[논문]사물인터넷 기기 고장 진단을 위한 그래프 신경망 모델 기반 분류 방법

김진영; 선준호; 윤성훈

doi:10.7236/jiibc.2022.22.3.9

사물인터넷 기기 고장 진단을 위한 그래프 신경망 모델 기반 분류 방법
Classification Method based on Graph Neural Network Model for Diagnosing IoT Device Fault 원문보기

The journal of the institute of internet, broadcasting and communication : JIIBC, v.22 no.3, 2022년, pp.9 - 14

김진영 ((주)스마트에버) , 선준호 (광운대학교 전자융합공학과) , 윤성훈 ((주)코젠)

초록
AI-Helper

각종 기기들이 연결되는 사물인터넷(internet of things) 시스템에서 중요한 부품의 고장은 경제적, 인명의 손실을 야기할 수 있다. 시스템 내에서 발생하는 고장으로 인한 손실을 줄이기 위해 고장 검진 기술이 IoT에서 중요한 기술로써 여겨지고 있다. 본 논문에서는 그래프 신경망 기반 방법을 사용하여 시스템 내의 설비에서 취득된 진동 데이터의 특징을 추출하여 고장 여부를 판단하고 유형을 분류하는 방법을 제안한다. 딥러닝 모델의 학습을 위해, CWRU(case western reserve university)에서 취득된 고장 데이터 셋을 입력 데이터로 사용한다. 제안하는 모델의 분류 정확도 성능을 확인하기 위해 기존 제안된 합성곱 신경망(convolutional neural networks) 기반 분류 모델과 제안된 모델을 비교한다. 시뮬레이션 결과, 제안된 모델은 불균등하게 나누어진 데이터에서 기존 모델보다 분류 정확도를 약 5% 향상 시킬 수 있는 것을 확인하였다. 이후 연구로, 제안하는 모델을 경량화해서 분류 속도를 개선할 예정이다.

Abstract ▼ AI-Helper

In the IoT(internet of things) where various devices can be connected, failure of essential devices may lead to a lot of economic and life losses. For reducing the losses, fault diagnosis techniques have been considered an essential part of IoT. In this paper, the method based on a graph neural network is proposed for determining fault and classifying types by extracting features from vibration data of systems. For training of the deep learning model, fault dataset are used as input data obtained from the CWRU(case western reserve university). To validate the classification performance of the proposed model, a conventional CNN(convolutional neural networks)-based fault classification model is compared with the proposed model. From the simulation results, it was confirmed that the classification performance of the proposed model outweighed the conventional model by up to 5% in the unevenly distributed data. The classification runtime can be improved by lightweight the proposed model in future works.

주제어

표/그림 (5)

그림 그림 1. 제안하는 그래프 신경망 모델의 구조. Fig. 1. Architecture of the proposed graph neural network model.
표 표 1. CWRU 데이터 셋의 레이블. Table 1. Labels of CWRU dataset.
그림 그림 2. α 가 0.1일 때의 딥러닝 모델들의 confusion matrix 결과; (a) CNN 기반 분류 모델, (b) 그래프 기반 분류 모델. Fig. 2. Simulation results of confusion matrixes when α is 0.1; (a) CNN and (b) graph-based classification model
표 표 2. 균일하게 분포된 데이터를 사용하는 모델의 분류 accuracy 및 F1-score. Table 2. Classification accuracy and F1-score of models using uniformly distributed data.
표 표 3. 불균등하게 분포된 데이터를 사용하는 모델의 분류 accuracy 및 F1-score. Table 3. Classification accuracy and F1-score of models using unevenly distributed data.

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 기존의 딥러닝 방법들이 가지는 과하게 사용되는 레이블 데이터, 불균등하게 분포된 데이터 환경 배제에 대한 두 가지 문제점을 해결하기 위한 분류 방법을 제안한다. 두 문제의 해결을 위해, 그래프 합성 곱 신경망 기반 분류 모델을 활용하여 불균등하고 적게 레이블 된 데이터를 가진 환경에서 분류 정확도를 향상시키는 방법을 제안한다.
본 논문에서는 사물인터넷 기기로부터 취득된 데이터의 고장 유형을 분류하기 위한 그래프 합성곱 신경망 모델을 제안한다. 기기에 부착된 센서로부터 얻은 진동 데이터를 주파수로 변경하고 특징을 추출한다.

가설 설정

추가적으로 데이터가 불균등하였을 때를 가정하여 시뮬레이션을 진행하기 위해 불균형 정도 파라미터를 선언하였다. 여기서 불균형 정도 파라미터인 a는 0<a≤1의 범위를 가지고, 1은 모두 데이터가 균일하게 클래스를 가진다는 것을 의미한다.

