[논문]소리 정보를 이용한 철도 선로전환기의 스트레스 탐지

최용주; 이종욱; 박대희; 이종현; 정용화; 김희영; 윤석한

doi:10.3745/ktsde.2016.5.9.433

소리 정보를 이용한 철도 선로전환기의 스트레스 탐지
Stress Detection of Railway Point Machine Using Sound Analysis 원문보기

정보처리학회논문지. KIPS transactions on software and data engineering. 소프트웨어 및 데이터 공학, v.5 no.9, 2016년, pp.433 - 440

최용주 (고려대학교 컴퓨터정보학과) , 이종욱 (고려대학교 컴퓨터정보학과) , 박대희 (고려대학교 컴퓨터정보학과) , 이종현 ((주)세화) , 정용화 (고려대학교 컴퓨터정보학과) , 김희영 (고려대학교 응용통계학과) , 윤석한 ((주)세화 부설연구소)

초록
AI-Helper

철도 선로전환기는 열차의 진로를 현재의 궤도에서 다른 궤도로 제어하는 장치이다. 선로전환기의 이상 상황은 탈선 등과 같은 심각한 문제를 발생할 수 있기 때문에, 선로전환기의 스트레스를 지속적으로 모니터링 하는 것은 매우 중요하다. 본 논문에서는 선로전환기가 작동할 때 발생하는 소리 정보를 이용하여 선로전환기의 스트레스를 탐지하는 시스템을 제안한다. 제안하는 시스템은 선로전환기의 동작 시 발생하는 소리 데이터로부터 자질 선택방법을 사용하여 스트레스 탐지에 유효한 감소된 차원의 자질 부분집합을 선택한 후, 기계학습의 대표적 모델인 SVM(Support Vector Machine)을 이용하여 선로전환기의 스트레스 상태 여부를 탐지한다. 테스트용 선로전환기를 실제 구동하며 수집한 소리 데이터를 이용하여, 본 논문에서 제안하는 시스템의 성능을 실험적으로 검증한 바 98%를 넘는 정확도를 확인하였다.

Abstract ▼ AI-Helper

Railway point machines act as actuators that provide different routes to trains by driving switchblades from the current position to the opposite one. Since point failure can significantly affect railway operations with potentially disastrous consequences, early stress detection of point machine is critical for monitoring and managing the condition of rail infrastructure. In this paper, we propose a stress detection method for point machine in railway condition monitoring systems using sound data. The system enables extracting sound feature vector subset from audio data with reduced feature dimensions using feature subset selection, and employs support vector machines (SVMs) for early detection of stress anomalies. Experimental results show that the system enables cost-effective detection of stress using a low-cost microphone, with accuracy exceeding 98%.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 선로전환기의 선로 전환 시 발생하는 작동 소리정보를 이용하여 선로전환기의 스트레스를 탐지하는 프로토타입의 시스템을 제안하였다. 제안된 시스템은 먼저, 선로전환기 작동 시 발생하는 소리를 취득하였다.
본 논문에서는 선로전환기의 실제 작동 소리를 이용하여 열차 운행의 안정성에 중요한 부분을 차지하는 선로전환기의 스트레스를 탐지하는 프로토타입 시스템을 제안한다. 제안된 시스템은 먼저 선로전환기의 구동 시 발생하는 소리신호의 해석으로부터 해결하고자 하는 문제에 적합한 자질 부분집합을 미리 설정하고, 설정된 자질 부분집합에 해당하는 입력 자질 벡터를 대상으로 선로전환기의 스트레스를 탐지한다.
본 연구는 Lee 등[9]의 소리분석 기반 연구의 연장선으로, 선로전환기의 이상상황 및 노후화로 인한 교체 시기 등을 판단하는데 있어서 중요한 역할을 하는 선로 전환기의 스트레스를 탐지하기 위하여, 전통적인 전기적 신호를 이용하는 방법이 아닌 이미 그 효과가 검증된 선로 전환기의 작동소리 정보를 이용하여 선로전환기의 스트레스를 탐지하는 시스템을 제안한다.

