선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 선로 전환기의 이상 상황을 소리를 기반으로 탐지하는 새로운 방안을 제안하고자 한다. 특히, 잡음의 영향에도 안정적인 성능을 보장하기 위하여, 잡음의 영향력을 감소시키는 모듈레이션(modulation)[5] 기반의 비정상상황 탐지 시스템을 제안한다.
- 본 논문에서는 선로전환 시 발생하는 소리 정보를 이용하여 선로 전환기의 이상 상황을 탐지하는 프로토타입 시스템을 제안하였다. 제안된 시스템은 먼저 실시간으로 유입되는 소리 정보로부터 주파수 공간의 특징인 스펙트로그램을 추출한 후 이를 모듈화 기법을 이용하여 특징 벡터를 생성하였다.
- 제안한 두 가지 소리 특징 벡터 모두, 전통적인 소리 특징인 MFCC와 비교하여 잡음 상황에서도 강인한 소리 식별 능력이 있음을 실험적으로 검증하였다[5]. 본 연구에서는 스펙트로그램 정보를 모듈레이션한 특징 벡터를 사용하고자 한다.
가설 설정
- 즉, Mercer 조건을 만족하는 커널 함수는 벡터의 내적을 치환한다. 본 논문에서는 커널 함수로 방사 기저 함수(Radial Basis Function: RBF)를 가정한다.
제안 방법
- 16 bits, 44,100 Hz의 샘플 레이트(sample rate)로 녹음된 소리 데이터로부터 모듈레이션 기반의 특징 벡터를 생성하였다. 먼저 Matlab을 이용하여 주파수 1,024Hz 마다 (샘플레이트 × 소리길이)를 기준으로 Overlap(512) 크기 단위로 스펙트로그램을 추출하였다.
- 제안하는 시스템은 먼저 소리 센서(마이크로폰)에서 실시간으로 취득되는 소리 정보로부터 STFT를 수행하여 스펙트로그램(spectrogram)을 얻는다. 둘째, 스펙트로그램의 크기 정보를 재조정 및 z-score 변환 방법을 이용하여 스펙트로그램에 대한 표준화를 수행한다. 셋째, 전처리가 수행된 스펙트로그램을 일정 크기의 모듈로 나눈 후, 각각의 모듈에서 평균값과 표준편차를 계산하고 이를 조합하여 특징 벡터를 생성한다.
- 여기서 SNR의 수치는 낮아질수록 잡음이 강하게 합성됨을 의미한다. 또한, 소리를 녹음하는 마이크로폰에 녹음되는 소리의 강도(Intensity)가 낮아질 때의 이상 상황 탐지율의 변화를 확인하기 위하여, 정상 소리 원본에서 소리 강도를 80%, 90%로 축소 조정한 Intensity 1, Intensity 2라는 이름의 데이터도 추가하였다.
- 소리 길이에 따라서 크기가 달라지는 스펙트로그램 정보를 일정한 크기로 표준화하기 위하여, 스펙트로그램의 크기를 재조정(resize) 한 후, 잡음에 강인한 특징을 생성하기 위하여 특징값을 추출한다. 마지막으로, z-score 표준화를 수행하여 최종특징 벡터를 생성한다.
- 셋째, 전처리가 수행된 스펙트로그램을 일정 크기의 모듈로 나눈 후, 각각의 모듈에서 평균값과 표준편차를 계산하고 이를 조합하여 특징 벡터를 생성한다. 마지막으로, 이진 분류 문제에 뛰어난 성능을 보이는 SVM을 이용하여 잡음에도 강인한 이상 상황 탐지 성능을 확인한다.
- 실제, 특징 벡터 추출 단계를 보다 자세하게 설명하자면 다음과 같다(그림 4 참조). 먼저 소리 신호에서 STFT를 이용하여각 프레임에 따른 주파수 에너지 정보인 스펙트로그램을 얻는다. 소리 길이에 따라서 크기가 달라지는 스펙트로그램 정보를 일정한 크기로 표준화하기 위하여, 스펙트로그램의 크기를 재조정(resize) 한 후, 잡음에 강인한 특징을 생성하기 위하여 특징값을 추출한다.
- 모듈화를 수행하고 각각의 블록에서 평균과 표준편차를 구한 후 이를 z-score 표준화를 거친 3,200차원(40 × 40 × 2)의 최종 특징 벡터를 얻었다.
- 본 실험에서는 제안한 시스템이 잡음 상황에서도 선로 전환기의 이상 상황을 강인하게 탐지하는 지의 여부를 확인하기 위하여, 정상 소리 신호에 백색 가우시안 잡음인 SNR(Signalto Noise Ratio) 값을 다양하게({3, 6, 7, 8, 9, 10, 11, 12, 13,14, 15, 18, 21}) 합성하여 실험하였다. 여기서 SNR의 수치는 낮아질수록 잡음이 강하게 합성됨을 의미한다.
