선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 아크로 인한 전기화재의 위험을 줄이기 위해서 아크 위험성 예측을 목표로 한다. 이를 위해서 거제 및 제주도에 있는 재래시장에 설치된 아크 감지기로부터 수집되는 데이터를 기반으로 머신 러닝을 수행하여 아크 위험성을 예측하는 시스템을 개발하고자 한다.
제안 방법
- XML 파일에는 해당하는 이미지 파일에 대한 라벨링 정보나 이미지 범위 등이 저장된다. LabelImg로 생성된 XML 파일 코드의 특징을 분석하여 XML 코드를 자동 생성하는 프 로그램을 개발한다. 프로그램이 동작하면서 그래프 이미지에 대 한 각각의 XML 파일을 생성한다.
- 하나의 박스는 하나의 패턴 기반의 예측값을 의미하기 때문에, 그래프에서는 두 가지 패턴을 인식하여 두 개의 예측값을 보여준다는 것을 의미한다. 결과에서 두 개의 예측값들이 각각 99%와 98%의 확률로 안전(Safe)이라고 다음 아크 데이터의 위험도를 예측하기 때문에 다음 아크 데이터를 안전(Safe)로 예측한다.
- 서현욱 등은 주로 사용되는 반파 정류기, 전파 정류기, 벅 컨버터, 인버터 네 개의 회로 환경에서 발생한 아크에 대해서 전압 및 전류의 불규칙 파형을 검토하였다[10]. 그 결과 오동작의 원인을 탐지하여 출력단 커패시터의 조절 방안을 제시하고 검증하였다. 김두현 등은 아크 발생 시 열적 특성과 아크 전력 을 분석하였다[11].
- 데이터 학습을 진행하여 생성된 결과를 바탕으로 Frozen Inference Graph를 생성한다. Inference Graph는 ph 파일 형태로써 개체를 탐지하기 위한 분류기가 포함된다.
- Tensorflow Detection Model은 구글에서 Tensorflow Object Detection API를 활용하여 머신러닝을 사용하기 위한 학습 모델을 제공한다. 데이터로부터 Object Detection을 수행 하여 Boxes 및 Mask 결과를 추론하는 다양한 Common Object in Context (COCO) 모델을 제공한다[17].
- 이전 알고리즘인 Fast R-CNN 알고리즘의 문제점인 Region Proposal의 병목 현상을 Region Proposal Network(RPN)를 도입하여 보완했다[8]. 딥 컨볼루션 네트워크(Deep Convolution Network)인 Region Proposal Network(RPN)를 도입하여 각 위치의 Object Bounds와 Objectness Score를 동시에 예측한다. Faster R-CNN은 RPN과 Proposed Regions를 사용해 객체 를 감지하는 두 개의 네트워크로 구성된다.
- 전기 아크는 짧은 시간 안에 발생하기 때문에 예측도 빠르게 수행되어야 하므로 본 논문에서 사용하는 학습모델은 Faster_R-CNN_Inception_v2_coco 이다[14]. 매개변수로 사용하는 모델의 학습 횟수, TFRecord 를 포함한 각종 파일 경로와 테스트 파일 개수 등을 지정한다. 학습에 사용한 데이터의 수는 200개이다.
- 본 논문에서는 수집한 아크 데이터를 바탕으로 Faster R-CNN과 Tensorflow Object Detection을 사용하여 Anaconda 가상환경에서 실험하였다. 아크 데이터는 안전, 경고, 위험으로 분류하여 학습 및 테스트를 위해 그래프를 순차적인 누적시간을 기준으로 생성하였다.
- 본 연구에서 제안하는 시스템의 성능 평가를 수행하였다. 제안하는 예측 시스템의 예측 결과와 실제 결과의 예측 능력을 측정하였다.
- 그래프 생성 시 데이터의 수가 10개와 15 개의 training epoch는 1000번이고 20개의 데이터로 그래프를 생성하였을 때의 training epoch는 500번이다. 손실 함수(loss function) 결과가 최소로 유지되고 검증 데이터의 결과에서 예측 정확도가 높게 유지되도록 training epoch 횟수를 결정하였다.
