어려움을 극복하기 위해, 이러한 모델을 자율적으로 생성하고 검증할 수 있는 기술이 필요하다. 이러한 기술은 환경 내에서 발생하는 다양한 물리적 현상을 자동으로 분석하고, 이를 기반으로 수학적 모델을 구성하여 실시간으로 변화하는 환경 조건에 적응할 수 있는 능력을 제공한다. 이는 기존의 수동적 모델링 방식의 한계를 넘어, 환경에 대한 더욱 정밀한 이해와 예측을 가능하게 할 것이다. 도 1은 일 실시예에 의한 본 발명의 자율적 모델링 장치의 블록도이다. 도 2는 일 실시예에 의한 모델 커플링의 모식도이다. 도 3은 일 실시예에 의한 보정 모델링 과정을 도시한 모식도이다. 도 4는 일 실시예에 의한 본 발명의 모델링 방법의 순서도이다. 도 5는 일 실시예에 의한 벤치마크 모델 후보의 입력-출력 변수 조합을 나타낸 표이다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 발명에 대해 구체적으로 설명하기로 한다. 본 발명에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 발명에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 발명의 전반에 걸친 내용을 토대로 정의되어야 한다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에서 사용되는 "부", "모듈", "유닛" 등의 용어는 적어도 하나의 기능 또는 동작을 처리하는 단위를 의미하며, 소프트웨어, FPGA 또는 ASIC과 같은 하드웨어 구성요소, 또는 소프트웨어와 하드웨어의 결합으로 구현될 수 있다. 그렇지만 "부", "모듈", "유닛" 등의 용어가 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부", "모듈", "유닛" 등은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 ""부", "모듈", "유닛" 등의 용어는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 아래에서는 첨부한 도면을 참고하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략한다. "제1", "제2" 등과 같이 서수를 포함하는 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 구성 요소들은 용어들에 의해 한정되지는 않는다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. "및/또는" 이라는 용어는 복수의 관련된 항목들의 조합 또는 복수의 관련된 항목들 중의 어느 하나의 항목을 포함한다. 이하, 본 발명의 자율적 모델링 장치(1) 및 방법에 관하여 설명하도록 한다. 본 발명의 자율적 모델링 장치(1) 및 방법은 인공신경망을 활용하여 실험을 통해 구현하기 어려운 거대 시스템의 수학적 모델을 자율적으로 구축함으로써, 소모되는 비용을 절감할 수 있고, 정확도가 높은 예측 모델을 보다 쉽게 구현할 수 있다. 본 발명의 자율적 모델링 장치(1) 및 방법은 건설환경과 자연환경 등의 거대 환경에서 폭넓게 활용될 수 있다. 특히, 건설산업에서 디지털 트윈(Digital Twin) 기술과의 결합을 통해 더욱 높은 효율성을 발휘할 수 있다. 디지털 트윈은 실제 건물과 가상 건물 모델(VBM) 간의 정보 교환을 통해 건물의 물리적 행동을 정밀하게 예측하고 관리하는 기술로, 본 발명의 자율적 모델링 장치(1)는 이러한 디지털 트윈의 핵심 요소로 작용할 수 있다. 자율적 모델링 장치(1)는 현장 데이터를 활용해 실시간으로 가상 모델을 생성하고 이를 지속적으로 보정함으로써, 건물의 자동 제어 및 최적화된 에너지 관리를 지원할 수 있다. 