[논문]CNN을 이용한 선로전환기의 이상상황 탐지

이종욱; 노병준; 박대희; 정용화; 윤석한

문제 정의

본 논문에서는 선로전환 시 발생하는 비정상 상황을 소리 정보를 이용하여 탐지하는 시스템을 제안하였다. 제안된 시스템은 먼저 실시간으로 유입되는 소리로부터 PSD 특징 정보를 추출한다.
본 논문에서는 선로전환기의 상태를 분석하기 위하여, 소리센서(SHURE SM137)를 선로 전환기의 전면에 위치시킨 후 선로전환기가 전환을 수행할 때 발생하는 소리를 수집하였다. 실제, 2016년 1월 1일 하루 동안 대전 유성구의 ㈜세화에 위치한 선로전환기(NS-AM 형)에서 다양한 상황에 대한 데이터 셋을 취득하였다.
본 논문에서는 선로전환기의 작동 시 취득한 소리의 변화를 이용하여 선로전환기의 이상상황을 탐지하는 시스템을 제안한다. 제안된 시스템은 먼저, 선로전환기의 작동 시 취득한 소리에서, 주파수에 대한 스펙트럼의 변화율을 취득할 수 있는 PSD 특징정보를 추출한다.

제안 방법

PSD 값은 Matlab을 이용하여 취득하였으며,CNN은 최근 구글(Google)사에서 개발한 오픈소스 기계학습 엔진인 TensorFlow[3]를 활용하여 구조를 설계하고 실험을 진행하였다. CNN 구조에 사용한 옵션들은 Max pooling, dropout 비율은 20%, 학습률은 0.003, Activation 함수는 Rectified Linear Unit, 400회 반복 그리고 초기 연결 노드는 랜덤값으로 설정하였다.
추출된 특징은 이상상황 탐지문제를 최근 각광을 받고 있는 딥러닝의 대표적인 모델인 CNN에 입력하여 비정상상황을 탐지한다. 이를 위하여, 정상 작동 소리와 이상상황 소리의 PSD 특징정보를 이용하여 CNN을 미리 학습하고, 이상상황이 발생한 소리가 실시간으로 탐지될 경우 선로전환기의 관리자에게 이상상황이 발생했음을 알린다. 제안된 시스템은 선로전환기의 이상상황을 조기 판단하여, 열차의 탈선 등과 같은 사건을 사전에 예방하기 위한 유용한 정보로 사용될 것으로 기대된다.
본 논문에서는 선로전환 시 발생하는 비정상 상황을 소리 정보를 이용하여 탐지하는 시스템을 제안하였다. 제안된 시스템은 먼저 실시간으로 유입되는 소리로부터 PSD 특징 정보를 추출한다. 추출된 PSD는 딥러닝의 대표적인 모델인 CNN에 적용하여 선로전환기의 비정상 상황을 탐지하였다.
본 논문에서는 선로전환기의 작동 시 취득한 소리의 변화를 이용하여 선로전환기의 이상상황을 탐지하는 시스템을 제안한다. 제안된 시스템은 먼저, 선로전환기의 작동 시 취득한 소리에서, 주파수에 대한 스펙트럼의 변화율을 취득할 수 있는 PSD 특징정보를 추출한다. 추출된 특징은 이상상황 탐지문제를 최근 각광을 받고 있는 딥러닝의 대표적인 모델인 CNN에 입력하여 비정상상황을 탐지한다.
제안된 시스템은 먼저 실시간으로 유입되는 소리로부터 PSD 특징 정보를 추출한다. 추출된 PSD는 딥러닝의 대표적인 모델인 CNN에 적용하여 선로전환기의 비정상 상황을 탐지하였다. 실제 NS-AM 형의 선로전환기에서 소리 정보를 취득하여 실험을 수행한 결과, 본 논문에서 제안하는 PSD 및 CNN 기반의 선로전환기 이상상황 탐지 시스템의 성능이 안정적임을 확인하였다.
제안된 시스템은 먼저, 선로전환기의 작동 시 취득한 소리에서, 주파수에 대한 스펙트럼의 변화율을 취득할 수 있는 PSD 특징정보를 추출한다. 추출된 특징은 이상상황 탐지문제를 최근 각광을 받고 있는 딥러닝의 대표적인 모델인 CNN에 입력하여 비정상상황을 탐지한다. 이를 위하여, 정상 작동 소리와 이상상황 소리의 PSD 특징정보를 이용하여 CNN을 미리 학습하고, 이상상황이 발생한 소리가 실시간으로 탐지될 경우 선로전환기의 관리자에게 이상상황이 발생했음을 알린다.

