[논문]Seq2Seq 모델 기반의 로봇팔 고장예지 기술

이영현; 김경준; 이승익; 김동주

doi:10.17661/jkiiect.2019.12.3.242

Seq2Seq 모델 기반의 로봇팔 고장예지 기술
Seq2Seq model-based Prognostics and Health Management of Robot Arm 원문보기

한국정보전자통신기술학회논문지 = 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)

초록
AI-Helper

본 논문에서는 인공신경망(Artificial Neural Network) 모델 중, 시계열 데이터의 변환을 위한 모델인 Seq2Seq(Sequence to Sequence) 모델을 이용한 산업용 로봇 고장 예지 기술에 대하여 제안한다. 제안 방법은 고장 예지를 위한 추가적인 센서의 부착 없이 로봇 자체적으로 측정 가능한 관절 별 전류와 각도 값을 데이터로 사용하였고, 측정된 데이터를 모델이 학습할 수 있도록 전처리한 후, Seq2Seq 모델을 통해 전류를 각도로 변환하도록 지도 학습 하였다. 고장 진단을 위한 이상 정도(Abnormal degree)는 예측 각도와 실제 각도 간의 단위시간 동안의 RMSE(Root Mean Squared Error)를 사용하였다. 제안 방법의 성능평가는 로봇의 정상 및 결함 조건을 달리한 상태에서 측정한 테스트 데이터를 이용하여 수행되었고 이상 정도가 임계값 넘어가면 고장으로 분류하게 하여, 실험으로부터 96.67% 고장 진단 정확도를 보였다. 제안 방법은 별도의 추가적인 센서 없이 고장 예지 수행이 가능하다는 장점이 있으며, 로봇에 대한 깊은 전문지식을 요구하지 않으면서 수행할 수 있는 방법으로 높은 진단 성능과 효용성을 실험으로부터 확인하였다.

Abstract ▼ AI-Helper

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 measured by the robot itself, without additional sensor for fault diagnosis. After preprocessing the measured data for the model to learn, the Seq2Seq model was trained to convert the current to angle. Abnormal degree for fault diagnosis uses RMSE (Root Mean Squared Error) during unit time between predicted angle and actual angle. The performance evaluation of the proposed method was performed using the test data measured under different conditions of normal and defective condition of the robot. When the Abnormal degree exceed the threshold, it was classified as a fault, and the accuracy of the fault diagnosis was 96.67% from the experiment. The proposed method has the merit that it can perform fault prediction without additional sensor, and it has been confirmed from the experiment that high diagnostic performance and efficiency are available without requiring deep expert knowledge of the robot.

주제어

표/그림 (18)

그림 그림 1. 산업용 6축 로봇팔 Fig. 1. Industrial six-axis robot arm
표 표 1. 데이터 구성 Table. 1. Data organization
표 표 2. (5)번 축 결함 조건 Table. 2. Axis 5 defect condition
그림 그림 2. 큰 잡음 데이터(Outlier) 제거 Fig. 2. Remove outlier
그림 그림 3. Median 필터 적용 및 리샘플링 Fig. 3. Applying median filters and resampling
그림 그림 4. 공분산 행렬 Fig. 4. Covariance matrix
표 표 3. 데이터 샘플 수 Table. 3. Number of data samples
표 표 4. 데이터셋 구성 Table. 4. Dataset configuration
그림 그림 5. 산업용 로봇팔의 작동원리 Fig. 5. Operation principle of industrial robot arm
그림 그림 6. (5)번 축 전류-각도 그래프 Fig. 6. Axis 5 current-angle graph
표 표 5. 그레인저 인과관계 검정 결과 Table. 5. Result of granger causality test
그림 그림 7. LSTM 모델 구조 Fig. 7. Structure of LSTM
그림 그림 8. Seq2Seq 모델 구조 Fig. 8. Structure of Seq2Seq
그림 그림 9. Seq2Seq 모델의 전류-각도 변환 학습 Fig. 9. Seq2Seq model learning current-to-angle conversion
그림 그림 10. 로봇 상태별 이상 정도 비교 Fig. 10. Comparison of abnormal degree for each state of robot
그림 그림 11. 성능 평가 방법론 Fig. 11. Performance evaluation methodology
그림 그림 12. 혼동 행렬 및 정확도 Fig. 12. Confusion matrix and accuracy
표 표 6. 실험 결과 Table. 6. Experiment result

