제조 공정의 위험 감지를 위한 채널화 시계열 데이터 증강 및 예측 방법론

Q: 이 논문에서 정의한 위험 감지란 무엇인가?

위험 감지는 제조 공정에 대한 위험 요소를 파악하고 해당 위험 요소에 의한 사고 발생 가능성과 중대성을 추정하는 것이다. 이는 위험 요소에 대한 정확한 판단과 공정의 가동 가능 여부에 대한 올바른 의사결정을 통해 제조 공정에서 발생하는 사고를 미연에 방지하는 것을 목적으로 한다.

Q: 채널화 시계열 데이터 증강 방법론이 기존 방식보다 우수한 성능을 보이는 이유는 무엇인가?

연구 결과, 제안된 채널화 시계열 데이터 증강 방법론은 원본 데이터를 변형하지 않고 채널로 이어 붙여 데이터의 정합성을 보장한다. 이는 기존 딥러닝 기반 증강 기법의 모델 수렴 불안정성 및 생성 데이터 품질 문제를 해결하며, 실제 데이터를 기반으로 증강하여 분류 성능을 크게 개선하는 효과를 가져온다.

주재현; 공지환; 김현민; 김창욱

doi:10.5391/JKIIS.2022.32.5.443

추천

검색

질문

자료유형: 학술저널

저자정보: 주재현 (연세대학교) 공지환 (연세대학교) 김현민 (연세대학교) 김창욱 (연세대학교)

저널정보: 한국지능시스템학회 한국지능시스템학회 논문지 한국지능시스템학회 논문지 제32권 제5호

발행연도: 2022.10

수록면: 443 - 450 (8page)

DOI: 10.5391/JKIIS.2022.32.5.443

이용수

📌

연구주제

📖

연구배경

🔬

연구방법: 이 논문의 연구방법이 궁금하신가요?

🏆

연구결과: 이 논문의 연구결과가 궁금하신가요?

초록· 키워드

제조 공정에서는 시계열 센서 데이터를 생성하므로, 시계열 데이터를 이미지로 변환할 수 있는 딥 러닝 기반의 모델이 위험 감지를 위해 채택되고 있다. 제조 공정 데이터는 레이블링된 데이터가 적어 준 지도 학습을 사용하거나 딥러닝 기반으로 데이터를 증강하여 지도 학습을 사용한다. 그러나 준 지도 학습은 지도 학습에 비해 예측 성능이 떨어지며, 딥러닝 기반의 데이터 증강은 모델의 수렴이 어려워 생성된 데이터의 정합성이 떨어진다. 본 논문은 소수의 레이블링 된 2차원 시계열 데이터를 원본 데이터의 변형 없이 채널로 이어 붙여, 정합성 높은 데이터를 생성하는 방법론을 제시한다. 실험 결과, 제안된 방법이 비교 모델보다 공정 위험을 약 8.1~16.7% 더 정확히 감지할 수 있음을 확인하였다.

#공정 위험 감지 #공정 이상 탐지와 분류 #시계열 데이터 증강 #다중 레이블 분류 #컨볼루션 신경망 #Risk detection of industrial process #Fault Detection and Classification #Time-series data augmentation #Multi-class classification #Convolutional neural networks

참고문헌

참고문헌 신청

최근 본 자료

전체보기

UCI(KEPA) : I410-ECN-0101-2023-003-000186637

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

목차

참고문헌

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)