- 본 논문에서는 아크로 인한 전기화재의 위험을 줄이기 위해서 아크 위험성 예측을 목표로 한다. 이를 위해서 거제 및 제주도에 있는 재래시장에 설치된 아크 감지기로부터 수집되는 데이터를 기반으로 머신 러닝을 수행하여 아크 위험성을 예측하는 시스템을 개발하고자 한다. 주기적으로 수집되는 아크 데이 터는 수치에 따라 안전(Safe), 경고(Warning), 위험(Danger) 이라는 세 가지 위험도로 분류된다.
- 이전 단계에서 저장한 csv 파일 정보를 이용하여 TFRecord 파일을 생성한다. TFRecord 파일 생성 시 레이블 정보를 지정 하여 생성한다.
- 주기적으로 수집되는 아크 데이 터는 수치에 따라 안전(Safe), 경고(Warning), 위험(Danger) 이라는 세 가지 위험도로 분류된다. 일정 기간 수집된 아크 데 이터들의 변동을 통해 다음 아크 데이터의 위험도를 예측한다. 이를 위해 수집된 아크 데이터를 시간에 따른 그래프로 변환해 데이터를 시각화한다.
- 본 연구에서 제안하는 시스템의 성능 평가를 수행하였다. 제안하는 예측 시스템의 예측 결과와 실제 결과의 예측 능력을 측정하였다. 그림 7에서 확인할 수 있듯이 제안하는 예측 시스템 은 최대 두 개의 결과를 예측하기 때문에, 두 개의 예측 결과 중 하나라도 실제 결과와 일치할 때와 두 개의 예측 결과가 모두 실제 결과와 일치할 때의 예측률 측정을 수행하였다.
대상 데이터
- 매개변수로 사용하는 모델의 학습 횟수, TFRecord 를 포함한 각종 파일 경로와 테스트 파일 개수 등을 지정한다. 학습에 사용한 데이터의 수는 200개이다. 배치 사이즈는 1이며 드랍아웃 레이트(dropout rate)는 1이다.
데이터처리
- 제안하는 예측 시스템의 예측 결과와 실제 결과의 예측 능력을 측정하였다. 그림 7에서 확인할 수 있듯이 제안하는 예측 시스템 은 최대 두 개의 결과를 예측하기 때문에, 두 개의 예측 결과 중 하나라도 실제 결과와 일치할 때와 두 개의 예측 결과가 모두 실제 결과와 일치할 때의 예측률 측정을 수행하였다. 먼저 그림 11은 하나의 예측 결과가 맞을 때의 예측률을 나타낸다.
이론/모형
- Tensorflow를 윈도우 환경에서 사용하기 위해 개발 도구로 Anaconda를 사용하였다[16]. Anaconda는 윈도우, 리눅스, 맥 (Mac) OS와 같은 개발 환경에서 Python, R을 이용한 데이터 과학과 머신러닝을 손쉽게 사용할 수 있도록 도와주는 오픈소스 소프트웨어 배포판이다.
- 위에서 언급한 순서대로 데이터를 학습하고 테스트할 수 있도록 시스템 환경을 표 1과 같이 구성한다. 머신러닝 개발을 위한 라이브러리로써 Tensorflow를 사용하였다[15]. Tensorflow는 구글에서 개발하여 2015년에 오픈소스로 공개한 머신러닝 라이브러리이다.
- Anaconda를 사용함으로써 다양한 라이브러리들 간에 종속성 문제를 해결할 수 있다. 본 연구에서 는 머신러닝을 사용하여 개발 및 학습을 진행하기 위해 Tensorflow Object Detection API와 Tensorflow Detection Model을 활용하였다. 앞에서 언급한 대로 Tensorflow Object Detection API는 이미지의 객체 인식을 위해서 활용하였다.
- 손실 함수는 아래와 같이 Faster R-CNN 모델에서 제안한 손실 함수를 사용한다[7].
