최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기한국정보전자통신기술학회논문지 = Journal of Korea institute of information, electronics, and communication technology, v.12 no.3, 2019년, pp.242 - 250
이영현 (Information Research Laboratories, Pohang University of Science and Technology) , 김경준 (Information Research Laboratories, Pohang University of Science and Technology) , 이승익 (Department of Smart Software, Yonam Institute of Technology) , 김동주 (Information Research Laboratories, Pohang University of Science and Technology)
In this paper, we propose a method to predict the failure of industrial robot using Seq2Seq (Sequence to Sequence) model, which is a model for transforming time series data among Artificial Neural Network models. The proposed method uses the data of the joint current and angular value, which can be ...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
Seq2Seq모델은 무엇인가? | Seq2Seq(Sequence to Sequence)(Sutskever etal., 2014)[12] 모델은 LSTM 모델을 포함한 RNN계열의 모델을 결합한 형태로, 입력 부분은 시계열데이터를 벡터로 압축하는 인코더 역할을 하고, 출력부분은 압축된 벡터를 다시 시계열 데이터로 변환하는 디코더 역할을 한다. 변환하는 과정에서 모델은 잠재된 벡터 공간 상의 데이터 분포를 학습하게 된다. | |
기계학습과 딥러닝 기법은 어떻게 미래고장을 예측할 수 있는가? | 다음으로 데이터 주도 방법(Data driven approach)은 데이터에서 고장과 관련된 중요한 인자를 찾아내어 통계적 방법, 기계학습, 딥러닝 기법으로 시스템의 신뢰성, 건전성 정보를 추론하는 것이다. 이중 기계학습과 딥러닝 기법은 건전성 인자와 고장 여부의 관계를 학습을 통해 스스로 배움으로써 미래고장을 예측할 수 있다. 이 방법은 물리적 손상모델을 구현하기 어려운 다변량⦁비선형 시스템에 적용이 가능하지만, 예측 모델의 훈련을 위해서는 많은 데이터가 필요하다. | |
기계학습과 딥러닝 기법은 예측 모델의 훈련을 위해 무엇이 많이 필요한가? | 이중 기계학습과 딥러닝 기법은 건전성 인자와 고장 여부의 관계를 학습을 통해 스스로 배움으로써 미래고장을 예측할 수 있다. 이 방법은 물리적 손상모델을 구현하기 어려운 다변량⦁비선형 시스템에 적용이 가능하지만, 예측 모델의 훈련을 위해서는 많은 데이터가 필요하다. |
Lee J., Y. Kim, "A Hybrid Malfunction Diagnostic System using Rules and Cases", Journal of Korea Expert System, vol.4, no.1, pp.115-131, 1998.
Choi G., G. Kim, "Building battery deterioration prediction model using real field data", Journal of Intelligence and Information Systems, vol.24, no.2, pp.243-264, 2018.
Lee J., J. Kang, "Performance Improvement of Malfunction Diagnostic System by Developing Case-based Reasoning Systems for Individual Clusters", Proceedings of Spring, the Korea Inteligent Information System Society Conference, pp.427-434, 2000.
Zhao R., R. Yan, J. Wang, K. Mao, "Learning to Monitor Machine Health with Convolutional Bi-Directional LSTM Networks", Sensors, vol.17, no.2, 273, 2017.
Jeong H., S. Woo, S. Kim, S. Park, H. Kim, S. Lee, "Deep Learning Based Diagnostics of Orbit Patterns in Rotating Machinery", Annual Conference of the Prognostics and Health Management Society, vol.7, 2016.
Kim Y., J. Park, J. Ha, B. Yoon, J. Park, "Robust Fault Detection Method of an Industrial Robot under Various Operating Conditions", Proceedings of Spring, Korean Society of Mechanical Engineers Conference, pp.1536-1539, 2016.
Lee J., C. Park, G. Ahn, M. Yoon, B. Yoon, "Current Signal Characteristic Frequency-Based Motor Fault Diagnosis for Collaborative Robot", Proceedings of Korean Society of Mechanical Engineers Conference, pp.1600-1602, 2018.
Qiao G., B. A. Weiss, "Quick health assessment for industrial robot health degradation and thesupporting advanced sensing development", Journal of Manufacturing Systems, vol.48, pp.51-59, 2018.
Jaber A., R. Bicker, "Fault Diagnosis of Industrial Robot Bearings Based on Discrete Wavelet Transform and Artificial Neural Network", Insight - Non-Destructive Testing and Condition Monitoring, vol.58, no.4, pp.179-186, 2016.
Granger C. "Testing for causality: A personal viewpoint", Journal of Economic Dynamics and Control, vol.2, pp.329-352, 1980.
Hochreiter S., J. Schmidhuber, "Long short term memory", Journal of Neural Computation, vol.9, no.8, pp.1735-1780, 1997.
Sutskever I., O. Vinyals, Q. V.Le, "Sequence to Sequence Learning with Neural Networks", Technical report, arXiv preprint arXiv:1409.3215, 2014.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.