$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

딥 러닝 기반 실시간 센서 고장 검출 기법

Timely Sensor Fault Detection Scheme based on Deep Learning

The journal of the institute of internet, broadcasting and communication : JIIBC, v.20 no.1, 2020년, pp.163 - 169  

양재완 (울산대학교 전기공학부) ,  이영두 (울산대학교 전기공학부) ,  구인수 (울산대학교 전기공학부)

초록
AI-Helper 아이콘AI-Helper

최근 4차 산업혁명의 핵심기술인 인공지능, 빅데이터, 사물인터넷의 발전으로 산업 현장에서 가동되는 기계의 자동화 및 무인화에 대한 연구가 활발히 진행되고 있다. 이러한 공정 기계들은 부착된 다양한 센서들로부터 수집된 데이터를 기반으로 제어되고 이를 통해 공정이 관리된다. 만약 센서에 고장이 발생한다면 센서 데이터 이상으로 인해 자동화 기계들이 오작동함으로써 공정 손실 발생뿐만 아니라 인명피해로도 이어질 수 있다. 전문가가 센서의 이상 여부를 주기적으로 확인하여 관리하고 있으나 산업 현장의 여러 가지 환경요인 및 상황으로 인하여 고장점검 시기를 놓치거나 고장을 발견하지 못하여 센서 고장으로 인한 피해를 막지 못하는 경우가 발생하고 있다. 또한 고장이 발생하여도 즉각 감지하지 못함으로써 공정 손실을 더욱 악화시키고 있는 실정이다. 따라서 이러한 돌발적인 센서 고장으로 인한 피해를 막기 위해 자체적으로 임베디드 시스템에서 센서의 고장 유무를 실시간으로 파악하고 빠른 대응을 위해 고장 진단 및 유형을 판별하는 것이 필요하다. 본 논문에서는 대표적인 센서 고장 유형인 erratic fault, hard-over fault, spike fault, stuck fault를 분류하기 위해 딥 뉴럴 네트워크 기반의 고장 진단 시스템을 설계하고 라즈베리 파이를 활용하여 구현하였다. 센서 고장 진단을 위해 구글이 제안한 MobilieNetV2의 Inverted residual block 구조를 사용하여 네트워크를 구성하였다. 본 논문에서 제안하는 방식은 기존 CNN 기법을 사용한 경우보다 메모리 사용량이 줄고 성능이 향상되며, 입력 신호에 대해 구간별로 센서 고장을 분류하여 산업 현장에서 효과적으로 사용될 것으로 기대된다.

Abstract AI-Helper 아이콘AI-Helper

Recently, research on automation and unmanned operation of machines in the industrial field has been conducted with the advent of AI, Big data, and the IoT, which are the core technologies of the Fourth Industrial Revolution. The machines for these automation processes are controlled based on the da...

주제어

표/그림 (10)

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 본 논문에서는 센서를 통해 데이터를 수집하고 라즈베리 파이 자체 내에서 센서 고장을 실시간으로 판별하고 그 결과를 서버로 보내어 사용자에게 알려주는 시스템을 제안한다. 구글에서 제안한 MobileNetV2의 Inverted residual block 구조를 사용하여 네트워크를 구성하고 이를 사용하여 대표적인 센서 고장 유형 4가지인 erratic, hard-over, spike, stuck에 대한 분류한 진단 결과를 분석 및 기술하였다.
  • 본 논문에서는 효율적인 센서 고장 검출 및 분류를 위해 inverted residual 구조를 사용한 딥 뉴럴 네트워크를 제안하였다. 대표적인 센서 고장 유형인 erratic, hardover, spike, stuck이 사용되었으며, 전체 센서 데이터의 60%를 학습에 사용하였고 나머지 40% 중에서 각각 20%는 검증용, 테스트용으로 사용하였다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
스마트 팩토리의 특징은? 생산체계가 대량생산에서 다품종 고객맞춤형 생산으로 변화하면서 단순한 공정을 반복하는 작업에서 사물인터넷과 인공지능 기술을 기반으로 하는 고도의 기술이 필요한 작업으로 발전하고 있다. 공장 내 기계와 설비에 부착된 다양한 센서들은 실시간으로 데이터를 수집하고 분석하여 이를 기반으로 기계의 구동상태 및 제어량을 파악하고 전체 공정라인의 작업 속도와 양을 조정하여 생산을 관리한다. 따라서 센서에 결함이 생길 경우, 데이터 오류로 인한 기계들의 오작동으로 공정운영에 경제적 손실이 발생하는 것은 물론이고 인명 피해로도 이어질 수 있다.
센서 고장 유형은 크게 무엇이 있는가? 본 논문에서는 센서를 통해 데이터를 수집하고 라즈베리 파이 자체 내에서 센서 고장을 실시간으로 판별하고 그 결과를 서버로 보내어 사용자에게 알려주는 시스템을 제안한다. 구글에서 제안한 MobileNetV2의 Inverted residual block 구조를 사용하여 네트워크를 구성하고 이를 사용하여 대표적인 센서 고장 유형 4가지인 erratic, hard-over, spike, stuck에 대한 분류한 진단 결과를 분석 및 기술하였다. 제안된 네트워크와 기존 CNN모델방식의 실험결과를 통해 성능을 비교⦁분석하였으며, 입력 신호에 대한 구간별 고장 진단의 성능 실험 결과도 제시하였다.
inverted residual 구조가 기존의 방식보다 좋은 점은? 그림 5에서 32의 feature map의 경우, 6배(t=6)인 192로 확장 뒤 입력과 더하고 3번(n=3)반복해서 이러한 구조를 사용한다. 이와 같은 방식은 기존에 ResNet에서 사용된 residual block 방식에 비해 더 적은 입력과 출력 파라미터가 필요하므로 메모리 효율성이 우수하다[16]. 또한 linear층을 사용함으로써 입력에 대한 정보 보존이 가능하다.
질의응답 정보가 도움이 되었나요?