- 본 연구에서 는 머신러닝을 사용하여 개발 및 학습을 진행하기 위해 Tensorflow Object Detection API와 Tensorflow Detection Model을 활용하였다. 앞에서 언급한 대로 Tensorflow Object Detection API는 이미지의 객체 인식을 위해서 활용하였다. Tensorflow Detection Model은 구글에서 Tensorflow Object Detection API를 활용하여 머신러닝을 사용하기 위한 학습 모델을 제공한다.
- Training Pipeline은 학습 모델과 어떤 매개변수를 사용할지를 결정한다. 전기 아크는 짧은 시간 안에 발생하기 때문에 예측도 빠르게 수행되어야 하므로 본 논문에서 사용하는 학습모델은 Faster_R-CNN_Inception_v2_coco 이다[14]. 매개변수로 사용하는 모델의 학습 횟수, TFRecord 를 포함한 각종 파일 경로와 테스트 파일 개수 등을 지정한다.
성능/효과
- 아크 데이터는 안전, 경고, 위험으로 분류하여 학습 및 테스트를 위해 그래프를 순차적인 누적시간을 기준으로 생성하였다. 누적시간 데이터 20개를 기준으로 학습된 데이터로 예측률을 평가하였을 때 약 86% 정도의 예측 능력을 보여주었다. 추가적인 예측률 향상을 위해서 다른 학습 모델의 개발을 추후 연구에서 수행할 계획이다.
- 최소 하나의 예측 결과가 일치할 때 가장 좋은 성능을 보였던 데이터의 수가 15개의 예측 결과가 24%로 매우 낮은 성능으로 평가된다. 두 실험의 평가 결과에서 예측 시 사용하는 데이터의 수가 20개일 때 아크 위험성 예측에 가장 적합하다고 판단할 수 있다. 일반적으로 안전에서 경고, 경고에서 위험 등 데이터 값의 차이가 크지 않게 입력될 때에는 준수한 예측 능력을 보였지만, 안전에서 위험으로 갑자기 데이터 값의 차이가 크게 입력될 때에는 저조한 예측 능력을 보였다.
- 먼저 그림 11은 하나의 예측 결과가 맞을 때의 예측률을 나타낸다. 예측 시 사용하는 데이터의 수가 10개, 15개, 20개일 때, 90%, 98%, 94%의 예측률을 보여준다. 데이터의 수가 15개일 때가 그림 10.
- 시각화한 데이터는 학습에 알맞은 형태로 변환한 후, 머신 러닝을 활용하여 다음 아크 데이터의 위험도를 예측한다[2]. 예측에 사용하는 시계열 아크 데이터의 수를 10개, 15개, 20개로 구분하여 학습하여 아크 데이터의 위험도 예측 결과를 측정하였으며, 시계열 아크 데이터의 수가 20개일 때 높은 예측이 가능하였다.
- 하지만 수집한 아크 데이터를 전처리 없이 그래프로 변환할 경우 두 가지 문제가 발생한다. 첫째 아크 데이터 값이 0으로 수집되는 경우, 안전으로 판단 하지만, 아크 데이터 값이 0부터 시작하여 그래프를 작성할 수 없다. 따라서 학습을 위한 그래프를 생성하기 위해서 아크 데이터가 0인 경우 0부터 0에 근접한 일정 수의 범위 내에서 균일 분포(Uniform distribution)에 따라 랜덤한 데이터로 변환한다.
- 예측 시 사용하는 데이터의 수가 20개일 때가 86%의 예측률로 가장 좋은 성능 보인다. 최소 하나의 예측 결과가 일치할 때 가장 좋은 성능을 보였던 데이터의 수가 15개의 예측 결과가 24%로 매우 낮은 성능으로 평가된다. 두 실험의 평가 결과에서 예측 시 사용하는 데이터의 수가 20개일 때 아크 위험성 예측에 가장 적합하다고 판단할 수 있다.
후속연구
- 누적시간 데이터 20개를 기준으로 학습된 데이터로 예측률을 평가하였을 때 약 86% 정도의 예측 능력을 보여주었다. 추가적인 예측률 향상을 위해서 다른 학습 모델의 개발을 추후 연구에서 수행할 계획이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.