$\require{mediawiki-texvc}$

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.

선로전환기 전류 패턴의 분류
Classification of Current Patterns in Electrical Point Machine 원문보기

한국정보처리학회 2016년도 추계학술발표대회, 2016 Oct. 27, 2016년, pp.667 - 670  

최윤창 (고려대학교 컴퓨터정보학과) ,  사재원 (고려대학교 컴퓨터정보학과) ,  김희곤 (고려대학교 컴퓨터정보학과) ,  정용화 (고려대학교 컴퓨터정보학과) ,  김희영 (고려대학교 응용통계학과) ,  박대희 (고려대학교 컴퓨터정보학과) ,  윤석한 ((주)세화)

초록
AI-Helper 아이콘AI-Helper

최근 철도는 다양한 분야에서 사용됨에 따라 그 중요성이 점차 증가하고 있다. 따라서 철도의 안전한 주행을 위하여 철도를 구성하는 요소 관리 역시 중요하다. 철도를 구성하는 요소 중 열차의 진행 방향을 결정하는 선로전환기의 비정상 상황 탐지는 열차의 탈선 등과 같은 대형 사고를 예방하기 위해 매우 중요한 문제이다. 본 논문에서는 Fast Shapelets 알고리즘을 이용하여 선로전환기의 전류 패턴을 분류할 수 있는 방법을 제안한다. 실험 결과, Fast Shapelets 알고리즘을 이용하여 선로전환기의 전류 패턴들을 자동으로 분류할 수 있음을 확인하였다.

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 그러나 선로전환기의 고장 진단은 많은 인력을 필요로 하며, 교체 시기 분석은 매우 어려운 문제이다. 본 논문에서는 Fast Shapelets 알고리즘을 선로전환기의 전류 데이터에 적용함으로써 전류 패턴을 자동 분류하는 방법을 제안하였다.
  • 본 논문에서는 선로전환기로부터 획득한 전류 데이터에 Fast Shapelets 알고리즘을 적용하여 선로전환기의 전류 패턴을 자동으로 분류할 수 있는 방법을 제안한다. 즉, 전류 데이터에 Fast Shapelets 알고리즘을 적용하여 학습하고, 학습된 데이터를 이용하여 새로운 전류 데이터의 패턴을 자동으로 분류하는 기법을 제안한다.
  • SAX 알고리즘을 적용하여 시계열 데이터를 근사화한 후, 생성된 SAX Word를 이용하여 shapelet을 학습함으로써 기존의 Shapelets 알고리즘과 정확도는 유사하지만 수행속도 측면에서 우수한 성능을 가진 알고리즘이다. 본 논문에서는 학습 시간이 빠른 Fast Shapelets 알고리즘을 적용하여 선로전환기의 전류 패턴을 분류하는 실험을 진행하였다.
본문요약 정보가 도움이 되었나요?

관련 콘텐츠

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