최근 산업현장에서 기계의 자동화가 크게 가속화됨에 따라 자동화 기계의 관리 및 유지보수에 대한 중요성이 갈수록 커지고 있다. 자동화 기계에 부착된 센서의 고장이 발생할 경우 기계가 오동작함으로써 공정라인 운용에 막대한 피해가 발생할 수 있다. 이를 막기 위해 센서의 상태를 모니터링하고 고장의 진단 및 분류를 하는 것이 필요하다. 본 논문에서는 센서에서 발생하는 대표적인 고장 유형인 erratic fault, drift fault, hard-over fault, spike fault, stuck fault를 기계학습 알고리즘인 SVM과 CNN을 적용하여 검출하고 분류하였다. SVM의 학습 및 테스트를 위해 데이터 샘플들로부터 시간영역 통계 특징들을 추출하고 최적의 특징을 찾기 위해 유전 알고리즘(genetic algorithm)을 적용하였다. Multi-class를 분류하기 위해 multi-layer SVM을 구성하여 센서 고장을 분류하였다. CNN에 대해서는 데이터 샘플들을 사용하여 학습시키고 성능을 높이기 위해 앙상블 기법을 적용하였다. 시뮬레이션 결과를 통해 유전 알고리즘에 의해 선별된 특징들을 사용한 SVM의 분류 결과는 모든 특징이 사용된 SVM 분류기 보다는 성능이 향상되었으나 전반적으로 CNN의 성능이 SVM보다 우수한 것을 확인할 수 있었다.
최근 산업현장에서 기계의 자동화가 크게 가속화됨에 따라 자동화 기계의 관리 및 유지보수에 대한 중요성이 갈수록 커지고 있다. 자동화 기계에 부착된 센서의 고장이 발생할 경우 기계가 오동작함으로써 공정라인 운용에 막대한 피해가 발생할 수 있다. 이를 막기 위해 센서의 상태를 모니터링하고 고장의 진단 및 분류를 하는 것이 필요하다. 본 논문에서는 센서에서 발생하는 대표적인 고장 유형인 erratic fault, drift fault, hard-over fault, spike fault, stuck fault를 기계학습 알고리즘인 SVM과 CNN을 적용하여 검출하고 분류하였다. SVM의 학습 및 테스트를 위해 데이터 샘플들로부터 시간영역 통계 특징들을 추출하고 최적의 특징을 찾기 위해 유전 알고리즘(genetic algorithm)을 적용하였다. Multi-class를 분류하기 위해 multi-layer SVM을 구성하여 센서 고장을 분류하였다. CNN에 대해서는 데이터 샘플들을 사용하여 학습시키고 성능을 높이기 위해 앙상블 기법을 적용하였다. 시뮬레이션 결과를 통해 유전 알고리즘에 의해 선별된 특징들을 사용한 SVM의 분류 결과는 모든 특징이 사용된 SVM 분류기 보다는 성능이 향상되었으나 전반적으로 CNN의 성능이 SVM보다 우수한 것을 확인할 수 있었다.
As machines have been automated in the field of industries in recent years, it is a paramount importance to manage and maintain the automation machines. When a fault occurs in sensors attached to the machine, the machine may malfunction and further, a huge damage will be caused in the process line. ...
As machines have been automated in the field of industries in recent years, it is a paramount importance to manage and maintain the automation machines. When a fault occurs in sensors attached to the machine, the machine may malfunction and further, a huge damage will be caused in the process line. To prevent the situation, the fault of sensors should be monitored, diagnosed and classified in a proper way. In the paper, we propose a sensor fault detection scheme based on SVM and CNN to detect and classify typical sensor errors such as erratic, drift, hard-over, spike, and stuck faults. Time-domain statistical features are utilized for the learning and testing in the proposed scheme, and the genetic algorithm is utilized to select the subset of optimal features. To classify multiple sensor faults, a multi-layer SVM is utilized, and ensemble technique is used for CNN. As a result, the SVM that utilizes a subset of features selected by the genetic algorithm provides better performance than the SVM that utilizes all the features. However, the performance of CNN is superior to that of the SVM.
As machines have been automated in the field of industries in recent years, it is a paramount importance to manage and maintain the automation machines. When a fault occurs in sensors attached to the machine, the machine may malfunction and further, a huge damage will be caused in the process line. To prevent the situation, the fault of sensors should be monitored, diagnosed and classified in a proper way. In the paper, we propose a sensor fault detection scheme based on SVM and CNN to detect and classify typical sensor errors such as erratic, drift, hard-over, spike, and stuck faults. Time-domain statistical features are utilized for the learning and testing in the proposed scheme, and the genetic algorithm is utilized to select the subset of optimal features. To classify multiple sensor faults, a multi-layer SVM is utilized, and ensemble technique is used for CNN. As a result, the SVM that utilizes a subset of features selected by the genetic algorithm provides better performance than the SVM that utilizes all the features. However, the performance of CNN is superior to that of the SVM.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 erratic, drift, hard-over, spike, stuck의 총 5가지 센서 고장유형들을 SVM과 CNN으로 분류한 진단 결과를 분석 및 기술하였다. SVM의 입력은 시간영역 데이터로부터 추출한 특징을 사용하였고 최적의 특징을 선정하기 위해 유전 알고리즘이 사용되었다.
SVM에서는 대부분 그림 2의 경우와는 달리 비선형적 특징을 가지는 데이터들을 분류하는 경우가 많기 때문에 선형적 특징을 가지는 데이터뿐만 아니라 비선형적 특징을 가지는 데이터를 분류할 수 있도록 커널 함수(kernel function)을 사용한다. 본 연구에서는 linear, RBF, polynomial 세 가지 종류의 커널 함수가 SVM을 학습시키기 위해 사용되었다[12].
제안 방법
유전 알고리즘에 의해 선택된 특징들을 사용한 multi-layer SVM은 고장 시점이 랜덤한 경우에서 모든 특징을 사용하여 분류한 것보다 더 좋은 결과를 보여주었다. CNN을 사용한 분류에서는 CNN의 성능을 향상시키기 위해 앙상블 기법을 사용하였으며, 유전알고리즘을 적용시킨 SVM 분류기에서 잘 분류하지 못한 stuck 클래스를 93.75%의 정확도로 분류하였다. Stuck fault 분류의 효과적인 성능 비교를 위해 AUC-ROC를 사용하였고 CNN 앙상블이 가장 좋은 성능을 보임을 확인 할 수 있었다.
SVM을 학습시키기 위해서 각 고장 클래스 별로 20개의 샘플들이 사용되었고 80개의 샘플들이 테스트를 위해 사용되었다. SVM 학습을 위해 사용된 커널 함수는 linear, RBF, polynomial이며, 커널 함수별로 학습된 SVM을 사용하여 각각 센서 고장 감지 및 분류를 하였다. RBF와polynomial 커널 함수에서 kernel scale은 1, polynomial kernel function order은 3으로 설정하였다.
표에서 x는 고장발생 지점(x=0, 500, 0∼1000)에 따라 테스트되었음을 의미한다. SVM은 커널 함수인 linear, RBF, polynomial을 사용하여 분류하였다. Selected features은 유전 알고리즘을 사용해서 얻은 특징을 의미한다.
SVM의 입력은 시간영역 데이터로부터 추출한 특징을 사용하였고 최적의 특징을 선정하기 위해 유전 알고리즘이 사용되었다. SVM의 분류 성능을 CNN과 비교하기 위해 다중 클래스 분류가 가능한 multi-layer SVM을 구성하였다. CNN을 사용한 고장 검출 및 분류에서는 성능 향상을 위하여 앙상블(ensemble)기법을 사용하였다.
표 5에서는 multi-layer SVM을 사용하여 센서 고장 데이터를 분류한 결과를 보여준다. multi-layer SVM은 사용된 커널 함수별로 설계되었으며, 표 4에서 정확도가 높은 클래스에 해당하는 SVM 분류기가 multi-layer SVM의 상위 계층에 위치하도록 설계하였다. x=0∼1000과 polynomial 커널 함수의 경우에는 1(erratic), 3(hard-over), 4(spike), 2(drift), 5(stuck), 0(normal)순으로 multi-layer SVM이 설계되었다.
참고문헌[12]의 SVM을 이용한 센서 고장 진단에서는 특징을 고를 때 5개의 특징을 선택하는 것만 고려하였으므로 각 고장 유형에 따른 분류성능을 최적화하지 못하였다. 따라서 본 논문에서는 SVM의 분류성능을 높이기 위해 커널 함수와 각 고장유형 클래스에 따라 해를 구하였다.
