[논문]분류 알고리즘과 NCA를 활용한 기계학습 기반 구조건전성 모니터링 시스템

신창교; 권현석; 박유림; 김천곤

doi:10.12673/jant.2019.23.1.84

초록
AI-Helper

본 연구는 복합재 항공기의 비행 데이터를 활용한 기계학습 기반 구조건전성 모니터링 시스템 연구의 예비 연구이다. 본 연구에서는 구조건전성 모니터링에 이용되기에 가장 적합한 기계학습 알고리즘을 선별하고, 실 기체 데이터에 대한 적용을 위해 차원 축소를 수행하였다. 이를 위해 외팔보를 통해 모사된 항공기 날개 구조와 부가 질량을 통해 손상 모사 실험을 진행하고, 분류 알고리즘을 통해 데이터를 손상의 위치와 정도에 따라 구분하였다. 이를 위해 FBG (fiber bragg grating) 센서를 부착한 외팔보의 진동 실험을 통해 정상상태와 12개의 손상상태에 대한 데이터를 취득하고, MATLAB 환경에서 tree, discriminant, SVM (support vector machine), kNN, ensemble 알고리즘의 비교와 파라미터 튜닝을 통해 가장 적합한 알고리즘을 도출하였다. 또한 NCA (neighborhood component analysis)를 이용한 특징 선택을 통해, 실 기체에서 나올 수 있는 고차원 데이터의 관리를 위해 필요한 차원 축소를 수행하였다. 그 결과, quadratic SVM이 NCA를 적용하지 않은 모델에서 98.7%, NCA를 적용한 모델에서 95.9%로 가장 높은 정답률을 보였다. 또한 NCA 적용 후 모델의 예측 속도, 학습 시간, 용량이 모두 향상되었다.

Abstract ▼ AI-Helper

This is a pilot study of machine learning based structural health monitoring system using flight data of composite aircraft. In this study, the most suitable machine learning algorithm for structural health monitoring was selected and dimensionality reduction method for application on the actual fli...

This is a pilot study of machine learning based structural health monitoring system using flight data of composite aircraft. In this study, the most suitable machine learning algorithm for structural health monitoring was selected and dimensionality reduction method for application on the actual flight data was conducted. For these tasks, impact test on the cantilever beam with added mass, which is the simulation of damage in the aircraft wing structure was conducted and classification model for damage states (damage location and level) was trained. Through vibration test of cantilever beam with fiber bragg grating (FBG) sensor, data of normal and 12 damaged states were acquired, and the most suitable algorithm was selected through comparison between algorithms like tree, discriminant, support vector machine (SVM), kNN, ensemble. Besides, through neighborhood component analysis (NCA) feature selection, dimensionality reduction which is necessary to deal with high dimensional flight data was conducted. As a result, quadratic SVMs performed best with 98.7% for without NCA and 95.9% for with NCA. It is also shown that the application of NCA improved prediction speed, training time, and model memory.

주제어

표/그림 (10)

그림 그림 1. 실험 구성 Fig. 1. Experimental setup.
그림 그림 2. 부가 질량 및 하중 위치 (위에서 본 모습) Fig. 2. Added mass and impact location (top view).
표 표 1. 시편 정보 Table 1. Specimen size.
표 표 2. 데이터 레이블 Table 2. Data label.
그림 그림 3. 기계학습 알고리즘 Fig. 3. Machine learning algorithm.
표 표 3. NCA 특징 선택 결과 Table 3. NCA feature selection result.
표 표 4. 전체 알고리즘 정확도 표 Table 4. Classification accuracy.
그림 그림 4. NCA 미적용 모델 혼동 행렬 Fig. 4. Confusion matrix of quadratic SVM (non-NCA).
그림 그림 5. NCA 적용 모델 혼동 행렬 Fig. 5. Confusion matrix of quadratic SVM (NCA).
표 표 5. Quadratic SVM 모델의 NCA 적용 결과 Table 5. NCA result of quadratic SVM.