본 발명의 자율적 모델링 장치(1) 및 방법은 특히 건물 시스템의 자동 제어에서 중요한 역할을 할 수 있다. 예를 들어, 건물의 온도 조절, 에너지 소비 최적화, 실내 환경 유지 등에서 본 발명의 자율적 모델링 장치(1) 및 방법을 활용할 수 있다. 더 구체적으로, PID 제어기나 신경망 제어기와 같은 조절 시스템에서, 변화하는 부하 조건과 환경 요인에 실시간으로 대응할 수 있는 모델을 자율적으로 제공하여, 거주자의 편안함과 에너지 효율을 동시에 달성할 수 있다. 또한, 자율적 모델링 장치(1) 및 방법은 VB 스키마와 같은 모델 관리 시스템과 결합하여, 건물의 자동 제어 과정에서 필요한 다양한 가상 모델을 지속적으로 관리하고 최적화할 수 있는 기반을 제공할 수 있다. 따라서, 본 발명의 자율적 모델링 장치(1) 및 방법은 건설산업의 디지털 전환과 지속 가능한 건물 운영을 실현하는 데 중요한 기술적 기반이 될 수 있으며, 장기적으로는 자연환경에서도 유사한 자율적 모델링 기술을 적용하여 보다 효율적이고 정확한 환경 관리와 예측을 가능하게 할 수 있다. 본 발명의 자율적 모델링 장치(1) 및 방법은 인공지능 모델 및 인공신경망을 활용한다. 본 발명에서 활용되는 인공지능 모델 및 인공신경망은 후술할 예시에 한정되는 것은 아니다. 본 발명에서 사용되는 인공지능 모델은 대규모 데이터를 분석하고 학습하여 패턴을 인식하고 예측하는 역할을 수행하는 기술이다. 인공지능 모델은 주어진 데이터를 기반으로 스스로 학습하고, 이를 바탕으로 새로운 데이터에 대한 예측을 수행할 수 있다. 이러한 모델은 다양한 알고리즘, 예를 들어 의사결정나무, 서포트 벡터 머신(SVM), 강화학습 모델 등을 활용하여 데이터를 처리하며, 특히 복잡한 환경이나 비선형적 관계를 다루는 데 강점을 가지고 있다. 인공지능 모델은 환경 변화에 따라 실시간으로 적응할 수 있으며, 이를 통해 자율적 모델링 장치(1)가 다양한 상황에 맞춰 정확한 예측을 수행할 수 있도록 할 수 있다. 인공지능 모델의 핵심 기술 중 하나인 인공신경망은 인간의 뇌에서 영감을 받아 개발된 계산 모델로, 여러 층(layer)으로 구성된 신경망을 통해 데이터를 처리하고 학습할 수 있다. 인공신경망의 종류로는 단순한 퍼셉트론(perceptron)부터 다층 퍼셉트론(MLP), 합성곱 신경망(CNN), 순환 신경망(RNN), 심층 신경망(DNN) 등이 있으며, 각기 다른 구조와 특성을 통해 다양한 문제를 해결할 수 있다. 본 발명의 자율적 모델링 장치(1)에서는 인공신경망을 활용하여 다양한 관측 데이터를 효율적으로 분석하고, 그 결과를 바탕으로 고도화된 예측 모델을 생성할 수 있도록 할 수 있다. 이하, 도면을 참조하여 본 발명의 자율적 모델링 장치(1)에 관하여 설명하도록 한다. 도 1은 일 실시예에 의한 본 발명의 자율적 모델링 장치(1)의 블록도이다. 본 발명의 자율적 모델링 장치(1)는 수집부(10), 저장부(20) 및 출력부(30)를 포함할 수 있다. 수집부(10)는 본 발명의 자율적 모델링에 필요한 데이터 및/혹은 명령을 수집할 수 있다. 수집부(10)는 자율적 모델링 장치(1)의 내부 및/혹은 외부의 다양한 장치로부터 수집되는 물리적, 환경적 데이터를 실시간으로 모니터링하고 수집할 수 있다. 예를 들어, 수집부(10)는 온도 센서, 습도 센서, 압력 센서, 가속도계, 광 센서 등의 다양한 데이터를 수집할 수 있는 계측 장치를 포함할 수 있으며, 이를 통해 수집되는 데이터는 온도, 습도, 압력, 에너지 소비량, 공기질 등의 다양한 정보를 포함할 수 있다. 수집부(10)에서 수집되는 데이터 및 이를 수집하기 위한 계측 장치는 전술한 예시에 한정되는 것은 아니다. 수집부(10)는 대상 환경에서 발생하는 다양한 물리적, 환경적 데이터를 자율적으로 수