선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
제안 방법
- 각각의 DATA에서 공통된 특징인 시간을 기준으로 DATA를 정리하였으며, 시간을 동일하게 통일하기 위하여 DATA 중 시간적 범위가 가장 큰 DATA를 기준으로 통합을 실시하였다.
- 다음으로는 공장설비에서 수집된 DATA의 종류이다. 공장 설비에서 수집된 DATA는 별도의 센서를 장착하여, 수집하였으며 누적전력량을 1분단 위로 수집하였다.
- 기상정보 DATA는 기상청으로부터 받았으며, 다양한 DATA 값 중 일시, 기온, 풍속, 풍향, 습도, 증기압, 이슬점 온도, 현지 기압, 일조, 일사, 시정 지면 온도를 이용하였다.
- 본 논문의 학습을 위해 DATA를 수집하고 가공이 필요하였다. 먼저 DATA의 경우는 실제 공장 공정에서 수집한 분 단위 누적 적력량과 기상청에서 제공하는 날씨 DATA를 이용하였다.
- 본 논문의 학습을 위해 DATA를 수집하고 가공이 필요하였다. 먼저 DATA의 경우는 실제 공장 공정에서 수집한 분 단위 누적 적력량과 기상청에서 제공하는 날씨 DATA를 이용하였다.
- 변수의 값을 어떻게 넣고 학습을 시키느냐에 따라 예측값의 변화가 뚜렷하게 보였다. 이번 연구에서는 변수의 값 중 학습률 값을 중점적으로 변경하여 결과를 확인하였다.
- 전력사용량의 경우 DATA의 성질이 시간의 흐름에 따라 변화가 있으며, 시간의 흐름에 종속적인 성격을 가지고 있어, RNN 방식의 알고리즘을 채택하였다. 이와 더불어 수집된 DATA가 한 공장의 DATA를 기준으로 수집된 DATA이므로 장기 의존성 문제를 보완한 장단기 기억 네트워크 LSTM 구조를 선택하여, 학습시켰다.[2]
- 저장된 DATA를 바탕으로 파서를 구성하여 Tensorflow 에서 제공하는 모듈을 사용하기 위하여 DATA를 분류하였으며, LSTM에 넣어 학습을 시킬 수 있는 형태로 변형하였다.
대상 데이터
- 공장에서 수집된 전력량 DATA의 경우 10개의 수집 장비를 통하여 수집되었으며, 1번~10번까지(A02A2R01U1 ~ A02A2R10U1) 생산장비의 분당 전력량을 수집하였다.
- 본 실험은 Linux 4.15.0.62-generic 버전, x86 계열의 64비트 운영체제 CPU는 인텔 i7- 5820K 3.30GHz 메모리 용량은 16GB SDD는 500GB 환경에서 실험하였으며, 학습을 위한 Python 버전 3.5.2 Tensorflow 번전 1.14.0 keras 버전은 2.2.4에서 실험을 진행하였다.
- 통합 DATA의 경우 2019년 01월 10일 00시 ~ 2019년 05월 31일 22시까지 DATA를 이용하였다.
이론/모형
- 전력사용량의 경우 DATA의 성질이 시간의 흐름에 따라 변화가 있으며, 시간의 흐름에 종속적인 성격을 가지고 있어, RNN 방식의 알고리즘을 채택하였다. 이와 더불어 수집된 DATA가 한 공장의 DATA를 기준으로 수집된 DATA이므로 장기 의존성 문제를 보완한 장단기 기억 네트워크 LSTM 구조를 선택하여, 학습시켰다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.