001로 설정하였다. 마지막으로 대치과정에서는 전체적인 해집단의 품질을 향상시키기 위해 기존 세대에서 가장 성능이 우수한 해를 제외한 나머지 세대 전부를 대치하는 방법을 사용하였다. 표 3에서 보는 바와 같이 해는 학습 데이터에 유전 알고리즘을 적용하여 얻었다.
본 논문에서는 센서 고장 검출 및 분류를 위해 SVM과 CNN을 적용하였다. 센서 데이터 샘플들로부터 시간 영역 통계 특징들을 추출하였고, 유전 알고리즘을 사용하여 선별된 특징들을 이용하여 SVM 분류기의 분류 성능을 개선시켰다.
. 본 논문에서는 측정된 센서 출력 신호로부터 특징들을 추출하고 이것을 SVM의 입력으로 사용하였다. 표 2는 사용된 시간영역통계 특징들을 나타내며 다음과 같다.
본 논문에서는 표 2의 특징들을 0과 1의 2진 비트코드로 표현하여 하나의 염색체로 사용하였다. 해가 1로 표현이 되면 해당 특징이 사용되고, 해가 0이면 해당 특징은 사용되지 않는다.
참고문헌[6]에서는 bias, drifting, precision degradation, gain, complete failure, noise, constant with noise의 고장 유형을 검출하는데 accelerometers가 사용되었다. 본 연구에서는 erratic, drift, hard-over, spike, stuck 5가지 아날로그 센서의 대표적인 고장유형들을 자동화 기계의 기본적인 센서들 중 하나인 온도센서로부터 산출되는 데이터를 기반으로 센서 고장 검출을 수행하였다.
세 개의 convolution layer에서 convolution 연산에 사용된 필터의 크기는 3×3, stride는 1로 설정 하였고, zero padding을 사용하여 convolution 연산 후에도 feature map의 크기를동일하게 유지하였다.
본 논문에서는 센서 고장 검출 및 분류를 위해 SVM과 CNN을 적용하였다. 센서 데이터 샘플들로부터 시간 영역 통계 특징들을 추출하였고, 유전 알고리즘을 사용하여 선별된 특징들을 이용하여 SVM 분류기의 분류 성능을 개선시켰다. 유전 알고리즘에 의해 선택된 특징들을 사용한 multi-layer SVM은 고장 시점이 랜덤한 경우에서 모든 특징을 사용하여 분류한 것보다 더 좋은 결과를 보여주었다.
RMS(root meansqurare), KV(kurtosis value), PPV(peak-to-peak value), IF(impulse factor), SF(shape factor), SRA(square root of the amplitude), MF(margin factor), SV(skewness value), CF(crest factor), KF(kurtosis factor), Mean, CM(central moment, n=5)[12]. 위에서 언급한 RMS부터 CM까지 12가지 특징에 차례대로 1부터 12까지 번호를 부여하여 특징을 구분하는데 사용하였다.
입력 단계에서 1000개의 데이터 포인트를 가진 하나의 데이터 샘플을 convolution 연산을 하기 위해 40×25 형태의 행렬로 만들어 사용하였다.
대상 데이터
Normal, erratic fault, drift fault, hard-over fault, spike fault, stuck fault는 각각 100개의 데이터 샘플로 구성되었고 그림 1, 그림 5, 그림 6에 나타낸 것처럼 고장 발생 지점(0, 500, 0∼1000)에 따라 6가지 신호 유형을 포함하는 600개의 데이터 샘플들이 본 논문에서 사용되었다.
하나의 데이터 샘플은 1,000개의 데이터 포인트를 가지고 있으며, 고장발생 지점에 따른 데이터 집합은 6*100*1000으로 표현할 수 있다. SVM과 CNN의 학습과 테스트를 위해 고장 유형별로 20개의 데이터 샘플들은 학습에 나머지 80개는 테스트에 사용되었다.
센서 고장 진단을 위해 사용된 SVM 분류기는 MATLAB에서 ficsvm을 통해 구현되었다. SVM을 학습시키기 위해서 각 고장 클래스 별로 20개의 샘플들이 사용되었고 80개의 샘플들이 테스트를 위해 사용되었다. SVM 학습을 위해 사용된 커널 함수는 linear, RBF, polynomial이며, 커널 함수별로 학습된 SVM을 사용하여 각각 센서 고장 감지 및 분류를 하였다.
