[논문]PXA255 기반 정전기 예측 임베디드 시스템 개발

변치남; 김강철

문제 정의

본 논문에서는 가장 이상적인 적용스텝은 스텝3과 스텝6이 적재적소 골고루 분포되면서, 우수한 결과를 얻는 것이 목표이다. 표를 보면 알 수 있듯이 PAD는 이상적인 적용 스텝에 가장 근사하면서 우수한 결과를 보였다.
본 논문에서는 정전기 센서로부터 입력된 데이터를 통계적으로 처리하여 폭발의 위험성이 있을 경우에 미리 경고 신호를 발생하여 공장 관리자에게 휴대폰으로 경고 메시지를 보내는 정전기 모니터링 임베디드 시스템을 개발한다. 본 논문은 이러한 기본적인 아이디어를 기반으로 제II장에서는 정전기 예측 알고리즘에 대하여 기초 알고리즘과 진보된 알고리즘에 대하여 논의할 것이다.
임베디드 시스템을 개발한다. 본 논문은 이러한 기본적인 아이디어를 기반으로 제II장에서는 정전기 예측 알고리즘에 대하여 기초 알고리즘과 진보된 알고리즘에 대하여 논의할 것이다. 제Ⅲ장에서는 정전기 제어 임베디드 시스템의 전반적인 구성에 대해 논의한다.
표2에서는 각 시뮬레이션의 상승 곡선에 대한 표준 편차를 보여준다. 우리는 정전기 폭발곡선 중 상승곡선에 대한 유사도를 고려하기 때문에 상승 곡선에 대한 표준편차에 대해 고려하였다.

가설 설정

원본데이터와 예측 결과 값에 대한 유사도를 측정하기위해 표준편차를 이용하였다. 본 논문에서는 정전기 폭발 곡선과 예측 상승 곡선의 유사도만 고려한다.

제안 방법

9개, 6개, 3개의 표본 데이터를 사용하는 최소자승법을 전 시간영역에 대하여 각각 모의실험을 수행하여 1초 후 정전기 크기를 예측하였다. 그림1은 least square methods] 흐름도이다尸지
본 논문에서는 최초 3, 6, 9개의 연산에 사용될 연산샘플 개수를 이용하여 시뮬레이션 하였다. 연산에 사용될 연산샘플 개수를 고정적으로 실험한 방법은 3개, 6개, 9개를 각각 고정하여 시뮬레이션 하였다.
PC측과 예측 시스템은 RS232C 통신 케이블로 연결 되어있다. 예측 시스템은 내부적으로 RS232U 인터페이스가 완전하게 구성 되어 있지 않으므로, RS232C Drivei를 추가적으로 결합시켰다. PC측과 예측 시스템은 PC 측의 serial 포트에서 RS232C 케이블을 거쳐 예측시스템의 RS232C Driver, 예측 시스템 serial 포트를 통하여 예측 프로그램과 연결된다.
예측 알고리즘은 최소자승법을 기초로 데이터의 변화폭에 따라 최소자승법에 사용되는 표본 데이터의 수를 변화시키는 새로운 기법을 사용하였다. 9개, 6개, 3개의 표본 데이터를 사용하는 최소자승법을 전 시간영역에 대하여 각각 모의실험을 수행하여 1초 후 정전기 크기를 예측하였다.
바탕으로 예측하게 된다. 예측된 데이터는 다시 시리얼 통신을 이용하여 블루투스 무선 통신을 통하여 단계별 위험 경고 종류를 모니터링시스템으로 전송한다.
예측알고리즘은 최소자승법을 기초로 9, 6, 3개의 표본 데이터를 사용하는 최소자승법을 전 시간 영역에 대하여 각각 모의실험을 수행하여 1초 후 정전기 크기를 예측하였다. 시뮬레이션 결과 6 개가 가장 근사한 폭발 곡선을 보였고, 각 부분별로 예측 하였을 때 3개는 변화율이 심하여 순간 증폭되는 구간에 적합했고, 6개는 3개보다는 좀 더 완만한 경사에, 9개는 기울기가 거의 없는 부분에 적합했다.
제안알고리즘 PAD(비교차이 알고리즘)는 기존 최소자승법 방식이 연산에 사용될 연산샘플 개수에 따라 폭발 곡선의 유사도가 달랐다는 것을 착안하여 현재의 값과 진행 되는 다음 값의 차이를 계산하여 차이값 200을 기준으로 200보다 크면 연산 데이터 개수 3개를 이용하여 예측하고, 200 이하이면 연산 데이터 개수 6개를 이용하여 스텝을 동적으로 교체하여 1초 후 폭발 곡선을 예측한다.
지금까지 표본데이터 개수와 표본데이터 차이 알고리즘으로 시뮬레이션 하였다. 표2에서는 각 시뮬레이션의 상승 곡선에 대한 표준 편차를 보여준다.

대상 데이터

시뮬레이션 결과 6 개가 가장 근사한 폭발 곡선을 보였고, 각 부분별로 예측 하였을 때 3개는 변화율이 심하여 순간 증폭되는 구간에 적합했고, 6개는 3개보다는 좀 더 완만한 경사에, 9개는 기울기가 거의 없는 부분에 적합했다. 본 논문에서는 정전기의 양이 갑작스런 증가로 인한 폭발 위험을 예측 하는 부분이므로, 상승 구간을 대상으로 예측을 고려하였으며, 이하 각 모의실험에서는 예측 상승 구간 61-106을 기준으로 한다.
연산에 사용될 연산샘플 개수를 고정적으로 실험한 방법은 3개, 6개, 9개를 각각 고정하여 시뮬레이션 하였다. 예측 상승 구간 61~106을 기준으로 위 3가지 중 가장 월등한 성능을 보이는 데이터의 개수 3개를 우선 선택하였다.
연산에 사용될 연산샘플 개수를 고정적으로 실험한 방법은 3개, 6개, 9개를 각각 고정하여 시뮬레이션 하였다. 예측 상승 구간 61~106을 기준으로 위 3가지 중 가장 월등한 성능을 보이는 데이터의 개수 3개를 우선 선택하였다. 연산 데이터의 개수 3개와 실제 데이터 곡선을 비교해 보았지만, 다소 차이가 많았다.

데이터처리

앞에서 언급한 바와 같이 연산 데이터의 개수가 단지 적어서 빨리 원본데이터를 예측한 것처럼 보이지만, 동일한 데이터가 아닌 변화율이 심한 데이터라면 예측되는 값은 상당히 불안정한 상태를 가지게 된다. 원본데이터와 예측 결과 값에 대한 유사도를 측정하기위해 표준편차를 이용하였다. 본 논문에서는 정전기 폭발 곡선과 예측 상승 곡선의 유사도만 고려한다.

성능/효과

데이터가 동일한 값이 계속될 때 2스텝 후 동일한 예측 하였지만, 변화율이 심한 데이터에 대한 값에 대해서는 2스텝 이후에도 계속해서 원본과 비교하여 많은 차이가 있음을 알 수 있었다. 또, 동일한 데이터에서 매우 정확한 정밀도를 나타냈다 하더라도 쉽게 단정해서는 안 된다.
일정 부분에서는 거의 정확하게 예측을 하지만, 다른 부분에서는 다소 차이가 심했다. 데이터의 개수에 따라 예측 결과의 차이가 있었고, 그 결과들은 각각 3개, 6 개의 일정 부분에서 정확한 예측 결과를 보였다.
변화율이 심한 데이터에서도 스텝3보다 다소 늦은 진행을 보였으며, 전체적인 표준편차는 스텝 3이 성능이 더 좋은 결과를 보이고 있다. 하지만 스텝 3은 굴곡이 심하고 입력 값의 변화가 거의 없다면 좋은 결과를 보이나, 입력값의 변화율이 다소 많이 차이가 난다면 격차가 심한 불안정한 곡선의 형태를 보인다.
크기를 예측하였다. 시뮬레이션 결과 6 개가 가장 근사한 폭발 곡선을 보였고, 각 부분별로 예측 하였을 때 3개는 변화율이 심하여 순간 증폭되는 구간에 적합했고, 6개는 3개보다는 좀 더 완만한 경사에, 9개는 기울기가 거의 없는 부분에 적합했다. 본 논문에서는 정전기의 양이 갑작스런 증가로 인한 폭발 위험을 예측 하는 부분이므로, 상승 구간을 대상으로 예측을 고려하였으며, 이하 각 모의실험에서는 예측 상승 구간 61-106을 기준으로 한다.
지금까지 우리는 표본데이터 3개, 6개 , 9개를 사용했으며, PAD가 가장 좋은 결과를 보였다. 표본 데이터를 1초로 정한 상태에서 시뮬레이션 하면 전체적인 유사도는 3개가 가장 좋았고, 6개, 9개 순이었다.
얻는 것이 목표이다. 표를 보면 알 수 있듯이 PAD는 이상적인 적용 스텝에 가장 근사하면서 우수한 결과를 보였다.
근접하는데 다소 늦다. 표본 데이터 9개는 표본 데이터 3개와 반대로 입력 데이터 값의 변화에 따른 평균 변화가 적어서 동일한 데이터에서나 변화율이 심한 데이터 에서도 예측이 늦어지는 것을 알 수 있었다. 스텝9는 스텝6에 비해 더 부드러운 곡선을 나태내지만 표준편차에서 유사도가 다소 떨어지는 것을 볼 수 있었다.
원본 데이터양이 적을수록 단편적인 데이터만을 이용하여 시뮬레이션 하기 때문에 이론상의 예측과는 동떨어진 결과를 예측할 우려가 있기 때문이다. 표본 데이터들이 단편적일수록 표본 데이터 3개를 이용한 시뮬레이션이 가장 좋은 유사도를 나타냈다- 데이터가 단편적이지 않고 계속 연계성이 있는 데이터라면 표본 데이터 개수는 3개보다 더 많은 표본 데이터 개수에서 더 좋은 결과를 보일 것이다.
표본 데이터를 1초로 정한 상태에서 시뮬레이션 하면 전체적인 유사도는 3개가 가장 좋았고, 6개, 9개 순이었다. PAD에서 사용될 수 있는 것은 표본 데이터 3개와 6개의 방법을 선택 하였다.
즉 서로 단점을 보상 해줄 수 있는 형태라는 것이다. 표본데이터 9개는 6개와 차이가 심하므로 보상해 줄 수 있는 부분이 극히 드물기 때문에 좋은 예측 결과를 얻어 내지 못했고, 표본데이터 3개와 6개를 적절히 혼합한 PAD가 가장 좋은 실험 결과를 보였다.

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

PXA255 기반 정전기 예측 임베디드 시스템 개발
Electrostatic Prediction Embedded System based on PXA255 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

성능/효과

이 논문을 인용한 문헌

연구과제 타임라인

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

PXA255 기반 정전기 예측 임베디드 시스템 개발 Electrostatic Prediction Embedded System based on PXA255 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

성능/효과

이 논문을 인용한 문헌

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

PXA255 기반 정전기 예측 임베디드 시스템 개발
Electrostatic Prediction Embedded System based on PXA255 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper