기존의 화재 감시 시스템은 보통 연기, CO 혹은 온도나 온도의 변화량을 가지고 화재여부를 판단하였다. 대부분 각각의 센서에서 측정된 값을 미리 설정한 값과 비교하여 기준을 넘었을 경우에 화재라고 결정한다. 그러나 화재 가능성이 있는 상황도 정확히 예측하는 것이 화재를 예방하기 위해 요구된다. 본 연구에서는 여러 인자들 간의 조합에 의한 규칙을 생성하고, 불명확한 데이터 처리가 가능한 퍼지추론을 사용하여 화재상황을 인식하는 방식을 제안한다. 또한 퍼지추론 방식에서 지식의 일반화, 형식화의 문제점을 해결하기 위해, 화재의 특정 패턴들의 특징을 찾아서 분석하고 규칙베이스를 구축함으로써 시스템의 성능을 더욱 향상 시킨다. 화재의 레벨을 3단계(정상, 주의, 위험)로 나누고, 각 단계별로 훈련데이터를 FCM(fuzzy C-means clustering)에 의해 규칙화 하여 추론하는 시스템을 제안한다. 제안된 방식을 UCI의 삼림화재 데이터를 이용하여 성능을 평가한다.
기존의 화재 감시 시스템은 보통 연기, CO 혹은 온도나 온도의 변화량을 가지고 화재여부를 판단하였다. 대부분 각각의 센서에서 측정된 값을 미리 설정한 값과 비교하여 기준을 넘었을 경우에 화재라고 결정한다. 그러나 화재 가능성이 있는 상황도 정확히 예측하는 것이 화재를 예방하기 위해 요구된다. 본 연구에서는 여러 인자들 간의 조합에 의한 규칙을 생성하고, 불명확한 데이터 처리가 가능한 퍼지추론을 사용하여 화재상황을 인식하는 방식을 제안한다. 또한 퍼지추론 방식에서 지식의 일반화, 형식화의 문제점을 해결하기 위해, 화재의 특정 패턴들의 특징을 찾아서 분석하고 규칙베이스를 구축함으로써 시스템의 성능을 더욱 향상 시킨다. 화재의 레벨을 3단계(정상, 주의, 위험)로 나누고, 각 단계별로 훈련데이터를 FCM(fuzzy C-means clustering)에 의해 규칙화 하여 추론하는 시스템을 제안한다. 제안된 방식을 UCI의 삼림화재 데이터를 이용하여 성능을 평가한다.
Fire monitoring system detects a fire based on the values of various sensors, such as smoke, CO, temperature, or change of temperature. It detects a fire by comparing sensed values with predefined threshold values for each sensor. However, to prevent a fire it is required to predict a situation whic...
Fire monitoring system detects a fire based on the values of various sensors, such as smoke, CO, temperature, or change of temperature. It detects a fire by comparing sensed values with predefined threshold values for each sensor. However, to prevent a fire it is required to predict a situation which has a possibility of fire occurrence. In this work, we propose a fire recognition system using a fuzzy inference method. The rule base is constructed as a combination of fuzzy variables derived from various sensed values. In addition, in order to solve generalization and formalization problems of rule base construction from expert knowledge, we analyze features of fire patterns. The constructed rule base results in an improvement of the recognition accuracy. A fire possibility is predicted as one of 3 levels(normal, caution, danger). The training data of each level is converted to fuzzy rules by FCM(fuzzy C-means clustering) and those rules are used in the inference engine. The performance of the proposed approach is evaluated by using forest fire data from the UCI repository.
Fire monitoring system detects a fire based on the values of various sensors, such as smoke, CO, temperature, or change of temperature. It detects a fire by comparing sensed values with predefined threshold values for each sensor. However, to prevent a fire it is required to predict a situation which has a possibility of fire occurrence. In this work, we propose a fire recognition system using a fuzzy inference method. The rule base is constructed as a combination of fuzzy variables derived from various sensed values. In addition, in order to solve generalization and formalization problems of rule base construction from expert knowledge, we analyze features of fire patterns. The constructed rule base results in an improvement of the recognition accuracy. A fire possibility is predicted as one of 3 levels(normal, caution, danger). The training data of each level is converted to fuzzy rules by FCM(fuzzy C-means clustering) and those rules are used in the inference engine. The performance of the proposed approach is evaluated by using forest fire data from the UCI repository.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 일반적인 퍼지추론 시스템의 문제점인 입력변수 개수와 소속 함수의 수에 따라서 규칙의 증가에 대해 보완하고자 FCM알고리즘을 이용한다. 초기에 입력변수별 소속 함수의 수를 정해 놓지 않고 설정된 클러스터 수로만 입력공간을 분할한다.
가설 설정
일반적으로 클러스터링 알고리즘은 특정 공간 내에 존재하는 데이터들 사이의 유사도를 측정하고 이를 기반으로 어느 정도 동질성을 갖는 몇 개의 부분집합으로 분할하는 방법이다. 각각의 데이터는 오직 하나의 클러스터에만 할당되어야 한다는 가정 하에 클러스터링하고 클러스터에 속하면 1, 속하지 않으면 0으로 분류한다. 이러한 경우 각 클러스터간의 경계가 애매하고 어떤 특정 데이터가 오직 하나의 클러스터에 속한다고 명확하게 정의할 수 없을 때 이런 데이터의 특징을 반영할 수 없는 문제가 있다.
제안 방법
그림 4는 화재 인식을 위한 퍼지 추론 모델을 설계에 필요한 소속 함수와 규칙을 얻어내는 과정을 도식화 한 것이다. 먼저 데이터에서 소속 함수를 필요로 하는 인자들을 선정하고 각각의 인자의 클러스터 수와 가중치를 결정한다. 입력 데이터의 자료에서 나눠진 클러스터의 중심점을 구하고 정해진 값 이상이 될 때 까지 반복을 하게 된다.
하지만 일반적인 퍼지 추론은 지식을 규칙화하는데 많은 소모를 하게되고 또한 입력변수와 소속함수에 따라서 규칙이 수가 많아지는 단점을 갖고 있다. 본 논문에서는 FCM알고리즘의 모델링을 통해 화재초기에 입력변수별 소속 함수의 수를 정해 놓지 않고 설정된 클러스터 수로만 입력공간을 분할하고, 클러스터 수만으로 퍼지규칙 수를 결정함으로써 퍼지규칙 수의 증가를 방지하면서 시스템의 구조를 간결하게 할 수 있도록 해준다. FCM클러스터링을 이용한 화재상황 인식 모델의 성능과 유효성을 보이기 위해서 UCI 제공하는 산림화재 데이터를 이용하였다.
전문가의 지식을 시스템 설계자가 모두 규칙화하기에는 어려운 문제점을 가지고 있다. 본 논문에서는 화재의 레벨을 3단계(정상, 주의, 위험)로 구분하고 각 특징의 조합으로 화재 레벨을 판단한다. 퍼지 규칙을 결정하기 위해서 훈련 데이터들을 위험 레벨에 따라 3그룹으로 분류한다.
6환경에서 진행하였다. 성능은 입력변수에 80개의 데이터 셋을 입력하고 최종적인 화재 레벨의 추론 값을 실제 값과 비교하는 형태를 통해서 평가 하였다. 평가지표로는 MAPE를 사용하였다.
클러스터링을 통해서 소속 함수와 규칙이 결정이 되면 센서와 환경변수에 대해서 실시간적으로 입력을 받아 화재상황 인식시스템으로 전달이 되고 추론엔진을 통해서 화재의 위험에 따른 레벨 값으로 출력하게 된다. 제안 시스템에서는 화재의 위험도에 따른 상황을 3단계로 나누어 놓았다. 정상은 화재의 위험이 지극히 낮은 경우이고 주의는 화재 발생의 위험이 존재함으로 관리자의 확인이 필요한 경우이고 위험은 실질적인 화재가 발생하였음을 나타낸다.
