[논문]잡음 환경에서 선로 전환기 이상 상황 탐지

최용주; 이종욱; 박대희; 정용화

문제 정의

본 논문에서는 소리 정보에 포함된 다양한 잡음의 영향을 감소시키기 위하여, 소리 시그널 자체에서 잡음을 제어할 수 있는 SEGAN 방법론을 도입하였다. 또한, SEGAN에 의해 잡음이 개선된 소리 시그널을 활용하여, 선로 전환기의 이상 상황을 CNN 기법을 활용하여 식별하는 구조를 제안하였다.
본 논문에서는 원시 데이터 소리를 다른 형태의 정보로 변형하는 것이 아닌 소리 시그널 자체에서 잡음을 제어하는 방법을 사용한 후, 잡음이 제어된 소리 데이터를 CNN에 입력하여 이상 상황을 식별하고자 한다. 이 때, 원본 신호에서 잡음을 제어하기 위하여 Pascual 등[7]이 제안한 SEGAN(Speech Enhancement Generative Adversarial Network) 모델을 활용한다.

제안 방법

본 논문에서는 소리 정보에 포함된 다양한 잡음의 영향을 감소시키기 위하여, 소리 시그널 자체에서 잡음을 제어할 수 있는 SEGAN 방법론을 도입하였다. 또한, SEGAN에 의해 잡음이 개선된 소리 시그널을 활용하여, 선로 전환기의 이상 상황을 CNN 기법을 활용하여 식별하는 구조를 제안하였다. 테스트 환경에서 수집한 소리 데이터를 활용하여 본 시스템을 검증한 결과, 잡음 상황에서도 안정적으로 선로 전환기의 이상 상황을 식별함을 검증하였다.
또한, 데이터 수집 시 발생했던 새 소리(bird chirping), 헬리콥터 소리(helicopter), 바람 소리(wind), 빗소리(rain)를 선로 전환기의 운행 시 발생할 수 있는 환경 잡음으로 설정하였으며, 인위적인 백색 잡음(SNR:Sound to Noise Ratio: 18, 15, 12, 9, 6, 3, 0dB)을 잡음이 없는 신호에 합성하여 잡음 데이터를 준비하였다. 수집한 환경 잡음들에 대한 기초 통계표는 표 1과 같으며, SNR 값은 수치가 작을수록 잡음의 세기가 강해짐을 의미하다.
선로 전환기 이상 상황 분류기의 계층 구조는 12개의 convolutional 계층과 1개의 fully connected 계층으로 구성되며 모든 계층에서 커널의 크기는 1×31로 고정, 커널의 개수는 {32, 64, 64, 128, 128, 256, 256, 512, 512, 1024, 2048, 1}로 설정하였다. 마지막 계층의 활성 함수로는 소프트맥스(softmax) 함수를 사용하여 분류기에 입력된 소리 정보를 식별할 수 있도록 설계하였다.
본 논문에서 제안하는 시스템을 검증하기 위해, 선로 전환 시 발생하는 소리를 수집한 후, 해당 데이터를 이용하여 잡음 제어를 위한 SEGAN 및 이상 상황 식별을 위한 CNN 모델을 학습하였으며, 실험은 Ubuntu 16.04, TensorFlow 0.12.1 환경에서 진행하였다. 모델 학습은 백색 잡음(SNR 18, 12, 6, 0)과 환경 잡음(weak footsteps, radio operation, strong footsteps, door opening)을 이용한, 총 8가지 잡음 상황을 추가한 데이터 4,704(588개 × 8가지 잡음 상황)개를 이용하였다.
본 논문에서 제안하는 잡음 환경에서 잡음을 제어한 후 선로 전환기의 이상 상황을 식별하는 시스템의 기본 구조는 다음 그림 1과 같으며, 소리 원본 시그널에서 잡음을 제어하기 위한 SEGAN은 최용주 등[8]이 발표한 구조를 활용하였다.
선로 전환 시 발생하는 음향 이벤트의 클래스를 분류하기 위하여, 잡음이 없는 깨끗한 신호 588개를 기반으로 그림 2의 분류기를 학습하였고, 학습을 위한 파라미터는 분류기 학습률: 0.0001, batch size: 100, Leaky ReLU(alpha = 0.2), dropout 비율: 50%, 신경망 전체 노드의 초기화는 Xavier 함수를 이용했으며, 전체 학습 횟수는 50,000회로 설정하였다.
제안하는 시스템의 분류기 성능 테스트는 학습에 사용되지 않은 백색 잡음 데이터(SNR 18, 15, 12, 9, 6, 3, 0)와 실제 환경 잡음 데이터(bird chirping, helicopter, wind, rain)가 합성된 데이터(588개 × 11가지 잡음 상황 =6,468)를 생성자에 입력한 후, 잡음이 제거된 음향 신호를 분류기에 전달하여 분류 성능을 확인하였으며, f1-score를 음향 이벤트 분류 성능을 정량적으로 평가하기 위한 성능 지표로 사용하였다. F1-score는 precision과 recall의 조화 평균으로 계산[10]되며, f1-score는 1에 가까울수록 식별 성능이 좋음을 의미한다.

대상 데이터

1 환경에서 진행하였다. 모델 학습은 백색 잡음(SNR 18, 12, 6, 0)과 환경 잡음(weak footsteps, radio operation, strong footsteps, door opening)을 이용한, 총 8가지 잡음 상황을 추가한 데이터 4,704(588개 × 8가지 잡음 상황)개를 이용하였다. SEGAN을 학습할 때 사용한 하이퍼 파라미터 설정값은 최용주 등[8]의 연구 결과를 사용하였으며, 잡음이 제거된 정도를 정량적인 수치로 확인하기 위하여 PESQ(Perceptual Evaluation of Speech Quality)를 사용하였다.
선로 전환기가 작동 시 발생하는 음향 신호를 선로 전환기에서 약 1m 떨어진 정중앙에서 마이크(SHURE SM137)를 활용했으며, 기상 상황은 약한 바람이 부는 0∼6℃의 환경이었다. 본 실험에서는 선로 전환기에 자갈 또는 얼음이 낀 경우와 나사가 풀어진 경우를 이상 상황으러 설정한 후 데이터를 수집하였다. 수집한 음향 이벤트는 잡음이 섞이지 않은 총 588개이며, 정상(normal) 이벤트 150개, 선로에 자갈이 낀(gravel) 이벤트 142개, 선로에 얼음이 낀(ice-covered) 이벤트 141개, 그리고 선로 전환기에 나사가 풀린(unscrewed) 이벤트 155개이다.
실험에 사용한 데이터는 2016년 1월 1일, ㈜세화 연구소(대전시 유성구)에서 수집하였으며, 수집환경은 다음과 같다. 선로 전환기가 작동 시 발생하는 음향 신호를 선로 전환기에서 약 1m 떨어진 정중앙에서 마이크(SHURE SM137)를 활용했으며, 기상 상황은 약한 바람이 부는 0∼6℃의 환경이었다. 본 실험에서는 선로 전환기에 자갈 또는 얼음이 낀 경우와 나사가 풀어진 경우를 이상 상황으러 설정한 후 데이터를 수집하였다.
본 실험에서는 선로 전환기에 자갈 또는 얼음이 낀 경우와 나사가 풀어진 경우를 이상 상황으러 설정한 후 데이터를 수집하였다. 수집한 음향 이벤트는 잡음이 섞이지 않은 총 588개이며, 정상(normal) 이벤트 150개, 선로에 자갈이 낀(gravel) 이벤트 142개, 선로에 얼음이 낀(ice-covered) 이벤트 141개, 그리고 선로 전환기에 나사가 풀린(unscrewed) 이벤트 155개이다. 수집한 음향 이벤트들은 소리 파형을 보고 수작업으로 편집하였으며, 4.
실험에 사용한 데이터는 2016년 1월 1일, ㈜세화 연구소(대전시 유성구)에서 수집하였으며, 수집환경은 다음과 같다. 선로 전환기가 작동 시 발생하는 음향 신호를 선로 전환기에서 약 1m 떨어진 정중앙에서 마이크(SHURE SM137)를 활용했으며, 기상 상황은 약한 바람이 부는 0∼6℃의 환경이었다.

이론/모형

모델 학습은 백색 잡음(SNR 18, 12, 6, 0)과 환경 잡음(weak footsteps, radio operation, strong footsteps, door opening)을 이용한, 총 8가지 잡음 상황을 추가한 데이터 4,704(588개 × 8가지 잡음 상황)개를 이용하였다. SEGAN을 학습할 때 사용한 하이퍼 파라미터 설정값은 최용주 등[8]의 연구 결과를 사용하였으며, 잡음이 제거된 정도를 정량적인 수치로 확인하기 위하여 PESQ(Perceptual Evaluation of Speech Quality)를 사용하였다. PESQ는 국제 전기 통신 연합(ITU)의 P.
본 논문에서는 원시 데이터 소리를 다른 형태의 정보로 변형하는 것이 아닌 소리 시그널 자체에서 잡음을 제어하는 방법을 사용한 후, 잡음이 제어된 소리 데이터를 CNN에 입력하여 이상 상황을 식별하고자 한다. 이 때, 원본 신호에서 잡음을 제어하기 위하여 Pascual 등[7]이 제안한 SEGAN(Speech Enhancement Generative Adversarial Network) 모델을 활용한다. 제안된 시스템을 검증하기 위하여, 잡음이 발생하는 상황을 고려하여 선로 전환기 관련 소리 데이터를 수집하였으며, 잡음에도 강인하게 선로 전환기의 이상 상황을 식별할 수 있음을 모의실험을 진행하여 확인하였다.

성능/효과

이 때, 원본 신호에서 잡음을 제어하기 위하여 Pascual 등[7]이 제안한 SEGAN(Speech Enhancement Generative Adversarial Network) 모델을 활용한다. 제안된 시스템을 검증하기 위하여, 잡음이 발생하는 상황을 고려하여 선로 전환기 관련 소리 데이터를 수집하였으며, 잡음에도 강인하게 선로 전환기의 이상 상황을 식별할 수 있음을 모의실험을 진행하여 확인하였다.
또한, SEGAN에 의해 잡음이 개선된 소리 시그널을 활용하여, 선로 전환기의 이상 상황을 CNN 기법을 활용하여 식별하는 구조를 제안하였다. 테스트 환경에서 수집한 소리 데이터를 활용하여 본 시스템을 검증한 결과, 잡음 상황에서도 안정적으로 선로 전환기의 이상 상황을 식별함을 검증하였다.

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

잡음 환경에서 선로 전환기 이상 상황 탐지
Abnormal Detection of Railway Point-Machine Under Noise Conditions 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

잡음 환경에서 선로 전환기 이상 상황 탐지 Abnormal Detection of Railway Point-Machine Under Noise Conditions 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

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

잡음 환경에서 선로 전환기 이상 상황 탐지
Abnormal Detection of Railway Point-Machine Under Noise Conditions 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper