| 1 |
1
회전체 시스템의 상태 기반 데이터를 획득하는 획득 단계;기생성된 다중 태스크 학습 알고리즘을 이용하여 상기 상태 기반 데이터를 학습하는 학습 단계; 및상기 학습에 따른 학습 결과를 이용하여 상기 회전체 시스템의 고장 여부를 진단하는 진단 단계;를 포함하는 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법
|
| 2 |
2
제 1 항에 있어서,상기 다중 태스크 학습 알고리즘은 적어도 두 개의 태스크를 수행하는 알고리즘인 것을 특징으로 하는 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법
|
| 3 |
3
제 2 항에 있어서,상기 적어도 두 개의 태스크는,상기 상태 기반 데이터의 정상 상태와 고장 상태를 분류하는 분류 태스크와,상기 상태 기반 데이터의 노이즈를 제거하는 디노이징 태스크를 포함하는 것을 특징으로 하는 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법
|
| 4 |
4
제 2 항에 있어서,상기 다중 태스크 학습 알고리즘은,일차원 합성곱 신경망(1D CNN) 알고리즘을 포함하는 것을 특징으로 하는 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법
|
| 5 |
5
제 4 항에 있어서,상기 다중 태스크 학습 알고리즘은,상기 상태 기반 데이터와 필터를 합성곱하여 특성 인자를 추출하는 적어도 네 개의 콘볼루션 레이어와,추출된 상기 특성 인자에 대해 맥스풀링을 수행하는 적어도 두 개의 풀링 레이어와,맥스풀링 결과값에 대해 분류와 디노이징 태스크를 수행하는 적어도 두 개의 풀리 커넥티드 레이어를 포함하여 구성되는 것을 특징으로 하는 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법
|
| 6 |
6
제 5 항에 있어서,상기 풀리 커넥티드 레이어에서,상기 분류 태스크가 완료되면, 상기 디노이징 태스크 수행이 중지되는 것을 특징으로 하는 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법
|
| 7 |
7
제 3 항에 있어서,상기 학습 단계에서,상기 분류 태스크 수행을 통해 상기 회전체 시스템의 정상 상태와 고장 상태를 분류하는 것을 특징으로 하는 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법
|
| 8 |
8
제 7 항에 있어서,상기 진단 단계에서,상기 분류 태스크 수행 결과를 통해 상기 회전체 시스템의 고장 유형을 진단하는 것을 특징으로 하는 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법
|
| 9 |
9
제 8 항에 있어서,상기 고장 유형은, 상기 회전체 시스템의 질량불평형 상태, 러빙 상태, 오정렬 상태 및 오일 휠 상태 중에서 적어도 하나를 포함하는 것을 특징으로 하는 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법
|
| 10 |
10
제 1 항에 있어서,상기 상태 기반 데이터는 진동 신호인 것을 특징으로 하는 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법
|
| 11 |
11
제 10 항에 있어서,상기 진동 신호를 전처리하는 전처리 단계를 더 포함하는 것을 특징으로 하는 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법
|
| 12 |
12
제 11 항에 있어서,상기 전처리 단계는,상기 진동 신호에 대해 앵귤러 리샘플링을 수행하는 단계,리샘플링된 상기 진동 신호를 증량하는 단계,증량된 상기 진동 신호에 노이즈를 추가하는 단계,노이즈가 추가된 상기 진동 신호에 대해 스케일링을 수행하는 단계, 및스케일링된 진동 신호에 대해 시퀀스화를 수행하는 단계를 포함하는 것을 특징으로 하는 다중 태스크 학습 기반 회전체 시스템의 고장 진단 방법
|