AI 본문요약
AI-Helper

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

문제 정의

그러므로 본 논문에서는 로봇팔 동력 전달부 결함을 예측하기 위해, 신호를 변환하는 모델로써의Seq2Seq 모델을 제안한다. 그레인저 인과관계 분석결과 및 실제로도 산업용 로봇팔이 전류를 입력으로 받아 출력인 각 관절의 각도를 만들어내는 기계시스템인 부분에 착안하여, Seq2Seq 모델을 정상 전류데이터를 입력받고 정상 각도 데이터로 변환하도록 모델링 하였다.
본 논문에서는 다변량⦁비선형 기계시스템인 산업용 로봇팔의 이상 징후를 진단하기 위해 딥러닝 모델인 Seq2Seq를 적용하는 방법을 제안한다. 현재로봇 고장 예지 분야에 딥러닝을 적용한 사례는 국내적으로 거의 없으며, 유사 연구로 진동 센서 등을 부착하고 측정된 데이터로 고장 예지를 수행하는 연구가 일부 수행되었다.
본 논문에서는 딥러닝 알고리즘 중 기계번역에서주로 사용된 Seq2Seq 모델을 로봇 팔에서 측정되는 데이터에 적용하여 로봇 동력 전달부 고장을 예측할 수 있는 시스템을 제안하였다. 수집 데이터의 통계적 분석 결과와 로봇의 구동 방식에 착안하여, 정상 전류시퀀스가 입력되면 정상 각도 시퀀스가 출력되도록 제안 모델을 학습시켰으며, 이를 통해 예측 정확도가 낮을 경우 이상 상태로 분류하도록 알고리즘을 구성하였다.
하지만, 이러한 방법들은 추가 센서로 인한 비용문제로 실제 산업현장에 적용하기 어려운 부분이 있다. 이에, 본 논문에서는 산업용 로봇팔에서 자체적으로 수집 가능한 시계열 데이터만으로 모델을 학습시키고, 시스템의 출력과 모델 출력의 차이가 특정 임계값을 넘으면 고장으로 분류하는 방법을 제안한다. 제안 방법의 성능평가는 로봇의정상 데이터와 주요 결함 조건에서 측정한 이상 데이터를 이용하여 수행하였다.

가설 설정

유의수준 5%의 F검정에 대해, 전류-각도의 경우 양측 모두 P-value가 0.05 미만의 값이므로 원인변수가 결과변수에 영향을 주지 않는다는 귀무가설을 기각하고 통계적으로 유의미한 영향을 끼친다는 대립가설을 채택할 수 있다. 전류-각도는 서로에게 그레인저 인과관계가 성립하며 서로에게 영향을 주지만, F통계값이 (2)번 축을 제외한 모든 축에서 전류⟶각도 방향이 크기 때문에 전류가 먼저 선행된다고 간접적으로 유추해볼 수 있다.
산업용 로봇팔에서 측정된 센서 데이터의 구성은 표 1과 같으며, (5)번 축 타이밍 벨트의 결함 조건은 표 2와 같다. 이상 1 상태의 경우 타이밍 벨트의 옆면 및 축의 기어와 맞물리는 톱니 부분을 마모시킨 상태로 데이터를 측정하였고, 이상 2 상태는 타이밍 벨트가 동력을 전달하는 두 축 간의 거리를 가깝게 조정함으로써 텐션 저하 상황을 가정하여 데이터를 측정하였다. 로봇의 각 관절(Joint) 별 각도(Angle)와 전류(Current)는 로봇 내부에서 측정한 값이다.