AI 본문요약
AI-Helper

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

문제 정의

또한 NCA를 통한 특징 선택으로 차원 축소를 수행하여, 실제 비행체에 적용되었을 때 발생할 수 있는 고차원 데이터에 대한 효율적 관리 시스템을 구축하였다. 궁극적으로는 시뮬레이션 데이터에 그치지 않고, 항행 중 발생하는 실 기체의 비행 데이터를 이용한 구조건전성 모니터링에도 사용할 수 있는 통합적 관리 시스템의 구축을 목표로한다.
하지만 기존의 연구들은 랩 스케일의 시뮬레이션에 치중되어 있어 실제 기체에서 나오는 데이터에는 적용되기 힘든 한계가 있다. 따라서 본 연구는 실 기체에 적용되는 광섬유 센서와 기계학습 기반의 구조건전성 모니터링 시스템 개발 연구의 일환으로, 기계학습을 통한 구조건전성 모니터링 데이터의 활용 방안에 대하여 연구한다. 이를 위하여 항공기의 날개 구조에 발생한 다양한 손상을 외팔보를 통해 간단하게 모사하고, 진동 실험 데이터와 MATLAB 기반의 분류 모델을 이용하여 손상의 유무, 위치, 정도에 따른 분류를 수행하였다.
본 연구는 복합재 항공기에서 나오는 데이터의 관리 및 활용과 기계학습을 통한 구조 건전성 모니터링을 위한 연구의 일환으로, 외팔보에 모사된 손상에 대한 분류를 수행하였다. 이를 위해 손상위치와 정도에 대한실험을 수행하고 FBG 센서를 통해 데이터를 수집하였으며, 분류 알고리즘의 구성 및 NCA를 통한 모델 압축을 수행하였다.

제안 방법

다음으로 NCA를 통해 모델이 얼마나 가벼워지고 빨라졌는지를 알아보기 위해서, 가장 우수한 성능을 보여준 quadratic SVM에 대하여 NCA 전후의 비교를 수행하였다. 그 결과 표 5 에서처럼 정확도는 98.
이를 위하여 항공기의 날개 구조에 발생한 다양한 손상을 외팔보를 통해 간단하게 모사하고, 진동 실험 데이터와 MATLAB 기반의 분류 모델을 이용하여 손상의 유무, 위치, 정도에 따른 분류를 수행하였다. 또한 NCA를 통한 특징 선택으로 차원 축소를 수행하여, 실제 비행체에 적용되었을 때 발생할 수 있는 고차원 데이터에 대한 효율적 관리 시스템을 구축하였다. 궁극적으로는 시뮬레이션 데이터에 그치지 않고, 항행 중 발생하는 실 기체의 비행 데이터를 이용한 구조건전성 모니터링에도 사용할 수 있는 통합적 관리 시스템의 구축을 목표로한다.
따라서 본 연구는 실 기체에 적용되는 광섬유 센서와 기계학습 기반의 구조건전성 모니터링 시스템 개발 연구의 일환으로, 기계학습을 통한 구조건전성 모니터링 데이터의 활용 방안에 대하여 연구한다. 이를 위하여 항공기의 날개 구조에 발생한 다양한 손상을 외팔보를 통해 간단하게 모사하고, 진동 실험 데이터와 MATLAB 기반의 분류 모델을 이용하여 손상의 유무, 위치, 정도에 따른 분류를 수행하였다. 또한 NCA를 통한 특징 선택으로 차원 축소를 수행하여, 실제 비행체에 적용되었을 때 발생할 수 있는 고차원 데이터에 대한 효율적 관리 시스템을 구축하였다.
본 연구는 복합재 항공기에서 나오는 데이터의 관리 및 활용과 기계학습을 통한 구조 건전성 모니터링을 위한 연구의 일환으로, 외팔보에 모사된 손상에 대한 분류를 수행하였다. 이를 위해 손상위치와 정도에 대한실험을 수행하고 FBG 센서를 통해 데이터를 수집하였으며, 분류 알고리즘의 구성 및 NCA를 통한 모델 압축을 수행하였다. 그 결과 quadratic SVM이 가장 우수한 성능을 보여주었으며, NCA를 통해 특징을 선택하고, 압축된 모델을 사용하여도 95% 이상의 정답률을 얻을 수 있었다.
기계학습 과정에서는 우선 인터로게이터를 통해 수집된 진동 신호 데이터에 레이블을 부여하여 reference table을 작성하였다. 이후 특징 추출 단계에서 통계적 특징, 고속 푸리에 변환(FFT; fast Fourier transform), 전력 스펙트럼 밀도(PSD; power spectrum density), 이산 웨이블릿 변환(DWT; discrete wavelet transform)에서 얻을 수 있는 특징들을 포함하여 총 20개의 특징을 사용하였다. 추출된 특징들과 사전에 작성된 reference table에서 불러온 class label로 feature table을 작성하고 이를 기반으로 분류 모델 학습을 수행하였다.

