메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
정원호 (광주과학기술원) 정대현 (광주과학기술원) 김영호 (광주과학기술원) 김창현 (광주과학기술원) 이후상 (광주과학기술원) 유홍제 (광주과학기술원) 류제하 (광주과학기술원) 오현석 (광주과학기술원)
저널정보
대한기계학회 대한기계학회 논문집 A권 대한기계학회논문집 A권 제43권 제3호(통권 제402호)
발행연도
2019.3
수록면
169 - 176 (8page)
DOI
10.3795/KSME-A.2019.43.3.169

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
딥러닝 알고리즘 훈련을 위해서 충분한 양의 데이터 확보가 필수적이다. 그러나, 공학시스템에서 데이터 취득은 매우 어렵거나, 상황에 따라 불가능한 경우가 존재한다. 이러한 데이터 부족 문제는 딥러닝 알고리즘 개발에 큰 걸림돌이 되고 있다. 본 논문은 구조물 건전성 진단을 위한 딥러닝 알고리즘 개발에서 발생하는 데이터 부족 문제 해결을 시도하였다. 깊은 생성 모델을 구축하고 딥러닝 학습을 위한 훈련 데이터를 생성하는 방법을 제안한다. 제안된 방법의 성능을 검증하기 위해 수상 양식장 어망 데이터를 바탕으로 사례 연구를 진행하였다. 본 연구는 제안된 심층 생성 모델을 통해 데이터를 직접 만들어 냄으로써 구조물 건전성 진단에서 발생되는 데이터 부족 문제 해결에 기여할 것으로 기대된다.
#Data Augmentation(데이터 생성) #Generative Model(생성 모델) #Deep Learning(딥러닝) #Health Diagnosis(건전성 진단) #Aquaculture(수상 양식업)

목차

초록
Abstract
1. 서론
2. 데이터 생성 방법 비교
3. 생성 데이터를 활용한 해상 구조물 건전성 진단 방법론
4. 사례 연구
5. 결론
참고문헌(References)

참고문헌 (20)

참고문헌 신청
Jardine, A. K. S., Lin, D. and Banjevic, D., 2006, A Review on Machinery Diagnostics and Prognostics Implementing Condition-based Maintenance, Mechanical Systems and Signal Processing, Vol. 20, No. 7, pp. 1483~1510. google schola Oh, H. and Youn, B., 2016, Research Trend of PHM Technology for Data Feature Extraction, Journal of Korean Soc. Mech. Eng., Vol. 56, No. 11, pp. 32~36. google schola Mujica, L., Ruiz, M., Pozo, F., Rodellar, J. and Guemes, A., 2014, A Structural Damage Detection Indicator based on Principal Component Analysis and Statistical Hypothesis Testing, Smart Materials and Structures, Vol. 23, No. 2, pp. 25014~25025. google schola Sarkar, S., Reddy, K. K., Giering, M. and Gurvich, M. R., 2016, Deep Learning for Structural Health Monitoring: A Damage Characterization Application, in Proceedings of Annual Conference of the Prognostics and Health Management Society, Vol. 7., Paper No. 024, Denver, CO. google schola Shijie, J., Ping, W., Peiyi, J. and Siping, H., 2017, Research on Data Augmentation for Image Classification based on Convolution Neural Networks, Chinese Automation Congress, Vol. 1, No. 10, pp. 4165~4170. google schola

이 논문의 저자 정보

이 논문과 함께 이용한 논문

딥러닝 기반 재료 이미지 변환: 미세구조 초해상화 및 SEM 이미지 재초점
나주원 ,  김세종 ,  정재면 외 1명 대한기계학회 춘추학술대회 2020 .07
딥러닝 CNN 알고리즘 기반의 충격 위치 분석
장춘양 ,  김대현 대한기계학회 논문집 A권 2020 .06
가상 3D 라이다 기반 객체 분류 딥러닝 학습 데이터셋 구축 방법에 관한 연구
장형준 ,  손원일 ,  안태원 외 2명 한국자동차공학회논문집 2020 .06
규칙기반과 딥러닝을 동시에 활용한 앙상블 회전체 이상진단
이남정 ,  김성민 ,  정일주 외 2명 한국소음진동공학회논문집 2020 .04
심층 학습을 이용한 양식장 그물 찢김 판단
정대현 ,  김영호 ,  김창현 외 5명 제어로봇시스템학회 논문지 2018 .09

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2019-550-000424979