에서 활용된 데이터를 사용하였다. 데이터는 TC1047/TC1047A Precision Temperature-to-Voltage Converter로부터 측정 되었으며, 정상신호와 5가지 고장 유형들을 사용하였다[12]. 표 1은 상기 5가지 고장유형들을 나타낸다.
본 논문에서는 센서 고장 감지 및 분류를 위해 참고문헌[12]에서 활용된 데이터를 사용하였다. 데이터는 TC1047/TC1047A Precision Temperature-to-Voltage Converter로부터 측정 되었으며, 정상신호와 5가지 고장 유형들을 사용하였다[12].
세 개의 convolution layer에서 convolution 연산에 사용된 필터의 크기는 3×3, stride는 1로 설정 하였고, zero padding을 사용하여 convolution 연산 후에도 feature map의 크기를동일하게 유지하였다. 첫 번째 convolution layer에서는 50 feature maps가 사용되었고 100, 150 feature maps가두, 세 번째 convolution layer에 사용되었다. 추출된 feature map에 적용된 activation function은 ReLU가 사용되었다[18].
유전 알고리즘을 사용하기 위해 먼저 초기세대를 생성한다. 초기 세대 생성과정에서는 바이너리 스트링을 랜덤하게 초기화하였으며 개체는 20개를 생성하였다. 선택과정에서는 선택된 해에 대한 적합도 함수의 평가에 따라 부모 개체를 선택하는데 적합도 함수가 높은 개체가 더 많이 선택되는 roulette-wheel 방법을 사용하였다.
데이터처리
입력이 들어오면 SVM 분류기는 하나의 클래스에 대해 판별하고 해당 클래스가 아니면 다른 SVM 분류기로 분류한다. Multi-layer SVM의 분류 결과는 표 5와 같이 나타내었고 CNN의 분류 성능과 비교하였다.
이론/모형
SVM의 분류 성능을 CNN과 비교하기 위해 다중 클래스 분류가 가능한 multi-layer SVM을 구성하였다. CNN을 사용한 고장 검출 및 분류에서는 성능 향상을 위하여 앙상블(ensemble)기법을 사용하였다.
또한 CNN의 분류 성능을 향상시키기 위해 각각의 CNN 분류기로부터 얻은 결과를 종합하여 최종 결과를 고려하는 병렬적 결합 방법의 앙상블 기법을 사용하였다. CNN을 학습 및 테스트하기 위해 Python 기반의 TensorFlow 라이브러리를 사용하였다.
분류 결과에 softmax 함수가 사용되고, softmax 함수에 대한 cross entropy 함수의 평균이 cost 함수로 사용되었다[19]. CNN을 훈련시키기 위한 역전파 과정에서는 ADAM optimization이 사용되었고 over-fitting을 방지하기 위해 0.7의 확률로 dropout 기법이 적용되었다[18]. 또한 CNN의 분류 성능을 향상시키기 위해 각각의 CNN 분류기로부터 얻은 결과를 종합하여 최종 결과를 고려하는 병렬적 결합 방법의 앙상블 기법을 사용하였다.
SVM 학습을 위해 사용된 커널 함수는 linear, RBF, polynomial이며, 커널 함수별로 학습된 SVM을 사용하여 각각 센서 고장 감지 및 분류를 하였다. RBF와polynomial 커널 함수에서 kernel scale은 1, polynomial kernel function order은 3으로 설정하였다. SMO(sequential minimal optimization) 알고리즘이 사용되었고 cost 값은 1로 설정되었다.
RBF와polynomial 커널 함수에서 kernel scale은 1, polynomial kernel function order은 3으로 설정하였다. SMO(sequential minimal optimization) 알고리즘이 사용되었고 cost 값은 1로 설정되었다.
본 논문에서는 erratic, drift, hard-over, spike, stuck의 총 5가지 센서 고장유형들을 SVM과 CNN으로 분류한 진단 결과를 분석 및 기술하였다. SVM의 입력은 시간영역 데이터로부터 추출한 특징을 사용하였고 최적의 특징을 선정하기 위해 유전 알고리즘이 사용되었다. SVM의 분류 성능을 CNN과 비교하기 위해 다중 클래스 분류가 가능한 multi-layer SVM을 구성하였다.