가설 설정

즉, Mercer 조건을 만족하는 커널 함수는 데이터 벡터 대신에 사용되는 매핑 함수로 치환할 수 있다. 본 논문에서는 커널 함수로 Radial Basis Function(RBF)을 가정한다.

제안 방법

9로 설정하였다. grid search에 참여하지 않은 나머지 50%의 데이터 셋에 대해서 10 fold-cross validation으로 스트레스 탐지의 성능실험을 수행하였다.
제안된 시스템은 먼저, 선로전환기 작동 시 발생하는 소리를 취득하였다. 둘째, 취득한 소리정보를 이용하여 time domain과 frequency domain에서 다양한 소리 자질들을 추출한 후 AFSSA를 이용하여 스트레스 탐지에 효과적인 최적의 자질 부분집합을 선택하였다. 마지막으로 선택된 자질 벡터를 이진 분류기인 SVM에 적용하여 선로전환기의 스트레스 유무를 탐지하였다.
둘째, 취득한 소리정보를 이용하여 time domain과 frequency domain에서 다양한 소리 자질들을 추출한 후 AFSSA를 이용하여 스트레스 탐지에 효과적인 최적의 자질 부분집합을 선택하였다. 마지막으로 선택된 자질 벡터를 이진 분류기인 SVM에 적용하여 선로전환기의 스트레스 유무를 탐지하였다. 실제 테스트를 위해 수집한 소리 데이터 셋을 이용하여, 본 논문에서 제안하는 소리정보 기반의 선로전환기 스트레스 탐지 시스템의 성능을 실험적으로 검증하였다.
소리 자질을 이용한 선로전환기의 스트레스 탐지 실험은 Table 1에서 명시한 바와 같이, 스트레스가 없을 때의 소리 300개와 스트레스가 쌓였을 때의 소리 443개를 대상으로 Weka 3.8.0 버전을 이용하여 SVM 실험을 수행하였다. 전체 데이터 셋의 50%를 랜덤으로 선택한 데이터로부터 Weka에서 제공하는 grid search 방법을 이용하여, SVM의 상대적 중요성을 조정하는 상수(trade-off constant) C 값은 6.
실험 성능 측정을 위한 지표로는 SDR(Stress Detection Rate: 스트레스 상황 탐지율), FPR(False Positive Rate: 스트레스가 없는 소리가 스트레스가 있다고 오탐지된 비율), FNR(False Negative Rate: 스트레스가 있는 소리가 스트레스가 없는 소리로 오탐지된 비율)을 사용하였고, 각각의 수식은 다음과 같다.
제안된 시스템은 먼저 선로전환기의 구동 시 발생하는 소리신호의 해석으로부터 해결하고자 하는 문제에 적합한 자질 부분집합을 미리 설정하고, 설정된 자질 부분집합에 해당하는 입력 자질 벡터를 대상으로 선로전환기의 스트레스를 탐지한다. 이때 선로전환기의 스트레스 탐지문제를 이진 분류 문제로 해석하여 이진 분류기의 대표적 모델인 SVM을 탐지기로 설계하였다. SVM기반의 스트레스 탐지기는 정상 작동 소리와 스트레스가 쌓인 선로전환기의 작동소리를 구분하여 미리 학습하고, 스트레스가 쌓인 선로전환기의 작동소리가 실시간으로 입력·탐지될 경우 선로전환기의 관리자에게 알람을 경고한다.
본 논문에서는 선로전환기의 실제 작동 소리를 이용하여 열차 운행의 안정성에 중요한 부분을 차지하는 선로전환기의 스트레스를 탐지하는 프로토타입 시스템을 제안한다. 제안된 시스템은 먼저 선로전환기의 구동 시 발생하는 소리신호의 해석으로부터 해결하고자 하는 문제에 적합한 자질 부분집합을 미리 설정하고, 설정된 자질 부분집합에 해당하는 입력 자질 벡터를 대상으로 선로전환기의 스트레스를 탐지한다. 이때 선로전환기의 스트레스 탐지문제를 이진 분류 문제로 해석하여 이진 분류기의 대표적 모델인 SVM을 탐지기로 설계하였다.
본 논문에서는 선로전환기의 선로 전환 시 발생하는 작동 소리정보를 이용하여 선로전환기의 스트레스를 탐지하는 프로토타입의 시스템을 제안하였다. 제안된 시스템은 먼저, 선로전환기 작동 시 발생하는 소리를 취득하였다. 둘째, 취득한 소리정보를 이용하여 time domain과 frequency domain에서 다양한 소리 자질들을 추출한 후 AFSSA를 이용하여 스트레스 탐지에 효과적인 최적의 자질 부분집합을 선택하였다.
2와 같다. 제안하는 시스템은 크게 소리 수집(sound acquisition) 모듈, 자질 추출(feature extractor) 모듈, 스트레스 탐지(stress detector) 모듈로 구성된다.
총 64개의 자질 파라미터 집합에서 AFSSA를 사용하여 최적의 자질 부분 집합을 선택하였다. 그 결과 데이터 셋의 차원은 약 15.