화재 상황별 패턴을 학습하기 위해서 산불 영역의 크기를 통해서 나눠진 3등급의 데이터를 각각 클러스터링하였다. 그림 5는 산불 영역의 크기가 넓은 편으로 화재 상황에서는 위험 단계라고 볼 수 있는 데이터이다.
대상 데이터
FCM 클러스터링을 이용하여 화재상황을 판단하기 위한 시스템의 규칙과 소속 함수를 생성하기 위해서 본 논문에서는 화재와 관련이 있는 UCI repository에서 제공하는 forestfire data를 이용하며 산불과 관계있는 요인 인자 3개(DMC(Duff Moisture Code), DC(Drought Code), Wind)로 이루어진 80개의 데이터 셋을 사용하였다. 이 데이터에서는 산불이 일어난 영역의 크기(ha)를 화재 단계를 나누는 기준과 유사하기 때문에 이를 기준으로 선별하였다.
본 논문에서는 FCM알고리즘의 모델링을 통해 화재초기에 입력변수별 소속 함수의 수를 정해 놓지 않고 설정된 클러스터 수로만 입력공간을 분할하고, 클러스터 수만으로 퍼지규칙 수를 결정함으로써 퍼지규칙 수의 증가를 방지하면서 시스템의 구조를 간결하게 할 수 있도록 해준다. FCM클러스터링을 이용한 화재상황 인식 모델의 성능과 유효성을 보이기 위해서 UCI 제공하는 산림화재 데이터를 이용하였다. 결과적으로 클러스터의 패턴을 이용한 규칙의 생성하고 소속 함수의 설계하면 규칙의 수를 줄이면서도 추론 결과에 대한 성능향상을 확인 할 수 있었다.
주의단계의 패턴을 학습하기 위한 훈련 데이터 셋은 39개를 입력하였다. 주의단계의 클러스터 역시 3개로 분류되며, 그림 7의 클러스터1의 중심점은 (42.
3개의 클러스터로 통해서 분류되어진다. 총 15개의 데이터 셋을 입력하였다. x축은 DMC 수치를 나타내고, y축은 DC 지수를 z축은 풍량을 나타낸다.
그림 9와 10은 정상단계의 클러스터에 따른 패턴 분류 및 소속 함수 생성 결과를 보여준다. 훈련 데이터 셋은 26개를 사용하였다. 클러스터1의 중심점은 (22.
데이터처리
논문에서 제안된 FCM 알고리즘을 이용한 클러스터링을 이용하여 모델링된 화재상황 인식 시스템과 일반적인 방식으로 설계된 퍼지 추론 시스템과 비교를 통해 성능을 평가하였다. 일반적인 퍼지 추론 시스템에서 사용하는 소속함수는 일반적인 종형의 형태를 사용하였다.
이론/모형
퍼지 규칙을 결정하기 위해서 훈련 데이터들을 위험 레벨에 따라 3그룹으로 분류한다. 각 그룹의 데이터들을 FCM(Fuzzy C-means) 클러스터링 방법을 사용한 클러스터링을 하고, 이 결과를 규칙화한다[3-5]. 각 그룹의 규칙들은 각각 다른 화재 레벨을 출력한다.
이러한 경우 센서데이터가 정상적인 상황에서 발생한 것인 화재 상황에서 발생한 것인지에 대해 불명확한 경우 오작동을 하게 된다. 이러한 문제점을 해결하고자 퍼지 추론을 적용하게 되었다. 하지만 일반적인 퍼지 추론은 지식을 규칙화하는데 많은 소모를 하게되고 또한 입력변수와 소속함수에 따라서 규칙이 수가 많아지는 단점을 갖고 있다.
성능은 입력변수에 80개의 데이터 셋을 입력하고 최종적인 화재 레벨의 추론 값을 실제 값과 비교하는 형태를 통해서 평가 하였다. 평가지표로는 MAPE를 사용하였다. 계산은 식(9)와 같다.