- 둘째, 스펙트로그램의 크기 정보를 재조정 및 z-score 변환 방법을 이용하여 스펙트로그램에 대한 표준화를 수행한다. 셋째, 전처리가 수행된 스펙트로그램을 일정 크기의 모듈로 나눈 후, 각각의 모듈에서 평균값과 표준편차를 계산하고 이를 조합하여 특징 벡터를 생성한다. 마지막으로, 이진 분류 문제에 뛰어난 성능을 보이는 SVM을 이용하여 잡음에도 강인한 이상 상황 탐지 성능을 확인한다.
- 먼저 소리 신호에서 STFT를 이용하여각 프레임에 따른 주파수 에너지 정보인 스펙트로그램을 얻는다. 소리 길이에 따라서 크기가 달라지는 스펙트로그램 정보를 일정한 크기로 표준화하기 위하여, 스펙트로그램의 크기를 재조정(resize) 한 후, 잡음에 강인한 특징을 생성하기 위하여 특징값을 추출한다. 마지막으로, z-score 표준화를 수행하여 최종특징 벡터를 생성한다.
- 다음은 소리 신호로부터 모듈레이션 특징을 추출하는 방법에 대한 설명이다. 소리 센서에서 실시간으로 취득되는 소리 신호로부터 첫째, 소리 신호를 STFT를 이용하여 스펙트로그램기반 주파수 영역의 그레이스케일(grayscale)의 스펙트로그램 특징정보를 추출한다. 둘째, 해당 2차원의 스펙트로그램 정보를 일정한 모듈(module) 또는 블록(block)으로 분할한다(그림 3.
- 이상 상황 탐지 모듈에서는 선로 전환기의 이상 상황 탐지를 위해 미리 훈련을 마친 SVM을 기반으로, 실시간으로 유입되는 소리 신호의 이상 상황 여부를 탐지한다. 이진 분류 문제에서 최근 많이 활용되는 SVM은 구조적 위험 최소화 개념에 기반을 둔 최적의 선형 결정 평면을 찾음으로써 두 개의 클래스를 분류하는 방법이다[14-16].
- 제안된 시스템은 먼저 실시간으로 유입되는 소리 정보로부터 주파수 공간의 특징인 스펙트로그램을 추출한 후 이를 모듈화 기법을 이용하여 특징 벡터를 생성하였다. 이후, 생성된 모듈레이션 특징 벡터는 기계학습의 대표적인 이진 분류 모델인 SVM에 적용되어 선로 전환기의 비정상 상황을 탐지하였다. 실제 선로 전환기의 전환 시 발생하는 소리 시그널에 잡음정보를 추가로 합성한 후 실험한 결과, 제안한 시스템의 성능이 안정적임을 실험적으로 검증하였다.
- 본 논문에서는 선로전환 시 발생하는 소리 정보를 이용하여 선로 전환기의 이상 상황을 탐지하는 프로토타입 시스템을 제안하였다. 제안된 시스템은 먼저 실시간으로 유입되는 소리 정보로부터 주파수 공간의 특징인 스펙트로그램을 추출한 후 이를 모듈화 기법을 이용하여 특징 벡터를 생성하였다. 이후, 생성된 모듈레이션 특징 벡터는 기계학습의 대표적인 이진 분류 모델인 SVM에 적용되어 선로 전환기의 비정상 상황을 탐지하였다.
- 특히, 잡음의 영향에도 안정적인 성능을 보장하기 위하여, 잡음의 영향력을 감소시키는 모듈레이션(modulation)[5] 기반의 비정상상황 탐지 시스템을 제안한다. 제안하는 시스템은 먼저 소리 센서(마이크로폰)에서 실시간으로 취득되는 소리 정보로부터 STFT를 수행하여 스펙트로그램(spectrogram)을 얻는다. 둘째, 스펙트로그램의 크기 정보를 재조정 및 z-score 변환 방법을 이용하여 스펙트로그램에 대한 표준화를 수행한다.
- 본 논문에서는 선로 전환기의 이상 상황을 소리를 기반으로 탐지하는 새로운 방안을 제안하고자 한다. 특히, 잡음의 영향에도 안정적인 성능을 보장하기 위하여, 잡음의 영향력을 감소시키는 모듈레이션(modulation)[5] 기반의 비정상상황 탐지 시스템을 제안한다. 제안하는 시스템은 먼저 소리 센서(마이크로폰)에서 실시간으로 취득되는 소리 정보로부터 STFT를 수행하여 스펙트로그램(spectrogram)을 얻는다.
