[논문]소리 정보를 이용한 선로전환기의 스트레스 탐지

최용주; 이종욱; 박대희; 이종현; 정용화; 김희영; 윤석한

문제 정의

본 논문에서는 선로전환기의 소리정보를 이용하여, 선로전환기의 스트레스를 탐지하는 시스템을 제안하였다. 제안된 시스템은 다양한 소리 특징 정보들을 Frequency domain에서 초기 특징 집합으로 설정한 후, t-test를 이용하여 유의성을 확인하였다.
본 논문에서는 선로전환기의 작동 소리를 이용하여 선로전환기의 스트레스를 탐지하는 시스템을 제안한다. 제안된 시스템은 선로전환기의 스트레스 탐지문제를 이진 분류 문제로 해석하여 이진 분류기의 대표적인 모델인 SVM모델을 기반으로 한 구조로써, 정상 작동 소리와 스트레스가 쌓인 소리를 구분하여 미리 학습하고, 스트레스가 쌓인 소리가 실시간으로 탐지될 경우 선로전환기의 관리자에게 알람을 경고한다.

제안 방법

제안된 시스템은 다양한 소리 특징 정보들을 Frequency domain에서 초기 특징 집합으로 설정한 후, t-test를 이용하여 유의성을 확인하였다. 그리고 스트레스가 쌓인 소리를 탐지하기 위해 SVM을 이용하였다. 실제 테스트용 선로전환기에서 취득한 소리 정보 데이터 셋을 이용하여 본 논문에서 제안하는 소리정보를 이용한 선로전환기의 스트레스 탐지 성능을 실험적으로 검증하였다.
소리 특징을 이용한 선로전환기의 스트레스 탐지 실험은 스트레스가 없는 소리 100개와 스트레스가 쌓인 소리 200개의 소리데이터로 10-fold cross validation을 실시하였다. SVM의 상대적 중요성을 조정하는 상수(trade-off constant) C 값은 6.
그리고 스트레스가 쌓인 소리를 탐지하기 위해 SVM을 이용하였다. 실제 테스트용 선로전환기에서 취득한 소리 정보 데이터 셋을 이용하여 본 논문에서 제안하는 소리정보를 이용한 선로전환기의 스트레스 탐지 성능을 실험적으로 검증하였다.
실험에 사용한 데이터는, 스트레스가 없는 데이터 100개(윤활유를 칠한 상황), 스트레스가 쌓인 데이터 200개(얼음이 낀 상황 100개, 자갈이 낀 상황 100개) 총 300개이다. 실험 성능 측정을 위한 지표로는 SDR(Stress Detection Rate : 스트레스 상황 탐지율), FPR(False Positive Rate : 스트레스가 없는 소리가 스트레스가 있다고 오탐지된 비율), FNR(False Negative Rate : 스트레스가 있는 소리가 스트레스가 없는 소리로 오탐지된 비율)을 사용하였다.
본 논문에서는 선로전환기의 작동 소리를 이용하여 선로전환기의 스트레스를 탐지하는 시스템을 제안한다. 제안된 시스템은 선로전환기의 스트레스 탐지문제를 이진 분류 문제로 해석하여 이진 분류기의 대표적인 모델인 SVM모델을 기반으로 한 구조로써, 정상 작동 소리와 스트레스가 쌓인 소리를 구분하여 미리 학습하고, 스트레스가 쌓인 소리가 실시간으로 탐지될 경우 선로전환기의 관리자에게 알람을 경고한다. 제안된 시스템은 선로전환기의 노후화 여부를 조기 판단해서 예정된 사고를 사전에 예방하기 위해 선로전환기의 교체시기를 판별하는 유용한 정보로 사용될 것으로 기대된다.
취득한 선로전환기 작동 소리에서 소리 특징을 추출하기 위하여 Praat 6.0.05를 사용하여 Frequency domain 특징 48개를 추출하였다:

대상 데이터

소리는 선로전환기의 정중앙에서 수집하였으며, 기상상황은 약한 바람이 부는 0∼6℃의 환경이었다(그림 3 참조). 스트레스가 쌓인 상황을 인위적으로 만들기 위하여 얼음이 낀 상황과 자갈이 낀 상황을 모의실험하였고, 스트레스가 해소된 상황을 위하여 윤활유를 사용하여(그림 4 참조) 데이터를 수집하였다.
실험에 사용한 데이터는, 스트레스가 없는 데이터 100개(윤활유를 칠한 상황), 스트레스가 쌓인 데이터 200개(얼음이 낀 상황 100개, 자갈이 낀 상황 100개) 총 300개이다. 실험 성능 측정을 위한 지표로는 SDR(Stress Detection Rate : 스트레스 상황 탐지율), FPR(False Positive Rate : 스트레스가 없는 소리가 스트레스가 있다고 오탐지된 비율), FNR(False Negative Rate : 스트레스가 있는 소리가 스트레스가 없는 소리로 오탐지된 비율)을 사용하였다.
실험을 위한 소리 데이터는 대전광역시 유성구에 위치한 ㈜세화 연구소에서 마이크(Shure SM137)를 이용하여 소리를 수집하였다. 소리는 선로전환기의 정중앙에서 수집하였으며, 기상상황은 약한 바람이 부는 0∼6℃의 환경이었다(그림 3 참조).

데이터처리

1) 특징 추출 모듈에서는 스트레스 소리 탐지를 위한 중요한 소리 특징들을 선택하기 위하여 t-test를 이용하여 유의성이 확보된 특징들을 선택하여 특징 벡터로 생성한다.²⁾ 스트레스 상황 탐지 모듈에서는 미리 훈련을 마친 SVM을 기반으로, 실시간으로 유입되는 소리신호의 스트레스 탐지 여부를 판단한다.
본 논문에서는 선로전환기의 소리정보를 이용하여, 선로전환기의 스트레스를 탐지하는 시스템을 제안하였다. 제안된 시스템은 다양한 소리 특징 정보들을 Frequency domain에서 초기 특징 집합으로 설정한 후, t-test를 이용하여 유의성을 확인하였다. 그리고 스트레스가 쌓인 소리를 탐지하기 위해 SVM을 이용하였다.
특징 추출 모듈에서 t-test를 이용하여 통계적 유의성 여부를 확인하였으며, 그 결과는 다음과 같다.

이론/모형

소리 특징을 이용한 선로전환기의 스트레스 탐지 실험은 스트레스가 없는 소리 100개와 스트레스가 쌓인 소리 200개의 소리데이터로 10-fold cross validation을 실시하였다. SVM의 상대적 중요성을 조정하는 상수(trade-off constant) C 값은 6.0으로 고정하였고, 커널 함수는 PolyKernel을 사용하였다. 실험 결과는 표 1과 같으며, 선로전환기의 스트레스 상황 탐지율(SDR)은 95.

성능/효과

¹⁾ 특징 추출 모듈에서는 스트레스 소리 탐지를 위한 중요한 소리 특징들을 선택하기 위하여 t-test를 이용하여 유의성이 확보된 특징들을 선택하여 특징 벡터로 생성한다.²⁾ 스트레스 상황 탐지 모듈에서는 미리 훈련을 마친 SVM을 기반으로, 실시간으로 유입되는 소리신호의 스트레스 탐지 여부를 판단한다. 만약 실시간으로 유입되는 소리 신호가 스트레스 소리로 구분될 경우 이를 선로전환기 관리자에게 신속하게 통보함으로써 유지·보수 관리자에게 선로전환기 교체시기에 대한 정보를 제공한다.
0으로 고정하였고, 커널 함수는 PolyKernel을 사용하였다. 실험 결과는 표 1과 같으며, 선로전환기의 스트레스 상황 탐지율(SDR)은 95.0%, FPR과 FNR은 각각 4.0%, 5.8%라는 좋은 결과를 기록하였다.
즉, 3,100∼3,200Hz 주파수 대역에서 스트레스의 증가 현상을 쉽게 확인할 수 있다. 위 예비 실험 결과를 통해 소리 정보를 통해 스트레스에 따른 선로전환기 소리 분류의 가능성을 확인할 수 있다.

후속연구

제안된 시스템은 선로전환기의 스트레스 탐지문제를 이진 분류 문제로 해석하여 이진 분류기의 대표적인 모델인 SVM모델을 기반으로 한 구조로써, 정상 작동 소리와 스트레스가 쌓인 소리를 구분하여 미리 학습하고, 스트레스가 쌓인 소리가 실시간으로 탐지될 경우 선로전환기의 관리자에게 알람을 경고한다. 제안된 시스템은 선로전환기의 노후화 여부를 조기 판단해서 예정된 사고를 사전에 예방하기 위해 선로전환기의 교체시기를 판별하는 유용한 정보로 사용될 것으로 기대된다.

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

소리 정보를 이용한 선로전환기의 스트레스 탐지
Stress Detection of Railway Point Machine using Sound Analysis 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

소리 정보를 이용한 선로전환기의 스트레스 탐지 Stress Detection of Railway Point Machine using Sound Analysis 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

소리 정보를 이용한 선로전환기의 스트레스 탐지
Stress Detection of Railway Point Machine using Sound Analysis 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper