최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기The 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)
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...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
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. |
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
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
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
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
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
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
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
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.
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
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.