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

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
박종호 (국민대학교) 이제혁 (국민대학교)
저널정보
한국지능정보시스템학회 지능정보연구 지능정보연구 제31권 제1호
발행연도
2025.3
수록면
127 - 143 (17page)
DOI
10.13088/jiis.2025.31.1.127

이용수

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

초록· 키워드

오류제보하기
전류 센서 기반의 이상 탐지는 다양한 산업 분야에서 효율적인 운영을 보장하고 심각한 고장을 예방하는 데 핵심적인 역할을 한다. 이러한 센서를 통해 수집된 데이터는 기계 상태를 실시간으로 모니터링하며 초기 단계에서 이상 신호를 감지하는 데 활용된다. 기존의 머신러닝 및 센서 데이터 처리 기법과 비교했을 때 딥 러닝 기술은 복잡한 데이터 패턴을 효과적으로 학습할 수 있는 능력을 제공하여 더 높은 유연성과 강력한 데이터 표현력을 제공한다. 하지만 딥 러닝을 활용한 전류 센서 이상 탐지 연구는 데이터 레이블링의 어려움, 높은 연산 자원 요구, 그리고 모델의 일반화 능력 부족 등 여러 도전에 직면해 있다. 특히, 산업 현장에서 레이블이 부착된 데이터를 수집하는 것이 비용 및 시간 면에서 어려움을 초래하기 때문에 비지도 학습 기법의 필요성이 강조되고 있다.
이러한 문제를 해결하기 위해 본 연구에서는 Transformer 기반의 Autoencoder를 적용한 전류 센서의 이상 탐지 방법을 제안한다. 본 논문에서 제안된 기법은 전류 센서 데이터의 시계열적 특성을 효과적으로 학습함으로써 정상 상태와 비정상 상태를 보다 정확히 구분할 수 있도록 설계하였다. 특히, 기존의 단순한 임계값 설정 방식을 개선하여 데이터 간 거리와 각도 차이를 통합적으로 반영하는 Fused Directional Distance(FDD) 손실 함수를 사용해 임계값을 설정하였다. FDD 손실 함수는 노이즈의 영향을 줄이고 모델의 강건성을 향상시키는 데 기여한다. 이를 실제 AI Hub에서 제공하는 ‘기계 시설물 고장 예지’ 데이터 내의 전류 센서 데이터에 적용하였다. 실험 결과, 제안된 모델은 기존의 방법들과 비교했을 때 우수한 이상 탐지 성능을 나타냈으며, 다양한 산업 환경에 적용 가능한 가능성을 입증하였다. 또한, 비지도 학습 방식을 통해 레이블이 없는 데이터에서도 효과적인 이상 탐지가 가능함을 보여주었다. 본 연구는 전류 센서를 활용한 비지도 학습 기반 이상 탐지에 새로운 접근 방식을 제시하며, 산업 현장에서의 실질적인 문제를 해결하는 데 기여할 것으로 기대된다.

목차

1. 서론
2. 이론적 배경
3. 제안 방법론
4. 실험
5. 실험 결과
6. 결론
참고문헌(References)
Abstract

참고문헌 (0)

참고문헌 신청

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

전체보기

댓글(0)

0