| 1 |
1
최적의 훈련 방식 판단 장치의 프로세서에 의해 수행되는, 최적의 훈련 방식을 탐색하는 방법으로서,기계에서 발생하는 진동신호와 관련하여, 레이블링된 정상 데이터 세트 및 레이블링된 비정상 데이터 세트를 포함하는 오리지널 데이터 세트를 로딩하는 단계;상기 레이블링된 비정상 데이터 세트 중 적어도 일부를 생성적 적대 신경망(GAN: generative adversarial network)에 적용하여 모사(fake) 비정상 데이터 그룹을 생성하는 단계;상기 오리지널 데이터 세트 중 제1 데이터 그룹에 상기 모사 비정상 데이터 그룹의 데이터를 추가하면서 상기 제1 데이터 그룹과 상기 모사 비정상 데이터 그룹의 비율을 변경하며 복수의 훈련 데이터 세트를 생성하는 단계;상기 복수의 훈련 데이터 세트를 서로 다른 복수의 특징 추출 알고리즘에 입력하여 특징을 추출하는 단계;상기 서로 다른 복수의 특징 추출 알고리즘에 입력하여 특징을 추출한 결과를 훈련 데이터로 하여 서로 다른 알고리즘으로 구현된 복수의 학습모델을 훈련시켜, 기계에서 발생하는 진동신호의 특징을 이용하여 상기 기계의 결함여부를 판단하는 서로 다른 알고리즘으로 구현된 복수의 기계 결함 판별 학습모델을 생성하는 단계;상기 오리지널 데이터 세트 중 제2 데이터 그룹을 이용하여 상기 복수의 기계 결함 판별 학습모델의 정확도를 검증하는 단계; 및상기 기계 결함 판별 학습모델의 정확도를 검증한 결과를 기반으로 하여, 상기 특징 추출 알고리즘 별로 상기 오리지널 데이터 세트 중 제1 데이터 그룹과 상기 모사 비정상 데이터 그룹의 최적 비율과, 상기 복수의 기계 결함 판별 학습모델 중 최적 학습모델을 결정하는 단계를 포함하고,상기 결정하는 단계는,상기 기계 결함 판별 학습모델들의 정확도를 검증한 결과로부터 미리 정해진 임계 정확도 이상을 도출하게 하는 훈련 데이터 세트 중 상기 제1 데이터 그룹의 비율이 가장 낮은 훈련 데이터 세트에서의 제1 데이터 그룹과 상기 모사 비정상 데이터 그룹의 비율을 결정하는 단계;상기 복수의 기계 결함 판별 학습모델 중 가장 높은 정확도를 갖는 어느 한 기계 결함 판별 학습모델을 결정하는 단계; 및상기 복수의 특징 추출 알고리즘 중 상기 가장 높은 정확도를 갖는 기계 결함 판별 학습모델에 입력하는 훈련 데이터를 생성한 어느 한 특징 추출 알고리즘을 결정하는 단계를 포함하는,최적의 훈련 방식 판단 방법
|
| 2 |
2
제 1 항에 있어서,상기 로딩하는 단계는, 정상 기계에서 발생하는 제1 진동신호를 정상(normal) 상태로 레이블링하는 단계; 및비정상 기계에서 발생하는 제2 진동신호를 비정상(broken) 상태로 레이블링하는 단계를 포함하는,최적의 훈련 방식 판단 방법
|
| 3 |
3
제 2 항에 있어서,상기 진동신호는,상기 기계에서 발생하는 수평방향의 진동신호와, 상기 기계에서 발생하는 수직방향의 진동신호와, 상기 기계에서 발생하는 깊이방향의 진동신호와, 상기 기계에서 발생하는 수평방향, 수직방향 및 깊이방향을 기준으로 한 대각선방향의 진동신호를 포함하는,최적의 훈련 방식 판단 방법
|
| 4 |
4
제 1 항에 있어서,상기 모사(fake) 비정상 데이터 그룹을 생성하는 단계는, 가우시안 분포를 이용하여 생성된 랜덤 노이즈로부터 모사 비정상 데이터를 생성하는 단계; 및상기 모사 비정상 데이터 및 상기 레이블링된 비정상 데이터 세트 중 적어도 일부의 비교를 통해 상기 모사 비정상 데이터가 참인지 거짓인지 식별하는 단계를 포함하는,최적의 훈련 방식 판단 방법
|
| 5 |
5
제 3 항에 있어서,상기 특징을 추출하는 단계는,상기 복수의 훈련 데이터 세트에 제1 특징 추출 알고리즘을 적용하여 생성한 주파수도메인의 데이터 그룹을 제1 특징으로 추출하는 단계;상기 주파수도메인의 데이터 그룹에 제2 특징 추출 알고리즘을 적용하여 산출한 통계적 특성값(statistical analysis)을 제2 특징으로 추출하는 단계; 및상기 복수의 훈련 데이터 세트에 제3 특징 추출 알고리즘을 적용하여 생성한 차원이 축소된 데이터 그룹을 제3 특징으로 추출하는 단계를 포함하는,최적의 훈련 방식 판단 방법
|
| 6 |
6
제 5 항에 있어서,상기 제1 특징 추출 알고리즘은,시간도메인의 진동신호를 주파수도메인의 진동신호로 변환시키는 FFT(fast fourier transform) 알고리즘을 포함하고,상기 제2 특징 추출 알고리즘은,상기 주파수도메인으로 변환된 상기 수평방향의 진동신호, 상기 수직방향의 진동신호, 상기 깊이방향의 진동신호 및 상기 대각선방향의 진동신호 각각의 평균값(mean), 중간(median)값, 최소(min)값, 최대(max)값, 첨도(kurtosis)값, 왜도(skewness)값, 표준편차(standard deviation)값과, 양진폭(peak-to-peak)값 중 하나 이상을 산출하는 알고리즘을 포함하고,상기 제3 특징 추출 알고리즘은,차원이 축소된 데이터를 생성하는 주성분 분석(PCA: principal component analysis) 알고리즘을 포함하는,최적의 훈련 방식 판단 방법
|
| 7 |
7
제 5 항에 있어서,상기 복수의 기계 결함 판별 학습모델을 생성하는 단계는,상기 제1 특징 내지 상기 제3 특징을 각각 훈련 데이터로 하여 제1 알고리즘으로 구현된 제1 학습모델을 훈련시켜, 기계에서 발생하는 진동신호의 특징을 이용하여 기계의 결함여부를 판단하는 복수의 제1 기계 결함 판별 학습모델을 생성하는 단계; 상기 제1 특징 내지 상기 제3 특징을 각각 훈련 데이터로 하여 제2 알고리즘으로 구현된 제2 학습모델을 훈련시켜, 기계에서 발생하는 진동신호의 특징을 이용하여 기계의 결함여부를 판단하는 복수의 제2 기계 결함 판별 학습모델을 생성하는 단계; 및상기 제1 특징 내지 상기 제3 특징을 각각 훈련 데이터로 하여 제1 알고리즘으로 구현된 제3 학습모델을 훈련시켜, 기계에서 발생하는 진동신호의 특징을 이용하여 기계의 결함여부를 판단하는 복수의 제3 기계 결함 판별 학습모델을 생성하는 단계를 포함하는,최적의 훈련 방식 판단 방법
|
| 8 |
8
제 7 항에 있어서,상기 정확도를 검증하는 단계는,상기 오리지널 데이터 세트 중 제2 데이터 그룹을 이용하여 상기 복수의 제1 기계 결함 판별 학습모델에 대한 제1 정확도를 검증하는 단계;상기 오리지널 데이터 세트 중 제2 데이터 그룹을 이용하여 상기 복수의 제2 기계 결함 판별 학습모델에 대한 제2 정확도를 검증하는 단계; 및상기 오리지널 데이터 세트 중 제2 데이터 그룹을 이용하여 상기 복수의 제3 기계 결함 판별 학습모델에 대한 제3 정확도를 검증하는 단계를 포함하는,최적의 훈련 방식 판단 방법
|
| 9 |
9
삭제
|
| 10 |
10
컴퓨터를 이용하여 제 1 항 내지 제 8 항의 방법 중 어느 한 항의 방법을 실행시키기 위한 컴퓨터 프로그램이 저장된 컴퓨터로 판독 가능한 기록매체
|
| 11 |
11
