[논문]조선설계에서의 데이터 해석 및 활용을 위한 데이터 마이닝 도구 개발

이경호; 박종훈; 최영복; 장영훈; 오준

doi:10.3744/snak.2006.43.6.700

[국내논문] 조선설계에서의 데이터 해석 및 활용을 위한 데이터 마이닝 도구 개발
Development of Data Mining Tool for the Utilization of Shipbuilding Knowledge based on Genetic Programming 원문보기

大韓造船學會論文集 = Journal of the society of naval architects of korea, v.43 no.6, 2006년, pp.700 - 706

이경호 (인하대학교 선박해양공학과) , 박종훈 (인하대학교 선박해양공학과) , 최영복 (대우조선해양 (주)) , 장영훈 (대우조선해양 (주)) , 오준 (인하대학교 선박해양공학과)

Abstract ▼ AI-Helper

As development of information technology, companies stress the need of knowledge management. Companies construct ERP system including knowledge management. But, it is not easy to formalize knowledge in organization. They experience that constructing information system help knowledge management. Now, we focus on engineering knowledge. Because engineering data contains experts' experience and know-how in its own, engineering knowledge is a treasure house of knowledge. Korean shipyards are leader of world shipbuilding industry. They have accumulated a store of knowledge and data. But, they don't have data mining tool to utilize accumulated data. This paper treats development of data mining tools for the utilization of shipbuilding knowledge based on genetic programming(GP).

Keyword

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

하지만 이러한 데이터들을 활용하기 위한 도구를 보유하고 있지 못한 것이 현실이다. 본 논문에서는 이러한 조선기술지식의 활용을 위하여 기술지식이 녹아있는 데이터를 활용한 유전적 프로그래밍을 이용한 데이터마이닝 도구(Tool)의 개발에 대해서 이야기 하고자 한다.
GP는 비선형성과 불연속 특성을 가진 공학 데이터의 학습에 탁월한 능력을 가지고 있다고 생각되어 GP를 활용하여 데이터 마이닝 도구를 개발하였다. 본 논문에서는 조선기술지식 활용을 위한 유전적 프로그래밍 기반의 데이터 마이닝 도구 개발을 다루고 있다(이경호 등 2004).
6 과 같이 사람이 알아보기 어려운 식 또는 사용하기 힘든 식으로 나타난다는 점이다. 따라서 본 논문에서는 데이터 마이닝을 통한 조선기술 지식활용에 목적이 있기 때문에 다른 프로그램과의 인터페이스를 통한 설계 환경에서의 활용을 위하여 Fig. 7과 같이 C 코드로 수식을 생성하여 표현할 수 있도록 하였다.
본 논문에서는 GP 자체의 단점인 학습과정을 통하여 나온 결과 수식이 사묭하기 어려운 식으로 나온 것을 C 코드로 바꾸도록 개발 하였다.

제안 방법

하지만 여기서 초점을 맞출 대상은 위에서 언급한 분석적 지식이다. 즉 데이터의 가공을 통해 지식을 얻어낼 수 있는 지식에 초점을 맞추고 있으며, 이러한 데이터들은 데이터 마이닝을 통하여 지식을 얻어낼 수 있다, 본 논문에서 개발한 데이터 마이닝 도구는 데이터 마이닝의 기술중 GP유전적 프로그래밍(Genetic Programming: 이하 GP라 함)의 기계학습을 기반으로 한 예측모델의 개발과 연관성 추정에 초점을 맞추고 있다. 즉, 조선분야의 데이터를 가공하여 나오는 지식들을 이용하여, 결과를 예측하거나 수식으로 표현하도록 할 것이다.
즉 데이터의 가공을 통해 지식을 얻어낼 수 있는 지식에 초점을 맞추고 있으며, 이러한 데이터들은 데이터 마이닝을 통하여 지식을 얻어낼 수 있다, 본 논문에서 개발한 데이터 마이닝 도구는 데이터 마이닝의 기술중 GP유전적 프로그래밍(Genetic Programming: 이하 GP라 함)의 기계학습을 기반으로 한 예측모델의 개발과 연관성 추정에 초점을 맞추고 있다. 즉, 조선분야의 데이터를 가공하여 나오는 지식들을 이용하여, 결과를 예측하거나 수식으로 표현하도록 할 것이다. 하지만 조선분야의 데이터의 경우 같은 선종의 데이터가 많지 않은 점, 또한 데이터의 불연속성과 비선형성으로 인한 함수가 부정확성이 높아지기 때문에 데이터 마이닝 도구를 개발하는데 가장 큰 어려움으로 꼽힌다.
2와 같은 인터페이스를 지니도록 프로그램을 하였고, 인터페이스에서 먼저 GP의 옵션을 살펴보면 다음 Table 2와 같다. GP를 학습시킬 트레이닝 데이터와 테스트 데이터를 나누지 않고 하나의 데이터 파일로 입력을 받아 테스트할 데이터의 건수만 입력하면 자동으로 나누어 질 수 있도록 프로그래밍 했다. 프로그램 상에서 GP의 특징 중 하나인 교배, 재생산, 돌연변이의 확률을 사용자가 직접 수정할 수 있도록 하였으며, 각 GP의 옵션들마다 고유의 설정들을 정할 수 있도록 제작하였다(Fig.
GP를 학습시킬 트레이닝 데이터와 테스트 데이터를 나누지 않고 하나의 데이터 파일로 입력을 받아 테스트할 데이터의 건수만 입력하면 자동으로 나누어 질 수 있도록 프로그래밍 했다. 프로그램 상에서 GP의 특징 중 하나인 교배, 재생산, 돌연변이의 확률을 사용자가 직접 수정할 수 있도록 하였으며, 각 GP의 옵션들마다 고유의 설정들을 정할 수 있도록 제작하였다(Fig. 1 참조). PGP의 경우(Table 2 참조)에는 다항식 개수와 다항식의 최대 차수를 미리 정해줄 수 있도록 하였다.
2 참조)의 경우에는 다항식의 개수와 최대 허용차수 및 Linear Term을 Polynomi기 Term으로 확장시키는지의 여부를 묻도록 제작하였다. 마지막으로 LM-GP의 경우는 PGP와 마찬가지로 다항식의 개수와 최대 허용차수 및 Basis 함수의 복잡도를 설정 할 수 있도록 제작하였다.
이러한 데이터 취득의 어려움 때문에 본 논문에서는 대우조선해양 저항 및 성능추정 팀에서 함수식을 통하여 생성한 데이터 1000건을 이용하여 테스트를 하였다. 이는 GP가 예측모델로의 생성에 어느 정도 정확한지를 먼저 검증하려는 것이다.
트레이닝데이터는 800건, 테스트 데이터는 200건이었다. 다항식의 개수는 200, 최대허용차수는 15, 최대 Linear Term의 개수 200개로 설정하여 프로그램의 오차가 어느 정도 되는지를 측정하여 그래프로 나타내었다(Fig 4 참고). Fig.
적용사례 2에서는 실제 모형선 실험 데이터를 사용하여 실제 조선분야에서 사용되는 데이터를 가지고 적용을 시도하여 보았다. 적용사례2에서는 본교에서 행하여진 Trimaran 선박의 모형선 데이터 50개를 이용하여 테스트를 진행하였다.
옵션의 설정은 PLM-GPB 사용하였고, 모형선 실험데이터 파라미터에서 검증을 위해 사용된 입력과 출력에 사용된 정보는 다음과 같다. 모형선의 스피드, 플루드 넘버, 모형선의 저항 측정치, 선수부와 선미부의 트림 값을 입력변수로 이용하여 유효마력 값을 출력변수로 설정하였다. 그리고 데이터에 녹아있는 지식을 추출하기 위하여 약간 부족한 데이터를 가지고 테스트를 진행하였다.
모형선의 스피드, 플루드 넘버, 모형선의 저항 측정치, 선수부와 선미부의 트림 값을 입력변수로 이용하여 유효마력 값을 출력변수로 설정하였다. 그리고 데이터에 녹아있는 지식을 추출하기 위하여 약간 부족한 데이터를 가지고 테스트를 진행하였다. 먼저 총 데이터 50건 중에서 35건의 데이터는 GP를 학습시키는데 사용하였고, 나머지 데이터는 GP를 이용하여 학습결과를 테스트 하였다.
하지만, 실제 조선분야에서 노이즈가 없는 데이터를 1000건 정도 얻는다는 것은 결코 쉬운 일이 아니다. 따라서 적용사례 2에서는 적은 데이터와 실제 모형선 실험 데이터를 가지고 실험을 진행하였다. 하지만, 적용사례2에서는 데이터의 노이즈와 데이터 개수의 부족으로 인한 예측모델의 부정확성이 적용사례 1에 비하여 높게 발생하였다.
기술지식을 정의하였다. 또한 조선기술 지식의 활용을 위하여 GP를 이용한 데이터 마이닝 도구를 개발하여 예측 모델 생성을 제시하였다. GP 는 모든 학습 데이터를 한꺼번에 근사하는 글로벌모델로서 비선형성이나 불연속성의 특징을 가진 조선 분야의 데이터의 근사에 아주 좋은 결과를 보여주었고 이를 통하여 조선분야의 기술지식 활용을 위한 도구로서 유용하다는 것을 보여주었다.
본 논문에서는 위에서 언급한 데이터 마이닝의 분류에서, 축적된 데이터를 바탕으로 이들의 학습을 통하여 데이터의 패턴을 찾아내고 이것을 일반화 하는 모형으로 근사시킬 수 있는 예측모델이나 패턴을 찾는 데이터마이닝 기술로 GP를 사용하였다. GP는 비선형성과 불연속 특성을 가진 공학 데이터의 학습에 탁월한 능력을 가지고 있다고 생각되어 GP를 활용하여 데이터 마이닝 도구를 개발하였다.