7의 확률로 dropout 기법이 적용되었다[18]. 또한 CNN의 분류 성능을 향상시키기 위해 각각의 CNN 분류기로부터 얻은 결과를 종합하여 최종 결과를 고려하는 병렬적 결합 방법의 앙상블 기법을 사용하였다. CNN을 학습 및 테스트하기 위해 Python 기반의 TensorFlow 라이브러리를 사용하였다.
본 논문에서 SVM은 one-versus-rest 방법을 활용하여 각 결함 유형에 따라 분류하고 그 결과는 표로 나타내었다[12]. 입력 데이터가 들어왔을 때 그 데이터의 클래스를 직접적으로 판별하기 위해 다중 계층 SVM 분류기를 그림 3과 같이 설계하였다[14].
초기 세대 생성과정에서는 바이너리 스트링을 랜덤하게 초기화하였으며 개체는 20개를 생성하였다. 선택과정에서는 선택된 해에 대한 적합도 함수의 평가에 따라 부모 개체를 선택하는데 적합도 함수가 높은 개체가 더 많이 선택되는 roulette-wheel 방법을 사용하였다. 적합도 함수는 선택된 해들을 사용하여 학습데이터에 대해 cross validation을 사용한 SVM의 정확도가 높고 사용된 특징들의 개수가 적을수록 높은 점수를 부여하였다.
교차는 선택된 부모 개체가 가지는 유전자를 조합하여 새로운 자식 염색체를 생산한다. 염색체에서 임의로 자름 점을 n개 선택한 후, 두 부모 객체를 교차하는 방식으로 2점 교차방식이 본 연구에서 사용되었다[16]. 변이는 교차 연산 이후, 확률적으로 자식 객체의 유전자에 비트를 반전시켜 해의 다양성을 높여줌으로써 지역 최저점에 빠지는 것을 방지한다.
첫 번째 convolution layer에서는 50 feature maps가 사용되었고 100, 150 feature maps가두, 세 번째 convolution layer에 사용되었다. 추출된 feature map에 적용된 activation function은 ReLU가 사용되었다[18]. 각 pooling layer에서는 max pooling 기법이 사용되었고 2×2 크기로 sub-sampling 되었으며 stride는 1로 설정되었다.
성능/효과
75%로 상당히 높았다. 6가지 유형의 클래스 중 5(stuck)의 분류 정확도가 SVM과 CNN에서 모두 다 가장 낮은 분류 정확도를 보여주었다. 따라서 다른 고장 유형들에 비해 5(stuck) 클래스로부터 식별하기 위한 특징 추출이 어렵고 복잡하다는 것을 알 수 있다.
표 9에서는 CNN의 앙상블 모델의 분류 결과를 혼동행렬로 보여준다. CNN 앙상블을 사용한 분류에서는 0, 1(normal, erratic) 클래스들에 대한 분류는 100% 수행되었고 4, 5(spike, stuck) 클래스들을 분류함에 있어서는 93.75%로 가장 낮은 정확도를 얻었다. 표 8에서 selected features를 사용한 SVM의 분류 결과와 비교해 보았을 때 3(hard-over) 분류에서 1%, 4(spike)에서는 5% 정도 분류성능이 떨어졌다.
분류 정확도는 특징들과 커널 함수를 적절히 선택하여 개선시킬 수 있다. Polynomial 커널 함수와 selected features를 사용한 분류 성능은 평균 96.81%로 가장 우수한 정확도를 보여주고 있다.
75%의 정확도로 분류하였다. Stuck fault 분류의 효과적인 성능 비교를 위해 AUC-ROC를 사용하였고 CNN 앙상블이 가장 좋은 성능을 보임을 확인 할 수 있었다.
x=0∼1000에서 RBF커널 함수를 사용한 분류 결과에서는 선택된 특징들을 사용한 결과가 모든 특징을 사용한 결과보다 2.71%의 정확도 향상을 보임을 확인 할 수 있다.
고장 발생지점 x=0에서는 SVM도 CNN과 동일한 성능을 보여주지만 x=500, 0∼1000에서는 CNN에 비해 성능이 떨어진다. 따라서 데이터의 질이 떨어지거나 그 복잡성이 증가 할수록 SVM 보다는 CNN이 좀 더 신뢰성 높은 분류가 가능함을 알 수 있다.
x=0, x=500에서의 CNN을 사용한 센서 고장 진단에서는 모든 클래스에 대해 100%의 정확도로 분류하였으므로 따로 나타내지는 않았다. 앙상블(ensemble)은 model1부터 model5까지의 CNN모델을 종합한 결과이며, CNN 앙상블의 분류 전체 결과는 97.08%로 다른 CNN모델들의 결과보다 더 향상된 결과를 얻었다. CNN 앙상블은 표 5에서 polynomial 커널 함수를 사용한 SVM 분류기의 정확도인 90.
센서 데이터 샘플들로부터 시간 영역 통계 특징들을 추출하였고, 유전 알고리즘을 사용하여 선별된 특징들을 이용하여 SVM 분류기의 분류 성능을 개선시켰다. 유전 알고리즘에 의해 선택된 특징들을 사용한 multi-layer SVM은 고장 시점이 랜덤한 경우에서 모든 특징을 사용하여 분류한 것보다 더 좋은 결과를 보여주었다. CNN을 사용한 분류에서는 CNN의 성능을 향상시키기 위해 앙상블 기법을 사용하였으며, 유전알고리즘을 적용시킨 SVM 분류기에서 잘 분류하지 못한 stuck 클래스를 93.
선택과정에서는 선택된 해에 대한 적합도 함수의 평가에 따라 부모 개체를 선택하는데 적합도 함수가 높은 개체가 더 많이 선택되는 roulette-wheel 방법을 사용하였다. 적합도 함수는 선택된 해들을 사용하여 학습데이터에 대해 cross validation을 사용한 SVM의 정확도가 높고 사용된 특징들의 개수가 적을수록 높은 점수를 부여하였다. 교차는 선택된 부모 개체가 가지는 유전자를 조합하여 새로운 자식 염색체를 생산한다.
x=0∼1000과 polynomial 커널 함수의 경우에는 1(erratic), 3(hard-over), 4(spike), 2(drift), 5(stuck), 0(normal)순으로 multi-layer SVM이 설계되었다. 표 5를 보면 x=500에서 RBF를 사용한 SVM 분류 결과를 제외한 나머지 결과에서는 유전 알고리즘에 의해 선정된 특징들이 충분히 좋은 성능을 보여줌을 알 수 있다. x=0∼1000에서 RBF커널 함수를 사용한 분류 결과에서는 선택된 특징들을 사용한 결과가 모든 특징을 사용한 결과보다 2.
표6과 7을 비교해 보았을 때 selected features를 사용하여 3(hard-over fault)을 분류한 결과가 all features를 사용한 결과보다 2% 더 높은 정확도를 보여준다. 표 6과 7에서 가장 분류 정확도가 낮은 클래스는 5(stuck)로써 60%의 분류 정확도를 보이며, 이는 각 표의 전체 오분류에 대해 69.57%, 72.73%로 가장 높은 오류비율을 가진다. 따라서 5(stuck) 클래스를 나타내는 특징이 다른 특징들과 특징 공간에서 겹쳐져 식별이 어려움을 알 수 있다.
5%는 0(normal)로 분류되었음을 나타낸다. 표6과 7을 비교해 보았을 때 selected features를 사용하여 3(hard-over fault)을 분류한 결과가 all features를 사용한 결과보다 2% 더 높은 정확도를 보여준다. 표 6과 7에서 가장 분류 정확도가 낮은 클래스는 5(stuck)로써 60%의 분류 정확도를 보이며, 이는 각 표의 전체 오분류에 대해 69.
표 8에서 selected features를 사용한 SVM의 분류 결과와 비교해 보았을 때 3(hard-over) 분류에서 1%, 4(spike)에서는 5% 정도 분류성능이 떨어졌다. 하지만 2(drift), 5(stuck)에서의 결과는 CNN 앙상블을 사용한 경우 훨씬 더 높은 성능을 보여 주었으며, 특히 5(stuck)에서의 결과는 CNN 앙상블을 사용한 결과가 33.75%로 상당히 높았다. 6가지 유형의 클래스 중 5(stuck)의 분류 정확도가 SVM과 CNN에서 모두 다 가장 낮은 분류 정확도를 보여주었다.
질의응답
핵심어
질문
논문에서 추출한 답변
SVM의 분류 성능에 영향을 주는 요소는 무엇이 있는가?
최근에는 SVM(support vector machine) 그리고 NN(neural network) 같은 지능형 분류기법이 고장진단에 사용되고 있다[10-11]. SVM의 분류 성능은 고장 데이터로부터 추출한 입력 데이터 특징들의 종류에 영향을 받을 뿐만 아니라 추출된 특징의 선택에 따라서도 달라진다. 따라서 성능을 높이기 위해유전 알고리즘과 같은 최적화 기법이 SVM에 사용되기도 한다[10].
SVM이란 무엇인가?
SVM은 Vapnik에 의해 개발되었으며 주로 지도 학습에 의한 패턴인식분야에서 사용되었으나 최근 음성인식, 영상인식, 뇌 신호처리, 금융데이터 분석 등 다양한 분야에 적용되어 우수한 성능을 보여주고 있다[11-13]. SVM은 두 개의 클래스를 가진 학습 데이터들을 구분하기 위해 결정경계와 가장 인접한 서포트 벡터를 이용하여 두 범주 사이의 거리를 최대화시키는 최적의 초평면을 찾는 이진 분류기법으로 본 논문에서 센서 고장 진단을 위해 사용되었다. 그림 2는 두 개의 클래스를 선형으로 분류하는 예를 보여주며, 최적의 초평면은 식은 다음과 같이 표현된다.
Pooling layer에서 주로 사용되는 방법은 무엇이 있는가?
Pooling layer에서는 sub-sampling을 이용하여 feature map에서 대표 특징 값을 추출한다. 주로 사용되는 방법은 max pooling과 average pooling이 있다[17]-[19].
참고문헌 (21)
Don-Ha Hwang, Young-Woo Youn, Jong-Ho Sun, Kyeong-Ho Choi, Jong-Ho Lee and Yong-Hwa Kim, "Support Vector Machine Based Bearing Fault Diagnosis for Induction Motors Using Vibration Signals", Journal of Electrical Engineering & Technology, Vol. 10, no. 4, pp. 1558-1565, 2015. DOI: http://dx.doi.org/10.5370/JEET.2015.10.4.1558
WadeA.Smith, RobertB.Randall , "Rolling element bearing diagnostics using the Case Western Reserve University data: A benchmark study", Mechanical Systems and Signal Processing, Vol. 64-65, pp. 100-131, 2015. DOI: https://doi.org/10.1016/j.ymssp.2015.04.021
Subhasis Nandi, Hamid A. Toliyat and Xiaodong Li, "Condition Monitoring and Fault Diagnosis of Electrical Motors", IEEE Transactions On Energy Conversion, Vol. 20, no. 4, pp. 719-729, 2005. DOI: http://doi.org/10.1109/TEC.2005.847955
J. L. Yang, Y. S. Chen, L. L. Zhang, and Z. Sun, "Fault detection, isolation, and diagnosis of self-validating multifunctional sensors," Rev. Sci. Instrum., vol. 87, no. 6, 2016. DOI: https://doi.org/10.1063/1.4954184
R. Dunia, S. J. Qin, T. F. Edgar, and T. J. Mcavoy, "Identification of Faulty Sensors Using Principal Component Analysis," Process Syst. Eng., vol. 42, no. 10, pp. 2797-2812, 1996. DOI: https://doi.org/10.1002/aic.690421011
J. Kullaa, "Detection, identification, and quantification of sensor fault in a sensor network," Mech. Syst. Signal Process., vol. 40, no. 1, pp. 208 -221, 2013. DOI: https://doi.org/10.1016/j.ymssp.2013.05.007
Y. Yu, W. Li, D. Sheng, and J. Chen, "A novel sensor fault diagnosis method based on Modified Ensemble Empirical Mode Decomposition and Probabilistic Neural Network," Measurement, vol. 68, pp. 328-336, 2015. DOI: https://doi.org/10.1016/j.measurement.2015.03.003
Ming Liu, Xibin Cao, and Peng Shi, "Fuzzy-Model-Based Fault-Tolerant Design for Nonlinear Stochastic Systems Against Simultaneous Sensor and Actuator Faults," IEEE Transactions on Fuzzy Ststems, vol. 21, no. 5, pp. 789-799, 2015. DOI: https://doi.org/10.1109/TFUZZ.2012.2224872
Gilbert Hock Beng Foo, Xinan Zhang, and D. M. Vilathgamuwa, "A Sensor Fault Detection and Isolation Method in Interior Permanent-Magnet Synchronous Motor Drives Based on an Extended Kalman Filter," IEEE Transactions on Electonics, vol. 60, no 8, pp. 3485-3495, 2013 DOI: https://doi.org/10.1109/TIE.2013.2244537