대상 데이터

5 mm 떨어진 보의 중심 지점에 일정한 하중을 가하는 것으로 수행되었다. 샘플링주파수는100 kHz로 설정되었으며, triggered mode의 하중 감지 경계값을 100μ∊으로 설정하여 하중 이전의 500개, 이후의 10000개의 변형률 데이터를 시간에 따라 수집하였다. 손상의 정도와 위치에 따라 총 13개의 경우로 분류하여 각 경우마다 100개의 신호 데이터를 수집하였으며, 총 1300개의 데이터를 통해 기계학습을 수행하였다.
샘플링주파수는100 kHz로 설정되었으며, triggered mode의 하중 감지 경계값을 100μ∊으로 설정하여 하중 이전의 500개, 이후의 10000개의 변형률 데이터를 시간에 따라 수집하였다. 손상의 정도와 위치에 따라 총 13개의 경우로 분류하여 각 경우마다 100개의 신호 데이터를 수집하였으며, 총 1300개의 데이터를 통해 기계학습을 수행하였다.
실험 시편으로는 알루미늄 보의 한쪽을 고정하여 외팔보로 사용하였다. 이는 날개의 하중을 spar가 대부분 지지하고 [8], 이를 간단하게 모사할 수 있는구조가 외팔보이기 때문이다.
앞서 언급하였듯, 1300개의 데이터를 바탕으로 22개 알고리즘으로 모델을 학습시키고, 각 모델에 NCA를 적용시켰을 때 전체 모델의 정확도는 표 4와 같다.
부가질량의 위치는그림 2와 같이 네 지점으로 하였는데, 1번과 4번은 wing root, tip에 각각 손상이 생긴 것을 모사하기 위함이며, 좀 더 자세한 위치 파악을 위해 추가로 1번, 4번 위치에서 보의 중심방향으로 50 mm만큼 떨어진 지점을 부가 질량 위치로 설정하였다 (위치 2번, 3번). 이러한 위치에서 세 가지 부가 질량으로 모사된 손상상태와, 부가 질량이 없는정상 상태, 총13개의 경우에 대하여 실험과 레이블링을 진행하였다. 각 경우에 부여된 데이터 레이블은 표2와 같다.

데이터처리

MATLAB 작업환경을 기반으로 취득된 데이터의 분석을 수행하였으며, 분류학습기를 이용하여 기계학습과 알고리즘간 비교를 수행하였다. 이 과정에서 데이터의 분석 및 특징추출을 위해 ‘Signal processing toolbox’와 ‘Wavelet toolbox’를 이용하였다.
데이터의 양이 많지 않기 때문에, 성능 검증 과정에는 5-folds cross validation이 이용되었다. Tree, discriminant, SVM, kNN, ensemble 등의 총 22개 알고리즘의 학습과 성능 비교가 수행되었으며, kunnel function, k-value, multi-class method 등의 파라미터 튜닝을 통해 최적 알고리즘을 도출하였다. 이후 차원 축소를 위해 NCA를 이용한 특징 선택을 수행하였다.
Holmes et al. 은 GP (Gaussian process) regression과 비행 파라미터를 활용하여 착륙 과정의 하중을 간접적으로 추정하였고, 이후 후속 연구에서 주성분 분석 (PCA; principal component analysis)과 neural network autoencoder를 활용한 dimensionality reduction과 SVM을 이용한 착륙의 특징에 따른 분류를 수행하였다[6, 7].

이론/모형

추출된 특징들과 사전에 작성된 reference table에서 불러온 class label로 feature table을 작성하고 이를 기반으로 분류 모델 학습을 수행하였다. 데이터의 양이 많지 않기 때문에, 성능 검증 과정에는 5-folds cross validation이 이용되었다. Tree, discriminant, SVM, kNN, ensemble 등의 총 22개 알고리즘의 학습과 성능 비교가 수행되었으며, kunnel function, k-value, multi-class method 등의 파라미터 튜닝을 통해 최적 알고리즘을 도출하였다.

성능/효과

이를 위해 손상위치와 정도에 대한실험을 수행하고 FBG 센서를 통해 데이터를 수집하였으며, 분류 알고리즘의 구성 및 NCA를 통한 모델 압축을 수행하였다. 그 결과 quadratic SVM이 가장 우수한 성능을 보여주었으며, NCA를 통해 특징을 선택하고, 압축된 모델을 사용하여도 95% 이상의 정답률을 얻을 수 있었다. 또한NCA를 적용한 모델에서 예측시간, 학습시간, 모델의 크기 성능이 모두 향상되어, quadratic SVM이 다중 클래스 분류에서 가지는 모델의 큰 메모리 사용이나 긴 예측시간의 문제점을 NCA를 통해 개선할 수 있을 것으로 보인다.

