지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 발행연도
- 2023.12
- 수록면
- 366 - 374 (9page)
- DOI
- 10.33162/JAR.2023.12.23.4.366
이용수
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
Purpose: This study focuses on test bed construction for condition-based maintenance of auxiliary pump systems in autonomous ships and fault classification using machine learning.
Methods: Experiments were conducted on a test bed using failure simulation conditions. Vibration data underwent preprocessing and were converted into images by Hilbert-Huang transform (HHT). The convolutional neural networks (CNN) performed feature extraction and learning to classify faults.
Results: The study confirmed a high percentage classification accuracy of 96% for six operational states (normal and abnormal). Increasing the convolutional layers improved training accuracy but caused overfitting, as indicated by lower validation accuracy. Simplifying the structure and regularization techniques, such as dropout, enhanced the model’s predictive performance.
Conclusion: This study developed a 2D CNN-based algorithm that successfully classified faults with 96% accuracy by analyzing vibration data with HHT using experiments based on failure simulations.
Methods: Experiments were conducted on a test bed using failure simulation conditions. Vibration data underwent preprocessing and were converted into images by Hilbert-Huang transform (HHT). The convolutional neural networks (CNN) performed feature extraction and learning to classify faults.
Results: The study confirmed a high percentage classification accuracy of 96% for six operational states (normal and abnormal). Increasing the convolutional layers improved training accuracy but caused overfitting, as indicated by lower validation accuracy. Simplifying the structure and regularization techniques, such as dropout, enhanced the model’s predictive performance.
Conclusion: This study developed a 2D CNN-based algorithm that successfully classified faults with 96% accuracy by analyzing vibration data with HHT using experiments based on failure simulations.
목차
1. 서론
2. 고장 모사 시험
3. 고장 분류
4. 결론
References
참고문헌 (0)
참고문헌 신청함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
A New Image Classification Method
INTERNATIONAL CONFERENCE ON FUTURE INFORMATION & COMMUNICATION ENGINEERING
2021 .02
-
CNN을 이용한 이미지 분류
Proceedings of KIIT Conference
2017 .06
-
CNN 기법을 이용한 공간정보 자동분류연구
대한공간정보학회 학술대회
2017 .05
-
CNN 기반의 행동 인식 및 분류 모델 개발
대한전기학회 학술대회 논문집
2020 .07
-
작은 데이터 세트에 대한 새로운 이미지 분류 방법
한국정보통신학회 종합학술대회 논문집
2021 .10
-
A Study on Motor Poor Maintenance Detection Based on DT-CNN
제어로봇시스템학회 국제학술대회 논문집
2019 .10
-
Bearing Fault Diagnosis Using One-Dimensional Convolutional Neural Network
제어로봇시스템학회 국제학술대회 논문집
2022 .11
-
음식 이미지 분류를 위한 CNN 모델 일반화 방법 적용 및 분석
한국정보과학회 학술발표논문집
2022 .12
-
Novel Image Classification Method Based on Few-Shot Learning in Monkey Species
Journal of information and communication convergence engineering
2021 .06
-
Dance Movement Recognition based on Deep Learning
IEIE Transactions on Smart Processing & Computing
2024 .06
-
이미지화 알고리즘 및 딥러닝을 이용한 자동 변조 분류
한국전자파학회논문지
2021 .04
-
이미지 분류에서의 CNN 최적화 모델 설계
Proceedings of KIIT Conference
2021 .06
-
진화연산 기반 CNN 필터 축소
전기학회논문지
2018 .12
-
CNN을 이용한 건축적 형상에 대한 선호 추정
대한건축학회논문집
2022 .04
-
CNN을 이용한 차량 수 카운팅 알고리즘
한국생산제조학회 학술발표대회 논문집
2019 .11
-
긍정과 부정 이미지 기반 데이터 편향에 따른 CNN모델의 차이 연구
대한인간공학회 학술대회논문집
2022 .10
-
이미지 전처리를 이용한 CNN 기반 모델들에서 해상 열화상 선박 이미지 분류 성능 비교
한국정보과학회 학술발표논문집
2022 .06
-
다양한 변수에 따른 CNN 성능 분석
정보 및 제어 논문집
2019 .04
-
K-Means와 CNN을 이용한 변화된 환경에서의 전동기 고장 진단
제어로봇시스템학회 논문지
2020 .05
-
A Study of Facial Organs Classification System Based on Fusion of CNN Features and Haar-CNN Features
한국정보기술학회논문지
2018 .11
이 논문의 저자 정보
이 논문과 함께 이용한 논문
선박 기관시스템 보조기기의 상태기반 고장진단/예측을 위한 고장 모사 데이터베이스 구축
김정영
,
이태현
,
이송호
외 4명
대한조선학회 논문집
2022
.08
금속탐지장비의 시험 절차 고도화 방안 연구
정예은
,
김기현
,
심현수
외 2명
신뢰성응용연구
2023
.09
군수품 시험 성적서의 양품 데이터를 활용한 검사항목별 잠재적 불량 가능성 예측 방법
김다은
,
이창희
,
박두일
외 1명
신뢰성응용연구
2023
.06
자율운항선박 핵심 기관시스템 보조기기의 신뢰성 분석
김정영
,
이종직
,
이태현
외 3명
대한기계학회 춘추학술대회
2021
.04
보증데이터를 이용한 텍스트 마이닝 기반 고장 현상 예측 연구
정진형
,
김용수
신뢰성응용연구
2020
.12
최근 본 자료
댓글(0)
0
UCI(KEPA) : I410-151-24-02-089290393