B. Samanta, "Gear fault detection using artificial neural networks and support vector machines with genetic algorithms," Mech. Syst. Signal Process., vol. 18, no. 3, pp. 625-644, 2004. DOI: https://doi.org/10.1016/S0888-3270(03)00020-7
T. W. Rauber, F. De Assis Boldt, and F.M. Varejaao, "Heterogeneous feature models and feature selection applied to bearing fault diagnosis," IEEE Trans. Ind. Electron., vol. 62, no. 1, pp. 637-646, 2015. DOI: https://doi.org/10.1109/TIE.2014.2327589
Sana Ullah Jan, Young Doo Lee, Jungpil Shin and Insoo Koo, "Sensor Fault Classification Based on Support Vector Machine and Statistical Time-Domain Features", IEEE Access, Vol. 5, pp. 8682-8690, 2017. DOI: https://doi.org/10.1109/ACCESS.2017.2705644
Seung-Jae Kim, Jung-Jae Lee, "A Study on Face Recognition using Support Vector Machine", The Journal of The Institute of Internet, Broadcasting and Communication, Vol. 16, No. 6, pp. 183-190, Jun. 2016. DOI: https://doi.org/10.7236/JIIBC.2016.16.6.183
L.V. Ganyun, Cheng Haozhong, Zhai Haibao and Dong Lixin , "Fault diagnosis of power transformer based on multi-layer SVM classifier", Electric Power Systems Research, Vol. 74, no 1, pp. 1-7, 2005. DOI: https://doi.org/10.1016/j.epsr.2004.07.008
David E. Goldberg and John H. Holland, "Genetic Algorithms and Machine Learning", Machine Learning, Vol. 3, no 2-3, pp. 95-99, 1988. DOI: https://doi.org/10.1023/A:1022602019183
Hideyuki Ishigami, Toshio Fukuda, Takanori Shibata and Fumihito Arai, "Structure optimization of fuzzy neural network by genetic algorithm", Fuzzy Sets and Systems, Vol. 71, no 3, pp. 257-264, 1995. DOI: https://doi.org/10.1016/0165-0114(94)00283-D
Shahrzad Faghih-Roohi, Siamak Hajizadeh and Alfredo Nunez, "Deep Convolutional Neural Networks for Detection of Rail Surface Defects", International Joint Conference on In Neural Networks(IJCNN), pp. 2584-2589, 2016. DOI: https://doi.org/10.1109/IJCNN.2016.7727522
Dean Lee, Vincent Siu, Rick Cruz, and Charles Yetman, "Convolutional Neural Net and Bearing Fault Analysis", in Proc. Int. Conf. Data Min., Las Vegas, NV, USA, 2016, pp. 194-200.
Min Meng, Yiting jacqueline Chua, Erwin Wouterson, and Chin Peng Kelvin Ong, "Ultrasonic signal classification and imaging system for composite materials via deep convolutional neural networks", Neurocomputing, Vol. 257, pp. 128-135, 2017. DOI: https://doi.org/10.1016/j.neucom.2016.11.066
Seok-Cheon Park, "Design and Implementation of Personal Information Identification and Masking System Based on Image Recognition", The Journal of The Institute of Internet, Broadcasting and Communication, Vol. 17, No. 5, pp. 1-8, May. 2017. DOI: https://doi.org/10.7236/JIIBC.2017.17.5.1
Seo-Hyeon Ryu, Jae-Bok Yoon, "The Effect of regularization and identity mapping on the performance of activation functions", Journal of the Korea Academia-Industrial cooperation Society, Vol. 18, No. 10, pp. 75-80, 2017. DOI: https://doi.org/10.5762/KAIS.2017.18.10.75
※ AI-Helper는 부적절한 답변을 할 수 있습니다.