제안 방법

본 논문에서는 사물인터넷 기기로부터 취득된 데이터의 고장 유형을 분류하기 위한 그래프 합성곱 신경망 모델을 제안한다. 기기에 부착된 센서로부터 얻은 진동 데이터를 주파수로 변경하고 특징을 추출한다. 데이터 간의 유사도 정보를 얻어 그래프로 만든다.
본 논문에서는 기존의 딥러닝 방법들이 가지는 과하게 사용되는 레이블 데이터, 불균등하게 분포된 데이터 환경 배제에 대한 두 가지 문제점을 해결하기 위한 분류 방법을 제안한다. 두 문제의 해결을 위해, 그래프 합성 곱 신경망 기반 분류 모델을 활용하여 불균등하고 적게 레이블 된 데이터를 가진 환경에서 분류 정확도를 향상시키는 방법을 제안한다.
위에서 언급한 합성곱 연산의 한계점을 극복하기 위해, 본 논문에서는 합성곱 신경망을 입력되는 그래프로부터 특징을 추출하기 위해 사용한다. 여기서 시계열 데이터에 직접적으로 사용하는 것이 아닌 그래프 구조에 노드 간에 관계를 합성곱 연산을 적용하여 임베딩 정보를 추출함으로써 분류를 수행한다.
위에서 언급한 합성곱 연산의 한계점을 극복하기 위해, 본 논문에서는 합성곱 신경망을 입력되는 그래프로부터 특징을 추출하기 위해 사용한다. 여기서 시계열 데이터에 직접적으로 사용하는 것이 아닌 그래프 구조에 노드 간에 관계를 합성곱 연산을 적용하여 임베딩 정보를 추출함으로써 분류를 수행한다.
데이터 간의 유사도 정보를 얻어 그래프로 만든다. 이웃 간의 정보를 토대로 형성된 그래프를 합성곱 그래프 신경망 모델에 입력 데이터로 넣어 유형 분류를 수행하였다. 데이터가 불균등하게 주어졌을 때, 제안된 모델이 합성곱 신경망 기반 모델대비 최대 2.
고장 유형 분류를 위해 입력 데이터로 특징 행렬(feature matrix)와 라플라시안 행렬이 사용된다. 합성 곱을 적용한 그래프 신경망 모델은 입력 데이터로부터 특징과 이웃 간의 유사도 정도를 파악해 해당하는 클래스를 추론하여 고장 유형을 분류한다.

데이터처리

제안한 방법의 우수성을 검증하기 위해 기존 합성 곱 신경망 기반 분류 모델과 성능 비교를 진행했다.

이론/모형

본 논문에서는 시뮬레이션을 통해 학습 모델의 분류정확도를 비교하기 위해 F1-score와 accuracy를 사용한다. F1-score와 accuracy는 다음과 같은 수식으로써정확도 지표로 나타낼 수 있다.

성능/효과

이웃 간의 정보를 토대로 형성된 그래프를 합성곱 그래프 신경망 모델에 입력 데이터로 넣어 유형 분류를 수행하였다. 데이터가 불균등하게 주어졌을 때, 제안된 모델이 합성곱 신경망 기반 모델대비 최대 2.5% 높은 성능을 보이는 것을 확인할 수 있었다. 향후 연구로써, 제안한 모델의 파라미터를 최적화하여 분류 속도를 개선하는 방법을 고안할 예정이다.
5% 좋은 정확도를 보이는 것을 확인할 수 있었다. 따라서 제안된 모델이 이상데이터가 적게 레이블링 된 상황에 합성곱 신경망 기반 모델보다 더 적합하다고 판단할 수 있다.
시뮬레이션 결과에서 각 클래스의 데이터 레이블이 동일하게 주어졌을 때, 합성곱 신경망 기반 모델과 제안된 그래프 모델 모두 99% 이상의 accuracy를 보이는 것을 확인할 수 있었다. 그러나 표 3에서와 같이 정상적인 레이블이 이상 데이터보다 많을 때, 합성곱 신경망 기반 모델의 분류 정확도가 감소하는 것을 확인할 수 있었다.
그러나 표 3에서와 같이 정상적인 레이블이 이상 데이터보다 많을 때, 합성곱 신경망 기반 모델의 분류 정확도가 감소하는 것을 확인할 수 있었다. 이에 비해, 제안된 그래프 합성곱 분류 모델은 불균형하게 데이터 레이블이 주어졌을 때에도 합성곱 신경망 기반 모델 대비 최대 2.5% 좋은 정확도를 보이는 것을 확인할 수 있었다. 따라서 제안된 모델이 이상데이터가 적게 레이블링 된 상황에 합성곱 신경망 기반 모델보다 더 적합하다고 판단할 수 있다.