최적의 훈련 방식을 탐색하는 장치로서,프로세서; 및상기 프로세서와 동작 가능하게 연결되고 상기 프로세서에서 수행되는 적어도 하나의 코드를 저장하는 메모리를 포함하고,상기 메모리는 상기 프로세서를 통해 실행될 때, 상기 프로세서가 기계에서 발생하는 진동신호와 관련하여, 레이블링된 정상 데이터 세트 및 레이블링된 비정상 데이터 세트를 포함하는 오리지널 데이터 세트를 로딩하고,상기 레이블링된 비정상 데이터 세트 중 적어도 일부를 생성적 적대 신경망(GAN: generative adversarial network)에 적용하여 모사(fake) 비정상 데이터 그룹을 생성하고,상기 오리지널 데이터 세트 중 제1 데이터 그룹에 상기 모사 비정상 데이터 그룹의 데이터를 추가하면서 상기 제1 데이터 그룹과 상기 모사 비정상 데이터 그룹의 비율을 변경하며 복수의 훈련 데이터 세트를 생성하고,상기 복수의 훈련 데이터 세트를 서로 다른 복수의 특징 추출 알고리즘에 입력하여 특징을 추출하고,상기 서로 다른 복수의 특징 추출 알고리즘에 입력하여 특징을 추출한 결과를 훈련 데이터로 하여 서로 다른 알고리즘으로 구현된 복수의 학습모델을 훈련시켜, 기계에서 발생하는 진동신호의 특징을 이용하여 상기 기계의 결함여부를 판단하는 서로 다른 알고리즘으로 구현된 복수의 기계 결함 판별 학습모델을 생성하고,상기 오리지널 데이터 세트 중 제2 데이터 그룹을 이용하여 상기 복수의 기계 결함 판별 학습모델의 정확도를 검증하고,상기 기계 결함 판별 학습모델의 정확도를 검증한 결과를 기반으로 하여, 상기 특징 추출 알고리즘 별로 상기 오리지널 데이터 세트 중 제1 데이터 그룹과 상기 모사 비정상 데이터 그룹의 최적 비율과, 상기 복수의 기계 결함 판별 학습모델 중 최적 학습모델을 결정하도록 야기하는 코드를 저장하고,상기 메모리는 상기 프로세서로 하여금,상기 결정을 수행할 때, 상기 기계 결함 판별 학습모델들의 정확도를 검증한 결과로부터 미리 정해진 임계 정확도 이상을 도출하게 하는 훈련 데이터 세트 중 상기 제1 데이터 그룹의 비율이 가장 낮은 훈련 데이터 세트에서의 제1 데이터 그룹과 상기 모사 비정상 데이터 그룹의 비율을 결정하고,상기 복수의 기계 결함 판별 학습모델 중 가장 높은 정확도를 갖는 어느 한 기계 결함 판별 학습모델을 결정하고,상기 복수의 특징 추출 알고리즘 중 상기 가장 높은 정확도를 갖는 기계 결함 판별 학습모델에 입력하는 훈련 데이터를 생성한 어느 한 특징 추출 알고리즘을 결정하도록 야기하는 코드를 저장하는,최적의 훈련 방식 판단 장치
|
| 12 |
12
제 11 항에 있어서,상기 메모리는 상기 프로세서로 하여금,상기 오리지널 데이터 세트를 로딩할 때, 정상 기계에서 발생하는 제1 진동신호를 정상(normal) 상태로 레이블링하고, 비정상 기계에서 발생하는 제2 진동신호를 비정상(broken) 상태로 레이블링하도록 야기하는 코드를 저장하는,최적의 훈련 방식 판단 장치
|
| 13 |
13
제 12 항에 있어서,상기 메모리는 상기 프로세서로 하여금,상기 진동신호가, 상기 기계에서 발생하는 수평방향의 진동신호와, 상기 기계에서 발생하는 수직방향의 진동신호와, 상기 기계에서 발생하는 깊이방향의 진동신호와, 상기 기계에서 발생하는 수평방향, 수직방향 및 깊이방향을 기준으로 한 대각선방향의 진동신호를 포함하도록 야기하는 코드를 저장하는,최적의 훈련 방식 판단 장치
|
| 14 |
14
제 11 항에 있어서,상기 메모리는 상기 프로세서로 하여금,상기 모사(fake) 비정상 데이터 그룹을 생성할 때, 가우시안 분포를 이용하여 생성된 랜덤 노이즈로부터 모사 비정상 데이터를 생성하고,상기 모사 비정상 데이터 및 상기 레이블링된 비정상 데이터 세트 중 적어도 일부의 비교를 통해 상기 모사 비정상 데이터가 참인지 거짓인지 식별하도록 야기하는 코드를 저장하는,최적의 훈련 방식 판단 장치
|
| 15 |
15
제 13 항에 있어서,상기 메모리는 상기 프로세서로 하여금,상기 특징을 추출할 때, 상기 복수의 훈련 데이터 세트에 제1 특징 추출 알고리즘을 적용하여 생성한 주파수도메인의 데이터 그룹을 제1 특징으로 추출하고,상기 주파수도메인의 데이터 그룹에 제2 특징 추출 알고리즘을 적용하여 산출한 통계적 특성값(statistical analysis)을 제2 특징으로 추출하고,상기 복수의 훈련 데이터 세트에 제3 특징 추출 알고리즘을 적용하여 생성한 차원이 축소된 데이터 그룹을 제3 특징으로 추출하도록 야기하는 코드를 저장하는,최적의 훈련 방식 판단 장치
|
| 16 |
16
제 15 항에 있어서,상기 메모리는 상기 프로세서로 하여금,상기 제1 특징 추출 알고리즘은, 시간도메인의 진동신호를 주파수도메인의 진동신호로 변환시키는 FFT(fast fourier transform) 알고리즘을 포함하고,상기 제2 특징 추출 알고리즘은, 상기 주파수도메인으로 변환된 상기 수평방향의 진동신호, 상기 수직방향의 진동신호, 상기 깊이방향의 진동신호 및 상기 대각선방향의 진동신호 각각의 평균값(mean), 중간(median)값, 최소(min)값, 최대(max)값, 첨도(kurtosis)값, 왜도(skewness)값, 표준편차(standard deviation)값과, 양진폭(peak-to-peak)값 중 하나 이상을 산출하는 알고리즘을 포함하고,상기 제3 특징 추출 알고리즘은, 차원이 축소된 데이터를 생성하는 주성분 분석(PCA: principal component analysis) 알고리즘을 포함하도록 야기하는 코드를 저장하는,최적의 훈련 방식 판단 장치
|
| 17 |
17
제 15 항에 있어서,상기 메모리는 상기 프로세서로 하여금,상기 복수의 기계 결함 판별 학습모델을 생성할 때, 상기 제1 특징 내지 상기 제3 특징을 각각 훈련 데이터로 하여 제1 알고리즘으로 구현된 제1 학습모델을 훈련시켜, 기계에서 발생하는 진동신호의 특징을 이용하여 기계의 결함여부를 판단하는 복수의 제1 기계 결함 판별 학습모델을 생성하고,상기 제1 특징 내지 상기 제3 특징을 각각 훈련 데이터로 하여 제2 알고리즘으로 구현된 제2 학습모델을 훈련시켜, 기계에서 발생하는 진동신호의 특징을 이용하여 기계의 결함여부를 판단하는 복수의 제2 기계 결함 판별 학습모델을 생성하고,상기 제1 특징 내지 상기 제3 특징을 각각 훈련 데이터로 하여 제1 알고리즘으로 구현된 제3 학습모델을 훈련시켜, 기계에서 발생하는 진동신호의 특징을 이용하여 기계의 결함여부를 판단하는 복수의 제3 기계 결함 판별 학습모델을 생성하도록 야기하는 코드를 저장하는,최적의 훈련 방식 판단 장치
|
| 18 |
18
제 17 항에 있어서,상기 메모리는 상기 프로세서로 하여금,상기 정확도를 검증할 때, 상기 오리지널 데이터 세트 중 제2 데이터 그룹을 이용하여 상기 복수의 제1 기계 결함 판별 학습모델에 대한 제1 정확도를 검증하고,상기 오리지널 데이터 세트 중 제2 데이터 그룹을 이용하여 상기 복수의 제2 기계 결함 판별 학습모델에 대한 제2 정확도를 검증하고,상기 오리지널 데이터 세트 중 제2 데이터 그룹을 이용하여 상기 복수의 제3 기계 결함 판별 학습모델에 대한 제3 정확도를 검증하도록 야기하는 코드를 저장하는,최적의 훈련 방식 판단 장치
|
| 19 |
19
삭제
|