대상 데이터

선로전환기의 비정상상황을 탐지하기 위한 CNN 구조를 설계하기 위하여, 학습 데이터는 정상 150개, 비정상 420개에서 각각 50%를 사용하였으며, 테스트 데이터는 학습데이터에 사용하지 않은 나머지 50%를 이용하였다. 설정된 CNN 구조는 입력 계층, CNN 계층{Convolutionallayer, Pooling layer}, Fully-Connected 계층, 출력 계층으로 구성되며, 실제 실험에 사용한 구조는 그림 2와 같다.
선로전환기의 소리에서 추출한 PSD 행렬은 소리 데이터의 길이가 다르기 때문에 512 × 465부터 512 × 512 등의 크기로 추출되었으며, 추후 CNN에 입력 특징으로 사용하기 위하여 128 × 128 사이즈로 조정한 후 입력 데이터로 사용하였다.
선로전환기의 비정상상황을 탐지하기 위한 CNN 구조를 설계하기 위하여, 학습 데이터는 정상 150개, 비정상 420개에서 각각 50%를 사용하였으며, 테스트 데이터는 학습데이터에 사용하지 않은 나머지 50%를 이용하였다. 설정된 CNN 구조는 입력 계층, CNN 계층{Convolutionallayer, Pooling layer}, Fully-Connected 계층, 출력 계층으로 구성되며, 실제 실험에 사용한 구조는 그림 2와 같다.
본 논문에서는 선로전환기의 상태를 분석하기 위하여, 소리센서(SHURE SM137)를 선로 전환기의 전면에 위치시킨 후 선로전환기가 전환을 수행할 때 발생하는 소리를 수집하였다. 실제, 2016년 1월 1일 하루 동안 대전 유성구의 ㈜세화에 위치한 선로전환기(NS-AM 형)에서 다양한 상황에 대한 데이터 셋을 취득하였다.
실험에 사용하기 위해 소리의 시그널 및 스펙트로그램을 확인한 후 수동으로 편집하였으며, 각각의 소리 데이터는 약 4.5∼5.5초로 구성되었다.
5초로 구성되었다. 정상적인 데이터 150개,비정상 데이터 420개{나사가 풀어진 경우: 140, 자갈이 있는 경우: 140, 얼음 조각이 있는 경우: 140}, 총 580개를 이용하였다.

이론/모형

선로전환기의 소리에서 추출한 PSD 행렬은 소리 데이터의 길이가 다르기 때문에 512 × 465부터 512 × 512 등의 크기로 추출되었으며, 추후 CNN에 입력 특징으로 사용하기 위하여 128 × 128 사이즈로 조정한 후 입력 데이터로 사용하였다. PSD 값은 Matlab을 이용하여 취득하였으며,CNN은 최근 구글(Google)사에서 개발한 오픈소스 기계학습 엔진인 TensorFlow[3]를 활용하여 구조를 설계하고 실험을 진행하였다. CNN 구조에 사용한 옵션들은 Max pooling, dropout 비율은 20%, 학습률은 0.

성능/효과

설정된 CNN구조에 테스트 데이터를 적용한 결과, 이상 상황과 정상상황에 대한 탐지 정확도(accuracy)는 96.48%라는 안정적인 결과를 기록하였다.
추출된 PSD는 딥러닝의 대표적인 모델인 CNN에 적용하여 선로전환기의 비정상 상황을 탐지하였다. 실제 NS-AM 형의 선로전환기에서 소리 정보를 취득하여 실험을 수행한 결과, 본 논문에서 제안하는 PSD 및 CNN 기반의 선로전환기 이상상황 탐지 시스템의 성능이 안정적임을 확인하였다.

후속연구

이를 위하여, 정상 작동 소리와 이상상황 소리의 PSD 특징정보를 이용하여 CNN을 미리 학습하고, 이상상황이 발생한 소리가 실시간으로 탐지될 경우 선로전환기의 관리자에게 이상상황이 발생했음을 알린다. 제안된 시스템은 선로전환기의 이상상황을 조기 판단하여, 열차의 탈선 등과 같은 사건을 사전에 예방하기 위한 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

CNN을 이용한 선로전환기의 이상상황 탐지
Anomaly Detection of Railway Point Machine using CNN 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

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

CNN을 이용한 선로전환기의 이상상황 탐지 Anomaly Detection of Railway Point Machine using CNN 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

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

CNN을 이용한 선로전환기의 이상상황 탐지
Anomaly Detection of Railway Point Machine using CNN 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper