S-MTS를 이용한 강판의 표면 결함 진단

김준영; 차재민; 신중욱; 염충섭

추천

검색

질문

자료유형: 학술저널

저자정보: 김준영 (고등기술연구원) 차재민 (고등기술연구원) 신중욱 (고등기술연구원) 염충섭 (고등기술연구원)

저널정보: 한국지능정보시스템학회 지능정보연구 지능정보연구 제23권 제1호

발행연도: 2017.3

수록면: 47 - 67 (21page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

강판 표면 결함은 강판의 품질과 가격을 결정하는 중요한 요인 중 하나로, 많은 철강 업체는 그동안 검사자의 육안으로 강판 표면 결함을 확인해왔다. 그러나 시각에 의존한 검사는 통상 30% 이상의 판단 오류가 발생함에 따라 검사 신뢰도가 낮은 문제점을 갖고 있다. 따라서 본 연구는 Simultaneous MTS (S-MTS) 알고리즘을 적용하여 보다 지능적이고 높은 정확도를 갖는 새로운 강판 표면 결함 진단 시스템을 제안하였다. S-MTS 알고리즘은 단일 클래스 분류에는 효과적이지만 다중 클래스 분류에서 정확도가 떨어지는 기존 마할라노비스 다구찌 시스템 알고리즘(Mahalanobis Taguchi System; MTS)의 문제점을 해결한 새로운 알고리즘이다. 강판 표면 결함진단은 대표적인 다중 클래스 분류 문제에 해당하므로, 강판 표면 결함 진단 시스템 구축을 위해 본 연구에서는 S-MTS 알고리즘을 채택하였다. 강판 표면 결함 진단 시스템 개발은 S-MTS 알고리즘에 따라 다음과 같이 진행하였다. 첫째, 각 강판 표면 결함 별로 개별적인 참조 그룹 마할라노비스 공간(Mahalanobis Space; MS)을 구축하였다. 둘째, 구축된 참조 그룹 MS를 기반으로 비교 그룹 마할라노비스 거리(Mahalanobis Distance; MD)를 계산한 후 최소 MD를 갖는 강판 표면 결함을 비교 그룹의 강판 표면 결함으로 판단하였다. 셋째, 강판 표면 결함을 분류하는 데 있어 결함 간의 차이점을 명확하게 해주는 예측 능력이 높은 변수를 파악하였다. 넷째, 예측 능력이 높은 변수만을 이용해 강판 표면 결함 분류를 재수행함으로써 최종적인 강판 표면 결함 진단 시스템을 구축한다. 이와 같은 과정을 통해 구축한 S-MTS 기반 강판 표면 결함 진단 시스템의 정확도는 90.79%로, 이는 기존 검사 방법에 비해 매우 높은 정확도를 갖는 유용한 방법임을 보여준다. 추후 연구에서는 본 연구를 통해 개발된 시스템을 현장 적용하여, 실제 효과성을 검증할 필요가 있다.

Steel plate faults is one of important factors to affect the quality and price of the steel plates. So far many steelmakers generally have used visual inspection method that could be based on an inspector"s intuition or experience. Specifically, the inspector checks the steel plate faults by looking the surface of the steel plates. However, the accuracy of this method is critically low that it can cause errors above 30% in judgment. Therefore, accurate steel plate faults diagnosis system has been continuously required in the industry. In order to meet the needs, this study proposed a new steel plate faults diagnosis system using Simultaneous MTS (S-MTS), which is an advanced Mahalanobis Taguchi System (MTS) algorithm, to classify various surface defects of the steel plates. MTS has generally been used to solve binary classification problems in various fields, but MTS was not used for multiclass classification due to its low accuracy. The reason is that only one mahalanobis space is established in the MTS. In contrast, S-MTS is suitable for multi-class classification. That is, S-MTS establishes individual mahalanobis space for each class. "Simultaneous" implies comparing mahalanobis distances at the same time. The proposed steel plate faults diagnosis system was developed in four main stages. In the first stage, after various reference groups and related variables are defined, data of the steel plate faults is collected and used to establish the individual mahalanobis space per the reference groups and construct the full measurement scale. In the second stage, the mahalanobis distances of test groups is calculated based on the established mahalanobis spaces of the reference groups. Then, appropriateness of the spaces is verified by examining the separability of the mahalanobis diatances. In the third stage, orthogonal arrays and Signal-to-Noise (SN) ratio of dynamic type are applied for variable optimization. Also, Overall SN ratio gain is derived from the SN ratio and SN ratio gain. If the derived overall SN ratio gain is negative, it means that the variable should be removed. However, the variable with the positive gain may be considered as worth keeping. Finally, in the fourth stage, the measurement scale that is composed of selected useful variables is reconstructed. Next, an experimental test should be implemented to verify the ability of multi-class classification and thus the accuracy of the classification is acquired. If the accuracy is acceptable, this diagnosis system can be used for future applications. Also, this study compared the accuracy of the proposed steel plate faults diagnosis system with that of other popular classification algorithms including Decision Tree, Multi Perception Neural Network (MLPNN), Logistic Regression (LR), Support Vector Machine (SVM), Tree Bagger Random Forest, Grid Search (GS), Genetic Algorithm (GA) and Particle Swarm Optimization (PSO). The steel plates faults dataset used in the study is taken from the University of California at Irvine (UCI) machine learning repository. As a result, the proposed steel plate faults diagnosis system based on S-MTS shows 90.79% of classification accuracy. The accuracy of the proposed diagnosis system is 6-27% higher than MLPNN, LR, GS, GA and PSO. Based on the fact that the accuracy of commercial systems is only about 75-80%, it means that the proposed system has enough classification performance to be applied in the industry. In addition, the proposed system can reduce the number of measurement sensors that are installed in the fields because of variable optimization process. These results show that the proposed system not only can have a good ability on the steel plate faults diagnosis but also reduce operation and maintenance cost. For our future work, it will be applied in the fields to validate actual effectiveness of the proposed system and plan to improve the accuracy based on the results.

#빅데이터 #데이터마이닝 #다중 클래스 분류 #마할라노비스 다구찌 시스템 #강판 표면 결함 진단 #Big Data #Multiclass Classification #Simultaneous MTS(S-MTS) #Mahalanobis Taguchi System(MTS) #Steel Plates Faults Diagnosis

참고문헌 (15)

참고문헌 신청

[학술지(정기간행물)] - Ahmet, S / 2010 / Mahalanobis Taguchi System (MTS) as a Prognostics Tool for Rolling Element Bearing Failures” / Journal of Manufacturing Science and Engineering 132 (5)

[학술대회논문] - Cha, J. M. / 2016 / A Method for Improving Multiclass Classification Performance of Mahalanobis Taguchi System / Proceedings of the Korea Society of IT Service Conference 2016 : 411 ~ 414

[학술지(정기간행물)] - Fakhr, M. / 2012 / Steel plates faults diagnosis with data mining models / Journal of Computer Science 8 (4) : 506 ~ 514

[학술지(정기간행물)] - 홍정의 / 2012 / Mahalanobis Taguchi System을 이용한 척추질환 환자의 진단에 관한 연구 / 산업경영시스템학회지 35 (4) : 10 ~ 15

[학술지(정기간행물)] - Jin, X. / 2013 / Anomaly Detection of Cooling Fan and Fault Classification of Induction Motor using Mahalanobis-Taguchi System / Expert Systems and Applications 40 : 5787 ~ 5795

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

김준영

소속기관 현대자동차

주요연구분야 공학 > 전기전자공학 > 제어계측공학 TOP 10% 공학 > 기계공학 > 자동차공학 TOP 10%

논문수 158 이용수 14,308

차재민

소속기관 포항공과대학교 산업경영공학과

주요연구분야 공학 > 기계공학 > 기계공학 일반 공학 > 산업공학

논문수 54 이용수 2,953

신정욱

소속기관 한국수력원자력

주요연구분야 공학 > 기계공학 > 기계공학 일반 공학 > 재료·에너지공학 > 기타 재료·에너지공학

논문수 45 이용수 1,983

염충섭

소속기관 고등기술연구원

주요연구분야 공학 > 건축공학 > 환경공학 공학 > 기계공학 > 기계공학 일반

논문수 102 이용수 4,172

이 논문과 함께 이용한 논문

공원 내 민간투자방식의 소규모 영업시설 설치를 위한 적정운영보장기간 분석

허영기 , 오재훈 , 임진호 외 1명 대한건축학회 논문집 - 구조계 2014 .01

벌크헤드 플레이트가 부착된 강바닥판교의 피로상세 개선 연구

공병승 한국해양공학회지 2004 .02

마할라노비스-다구찌 시스템을 이용한 차량 실내 소음의 음질 평가

박상길 , 박원식 , 정동현 외 2명 한국자동차공학회 춘 추계 학술대회 논문집 2007 .11

Mahalanobis Taguchi System을 이용한 사출 공정의 최적설계

김경모 , 박종천 한국기계가공학회지 2017 .02

MTS 기법을 이용한 회전기기의 이상진단

박상길 , 박원식 , 이유엽 외 2명 한국소음진동공학회논문집 2008 .06

최근 본 자료

전체보기

UCI(KEPA) : I410-ECN-0101-2017-003-002413401

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (15)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)