대상 데이터

트레이닝데이터는 800건, 테스트 데이터는 200건이었다. 다항식의 개수는 200, 최대허용차수는 15, 최대 Linear Term의 개수 200개로 설정하여 프로그램의 오차가 어느 정도 되는지를 측정하여 그래프로 나타내었다(Fig 4 참고).
적용사례 2에서는 실제 모형선 실험 데이터를 사용하여 실제 조선분야에서 사용되는 데이터를 가지고 적용을 시도하여 보았다. 적용사례2에서는 본교에서 행하여진 Trimaran 선박의 모형선 데이터 50개를 이용하여 테스트를 진행하였다. 옵션의 설정은 PLM-GPB 사용하였고, 모형선 실험데이터 파라미터에서 검증을 위해 사용된 입력과 출력에 사용된 정보는 다음과 같다.
그리고 데이터에 녹아있는 지식을 추출하기 위하여 약간 부족한 데이터를 가지고 테스트를 진행하였다. 먼저 총 데이터 50건 중에서 35건의 데이터는 GP를 학습시키는데 사용하였고, 나머지 데이터는 GP를 이용하여 학습결과를 테스트 하였다. Fig.

성능/효과

9978 정도로 함수를 통하여 나온 식을 데이터 마이닝 프로그램이 정확하게 측정하여 함수식을 정확하게 Fitting 했다고 할 수 있다. 즉, GP를 이용한 데이터다이닝의 예측모델개발 측면에서의 GP의 성능은 상당히 좋다는 것을 알 수 있다.
적용사례 1에서는 특정 수식으로 생성한 데이터를 GP를 이용하여 데이터 마이닝 프로그램이 생성한 예측모델에 잘 맞을 것을 알 수 있었다. 적용사례 2에서는 실제 모형선 실험 데이터를 사용하여 실제 조선분야에서 사용되는 데이터를 가지고 적용을 시도하여 보았다.
필요하다고 생각된다. 앞에서 언급한 적용사례 1에서는 GP기반의 데이터 마이닝 도구의 예측모델이 잘 맞는다는 것을 알 수 있었다. 하지만, 실제 조선분야에서 노이즈가 없는 데이터를 1000건 정도 얻는다는 것은 결코 쉬운 일이 아니다.

후속연구

하지만, 적용사례2에서는 데이터의 노이즈와 데이터 개수의 부족으로 인한 예측모델의 부정확성이 적용사례 1에 비하여 높게 발생하였다. 따라서 향후에는 Neuraf Network 의 한 종류인 SOM(=Self Organizing Map)를 이용하여 입력 변수들을 영향도 평가를 통하여 영향도가 높은 변수만을 입력하여 입력 데이터 변수의 개수를 줄여 예측모델의 정확도를 높이는 연구가 필요하다고 생각된다.
GP 는 모든 학습 데이터를 한꺼번에 근사하는 글로벌모델로서 비선형성이나 불연속성의 특징을 가진 조선 분야의 데이터의 근사에 아주 좋은 결과를 보여주었고 이를 통하여 조선분야의 기술지식 활용을 위한 도구로서 유용하다는 것을 보여주었다. 본 논문에서 언급한 데이터 마이닝 도구를 통하여 조선 분야의 축적된 많은 데이터로부터 유용하고 좋은 지식의 생성을 기대한다.

참고문헌 (8)

박우창, 승현우, 용환승, 최기현, 2004, 데이터 마이닝, 자유 아카데미, 서울
이경호, 손미애, 2004, '차세대 성정동력과 조선산업(어떻게 해야 하나? How-todo) ; 표준화와 기술지식관리,' 대한조선학회 학회지, 제 41권, 제 3호, pp. 15-26
이경호, 연윤석, 2005, '데이터 마이닝 개념에 의한 조선 분야 데이터의 해석 및 활용 기법 연구,' CAD/CAM 학회 학술발표회 논문집, Knowledge Engineering I, pp. 110-115
이경호, 연윤석, 양영순, 2004, '데이터 마이닝을 위한 다항식기반의 유전적 프로그램밍 기법과 조선분야 응용,' 대한조선학회 춘계학술대회 논문집, pp. 845-850
이경호, 연윤석, 양영순, 2005a, '조선 기술지식 활용을 위한 데이터 마이닝 기법의 적용,' 한국해양과학기술협의회 공동학술대회, Vol. 2005, No. 1, pp. 375-380
이경호, 연윤석, 양영순, 2005b, '조선분야의 축적된 데이터 활용을 위한 유전적 프로그래밍에서의 선형 모델개발,' 대한조선학회 논문집, 제 42권, 제 5호, pp. 309-405
Gray G.J., Murray D.J. and Sharman K.C., 1996, 'Structural System Identification using Genetic Programming and a Mlock Diagram oriented Simulation Tool,' Electronics Letters, Vol. 32, pp 1422-1424

상세보기
Koza, J.R., 1992, Genetic Programming: On the Programming of Computers by Means of Natural Selection, The MIT Press

저자의 다른 논문 :

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증