제안 방법

또한 필터링으로 공백이 된 데이터와 샘플링 주기가 일정하지 않은 문제를 해결하기 위해 리샘플링(Resampling) 과정을 통해 데이터를 재구성하였다. 10~40ms 샘플링 주기의 데이터들을 10ms 기준으로 업샘플링 할 경우 업샘플링 오차로 인하여 모델의성능이 저하될 수 있으므로 40ms를 기준으로 다운샘플링 과정을 거쳤다. 데이터 전처리 과정의 예를 그림 3에 나타내었으며, 전처리 후 데이터 샘플의 수는 표 3과 같다.
데이터셋의 정규화는 학습 데이터들의 변수들이 0~1의 동일한 범위가 되도록 최대-최소 정규화를 적용하였으며, 같은 기준을 검증 및 테스트 데이터에 적용하였다. 검증용 데이터셋은 학습 과정을 평가하여 모델의 파라미터를 조정하기 위해 사용되었으며, 조정이 끝난 후에는 학습 데이터에 포함시켜 모델학습을 진행하였다. 테스트 데이터셋은 학습하지 않은 상태별 데이터에 대한 진단 성능을 확인하기 위해 상태별로 동일한 수로 구성하였다.
그러므로 본 논문에서는 로봇팔 동력 전달부 결함을 예측하기 위해, 신호를 변환하는 모델로써의Seq2Seq 모델을 제안한다. 그레인저 인과관계 분석결과 및 실제로도 산업용 로봇팔이 전류를 입력으로 받아 출력인 각 관절의 각도를 만들어내는 기계시스템인 부분에 착안하여, Seq2Seq 모델을 정상 전류데이터를 입력받고 정상 각도 데이터로 변환하도록 모델링 하였다. Seq2Seq 모델의 학습 방법은 각 축에서 측정되는 6차원 전류 데이터 샘플 100개(4초간의 데이터)를 측정된 6차원 각도 데이터로 변환하도록 하는 지도 학습이다.
최종 데이터셋 구성은 아래의 표 4와 같다. 데이터셋의 정규화는 학습 데이터들의 변수들이 0~1의 동일한 범위가 되도록 최대-최소 정규화를 적용하였으며, 같은 기준을 검증 및 테스트 데이터에 적용하였다. 검증용 데이터셋은 학습 과정을 평가하여 모델의 파라미터를 조정하기 위해 사용되었으며, 조정이 끝난 후에는 학습 데이터에 포함시켜 모델학습을 진행하였다.
또한 필터링으로 공백이 된 데이터와 샘플링 주기가 일정하지 않은 문제를 해결하기 위해 리샘플링(Resampling) 과정을 통해 데이터를 재구성하였다. 10~40ms 샘플링 주기의 데이터들을 10ms 기준으로 업샘플링 할 경우 업샘플링 오차로 인하여 모델의성능이 저하될 수 있으므로 40ms를 기준으로 다운샘플링 과정을 거쳤다.
본 논문에서는 로봇팔에서 측정되는 데이터를 수집하여, 전처리 및 데이터 분석을 수행하고, 딥러닝 모델 중 시계열 데이터 변환 모델인 Seq2Seq 모델을 학습하여 고장 예지 및 진단을 수행한다.
