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
- 학위논문
- 저자정보
- 지도교수
- 김덕환
- 발행연도
- 2021
- 저작권
- 인하대학교 논문은 저작권에 의해 보호받습니다.
이용수24
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
본 논문에서는 LSTM 오토인코더를 이용하여 라디에이터의 고장진단을 수행하였다. 먼저 라디에이터의 내구 연한 랜덤 가진 시험에서 진동 신호를 취득하였으며, Raw data에 10초 단위로 Window를 씌워 시간영역 통계적 특징을 추출하여 변수로 설정하고 Sliding 기법으로 데이터를 증강하였다. 데이터는 4개의 Stage로 구분되며, Stage 1(정상)만을 훈련 데이터로 사용하고 Stage 2, 4(정상, 비정상) 데이터를 이용하여 모델 최적화 및 평가를 수행하였다. LSTM 오토인코더 모델의 은닉층과 은닉층 노드의 수, Dropout 비율 및 L2 정규화 파라미터를 최적화하고 평가 결과, ROC 곡선에서 AUC 가 0.9942로 우수한 성능을 확인하였다. 그리고 레이블이 없는 Stage 3의 상세 고장시점을 LSTM 오토인코더로 진단할 수 있었다. 또한 임계점을 조정하여 LSTM 오토인코더의 재구성오차가 임계점을 초과할 때 고장을 진단할 시, 고장 발생 시점보다 조기에 라디에이터 고장을 예측 진단할 수 있었다.
목차
제1장 서론 11.1. 연구의 배경 11.2. 연구의 목적 및 내용 2제2장 라디에이터 데이터의 특징 32.1. 라디에이터 32.2. 내구 연한 랜덤 가진 시험 42.3. 데이터 라벨링(Labeling) 62.4. 실험 데이터의 Feature engineering 8제3장 딥러닝 모델 선정 배경 103.1. LSTM 오토인코더(Autoencoder) 103.2. 기존 연구와의 차이점 12제4장 실험 및 결과 144.1. LSTM 오토인코더 Baseline 구조 144.2. LSTM 오토인코더 모델 최적화 154.2.1. Train data MSE analysis of baseline and window size optimization for feature engineering 154.2.2. LSTM 오토인코더 모델의 노드 수 최적화 174.2.3. LSTM 오토인코더 모델의 드롭아웃 비율 최적화 184.2.4. LSTM 오토인코더 모델의 L2 정규화 파라미터 최적화 194.2.5. Stacked LSTM 오토인코더 검토 204.2.6. Train data MSE analysis of optimized LSTM Autoencoder 214.3. Test dataset의 평가 metrics 224.3.1. 임계치 변화에 따른 Precision 과 Recall(Sensitivity) 관계 분석 224.3.2. ROC(Receiver operating characteristic) curve 244.4. LSTM 오토인코더를 이용한 상세 고장진단 결과? 25제5장 결론 27참고 문헌 29
최근 본 자료
댓글(0)
0