개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
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
- 김창욱
- 발행연도
- 2023
- 저작권
- 연세대학교 논문은 저작권에 의해 보호받습니다.
이용수9
이 논문의 연구 히스토리 (3)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
제조 공정에서 발생하는 데이터는 공정 복잡도가 높아짐에 따라 변수의 개수가 증가하며 labeled 데이터가 소량이기 때문에 curse of dimensionality, large predictors and a small number of data points (large p small n)와 같은 문제가 발생한다. 이를 해결하기 위해 다양한 dimensionality reduction 방법이 활용된다. 제조 환경에서는 labeled 데이터의 수가 적어 unsupervised dimensionality reduction 방법이 많이 활용되지만 principal component analysis (PCA), independent component analysis (ICA), variance threshold (VT)와 같은 방법은 정형 데이터를 위한 방법이기 때문에 시계열 데이터를 발생시키는 제조 현장에 적용하기 어려우며 autoencoder (AE)는 시계열 데이터에 적용 가능하나 추출된 변수를 통해 어떠한 입력 변수가 중요한지 설명하지 못한다는 단점이 있다.
본 논문에서는 기존 unsupervised dimensionality reduction 방법의 한계를 극복하기 위해 multi-head attention (MHA)을 이용한 unsupervised feature selection 방법을 제안한다. 제안된 모델은 bidirectional long short term memory (BiLSTM) 기반의 unsupervised 방법이기 때문에 label 없이 다변량 시계열 데이터를 학습할 수 있으며 MHA를 사용하여 변수 중요도를 추출하므로 변수에 대한 설명력이 뛰어나 제조 환경에서 활용성이 매우 높다. Commercial modular aero-propulsion system simulation (C-MAPSS) 데이터를 통해 실험한 결과, 제안 모델은 시계열 데이터의 중요 변수를 효과적으로 선별하였으며, 제안 모델을 통해 선별된 변수는 remaining useful life (RUL) 예측 성능 향상에 효과가 있는 것을 확인하였다.
본 논문에서는 기존 unsupervised dimensionality reduction 방법의 한계를 극복하기 위해 multi-head attention (MHA)을 이용한 unsupervised feature selection 방법을 제안한다. 제안된 모델은 bidirectional long short term memory (BiLSTM) 기반의 unsupervised 방법이기 때문에 label 없이 다변량 시계열 데이터를 학습할 수 있으며 MHA를 사용하여 변수 중요도를 추출하므로 변수에 대한 설명력이 뛰어나 제조 환경에서 활용성이 매우 높다. Commercial modular aero-propulsion system simulation (C-MAPSS) 데이터를 통해 실험한 결과, 제안 모델은 시계열 데이터의 중요 변수를 효과적으로 선별하였으며, 제안 모델을 통해 선별된 변수는 remaining useful life (RUL) 예측 성능 향상에 효과가 있는 것을 확인하였다.
목차
그림 차례 ii표 차례 iii국문 요약 ivChapter 1. 서론 1Chapter 2. 배경 지식 72.1. Long short term memory (LSTM) 82.2. Bidirectional LSTM (BiLSTM) 92.3. Muti-Head Attention 11Chapter 3. 제안 방법 143.1. 제안 모델의 전체 구조 153.2. Encoder 163.3. 변수 중요도 173.4. Decoder 21Chapter 4. 실험 224.1. 데이터 셋 234.2. 변수 중요도 실험 264.3. 변수 중요도 검증 실험 30Chapter 5. 결론 37참고문헌 40Abstract 47
최근 본 자료
댓글(0)
0