이에 본 논문에서는 데이터 특성에 맞는 전처리를 수행하였다. 비정상적으로 큰 잡음 데이터(Outlier)는 임계치를 설정하여 그림 2와 같이 제거하였고, 임계치 범위 안의 잡음은 Median 필터를 적용하였다.
본 논문에서는 딥러닝 알고리즘 중 기계번역에서주로 사용된 Seq2Seq 모델을 로봇 팔에서 측정되는 데이터에 적용하여 로봇 동력 전달부 고장을 예측할 수 있는 시스템을 제안하였다. 수집 데이터의 통계적 분석 결과와 로봇의 구동 방식에 착안하여, 정상 전류시퀀스가 입력되면 정상 각도 시퀀스가 출력되도록 제안 모델을 학습시켰으며, 이를 통해 예측 정확도가 낮을 경우 이상 상태로 분류하도록 알고리즘을 구성하였다. 정상 및 결함 조건을 설정한 테스트 데이터셋을 사용하여 실험을 수행한 결과, 제안 모델은96.
이러한 데이터를 딥러닝 모델의 학습데이터로 사용하기 위해서는 데이터에 존재하는 상기 요인들의 영향을 제거하여야 한다. 이에 본 논문에서는 데이터 특성에 맞는 전처리를 수행하였다. 비정상적으로 큰 잡음 데이터(Outlier)는 임계치를 설정하여 그림 2와 같이 제거하였고, 임계치 범위 안의 잡음은 Median 필터를 적용하였다.
67%( {(198+92)/ (198+8+2+92)} * 100 )를 보였으며, 이로부터 제안 방법의 효용성을 확인할 수 있었다. 일반적으로 산업용 로봇은 실제 산업현장에서 고장 날 확률이 상당히 낮으며, 이에 본 논문에서는 로봇의 결함 환경을 인위적으로 구성하여, 이로부터 측정된 데이터를 이용하였다. 이러한 점을 감안하여, 향후 로봇을 오랜 시간 운용하면서 자연스러운 성능 저하 과정에서 수집된 데이터를 활용한 로봇 고장 예지 기술 연구를 지속할 계획이다.
제안하는 산업용 로봇팔 고장 예지 및 진단 방법의 성능평가는 학습에 사용되지 않은 정상 데이터와 결함 조건을 달리한 이상 데이터로 구성된 테스트 데이터셋을 이용하여 수행하였다. 고장 예지 및 진단을 위한 이상 정도(Abnormal degree)는 제안 모델의 각도 예측값과 실제 값의 RMSE(Root Mean Squared Error)를 20초 간격으로 구한 값으로 규정하였다.
검증용 데이터셋은 학습 과정을 평가하여 모델의 파라미터를 조정하기 위해 사용되었으며, 조정이 끝난 후에는 학습 데이터에 포함시켜 모델학습을 진행하였다. 테스트 데이터셋은 학습하지 않은 상태별 데이터에 대한 진단 성능을 확인하기 위해 상태별로 동일한 수로 구성하였다.

