[논문]RNN 기반 디지털 센서의 Rising time과 Falling time 고장 검출 기법

이규형; 이영두; 구인수

doi:10.7236/jiibc.2019.19.1.29

초록
AI-Helper

4차 산업 혁명이 진행되며 많은 회사들의 스마트 팩토리에 대한 관심이 커지고 있으며 센서의 중요성 또한 대두되고 있다. 정보를 수집하기 위한 센서에서 고장이 발생하면 공장을 최적화하여 운영할 수 없기 때문에 이에 따른 손해가 발생할 수 있다. 이를 위해 센서의 상태를 진단하여 센서의 고장을 진단하는 일이 필요하다. 본 논문에서는 디지털 센서의 고장유형 중 Rising time과 Falling time 고장을 딥러닝 알고리즘 RNN의 LSTM을 통해 신호를 분석하여 고장을 진단하는 모델을 제안한다. 제안한 방식의 실험 결과를 정확도와 ROC 곡선 그래프의 AUC(Area under the curve)를 이용하여 Rule 기반 고장진단 알고리즘과 비교하였다. 실험 결과, 제안한 시스템은 Rule 기반 고장진단 알고리즘 보다 향상되고 안정된 성능을 보였다.

Abstract ▼ AI-Helper

As the fourth industrial revolution is emerging, many companies are increasingly interested in smart factories and the importance of sensors is being emphasized. In the case that sensors for collecting sensing data fail, the plant could not be optimized and further it could not be operated properly,...

As the fourth industrial revolution is emerging, many companies are increasingly interested in smart factories and the importance of sensors is being emphasized. In the case that sensors for collecting sensing data fail, the plant could not be optimized and further it could not be operated properly, which may incur a financial loss. For this purpose, it is necessary to diagnose the status of sensors to prevent sensor' fault. In the paper, we propose a scheme to diagnose digital-sensor' fault by analyzing the rising time and falling time of digital sensors through the LSTM(Long Short Term Memory) of Deep Learning RNN algorithm. Experimental results of the proposed scheme are compared with those of rule-based fault diagnosis algorithm in terms of AUC(Area Under the Curve) of accuracy and ROC(Receiver Operating Characteristic) curve. Experimental results show that the proposed system has better and more stable performance than the rule-based fault diagnosis algorithm.

주제어

표/그림 (7)

그림 그림 1. 디지털 센서 출력 신호에서 라이징, 폴링 지연의 고장 예 Fig. 1. Fault example of digital sensors due to the rising and falling delay
그림 그림 2. 실제 공장의 컨베이어 벨트 위 물체 예시 Fig. 2. Example of objects on conveyor belts in factories
그림 그림 3. 제안하는 시스템의 동작 과정 Fig. 3. Framework of the proposed system
그림 그림 4. RNN (Recurrent Neural Network) 구조 Fig. 4. The structure of RNN (Recurrent Neural Network)
그림 그림 5. 컨베이어 벨트 물체의 정렬과 비정렬 상태에서의 근접센서 CR18-8DN의 정상 출력 Fig. 5. Normal output of proximity sensor CR18-8DN when objects on conveyor belt are parallel and non-parallel
그림 그림 6. LSTM과 Rule 기반 모델의 정확도 성능 비교 Fig. 6. Performance comparison between LSTM and Rule-based schemes in terms of accuracy
그림 그림 7. LSTM과 Rule 기반 모델의 ROC 곡선 성능 비교 Fig. 7. Performance comparison between LSTM and Rule -based scheme in terms of ROC.