대상 데이터
- 다음의 그림들은 데이터를 수집한 실제 모습을 촬영한 것이다: 얼음이 선로에 낀 상황(그림 7), 자갈이 낀 상황(그림 8), 전철 막대의 나사가 풀어진 상황(그림 9). 물론 공정성 확보를 위하여, 선로 전환기의 유지보수 작업을 수행한 후,소리 데이터를 수집하였다.
- 본 연구에서 제안한 시스템의 성능 평가를 위하여, 정상적인데이터 140개, 비정상 데이터 420개{나사가 풀어진 경우: 140,자갈이 있는 경우: 140, 얼음 조각이 있는 경우: 140}, 총 560개의 데이터로 선로 전환기의 이상 상황 탐지 실험을 수행하였다. 실험에서, 프로그램 R의 SVM 패키지인 ‘e1071’[17]을 이용하였으며, 전체 데이터 셋의 70%를 랜덤으로 선택하여 SVM의 학습 데이터로 사용하고, 나머지 30%를 SVM의 테스트 데이터로 이용하였다.
- 선로 전환기에서 약 1m 떨어진 정중앙에서 마이크(Shure SM137)를 이용하여 소리 데이터를 수집하였으며, 이때의 기상상황은 약한 바람이 부는 0∼6℃의 환경이었다.
- 선로 전환기의 이상 상황을 탐지하기 위해 수집한 소리 데이터는 소리 신호의 파형과 스펙트로그램을 확인한 후 수동으로 선로 전환 시 발생하는 소리 영역을 편집하였다(그림 10 참조). 해당 신호의 스펙트로그램은 그림 11과 같다.
- 선로 전환기의 이상 상황을 탐지하는 실험을 위해 2016년 1월 1일 대전광역시 유성구에 위치한 ㈜세화 연구소에서 실험환경을 구축하고 선로 전환기의 작동 시 발생하는 소리를 수집하였다(그림 6 참조). 선로 전환기에서 약 1m 떨어진 정중앙에서 마이크(Shure SM137)를 이용하여 소리 데이터를 수집하였으며, 이때의 기상상황은 약한 바람이 부는 0∼6℃의 환경이었다.
- 실험에서, 프로그램 R의 SVM 패키지인 ‘e1071’[17]을 이용하였으며, 전체 데이터 셋의 70%를 랜덤으로 선택하여 SVM의 학습 데이터로 사용하고, 나머지 30%를 SVM의 테스트 데이터로 이용하였다.
- 그 결과MFCC 특징 벡터는 720 크기의 특징 차원을 가진다. 전 실험과 동일하게, 전체 데이터 셋의 70%를 랜덤으로 선택하여 SVM의 학습 데이터로 사용하였고, 나머지 30%를 SVM의 테스트 데이터로 이용하였다. 이때, 실험에 의해 가장 좋은 결과를 보인 C(3.
데이터처리
- 먼저 Matlab을 이용하여 주파수 1,024Hz 마다 (샘플레이트 × 소리길이)를 기준으로 Overlap(512) 크기 단위로 스펙트로그램을 추출하였다.
- 선행 연구와의 비교 실험을 위해서 Lee 등[1]이 제안한MFCC 기반의 SVM 연구 방법론을 선택하였다. 실험에서,MFCC는 소리의 길이에 상관없이 60 프레임으로 나눈 후, 각각에서 12개의 cepstral coefficient 값을 추출하였다. 그 결과MFCC 특징 벡터는 720 크기의 특징 차원을 가진다.
이론/모형
- 본 실험에서는 Asada 등[5]이 정리한 선로 전환기의 어골도(fishbone diagram)에 기초하여 다음과 같이 이상 상황을 수집하였다: 기본 레일과 스위치 블레이드 사이에 얼음 또는 자갈이 낀 상황과 전철 막대의 나사가 풀어진 경우를 이상 상황이라고 정의하였다. 다음의 그림들은 데이터를 수집한 실제 모습을 촬영한 것이다: 얼음이 선로에 낀 상황(그림 7), 자갈이 낀 상황(그림 8), 전철 막대의 나사가 풀어진 상황(그림 9).
- 본 연구에서 사용하는 소리 특징은 Sharan 등[5]이 제안한 특징 벡터 추출 방법을 차용하였다. Sharan 등은 소리 신호에서 추출한 스펙트로그램 특징을 모듈화한 소리 특징 벡터와ZCR(zero-crossing rate), STE(short-time energy),SBE(sub-band energy)를 모듈화 특징에 추가한 특징 벡터를 사용하였다.
