최근 4차 산업혁명과 더불어 딥러닝을 활용한 스마트 공장, 스마트 시티, 인공지능 서비스 등이 활발히 추진되고 있다. 딥러닝이 다양한 분야에서 좋은 성능을 보이고 있는 이유는 딥러닝이 고차원의 복잡한 데이터를 잘 표현할 수 있을 뿐만 아니라 다양한 ...
최근 4차 산업혁명과 더불어 딥러닝을 활용한 스마트 공장, 스마트 시티, 인공지능 서비스 등이 활발히 추진되고 있다. 딥러닝이 다양한 분야에서 좋은 성능을 보이고 있는 이유는 딥러닝이 고차원의 복잡한 데이터를 잘 표현할 수 있을 뿐만 아니라 다양한 데이터 분석을 위한 많은 딥러닝 알고리즘이 개발되었기 때문이다. 대부분의 딥러닝 알고리즘은 설명변수와 종속변수를 바탕으로 학습을 수행하는 지도학습을 목적으로 개발되었다. 그러나 현실적으로 종속변수가 존재하는 데이터는 많지 않다. 대부분 데이터들은 종속변수 없이 고차원의 설명변수로만 이루어져 있다. 따라서 종속변수가 없이 설명변수만으로 학습하는 비지도학습을 위한 알고리즘의 개발이 시급하다. 제조업의 현장에서도 딥러닝을 활용한 공정개선, 즉 스마트 공장에 대한 관심이 많다. 공정에서 나오는 많은 양의 데이터 분석을 통해 공정을 통제하여 생산성을 향상시키고, 공정의 환경을 제어하여 효율적인 공장을 만들기 위해 많은 시도들이 이루어지고 있다. 이러한 개선이 성공적으로 이루어지기 위해서는 수많은 센서를 통해 얻은 시계열 데이터 분석이 필수적이지만, 대부분의 센서데이터는 종속변수 없이 수집되고 있다. 따라서 본 논문에서는 종속변수에 대한 상황 정의가 없는 상황에서 딥러닝을 활용하여 다중 센서 기반의 시계열데이터에 대한 군집분석을 수행하는 방법을 제안하고자 한다. 이를 위해 고차원의 센서 데이터를 저차원으로 표현하고, 얻어진 결과를 바탕으로 센서데이터를 군집화하여 공정의 상태를 예측하는 것을 목표로 한다. 이를 위해 가상의 데이터와 차량에서 수집한 실제 시계열데이터를 분석하였고 이로부터 의미 있는 군집화 결과를 도출하였다.
최근 4차 산업혁명과 더불어 딥러닝을 활용한 스마트 공장, 스마트 시티, 인공지능 서비스 등이 활발히 추진되고 있다. 딥러닝이 다양한 분야에서 좋은 성능을 보이고 있는 이유는 딥러닝이 고차원의 복잡한 데이터를 잘 표현할 수 있을 뿐만 아니라 다양한 데이터 분석을 위한 많은 딥러닝 알고리즘이 개발되었기 때문이다. 대부분의 딥러닝 알고리즘은 설명변수와 종속변수를 바탕으로 학습을 수행하는 지도학습을 목적으로 개발되었다. 그러나 현실적으로 종속변수가 존재하는 데이터는 많지 않다. 대부분 데이터들은 종속변수 없이 고차원의 설명변수로만 이루어져 있다. 따라서 종속변수가 없이 설명변수만으로 학습하는 비지도학습을 위한 알고리즘의 개발이 시급하다. 제조업의 현장에서도 딥러닝을 활용한 공정개선, 즉 스마트 공장에 대한 관심이 많다. 공정에서 나오는 많은 양의 데이터 분석을 통해 공정을 통제하여 생산성을 향상시키고, 공정의 환경을 제어하여 효율적인 공장을 만들기 위해 많은 시도들이 이루어지고 있다. 이러한 개선이 성공적으로 이루어지기 위해서는 수많은 센서를 통해 얻은 시계열 데이터 분석이 필수적이지만, 대부분의 센서데이터는 종속변수 없이 수집되고 있다. 따라서 본 논문에서는 종속변수에 대한 상황 정의가 없는 상황에서 딥러닝을 활용하여 다중 센서 기반의 시계열데이터에 대한 군집분석을 수행하는 방법을 제안하고자 한다. 이를 위해 고차원의 센서 데이터를 저차원으로 표현하고, 얻어진 결과를 바탕으로 센서데이터를 군집화하여 공정의 상태를 예측하는 것을 목표로 한다. 이를 위해 가상의 데이터와 차량에서 수집한 실제 시계열데이터를 분석하였고 이로부터 의미 있는 군집화 결과를 도출하였다.
Along with the fourth industrial revolution, smart factories, smart cities and artificial intelligence services and so on are actively developed based on deep learning. Deep learning is performing well in various fields because it can express complex data with high dimensions and many deep learning-...
Along with the fourth industrial revolution, smart factories, smart cities and artificial intelligence services and so on are actively developed based on deep learning. Deep learning is performing well in various fields because it can express complex data with high dimensions and many deep learning-based algorithms for various problems have been developed. However, most deep learning algorithms have been developed for supervised learning, which learns the relation between training examples and their associated target variables. Unfortunately, in reality, there is not much data with target variables and most of the data has only high dimensional variables without dependent variables. Such data can also be found in manufacturin field. In the manufacturing field, there is a lot of interest in process improvement and smart factory using deep learning. Because they want to improve productivity and make the factory more efficient by using a large amount of data from the process. This requires analyzing data from a large number of sensors, but most of the data has no target variables. In this paper, time series data from multiple sensors are clustered using deep learning under conditions where target variables are not defined. This allows high-dimensional data to be expressed in low-dimensional compressed representation, and thus are clustered to predict the current state of the data, simulatnously. Experiments that analyzes simulation data and actual time series data collected from vehicles have resulted in meaningful clustering.
Along with the fourth industrial revolution, smart factories, smart cities and artificial intelligence services and so on are actively developed based on deep learning. Deep learning is performing well in various fields because it can express complex data with high dimensions and many deep learning-based algorithms for various problems have been developed. However, most deep learning algorithms have been developed for supervised learning, which learns the relation between training examples and their associated target variables. Unfortunately, in reality, there is not much data with target variables and most of the data has only high dimensional variables without dependent variables. Such data can also be found in manufacturin field. In the manufacturing field, there is a lot of interest in process improvement and smart factory using deep learning. Because they want to improve productivity and make the factory more efficient by using a large amount of data from the process. This requires analyzing data from a large number of sensors, but most of the data has no target variables. In this paper, time series data from multiple sensors are clustered using deep learning under conditions where target variables are not defined. This allows high-dimensional data to be expressed in low-dimensional compressed representation, and thus are clustered to predict the current state of the data, simulatnously. Experiments that analyzes simulation data and actual time series data collected from vehicles have resulted in meaningful clustering.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.