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 고장 검출의 정확도를 높이기 위하여 4차 산업혁명의 주요 기술 중 하나인 인공지능 분야의 딥 러닝 알고리즘 중 RNN(Recurrent Neural Network)을 이용하여 Rising time fault와 Falling time fault를 검출한다. RNN은 은닉 노드와 은닉 노드사이에 순환 루프가 형성된 특징을 가지며 이전 데이터의 결과가 현재 데이터에 영향을 미치는 구조이기 때문에 순차 데이터를 효과적으로 처리할 수 있는 학습 모델이다^[9-14].
이에 대한 예시는 그림 5에서 확인 할 수 있다. 본 논문에서는 물체의 정렬 정도를 분산으로 표현하였다. 분산이 없을 경우에는 물체가 수평한 상태로 정렬 되어있다는 뜻이고 분산이 있는 경우에는 물체가 정렬 되어있지 않다는 뜻이다.
이는 Rule 기반 고장 진단 모델은 물체의 기울어짐 때문에 센싱의 길이가 짧아졌는지 센서 고장으로 인해 길이가 짧아졌는지 판단하지 못하기 때문이다. 본 논문은 RNN을 이용하여 상기 문제를 해결 하고자 한다.
본 논문은 디지털 센서 고장 유형 중 Rising time과 Falling time에 대한 고장 진단을 하기 위해 LSTM으로 구현된 RNN 기반 디지털 센서 고장 진단 모델을 제안하였다. 성능 지표로 정확도와 ROC 곡선의 AUC를 이용하였으며 제안하는 방식과 Rule 기반 고장 진단 모델과 비교 분석하였다.
아날로그 센서의 대표적인 고장 유형은 Erratic, Drift, Hard-over, Spike, Stuck 등이며 디지털 센서의 고장 유형은 Rising time fault, Falling time fault, Chattering 등이다. 본 연구에서는 디지털 센서의 고장 유형 중 Rising time fault와 Falling time fault 고장을 생산 공정에서 가장 흔하게 쓰이는 센서 중 하나인 디지털 근접 센서로부터 산출되는 데이터를 기반으로 디지털 센서의 고장 검출을 수행하였다.

제안 방법

위 과정을 통해 얻은 근접센서의 정상 신호 데이터에 Rising time과 Falling time 고장을 적용한다. 고장이 났을 경우 Rising time과 Falling time의 지연시간이 지수적으로 증가하는 경우와 로그적으로 증가하는 경우를 모두 고려해야하기 때문에 식(2)와 같이 지연 시간 t_{rising/falling}을 모델링하였다.
RNN은 은닉 노드와 은닉 노드사이에 순환 루프가 형성된 특징을 가지며 이전 데이터의 결과가 현재 데이터에 영향을 미치는 구조이기 때문에 순차 데이터를 효과적으로 처리할 수 있는 학습 모델이다^[9-14]. 본 논문에서 고려하는 성능지표는 RNN 기반 디지털 센서 고장진단 모델이 고장을 얼마나 잘 판별하는지에 대해 Score를 계산하여 그 평균을 취한 결과인 정확도와 ROC(Receiver Operating Characteristic) 곡선 그래프의 AUC(Area under the curve)이다.
이어서, t_B는 고장이 난 후 걸린 시간을 뜻하고 M은 지연 시간의 지수적 증가의 폭을 조절하기 위한 계수이다. 이를 통해 얻은 지연 시간 t_{rising/falling}을 정상 신호의 Rising time과 Falling time에 추가하였다.
이번 장에서는 모의실험을 통해 디지털 센서의 Rising time과 Falling time 고장에 대한 RNN 기반 고장 진단 모델과 Rule 기반 디지털 센서 고장 진단 모델의 성능을 비교 분석한다.

대상 데이터

근접 센서 신호를 수집하기 위하여 아두이노를 사용 하였다. 근접 센서의 신호는 아두이노의 참조전원 V_Ref를 1,024개의 구간으로 나누는 10bit ADC를 통해 디지털 값으로 변환된다.
본 논문에서 사용한 디지털 센서의 데이터는 Autonics 사에서 제조한 근접센서 CR18-8DN으로부터 획득한 것이다. 이 근접 센서는 검출 거리가 8mm이며 평상시에는 HIGH의 출력을 보이며 물체가 감지되었을 때 LOW의 출력을 보이는 특징을 가진다.
사용된 데이터는 Ⅱ장에서 얻은 근접 센서의 신호이며 이 신호는 물체와 컨베이어벨트의 수평 정도에 따라서 센싱 길이에 변화가 생긴다. 이에 대한 예시는 그림 5에서 확인 할 수 있다.
최대 변화 폭을 분산 값 100이라 하고 0부터 100까지 크기 10을 간격으로 데이터를 구성하였다. 사용된 총 데이터 집합의 수는 1,000개이다. 1개의 데이터 집합은 90개의 연속적인 센싱 파형을 가진다.
한 파형의 크기는 3,000이며 따라서 전체 데이터는 총 1,000*90*3,000개의 크기를 가진다. 전체 데이터 집합 중 600개는 RNN 모델을 학습(Training)시키는데 사용되었고 나머지 400개는 실험(Testing)에 사용되었다.