- 선행 연구와의 비교 실험을 위해서 Lee 등[1]이 제안한MFCC 기반의 SVM 연구 방법론을 선택하였다. 실험에서,MFCC는 소리의 길이에 상관없이 60 프레임으로 나눈 후, 각각에서 12개의 cepstral coefficient 값을 추출하였다.
- 실험 성능 측정을 위한 지표로는 정확도(accuracy)와 F-measure를 사용하였고, 각각의 수식은 다음과 같다.
성능/효과
- 또한 소리 잡음의 다양한 강도에 따른 시스템의 성능 평가를 수행한 실험 결과에서는 잡음의 강도가 비교적 약한 SNR 21∼9까지는 안정적인 성능, 잡음의 강도가 매우 강한 SNR 8∼3구간에서는 시스템의 성능이 급격하게 저하되는 것을 확인하였다. 결국, 본 논문에서 제안한 모듈레이션 기반의 SVM은 다양한 잡음 환경에서도 안정적인 선로 전환기의 이상 상황 탐지 성능을 보임을 확인하였다.
- 또한 소리 잡음의 다양한 강도에 따른 시스템의 성능 평가를 수행한 실험 결과에서는 잡음의 강도가 비교적 약한 SNR 21∼9까지는 안정적인 성능, 잡음의 강도가 매우 강한 SNR 8∼3구간에서는 시스템의 성능이 급격하게 저하되는 것을 확인하였다.
- 본 논문에서 제안한 선로 전환기의 이상 상황 탐지 시스템의 성능 실험 결과는 표 1과 같으며, 잡음을 고려하지 않은 실험(Clean이라는 이름으로 명시)에서는 선로 전환기의 정확도가 100%라는 매우 우수한 성능결과를 확인하였다. 실험결과를 보다 자세히 분석해보면 다음과 같다.
- 이후, 생성된 모듈레이션 특징 벡터는 기계학습의 대표적인 이진 분류 모델인 SVM에 적용되어 선로 전환기의 비정상 상황을 탐지하였다. 실제 선로 전환기의 전환 시 발생하는 소리 시그널에 잡음정보를 추가로 합성한 후 실험한 결과, 제안한 시스템의 성능이 안정적임을 실험적으로 검증하였다. 본 논문에서 제안한 시스템은 설치 가격이 경제적일 뿐만 아니라 선로 전환기의 전기적 신호를 기반으로 한 비정상 상황 탐지 시스템의 부가적인 모듈 또는 단독으로 사용될 수 있다.
- 실험결과를 정리한 표 1을 살펴보면, 원본 신호의 강도가 80%, 90% (Intensity 1 and 2)로 감소하여도 MFCC와 모듈레이션 기반의 특징을 이용한 두 경우 모두 이상 상황 탐지율에는 변화가 없었다. 다만 소리 잡음의 강도가 강한 SNR 3과 SNR 6 뿐만이 아니라 SNR 7∼13에서는 MFCC 특징을 이용한 경우의 성능은 매우 낮으며, 또한, 잡음이 상대적으로 적게 합성된 SNR 15 경우에서도 모듈레이션 특징을 이용한 경우보다 상대적으로 낮은 성능을 확인하였다(그림 14 참조).
- Sharan 등은 소리 신호에서 추출한 스펙트로그램 특징을 모듈화한 소리 특징 벡터와ZCR(zero-crossing rate), STE(short-time energy),SBE(sub-band energy)를 모듈화 특징에 추가한 특징 벡터를 사용하였다. 제안한 두 가지 소리 특징 벡터 모두, 전통적인 소리 특징인 MFCC와 비교하여 잡음 상황에서도 강인한 소리 식별 능력이 있음을 실험적으로 검증하였다[5]. 본 연구에서는 스펙트로그램 정보를 모듈레이션한 특징 벡터를 사용하고자 한다.
후속연구
- 실제 선로 전환기의 전환 시 발생하는 소리 시그널에 잡음정보를 추가로 합성한 후 실험한 결과, 제안한 시스템의 성능이 안정적임을 실험적으로 검증하였다. 본 논문에서 제안한 시스템은 설치 가격이 경제적일 뿐만 아니라 선로 전환기의 전기적 신호를 기반으로 한 비정상 상황 탐지 시스템의 부가적인 모듈 또는 단독으로 사용될 수 있다.
- 향후 연구 과제로는 제안된 프로토타입의 시스템을 실세계에서 구현 및 운용하기 위한 구체적인 후속 연구들이 요구되며, 기존의 연구에서 활발히 연구된 전기적 신호와의 멀티모달 기반의 융합 연구가 기대된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.