메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
Tori Andika Bukit (Hankuk University of Foreign Studies) Seok-Lyong Lee (Hankuk University of Foreign Studies)
저널정보
한국멀티미디어학회 멀티미디어학회논문지 멀티미디어학회논문지 제28권 제2호
발행연도
2025.2
수록면
248 - 259 (12page)
DOI
10.9717/kmms.2025.28.2.248

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
Predictive maintenance is essential in the manufacturing industry, as it helps reduce maintenance costs and improve operational efficiency. In the IoT era, predictive maintenance is increasingly automated using deep learning methods, leveraging the abundant availability of sensor data. However, the widely used centralized learning approach presents significant data security concerns, as company data is highly valuable and must be protected. In this paper, we propose a Federated Learning (FL) framework for predictive maintenance, utilizing vibration data collected from edge devices. Additionally, we introduce a custom model aggregation strategy, Fine-Tuning FedAvg (FT-FedAvg), which enhances model performance by incorporating a fine-tuning phase during the model aggregation process. Our framework is designed for real-world deployment, as it is optimized for resource-constrained edge devices and supports real-time monitoring in industrial environments. Experimental results demonstrate that our FL framework achieves comparable performance to centralized learning while preserving data privacy, making it a practical and secure solution for predictive maintenance in real-world manufacturing scenarios.
#Predictive Maintenance #Federated Learning #Deep Learning #Time Series Classification

목차

ABSTRACT
1. INTRODUCTION
2. THEORY
3. PROPOSED FRAMEWORK
4. EXPERIMENT AND DISCUSSION
5. CONCLUSION
REFERENCE

참고문헌 (0)

참고문헌 신청
참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

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

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-151-25-02-092455536