$\require{mediawiki-texvc}$

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.

[국내논문] 제조 시계열 데이터를 위한 진화 연산 기반의 하이브리드 클러스터링 기법
Evolutionary Computation-based Hybird Clustring Technique for Manufacuring Time Series Data 원문보기

스마트미디어저널 = Smart media journal, v.10 no.3, 2021년, pp.23 - 30  

오상헌 (한국 방송 통신 대학교 컴퓨터과학과) ,  안창욱 (광주과학기술원(GIST) AI대학원)

초록
AI-Helper 아이콘AI-Helper

제조 시계열 데이터 클러스터링 기법은 제조 대용량 데이터 기반 군집화를 통한 설비 및 공정 이상 탐지 분류를 위한 중요한 솔루션이지만 기존 정적 데이터 대상 클러스터링 기법을 시계열 데이터에 적용함에 있어 낮은 정확도를 가지는 단점이 있다. 본 논문에서는 진화 연산 기반 시계열 군집 분석 접근 방식을 제시하여 기존 클러스터링 기술에 대한 정합성 향상하고자 한다. 이를 위하여 먼저 제조 공정 결과 이미지 형상을 선형 스캐닝을 활용하여 1차원 시계열 데이터로 변환하고 해당 변환 데이터 대상으로 Pearson 거리 매트릭을 기반으로 계층적 군집 분석 및 분할 군집 분석에 대한 최적 하위클러스터를 도출한다. 해당 최적 하위클러스터 대상 유전 알고리즘을 활용하여 유사도가 최소화되는 최적의 군집 조합을 도출한다. 그리고 실제 제조 과정 이미지 대상으로 기존 클러스터링 기법과 성능 비교를 통하여 제안된 클러스터링 기법의 성능 우수성을 검증한다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Although the manufacturing time series data clustering technique is an important grouping solution in the field of detecting and improving manufacturing large data-based equipment and process defects, it has a disadvantage of low accuracy when applying the existing static data target clustering tech...

주제어

#시계열 클러스터링   #선형 변환   #유전 알고리즘   #제조업  

참고문헌 (12)

  1. 노규성, 박상휘, "제조실행시스템의 빅데이터 적용 방안에 대한 탐색적 연구," Journal of Digital Convergence, 제12권, 제1호, 305-311쪽, 2014년 12월 

    원문보기 상세보기 crossref

  2. 곽기호, 이하목, "제조업 빅데이터 활용 동향 분석과 시사점," 주간기술동향, 2016년 9월 

  3. 최철웅, 김경백, "폐암환자 생존분석에 대한 tnm병기 군집 분석 평가," 스마트미디어저널, 제9권, 제4호, 126-133쪽, 2020년 12월 

    원문보기 상세보기

  4. 이동수, A.K.M. Ashiquzzaman, 김영광, 신혜주, 김진술, "K-평균 군집화 알고리즘 및 딥러닝 기반 군중 집계를 이용한 전염병 확진자 접촉 가능성 여부 판단 모니터링 시스템 제안," 스마트미디어저널, 제9권, 제3호, 122-129쪽, 2020년 9월 

    원문보기 상세보기 crossref

  5. S. Aghabozorgi, A.S. Shirkhorshidi, and T.Y. Wah, "Time-series clustering - A decade review," Information Systems, vol. 53, pp. 16-38, Oct., 2015. 

    상세보기 crossref

  6. M. Chis, S. Banerjee, and A.E. Hassanien, "Clustering Time Series Data: An Evolutionary Approach," Foundations of Computational, Intelligence vol. 6, pp. 193-207, 2009. 

  7. A. Mondal, N. Dey, S. Fong, and A.S. Ashour, "A hybrid shape-based image clustering using time-series analysis," Multimedia Tools and Applications, vol. 80, pp. 3793-3808, Sep., 2020. 

  8. B. Andreopoulos, A. An, X. Wang, and M. Schroeder, "A roadmap of clustering algorithms: Finding a match for a biomedical application," Briefings in Bioinformatics, vol. 10, no. 3, pp. 297-314, May, 2009. 

    상세보기 crossref

  9. C.Y. Hsu, and W.C. Liu, "Multiple time-series convolutional neural network for fault detection and diagnosis and empirical study in semiconductor manufacturing," Journal of Intelligent Manufacurting, vol. 32, pp. 823-836, May, 2020.. 

  10. S.E. Alexis, "Comparing Time-Series Clusteinrg Algorithms in R Using the dtwclust Package," The R Journal, vol. 11, no. 1, Jun., 2019. 

  11. M. Leng, X. Lai, and G. Tan, "Time series representation for anomaly detection," 2nd IEEE International Conference on Computer and Information, pp. 628-632, Beijing, China, Aug., 2009. 

  12. M. Munir, S.A. Siddiqui, A. Dengel, and S.Ahmed, "A deep learning approach for unsupervised anomaly detection in time series," IEEE Access, vol. 7, pp. 1991-2005, Dec., 2018. 

    상세보기 crossref

저자의 다른 논문 :

관련 콘텐츠

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
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

맨위로