최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기Journal of Korean Society of Industrial and Systems Engineering = 한국산업경영시스템학회지, v.43 no.2, 2020년, pp.48 - 55
윤연아 (경기대학교 일반대학원 산업경영공학과) , 정진형 (경기대학교 일반대학원 산업경영공학과) , 임준형 (한컴MDS Intelligent System Engineering 사업본부) , 장태우 (경기대학교 산업경영공학과) , 김용수 (경기대학교 산업경영공학과)
Recently, a study of prognosis and health management (PHM) was conducted to diagnose failure and predict the life of air craft engine parts using sensor data. PHM is a framework that provides individualized solutions for managing system health. This study predicted the remaining useful life (RUL) of...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
랜덤포레스트란 무엇인가? | 랜덤포레스트는 Breiman에 의해 제안된 앙상블(ensem-ble) 기반 모형으로 의사결정나무 모형에 배깅(Bagging)의 기본 원리와 임의성을 더한 형태이다[4]. 그래디언트부스트는 Friedman에 의해 제안된 방법으로 의사결정나무에 비해 여러 분류자의 예측을 종합하여 분류의 정확성을 향상하는 앙상블 기법 중에 하나이다[10]. | |
센서 데이터의 경우 패턴 변화를 감지해야 하는 이유는 무엇인가? | 센서 데이터의 경우 시그널 특성이 존재하므로 한 시점이 아닌 패턴 변화를 감지해야한다[14]. 정적인 머신러닝 기법을 통해 데이터의 패턴 변화 및 시계열성을 다루기에 어려움이 존재하므로 데이터 내에 시계열성을 포함시키고자 윈도우 기법을 통한 데이터 전처리 방법을 제안하였다. | |
본 연구에서 정적모델(static model)을 통해 잔여수명을 예측한 이유는 무엇인가? | 일반적인 시계열 모델을 사용하기에 각 엔진별 고장이 발생하는 시점이 다르므로 시퀀스 길이 및 모델 파라미터를 지정하기에 한계가 존재한다. 따라서 본 연구에서는 시계열 모델이 아닌 다른 정적모델(static model)을 통해 잔여수명을 예측하고자 하였다. |
Ann, G., Yoo, J.H., Lee, S.H., and Kim, S.B., Explainable convolution neural networks for multi-sensor data, Journal of the Korean Institute of Industrial Engineers, 2019, Vol. 45, No. 2, pp. 146-153.
Baik, J., AI techniques for prognostics and health management, Journal of Applied Reliability, 2019, Vol. 19, No. 3, pp. 243-255.
Bontempi, G., Taieb, S.B. and Le Borgne, Y.A., Machine learning strategies for time series forecasting, European Business Intelligence Summer School, Springer, Berlin, Heidelberg, 2012, pp. 62-77.
Breiman, L., Random forests, Machine Learning, 2001, Vol. 45, No. 1, pp. 5-32.
Chen, T. and Guestrin, C., Xgboost : A scalable tree boosting system, Proceedings of the 22nd acm Sigkdd International Conference on Knowledge Discovery and Datamining, 2016, pp. 785-794.
Chiu, S.C., Li, H.F., Huang, J.L., and You, H.H., Incremental mining of closed inter-transaction itemsets over data stream sliding window, Journal of Information Science, 2011, Vol. 37, No. 2, pp. 208-220.
Choi, W., Chang, S., Lee, S., Kang, H., Bang, M., and Bae, Y., Development of degradation evaluation SW for high temperature component using machine learning approach, The Korean Society of Mechanical Engineers, 2020, Vol. 44, No. 1, pp. 57-62.
Coble, J.B. and Hines, J.W., Prognostic algorithm categorization with PHM challenge application, 2008 International Conference on Prognostics and Health Management, IEEE, 2008, pp. 1-6.
Friedman, J.H., Greedy function approximation : a gradient boosting machine, Annals of Statistics, 2001, pp. 1189-1232.
Heimes, F.O., Recurrent Neural Networks for Remaining Useful Life Estimation, 2008 International Conference on Prognostics and Health Management, IEEE, 2008, pp. 1-6.
Koc, C.K., Analysis of sliding window techniques for exponentiation, Computers and Mathematics with Applications, 1995, Vol. 30, No. 10, pp. 17-24.
Laguna, J.O., Olaya, A.G., and Borrajo., D., A dynamic sliding window approach for activity recognition, International Conference on User Modeling, Adaptation, and Personalization, pringer, Berlin, Heidelberg, 2011, pp. 219-230.
Le Son, K., Fouladirad, M., Barros, A., Levart, E., and Lung, B., Remaining useful life estimation based on stochastic deterioration models : A comparative study, Reliability Engineering and System Safety, 2013, Vol. 112, pp. 165-175.
Lee, H.S. and Oh, S.H., A Study on the development of time series forecasting model for corporate credit risk using machine learning, The Koran Society of Management information Systems, Seoul, Korea, 2019, pp. 396-405.
Peel, L., Data driven prognostics using a kalman filter ensemble of neural network models, 2008 International Conference on Prognostics And Health Management, IEEE, 2008, pp. 1-6.
Seo, S., Kang, J., Nam, K.W., and Ryu, K.H., A sliding window-based multivariate stream data classification, The Korean Institute of Information Scientists and Engineers, 2006, Vol. 33, No. 2, pp. 163-174.
Sim, H.S., Kang, J.-G., and Kim, Y.S., A review on prognostics and health management : 2013-2018, Journal of Applied Reliability, 2019, Vol. 19, No. 1, pp. 68-84.
Song, H.S., Seo, Y.K., Jung, D.H., and Park, B.H., A case study of degradation analysis for the passenger vehicles shock absorber, Journal of Applied Reliability, 2017, Vol. 17, No. 3, pp. 181-187.
Wang, T., Yu, J., Siegel, D., and Lee, J., A similaritybased prognostics approach for remaining useful life estimation of engineered systems, 2008 International Conference on Prognostics and Health Management, IEEE, 2008, pp. 1-6.
*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.