데이터처리

본 논문은 디지털 센서 고장 유형 중 Rising time과 Falling time에 대한 고장 진단을 하기 위해 LSTM으로 구현된 RNN 기반 디지털 센서 고장 진단 모델을 제안하였다. 성능 지표로 정확도와 ROC 곡선의 AUC를 이용하였으며 제안하는 방식과 Rule 기반 고장 진단 모델과 비교 분석하였다.

이론/모형

Fully connected layer는 Output layer와 연결되는 500개의 입력 노드와 고장인지 아닌지에 대한 클래스 출력을 나타내는 2개의 출력 노드로 구성되어 있다. 출력된 결과에는 Softmax 함수와 Softmax 함수에 대한 Cross entropy 함수가 사용되었다. 최종적으로 나오는 출력 라벨과 실제 라벨과의 Cost는 아래 식에 의해 계산된다.
00001로 설정되었다. 훈련 도중 Over-fitting을 막기 위해 Dropout 기법을 적용시켰고 확률은 0.7로 설정하였다.

성능/효과

그림 7는 분산이 100인 경우에 RNN과 Rule 기반 디지털 센서 고장 진단 모델들의 성능 차이를 ROC 커브의 AUC를 통해 나타낸다. RNN 기반 디지털 센서 고장 진단 모델의 AUC는 Rule 기반 모델의 AUC보다 240.19% 향상된 수치를 보여준다.
이는 Rule 기반의 디지털 센서 고장 진단 모델의 단점인 변화에 약하다는 것을 잘 보여주고 있다. RNN 디지털 센서 고장 진단 모델의 결과는 87 ∼ 93%의 정확도를 보이며 Rule 기반 디지털 센서 고장 진단 모델보다 좋은 결과를 보여주고 있다.
모의실험을 통해 컨베이어 벨트 상의 물체가 고정 되었을 때 두 모델 모두 100%의 분류 정확도를 보이고 고정되지 않을 때 제안한 모델이 주어진 분산 구간 안에서 평균 50% 정도 더 높은 분류 정확도를 가짐을 확인하였다. ROC 곡선 그래프의 AUC를 통해 Rule 기반 고장 진단 모델 대비 제안한 모델이 240% 정도의 AUC 성능 향상을 가짐을 확인할 수 있었다.
모의실험을 통해 컨베이어 벨트 상의 물체가 고정 되었을 때 두 모델 모두 100%의 분류 정확도를 보이고 고정되지 않을 때 제안한 모델이 주어진 분산 구간 안에서 평균 50% 정도 더 높은 분류 정확도를 가짐을 확인하였다. ROC 곡선 그래프의 AUC를 통해 Rule 기반 고장 진단 모델 대비 제안한 모델이 240% 정도의 AUC 성능 향상을 가짐을 확인할 수 있었다.

질의응답

핵심어	질문	논문에서 추출한 답변
	센서의 고장을 진단해야하는 이유는 무엇인가?	4차 산업 혁명이 진행되며 많은 회사들의 스마트 팩토리에 대한 관심이 커지고 있으며 센서의 중요성 또한 대두되고 있다. 정보를 수집하기 위한 센서에서 고장이 발생하면 공장을 최적화하여 운영할 수 없기 때문에 이에 따른 손해가 발생할 수 있다. 이를 위해 센서의 상태를 진단하여 센서의 고장을 진단하는 일이 필요하다.
	스마트 팩토리란 무엇인가?	최근 4차 산업혁명이 진행되면서 많은 제조업 업체들은 생산성을 증대하면서 인건비를 절감시킬 수 있는 스마트 팩토리 도입에 많은 관심과 노력을 기울이고 있다 [1-3]. 스마트 팩토리는 단순 자동화를 넘어서 완전 자율화된 공장을 추구하여 자율 생산 시스템을 갖춘 공장이다. 스마트 팩토리는 사물인터넷을 통해 자동화된 공정에 사용되는 다양한 센서로부터 획득한 데이터를 클라우드에 저장한다.
	제안한 방식의 실험 결과를 보여주는 방식은 무엇인가?	본 논문에서는 디지털 센서의 고장유형 중 Rising time과 Falling time 고장을 딥러닝 알고리즘 RNN의 LSTM을 통해 신호를 분석하여 고장을 진단하는 모델을 제안한다. 제안한 방식의 실험 결과를 정확도와 ROC 곡선 그래프의 AUC(Area under the curve)를 이용하여 Rule 기반 고장진단 알고리즘과 비교하였다. 실험 결과, 제안한 시스템은 Rule 기반 고장진단 알고리즘 보다 향상되고 안정된 성능을 보였다.