대상 데이터

9). 물론 공정성 확보를 위하여, 선로전환기의 유지보수 작업을 수행한 후, 소리 데이터를 수집하였다.
본 실험에서는 39개의 PSD를 사용하였고, 100∼4,000Hz구간에서 100Hz마다 추출.
선로전환기에서 약 1m 떨어진 정중앙에서 마이크(Shure SM137)를 이용하여 소리 데이터를 수집하였으며, 이때의 기상상황은 약한 바람이 부는 0∼6℃의 환경이었다.
선로전환기의 스트레스 탐지를 실험하기 위한 소리 데이터는 소리 신호의 파형과 스펙트로그램을 확인한 후 수동으로 선로 전환 시 발생하는 소리 영역을 편집하였다(Fig. 10A·B, 11A·B 참조).
선로전환기의 스트레스를 탐지하는 실험을 위해 2016년 1월 1일 대전광역시 유성구에 위치한 ㈜세화 연구소에서 실험환경을 구축하고 선로전환기의 작동 시 발생하는 소리를 수집하였다(Fig. 5 참조). 선로전환기에서 약 1m 떨어진 정중앙에서 마이크(Shure SM137)를 이용하여 소리 데이터를 수집하였으며, 이때의 기상상황은 약한 바람이 부는 0∼6℃의 환경이었다.
취득한 선로전환기의 작동 소리에서 소리 자질을 추출하기 위해 Praat 6.0.05를 사용하여 time domain에서 16개, frequency domain에서 48개, 총 64개의 자질을 추출했다.

데이터처리

마지막으로 선택된 자질 벡터를 이진 분류기인 SVM에 적용하여 선로전환기의 스트레스 유무를 탐지하였다. 실제 테스트를 위해 수집한 소리 데이터 셋을 이용하여, 본 논문에서 제안하는 소리정보 기반의 선로전환기 스트레스 탐지 시스템의 성능을 실험적으로 검증하였다.

이론/모형

이는 시스템의 성능을 계속 유지하거나 최소한의 성능 저하만을 허락하는 입장에서, 자질 집합에 존재하는 변수들 중, 정보가 비교적 적게 반영된 변수들과 중복된 성질을 갖는 자질 매개변수들을 제거함으로써 자질 집합의 차원을 축소하는 방법이다[12, 13]. 본 논문에서는 선로전환기의 주요한 소리 자질들을 선택하는 방법으로 Lee 등[10]이 제안한 AFSSA를 사용하였다.
자질 추출 모듈은 선로전환기의 스트레스 탐지를 위하여 time domain과 frequency domain에서의 소리 자질들을 추출한다. 취득한 자질들은 자질 선택 방법인 AFSSA (Acoustic Feature Subset Selection Algorithm)[10] 방법을 이용하여 중요한 자질들로 구성되는 최종 소리 자질 벡터를 생성한다. 본 논문에서 사용한 time domain과 frequency domain에서 각각 추출한 소리 자질 매개변수들[11]은 다음과 같다.