화재 상황을 인식하기 위해서는 필요한 데이터는 크게 화재감지기(센서)를 통해 획득되는 센서데이터(Co, Co2, 습도, 온도)가 있고, 센서의 동작 및 화재에 영향을 줄 수 있는 환경변수(날씨정보:기온, 습도 등)정보를 이용하게 된다. 화재 상황 인식 시스템은 퍼지 추론 모델을 이용하게 되는데, 여기에 필요한 규칙 및 소속 함수의 초기 설계는 기존의 전문가(시스템 설계자)에 의해서 구현하는 것이 아니라 기존의 데이터를 FCM 알고리즘에 의해서 자동적으로 얻어지는 클러스터링의 결과를 이용하게 된다. FCM을 통해 입력 공간(linguistic level)을 분할하게 되는데 입력 공간은 클러스터의 수만큼 자동적으로 분할하게 된다.
성능/효과
FCM클러스터링을 이용한 화재상황 인식 모델의 성능과 유효성을 보이기 위해서 UCI 제공하는 산림화재 데이터를 이용하였다. 결과적으로 클러스터의 패턴을 이용한 규칙의 생성하고 소속 함수의 설계하면 규칙의 수를 줄이면서도 추론 결과에 대한 성능향상을 확인 할 수 있었다.
표 1에서 보듯이 제안된 퍼지클러스터링을 통해 모델링 한 방식이 입력변수와 소속함수의 개수에 따라 증가된 일반적인 퍼지 추론 모델 보다 규칙의 수도 적으면서 평균 오차 또한 적은 것을 확인 할 수 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
퍼지 추론 시스템이란 무엇인가?
퍼지 추론 시스템은 기존의 수학적인 시스템 모델링에서는 잘 나타낼 수 없는 불확실한 정보와 복잡하고 잘 정의되지 않는 시스템을 if-then 형태의 규칙을 이용하는 형태를 보이는 추론 시스템을 말한다. 그렇기 때문에 부정확성과 비선형성을 보다 빠르고 효과적으로 처리 할 수 있다.
퍼지 시스템은 무엇으로 구성되는가?
그렇기 때문에 부정확성과 비선형성을 보다 빠르고 효과적으로 처리 할 수 있다. 퍼지 시스템은 입력변수의 소속 함수, 퍼지규칙, 출력변수의 소속 함수로 구성된다. 퍼지 시스템의 입력 변수들은 서로 상호작용을 하고 퍼지 논리연산과 퍼지 규칙을 통해 하나의 출력으로 사영하게 된다.
현재의 대부분의 공공장소 및 빌딩에 설치된 화재감시 시스템은 크게 무엇으로 구성되어 있는가?
현재의 대부분의 공공장소 및 빌딩에 설치된 화재감시 시스템은 그림 1과 같다. 크게 화재 감지기와 경보기로 구성되어 있다. 화재 감지기는 열과 연기센서를 통해서 정해진 임계치 값을 넘을 경우 화재 발생으로 신호를 화재 수신반으로 전송하게 된다.
참고문헌 (8)
Gyu-Jin Jang, Jin-Pyung Kim, Moon-Hyun Kim, Jae-Yong Jung, Tae-Ki Ahn, "Recognition of fire levels using fuzzy reasoning", International Conference Industrial Mechatronics and Automation(ICIMA2010), pp.557-560, May 2010
홍성호, 김두현, 김상철,"열과 연기농도를 입력변수로 갖는 퍼지로직을 이용한 화재감지시스템",한국화재소방학회 논문지, 제18권, 제4호, 42-51쪽, 2004.
Zadeh, L.A.," The concept of a linguistic variable and its applications to approximate reasoning", part II, Information Sciences, vol.8, pp 301-357.,1975
Bezdec, J.C., Pattern Recognition with Fuzzy Objective Function Algorithms, Plenum Press, New York, 1981.
Chiu, S., "Fuzzy Model Identification Based on Cluster Estimation," Journal of Intelligent & Fuzzy Systems, Vol. 2, No. 3, Spet. 1994.
Soon H. Kwon, Haiyoung Lee, Ick Choy,"A Cluster Validity Index for Fuzzy Clustering", 한국퍼지 및 지능 시스템학회 논문지, 제9권, 제6호, pp. 621-626, 1999
※ AI-Helper는 부적절한 답변을 할 수 있습니다.