참고문헌 (15)

Seok-Geun Cha, "Standardization trend and system structure of smart factory applying IoT / M2M", Korea Institute Of Communication Sciences, pp. 36-41, 2015.
Hyeop-Geon Lee, Young-Woon Kim, Ki-Young Kim and Jong-Seok Choi, "Design of GlusterFS Based Big Data Distributed Processing System in Smart Factory", Korea Information Electron Communication Technology, pp. 70-75, 2018. DOI: http://dx.doi.org/10.17661/jkiiect.2018.11.1.70
Eun-ju Park and Seung-joo Kim, "Derivation of Security Requirements of Smart Factory Based on STRIDE Threat Modeling", Korea Institute Of Information Security And Cryptology, pp. 1467-1482, 2017. DOI: https://doi.org/10.13089/JKIISC.2017.27.6.1467
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

상세보기
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

상세보기
Yunluo Yu, Wei Li, Deren Sheng and Jianhong 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

상세보기
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

상세보기
Jae-Wan Yang, Young-Doo Lee, In-Soo Koo, "Sensor Fault Detection Scheme based on Deep Learning and Support Vector Machine", The Journal of The Institute of Internet, Broadcasting and Communication, Vol. 18, No. 2, pp. 185-195, 2018. DOI: http://doi.org/10.7236/JIIBC.2018.18.2.185
Dong-wook Ha, Ki-Tae Kang and Yeon-seung Ryu, "Detecting Insider Threat Based on Machine Learning: Anomaly Detection Using RNN Autoencoder*", Journal of The Korea Institute of Information Security & Cryptology, vol. 27, no. 4, 2017. DOI: https://doi.org/10.13089/JKIISC.2017.27.4.763
Liang Guo, Naipeng Li, Feng Jia, Yaguo Lei and Jing Lin, "A recurrent neural network based health indicator for remaining useful life prediction of bearings", Neurocomputing, vol 240, pp. 98-109, 2017. DOI: http://dx.doi.org/10.1016/j.neucom.2017.02.045

상세보기
Il-Taeck Joo and Seung-Ho Choi, "Stock Prediction Model based on Bidirectional LSTM Recurrent Neural Network", The Journal of KIIECT, vol.11 no.2, 2018. DOI: http://dx.doi.org/10.17661/jkiiect.2018.11.2.204
Qiangqiang Cui, Zhiheng Li, Jun Yang and Bin Liang, "Rolling Bearing Fault Prognosis Using Recurrent Neural Network", Chinese Control And Decision Conference. DOI: http://dx.doi.org/10.1109/CCDC.2017.7978700
Tim de Bruin, Kim Verbert, and Robert Babuska, "Railway Track Circuit Fault Diagnosis Using Recurrent Neural Networks", IEEE Transactions, vol. 28, no. 3, 2017. DOI: http://dx.doi.org/10.1109/TNNLS.2016.2551940
Il-Seok Oh, "Machine Learning", Hanbit Academy, pp 419-449, 2017.
Seong-Rae Jo, Haeng-Nam Sung and Byung-Hyuk Ahn, "A Comparative Study on the Performance of SVM and an Artificial Neural Network in Intrusion Detection", Journal of the Korea Academia Industrial cooperation Society, vol. 17, no. 2 pp. 703-711, 2016 DOI:http://dx.doi.org/10.5762/KAIS.2016.17.2.703

원문보기 상세보기

이 논문을 인용한 문헌

저자의 다른 논문 :

LOADING...

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

RNN 기반 디지털 센서의 Rising time과 Falling time 고장 검출 기법
An RNN-based Fault Detection Scheme for Digital Sensor 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (7)

표/그림 (7)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

질의응답

참고문헌 (15)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

RNN 기반 디지털 센서의 Rising time과 Falling time 고장 검출 기법 An RNN-based Fault Detection Scheme for Digital Sensor 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (7) 모든 표/그림 보기

표/그림 (7) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

질의응답

참고문헌 (15)

이 논문을 인용한 문헌

저자의 다른 논문 :

이규형 (1) 이영두 (14) 구인수 (58)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

RNN 기반 디지털 센서의 Rising time과 Falling time 고장 검출 기법
An RNN-based Fault Detection Scheme for Digital Sensor 원문보기

초록
AI-Helper

표/그림 (7)

표/그림 (7)

AI 본문요약
AI-Helper