성능/효과

선택된 소리 자질 집합 중 일부의 변수에 관한 자질값의 변화 추세를 살펴보면, time domain과 frequency domain에서 모두 스트레스가 증가함에 따라 자질값이 독립적으로 단조 증가(monotonic increasing)함을 확인할 수 있다(Fig. 12, 13 참조). 위 예비 실험 결과로부터 소리 정보를 통해 스트레스에 따른 선로전환기의 소리 분류의 가능성을 확인할 수 있다.
실험 결과는 Table 2와 같으며, 선로전환기의 SDR은 98.19%, FPR과 FNR은 각각 2.00%, 1.81%라는 안정적인 실험결과를 확인하였다.
12, 13 참조). 위 예비 실험 결과로부터 소리 정보를 통해 스트레스에 따른 선로전환기의 소리 분류의 가능성을 확인할 수 있다.
10A·B, 11A·B 참조). 이때, Fig. 10B와 Fig. 11B를 비교해 보면 스트레스가 없는 소리 신호(Fig. 10B)에 비해서 스트레스가 발생한 소리(Fig. 11B)의 스펙트로그램은 자갈이 깨지는 시간 영역에서(빨간색 사각형) 주파수 영역의 에너지가 강하게 나타나는 것을 확인할 수 있다. 소리 데이터는 대략 4.

후속연구

SVM기반의 스트레스 탐지기는 정상 작동 소리와 스트레스가 쌓인 선로전환기의 작동소리를 구분하여 미리 학습하고, 스트레스가 쌓인 선로전환기의 작동소리가 실시간으로 입력·탐지될 경우 선로전환기의 관리자에게 알람을 경고한다. 제안된 시스템은 선로전환기의 노후화 여부를 조기 판단하여 선로전환기의 교체시기를 판별함으로써 예정된 사고를 사전에 예방할 수 있는 유용한 정보로 활용될 수 있을 것으로 기대된다.
향후 연구 과제로는 본 연구에서 제안된 프로토타입의 시스템을 실세계에서 구현 x 운용하기 위한 구체적인 후속 연구들이 요구되고, 소리 데이터뿐만 아니라 전기적 신호 데이터도 동시에 고려하는 멀티모달 기반의 융합 연구가 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	철도 선로전환기란?	철도 선로전환기는 열차의 진로를 현재의 궤도에서 다른 궤도로 제어하는 장치이다. 선로전환기의 이상 상황은 탈선 등과 같은 심각한 문제를 발생할 수 있기 때문에, 선로전환기의 스트레스를 지속적으로 모니터링 하는 것은 매우 중요하다.
	선로전환기의 스트레스를 지속적으로 모니터링 하는 것이 중요한 이유는?	철도 선로전환기는 열차의 진로를 현재의 궤도에서 다른 궤도로 제어하는 장치이다. 선로전환기의 이상 상황은 탈선 등과 같은 심각한 문제를 발생할 수 있기 때문에, 선로전환기의 스트레스를 지속적으로 모니터링 하는 것은 매우 중요하다. 본 논문에서는 선로전환기가 작동할 때 발생하는 소리 정보를 이용하여 선로전환기의 스트레스를 탐지하는 시스템을 제안한다.
	제안된 프로토타입 시스템은 어떤 역할을 할 것으로 기대되는가?	SVM기반의 스트레스 탐지기는 정상 작동 소리와 스트레스가 쌓인 선로전환기의 작동소리를 구분하여 미리 학습하고, 스트레스가 쌓인 선로전환기의 작동소리가 실시간으로 입력·탐지될 경우 선로전환기의 관리자에게 알람을 경고한다. 제안된 시스템은 선로전환기의 노후화 여부를 조기 판단하여 선로전환기의 교체시기를 판별함으로써 예정된 사고를 사전에 예방할 수 있는 유용한 정보로 활용될 수 있을 것으로 기대된다.