참고문헌 (16)

  1. Gyu-Hyung Lee, Young-Doo Lee, In-Soo Koo, "An RNN-based Fault Detection Scheme for Digital Sensor", The Journal of The Institute of Internet, Broadcasting and Communication, Vol. 19, no. 1, pp. 29-35, 2019. DOI : 10.7236/JIIBC.2019.19.1.29 

  2. Byeoung Min Mun, Munwon Lim, Seong-Joon Kim, Suk Joo Bae, "Fault Detection and Diagnosis of Smart Factory Equipments Using Wavelet Spectrum", International Journal of Reliability and Applications, Vol. 19, no. 1, pp. 22-30, 2019. DOI : 10.33162/JAR.2019.03.19.1.22 

  3. 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 

  4. 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 

  5. 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 

  6. 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 

  7. 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 

  8. Beomsan Kim and Ik Hyun Lee. "Retinal Blood Vessel Segmentation using Deep Learning", Journal of Korean Institue of Information Technology, vol. 17, no.5, pp. 77 - 83, 2019. DOI: https://10.14801/jkiit.2019.17.5.77 

  9. Seok-Woo Jang, Gyungju Lee, Myunghee Jung. "Effective Detection of Target Region Using a Machine Learning Algorithm", Journal of the Korea Academia-Industrial, vol. 19, no.5, pp. 697 - 704, 2018. DOI: https://10.5762/KAIS.2018.19.5.697 

  10. Min-Young Kyoung and Hyun-Bean Yi, "A Deep Learning-Based Document Title Detection for Automatic Document Type Classification", Journal of The Institute of Electronics and Information Engineers, vol. 55, no. 9, pp. 53 - 61, 2018. DOI: https://doi.org/10.5573/ieie.2018.55.9.53 

  11. Christian Szegedy, Wei Liu, Yangqing Jia, Pierre Sermanet, Scott Reed, Dragomir Anguelov, Dumitru Erhan, Vincent Vanhoucke and Andrew Rabinovich, "Going Deeper with Convolutions", IEEE Conference on Computer Vision and Pattern Recognition(CVPR), pp. 1-9, 2015 DOI: https://doi.org/10.1109/CVPR.2015.7298594 

  12. Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun, "Deep Residual Learning for Image Recognition", The IEEE Conference on Computer Vision and Pattern Recognition(CVPR)., pp. 770-778, 2016. DOI: https://doi.org/10.1109/CVPR.2016.90 

  13. Karen Simonyan and Andrew Zisserman, "Very Deep Convolutional Networks for Large-Scale Image Recognition", International Conference on Learning Representations, arXiv preprint arXiv:1409.1556, 2014. 

  14. A. G. Howard, M. Zhu, B. Chen, D. Kalenichenko, W. Wang, T. Weyand, M. Andreetto, and H. Adam. "Mobilenets: Efficient convolutional neural networks for mobile vision applications", arXiv:1704.04861, 2017 

  15. Francois Chollet, "Xception: Deep Learning with Depthwise Separable Convolutions", The Journal of The Institute of Internet, Broadcasting and Communication, Vol. 16, No. 6, pp. 183-190, Jun. 2016. DOI: https://doi.org/10.1109/cvpr.2017.195 

  16. M. Sandler, A. Howard, M. Zhu, A. Zhmoginov, and L.-C. Chen. Mobilenetv2: Inverted residuals and linear bottlenecks. CVPR, arXiv:1801.0438, 2018. DOI: https://doi.org/10.1109/cvpr.2018.00474 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트