최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기한국시뮬레이션학회논문지 = Journal of the Korea Society for Simulation, v.21 no.2, 2012년, pp.79 - 90
김송이 (고려대학교 산업경영공학과) , 강지훈 (고려대학교 산업경영공학과) , 박종혁 (고려대학교 산업경영공학과) , 김성식 (고려대학교 산업경영공학과) , 백준걸 (고려대학교 산업경영공학과)
In this paper, a feature signal extraction method is proposed in order to enhance the low performance of fault detection caused by unbalanced data which denotes the situations when severe disparity exists between the numbers of class instances. Most of the cyclic signals gathered during the process ...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
불균형 데이터란 무엇을 의미하는가? | 본 연구는 공정신호가 불균형 데이터인 경우 이상 탐지 알고리즘의 성능 개선을 위한 특징 신호 추출 기법을 제안한다. 불균형 데이터란 범주 구분 문제에서 하나의 범주의 속하는 데이터의 비율이 다른 범주의 데이터에 비해 크게 차이나 이상 탐지성능이 크게 저하되는 경우를 의미한다. 공정이 운영되는 경우 얻을 수 있는 이상 신호의 수는 정상 신호에 비해 매우 적기에 이러한 문제를 해결하여 이상 탐지 기법을 적용하는 것은 매우 중요하다. | |
공정 장비의 상태를 관리하기 위한 가장 전통적인 방법은 무엇인가? | 공정 장비의 상태를 관리하기 위해서 다양한 방법들이 연구되었다. 가장 전통적인 방법으로는 단변량 SPC(Statistical Process Control) 관리도를 적용하는 것이다(Montgomery, 1996). 제품이 생산된 뒤에 만들어진 제품의 특성치, 예를 들면 제품의 길이, 무게, 농도 등 측정 가능한 변량을 계측하고 이들의 통계적 분포를 계산하여 공정이 항상성을 유지하고 있다고 말할 수 있는 정상범위에 있는지 그렇지 않은지를 판단하는 것이다. | |
이상 탐지는 어떤 역할을 하는가? | 반면 공정에 변화가 존재하는 경우 다른 신호 형태를 드러내는데 이를 이상(fault)이라 한다. 따라서 공정 주기 신호의 이상을 판단하여 공정을 점검하는 이상 탐지(fault detection)는 공정의 잠재적인 불량요인을 조기에 탐지하여 품질을 향상 시키는데 큰 역할을 차지한다. |
강지훈, 김성범(2011), "붓스트랩을 활용한 이상원인변수의 탐지 기법", 한국품질경영학회, Vol. 39, No. 2, pp. 234-243.
강필성, 이형주, 조성준(2005), "데이터 불균형 문제에서의 SVM 앙상블 기법의 적용", 한국정보과학회 가을 학술발표논문집, Vol. 31, No. 2, pp. 706-708.
강필성, 조성준(2006), "데이터 불균형 해결을 위한 Under- Sampling 기반 앙상블 SVMs", 2006 대한산업공학회/한국경영과학회 춘계 공동학술대회.
오장민, 장병탁(2001), "불균형 데이터의 효과적 학습을 위한 커널 퍼셉트론 부스팅 기법", 한국정보과학회 봄 학술발표논문집, Vol. 28, No. 1, pp. 304-306.
윤재준, 박정술, 백준걸(2010), "SOM을 이용한 주기신호의 이상탐지 및 시각화", 2010 대한산업공학회 추계 학술대회.
한학용, 패턴인식 개론, 한빛미디어, 2009.
Chawla, N. V., Hall, L. O., Bowyer, K. W., and Kegelmeyer, W. P. (2002), "SMOTE : Synthetic Minority Over-Sampling Technique", Journal of Artificial Intelligence Research, Vol. 16, pp. 321-357.
Chawla, N. A., Lazarevic, A., Hall, L. O., Bowyer, K. W. (2003), "SMOTEBoost : Inproving Prediction of the Minority Class in Boosting", Proceeding of the 7th European Conference on Principles and Practice of Knowledge Discovery in Databases, Dubrovnik, Croatia, pp. 107-119.
Fayyad, U. M., Piatetssky-Shapiro, G., Smyth, P. and Uthurusamy, R. (1996), "Advances in Knowledge Discovery and Data Mining", AAA Press/MIT Press, California.
Hastie, T., Tibshirani, R. and Friedman, J. (2009), "The Elements of Statistical Learning', Springer.
Japkowicz, N. (2000), "The Class Imbalance Problem : Significance and Strategies", Proceedings of the 2000 International Conference on Artificial Intelligence, Special Track on Inductive Learning, Las Vegas, Nevada.
Kohonen, T. (1982), "Self-organized formation of topologically correct feature maps", Biological Cybernetics, Vol. 43, No. 1, pp. 59-69.
Kang, P. S. and Cho, S. J. (2006), "EUS SVMs : Ensemble of under-sampled SVMs for Data Imbalance Problems", 13th International Conference on Neural Information Processing, Part I, ser. Lecture Notes in Computer Science, Hong Kong, China, Vol. 4232, pp. 837-846.
Laurikkala, J. (2001), "Improving Identification of Difficult Small Classes by Balancing Class Distribution", Tech Rep. A-2001-2, University of Tampere.
Mahalanobis, P. C. (1936), "On the generalised distance in statistics", Proceedings of the National Institute of Sciences of India, Vol. 2, No. 1, pp. 49-55.
Montgmery, D. C. (1996), "Introduction to statistical quality control.", 3rd edition, John Wiley and Sons, Inc.
Park, J., Kwon, I. H., Kim, S. S., Baek, J. G. (2011), "Spline regression based feature extraction for semiconductor process fault detection using support vector machine", Expert Systems with Applications, Vol. 38, No. 5, pp. 5711-5718.
Shi, J. and Jin, J. (2000), "Diagnostic feature extraction from stamping tonnage signals based on design of experiments", Journal of Manufacturing Science and Engineering, Vol. 122, No. 2, pp. 360-369.
Sun, Y., Kamel, M. S., Wong, A. K. C. and Wang, Y. (2007), "Cost-sensitive boosting for classification of imbalanced data", Pattern Recognition, Vol. 40, No. 12, pp. 3358-3378.
Uzsoy, R., Lee, C., and Martin-Vega, L. A. (1992), "A Review of Production Planning and Scheduling models in the semiconductor industry PART I: System characteristics, Performance Evaluation and Production Planning", IIE Transactions, Vol. 24, No. 4, pp. 47-60.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.