참고문헌 (14)

J. H. Lee and Y. K. Kim, "A study on switching power measurement of an electrical point machine using a sensor," Journal of the Korean Society for Railway, Vol.18, No.4, pp.335-343, 2015.

원문보기 상세보기
J. H. Lee, Y. K. Kim, and J. Y. Park, "A study on the field application of switching power measurement by using sensor in electrical point machine," The Transactions of the Korean Institute of Electrical Engineers, Vol.64, No.7, pp.1130-1136, 2015.

원문보기 상세보기
C. S. Kim and G. H. Kang, "Fatigue analysis of reduction gears unit in rolling stock considering operating characteristics," Journal of the Korea Academia Industrial Cooperation Society, Vol.12, No.3, pp.1085-1090, 2011.

원문보기 상세보기
W. Jin, Z. Shi, D. Siegel, P. Dersin, C. Douziech, M. Pugnaloni, and J. Lee, "Development and evaluation of health monitoring techniques for railway point machines," in Prognostics and Health Management 2015 IEEE Conference, pp.1-11, 2015.
M. Vileiniskis, R. Remenyte-Prescott, and D. Rama, "A fault detection method for railway point systems," in Proceedings of the Institution of Mechanical Engineers, Part F: Journal of Rail and Rapid Transit, Vol.230, No.3, pp.852-865, 2016.

상세보기
O. Eker, F. Camci, and U. Kumar, "SVM based diagnostics on railway turnouts," International Journal of Performability Engineering, Vol.8, No.3, pp.289-398, 2012.

상세보기
T. Asada and C. Roberts, "Improving the dependability of DC point machines with a novel condition monitoring system," Proceedings of the Institution of Mechanical Engineers, Part F: Journal of rail and rapid transit, Vol.227, No.4, pp.322-332, 2013.

상세보기
T. Asada, C. Roberts, and T. Koseki, "An algorithm for improved performance of railway condition monitoring equipment: Alternating-current point machine case study," Transportation Research Part C: Emerging Technologies, Vol.30, pp.81-92, 2013.

상세보기
J. Lee, H. Choi, D. Park, Y. Chung, H.-Y. Kim, and S. Yoon, "Fault detection and diagnosis of railway point machines by sound analysis," Sensors, Vol.16, No.4, pp.549, 2016.

상세보기
J. Lee, L. Jin, D. Park, Y. Chung, and H. Chang, "Acoustic features for pig wasting disease detection," International Journal of Information Processing and Management, Vol.6, No.1, pp.37-46, 2015.
J. Lee, B. Noh, S. Jang, D. Park, Y. Chung, and H.-H. Chang, "Stress detection and classification of laying hens by sound analysis," Asian-Australasian Journal of Animal Sciences, Vol.28, No.4, pp.592-598, 2015.

원문보기 상세보기
S. Theodoridis and K. Koutroumbas, "Pattern Recognition," 4th ed, Oxford: Academic Press, 2009.
J. Han, M. Kamber, and J. Pei, "Data Mining: Concepts and Techniques," 3rd ed, San Francisco: Morgan Kaufmann Publishers, 2012.
H. Kim, S. Lee, Y. Chung, D. Park, and H. Lee, "Multicore Processor based Parallel SVM for Video Surveillance System," Journal of the Korea Institute of Information Security and Cryptology, Vol.21, No.6, pp.161-169, 2011.

저자의 다른 논문 :

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