후속연구

실험 시편 또한 실제 복합재 항공기 구조에 좀 더 가까운 복합재 외팔보, 평판으로 교체하여, 복합재에서 발생하는 층간 박리에 대한 분류 연구를 수행할 예정이다. 궁극적으로는 본 연구의 목표인 실기체 데이터를 활용한 구조건전성 모니터링 시스템 구성을 위해서 고차원의 다량의 실제 비행데이터에 대한 검증 과정이 필요할 것이다.
이는 구조에 발생한 손상의 위치는 잘 판단할 수 있지만, 손상의 정도를 판단하는데 있어 어려움이 있음을 의미한다. 때문에 손상의 정도 판단 알고리즘의 성능 향상이 필요하며, 이를 위해 분류 대신 회귀 알고리즘 또는 ANN 등의 기법을 사용하는것이 가능할 것으로 보인다.
때문에 손상 정도 파악 부분에서 성능 향상이 필요하며, 이를 위해 분류 알고리즘 대신 회귀 알고리즘이나 ANN을 사용하여 정확도를 향상시키는 것이 필요할 것으로 보인다. 실험 시편 또한 실제 복합재 항공기 구조에 좀 더 가까운 복합재 외팔보, 평판으로 교체하여, 복합재에서 발생하는 층간 박리에 대한 분류 연구를 수행할 예정이다. 궁극적으로는 본 연구의 목표인 실기체 데이터를 활용한 구조건전성 모니터링 시스템 구성을 위해서 고차원의 다량의 실제 비행데이터에 대한 검증 과정이 필요할 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	복합재료은 어떤 특징을 가지고 있는가?	복합재료는 일반적인 금속 재료에 비해 가벼운 무게와 높은 기계적 물성을 가진다. 때문에 기체의 무게가 그 성능과 직결되는 항공우주 분야에서 기체의 성능을 높이기 위해 널리 사용된다.
	실제 항공 우주 분야에서 탄소 복합재를 사용한 예는 무엇인가?	때문에 기체의 무게가 그 성능과 직결되는 항공우주 분야에서 기체의 성능을 높이기 위해 널리 사용된다. 실제로Boeing B787 Dreamliner의경우, 기체 대부분에 탄소 복합재가 사용되었으며, 무게 기준으로 볼 때 50%에 달하는 사용률을 보인다. 복합재는 기존의 재료들과 다른 성질을 가지기 때문에, 항공우주 구조물의 복합재 사용이 커질수록 복합재 항공우주 구조물에 대한 구조건전성 모니터링 기술의 필요성도 커지고 있다.
	센서에서 얻은 데이터를 이용한 기존 연구의 한계점은 무엇인가?	이처럼 센서에서 얻은 데이터로 단순히 하중, 변형률 등만 파악하는 것이 아니라, SOM, GP, ANN과 같은 과정을 거쳐 기체의손상여부, 손상의정도, 위치 등 더 의미있는 정보를 파악 하는 연구들이 진행되었다. 하지만 기존의 연구들은 랩 스케일의 시뮬레이션에 치중되어 있어 실제 기체에서 나오는 데이터에는 적용되기 힘든 한계가 있다. 따라서 본 연구는 실 기체에 적용되는 광섬유 센서와 기계학습 기반의 구조건전성 모니터링 시스템 개발 연구의 일환으로, 기계학습을 통한 구조건전성 모니터링 데이터의 활용 방안에 대하여 연구한다.

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

분류 알고리즘과 NCA를 활용한 기계학습 기반 구조건전성 모니터링 시스템
Machine Learning Based Structural Health Monitoring System using Classification and NCA 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (10)

표/그림 (10)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

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

분류 알고리즘과 NCA를 활용한 기계학습 기반 구조건전성 모니터링 시스템 Machine Learning Based Structural Health Monitoring System using Classification and NCA 원문보기

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

Abstract ▼ AI-Helper

주제어

표/그림 (10) 모든 표/그림 보기

표/그림 (10) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

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

분류 알고리즘과 NCA를 활용한 기계학습 기반 구조건전성 모니터링 시스템
Machine Learning Based Structural Health Monitoring System using Classification and NCA 원문보기

초록
AI-Helper

표/그림 (10)

표/그림 (10)

AI 본문요약
AI-Helper