대상 데이터

고장 예지를 위한 딥러닝 모델의 학습 및 검증을위하여, 본 논문에서는 특정 행동이 티칭(Teaching)된 6축 로봇팔에서 데이터를 수집하였다. 결함 데이터를 측정하기 위한 결함 조건 부위는 (5)번 축의 타이밍 벨트로 선정하였다.
전처리된 데이터 샘플들은 모델의 학습, 검증, 테스트를 위한 시퀀스 데이터로 구성할 필요가 있다. 시퀀스 데이터의 길이는 로봇의 동작을 고려하여 100개(4초간의 데이터)로 결정하였으며, 로봇의 가동 초기 샘플 및 측정 구간이 불연속적인 부분은 제외하였다. 최종 데이터셋 구성은 아래의 표 4와 같다.

데이터처리

제안하는 산업용 로봇팔 고장 예지 및 진단 방법의 성능평가는 학습에 사용되지 않은 정상 데이터와 결함 조건을 달리한 이상 데이터로 구성된 테스트 데이터셋을 이용하여 수행하였다. 고장 예지 및 진단을 위한 이상 정도(Abnormal degree)는 제안 모델의 각도 예측값과 실제 값의 RMSE(Root Mean Squared Error)를 20초 간격으로 구한 값으로 규정하였다. 테스트 데이터에 대한 6개축의 이상 정도는 그림 10과 같다.
로봇팔로부터 수집된 각 관절 별 데이터 간의 관계를 파악하기 위하여, 본 논문에서는 정상 데이터의각 측정값들에 대한 피어슨 상관분석(Pearson correlation analysis)을 수행하였고, 그 결과를 그림 4에 나타내었다.
성능평가 실험 결과는 혼동행렬(Confusion Matrix)로 나타내었다. 혼동행렬은 모델의 예측 값과 실제 값을 비교하는 표로써, 알고리즘 및 머신러닝 모델의 성능을 평가하기 위한 일반적인 성능지표로 사용되며, 혼동행렬을 이용한 정확도 계산 방법을 그림 12에 나타내었다.
측정된 전류-각도 간의 인과관계를 확인하기 위해그레인저 인과관계 검정(Granger causality test)(Granger et al., 1980)[10]을 실시하였다. 그레인저인과관계 검정은 두 변수 x, y 간의 영향을 주는 관계가 있음을 알고 있을 때 원인-결과 관계를 검정할 수 있는 방법으로 아래와 같은 절차를 가진다.

성능/효과

(1)번 축과 (4)번 축의 데이터가 높은 양의 상관계수, (1, 4)번 축과 (6)번 축이 높은 음의 상관계수를 나타내는데 이는 로봇의 동작에 의한 결과이며 설정된 동작에 의해 변화되므로 유효한 상관관계는 아니다. 전류-각도의 상관계수를 보면 (2)번 축을 제외한 각 축은 양의 상관계수를 보였다.
본 실험에서 다루는 전류 및 각도 데이터는 서로 다른 도메인의 데이터이므로, 특정 도메인의 시계열데이터를 다른 도메인의 시계열 데이터로 변환하는Seq2Seq 모델이 모델링에 적합하다.
실험에서 고장예측 정확도는 96.67%( {(198+92)/ (198+8+2+92)} * 100 )를 보였으며, 이로부터 제안 방법의 효용성을 확인할 수 있었다. 일반적으로 산업용 로봇은 실제 산업현장에서 고장 날 확률이 상당히 낮으며, 이에 본 논문에서는 로봇의 결함 환경을 인위적으로 구성하여, 이로부터 측정된 데이터를 이용하였다.
수집 데이터의 통계적 분석 결과와 로봇의 구동 방식에 착안하여, 정상 전류시퀀스가 입력되면 정상 각도 시퀀스가 출력되도록 제안 모델을 학습시켰으며, 이를 통해 예측 정확도가 낮을 경우 이상 상태로 분류하도록 알고리즘을 구성하였다. 정상 및 결함 조건을 설정한 테스트 데이터셋을 사용하여 실험을 수행한 결과, 제안 모델은96.67%의 고장예측 정확도를 보였다. 제안 방법은 추가적인 센서의 부착 없이 로봇 자체적으로 측정되는 데이터만을 사용하여 고장을 예측할 수 있다는 장점을 갖으며, 이를 통해 현재 로봇을 운용 중인 다양한 산업군에 비교적 쉽게 적용 가능할 것으로 사료된다.

후속연구

일반적으로 산업용 로봇은 실제 산업현장에서 고장 날 확률이 상당히 낮으며, 이에 본 논문에서는 로봇의 결함 환경을 인위적으로 구성하여, 이로부터 측정된 데이터를 이용하였다. 이러한 점을 감안하여, 향후 로봇을 오랜 시간 운용하면서 자연스러운 성능 저하 과정에서 수집된 데이터를 활용한 로봇 고장 예지 기술 연구를 지속할 계획이다.
67%의 고장예측 정확도를 보였다. 제안 방법은 추가적인 센서의 부착 없이 로봇 자체적으로 측정되는 데이터만을 사용하여 고장을 예측할 수 있다는 장점을 갖으며, 이를 통해 현재 로봇을 운용 중인 다양한 산업군에 비교적 쉽게 적용 가능할 것으로 사료된다.

질의응답

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.

참고문헌 (12)

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.

상세보기
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.

상세보기
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.

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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