후속연구

향후 연구로써, 제안한 모델의 파라미터를 최적화하여 분류 속도를 개선하는 방법을 고안할 예정이다. 제안한 그래프 기반 분류 방법은 스마트밸브와 같이 이상 탐지에 필요한 시스템에 적용될 수 있을 것으로 보인다.
5% 높은 성능을 보이는 것을 확인할 수 있었다. 향후 연구로써, 제안한 모델의 파라미터를 최적화하여 분류 속도를 개선하는 방법을 고안할 예정이다. 제안한 그래프 기반 분류 방법은 스마트밸브와 같이 이상 탐지에 필요한 시스템에 적용될 수 있을 것으로 보인다.

참고문헌 (13)

E. A. Shammer and A. T. Zahary, "The internet of things(IoT): A survey of techniques, operating systems, and trends," Library Hi Tech, vol. 38, no. 1, pp. 5-66, Apr. 2020. DOI: https://doi.org/10.1108/LHT-12-2018-0200

상세보기
Z. Gao, C. Cecati and S. X. Ding, "A survey of fault diagnosis and fault-tolerant techniques-part I: Fault diagnosis with model-based and signal-based approaches," IEEE Trans. Ind. Electron, vol. 62, no. 6, pp. 3757-3767, June 2015. DOI: https://doi.org/10.1109/TIE.2015.2417501.

상세보기
Y. Park, H. Lee, S. Kim, "Identify the failure mode of weapon system (or equipment) using machine learning," vol. 19, no. 8, pp. 64-70, Aug. 2018. DOI: https://doi.org/10.5762/KAIS.2018.19.8.64

원문보기 상세보기
M. Kim, J. H. Jung, J. U. Ko, H. B. Kong, J. Lee, and B. D. Youn, "Direct connection-based convolutional neural network (DC-CNN) for fault diagnosis of rotor systems," IEEE Access, vol. 8, pp. 172043-172056, Sept. 2020. DOI: https://doi.org/10.1109/ACCESS.2020.3024544.

상세보기
C. Li, J. Xiong, X. Zhu, Q. Zhang and S. Wang, "Fault diagnosis method based on encoding time series and convolutional neural network," IEEE Access, vol. 8, pp. 165232-165246, Sept. 2020. DOI: https://doi.org/10.1109/ACCESS.2020.3021007.

상세보기
D. Wang, J. Lee, S. Kim, M. Kim, and I. Lee, "Fault diagnosis of induction motor using an ensemble method of decision tree and multilayer neural network," Journal of KIIT, vol. 20, no. 3, pp. 47-55, Mar. 2022. DOI: https://doi.org/10.14801/jkiit.2022.20.3.47.

상세보기
A. Krizhevsky, I. Sutskever and G. E. Hinton, "ImageNet classification with deep convolutional neural networks," in Communications of the ACM., vol. 60, no. 6, pp. 84-90, June 2017. DOI: https://doi.org/10.1145/3065386

상세보기
H. Ismail Fawaz, et al., "Deep learning for time series classification: a review," Data min. knowl. disc., vol. 33, no. 4, pp. 917-963, Feb. 2019. DOI: https://doi.org/10.1007/s10618-019-00619-1.

상세보기
T. N. Kipf and M. Welling, "Semi-supervised classification with graph convolutional networks," 5th Int. Conf. on Learn. Represent. (ICLR), Toulon, France, Apr. 2017.
A. Micheli, "Neural network for graphs: A contextual constructive approach," IEEE Trans. Neural Netw., vol. 20, no. 3, pp. 498-511, Mar. 2009.

상세보기
J. Bruna, W. Zaremba, A. Szlam, and Y. LeCun, "Spectral net-works and locally connected networks on graphs," 2nd int. Conf. Learn. Represent. (ICLR), Apr. 2014.
L. Qiao, L. Zhang, S. Chen, and D. Shen, "Data-driven graph construction and graph learning: A review," Neurocomputing, vol. 312, pp.336-351, Oct. 2018.

상세보기
Case Western Reserve University Bearing Data Center. CRWU Dataset. Accessed: Apr. 8, 2022. [Online]. Available: http://csegroups.case.edu/bearingdatacenter/home

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증