1 |
1
훈련 데이터를 생성하고 검증하는 장치의 프로세서에 의해 수행되는, 훈련 데이터를 생성하고 검증하는 방법으로서,레이블링된 정상 데이터 세트 및 레이블링된 비정상 데이터 세트를 로딩하는 단계;상기 레이블링된 비정상 데이터 세트 중 제1 비정상 데이터 그룹과 상기 레이블링된 정상 데이터 세트를 이용하여 비정상 데이터 판별 신경망을 생성하는 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 레이블링된 비정상 데이터 세트 중 제2 비정상 데이터 그룹과 상기 모사 비정상 데이터 그룹의 비율을 변경하며 상기 비정상 데이터 판별 신경망의 정확도를 검증하는 단계; 및상기 비정상 데이터 판별 신경망의 정확도를 검증한 결과를 기반으로 상기 모사 비정상 데이터 그룹에 대한 훈련 데이터 인증 여부를 결정하는 단계를 포함하고,상기 비정상 데이터 판별 신경망의 정확도를 검증하는 단계는,상기 비정상 데이터 판별 신경망에 상기 제2 비정상 데이터 그룹과 상기 모사 비정상 데이터 그룹을 제1 비율로 입력하여 제1 출력값을 획득하는 단계;상기 비정상 데이터 판별 신경망에 상기 제2 비정상 데이터 그룹과 상기 모사 비정상 데이터 그룹을 제2 비율로 입력하여 제2 출력값을 획득하는 단계; 및상기 제1 출력값과 상기 제2 출력값에서 비정상 판단의 비율을 비교하는 단계를 포함하고,상기 훈련 데이터 인증 여부를 결정하는 단계는,상기 제1 출력값에서의 비정상 판단 비율과 상기 제2 출력값에서의 비정상 판단 비율의 차이가 미리 결정된 임계치 이하이면 상기 모사 비정상 데이터 그룹의 훈련 데이터 인증을 허여하는 단계; 및상기 제1 출력값에서의 비정상 판단 비율과 상기 제2 출력값에서의 비정상 판단 비율의 차이가 미리 결정된 임계치를 초과하면 상기 모사 비정상 데이터 그룹의 훈련 데이터 인증을 불허하는 단계를 포함하고,상기 훈련 데이터 인증 여부를 결정하는 단계는,상기 제1 출력값에서의 비정상 판단 비율과 상기 제2 출력값에서의 비정상 판단 비율의 차이가 미리 결정된 임계치를 초과하면, 상기 레이블링된 비정상 데이터 세트 중 적어도 다른 일부를 생성적 적대 신경망에 적용하여 모사(fake) 비정상 데이터를 생성하는 단계를 더 포함하는,훈련 데이터를 생성하고 검증하는 방법
|
2 |
2
제 1 항에 있어서,상기 로딩하는 단계는, 정상 기계에서 발생하는 진동신호의 제1 통계적 특성값을 정상(normal) 상태로 레이블링하는 단계; 및비정상 기계에서 발생하는 진동신호의 제2 통계적 특성값을 비정상(broken) 상태로 레이블링하는 단계를 포함하는,훈련 데이터를 생성하고 검증하는 방법
|
3 |
3
제 2 항에 있어서,상기 기계에서 발생하는 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 포함하고,상기 진동신호의 통계적 특성값은,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 포함하는,훈련 데이터를 생성하고 검증하는 방법
|
4 |
4
제 3 항에 있어서,상기 비정상 데이터 판별 신경망을 생성하는 단계는,상기 제1 비정상 데이터 그룹과 상기 레이블링된 정상 데이터 세트를 훈련 데이터로 사용하여 심층신경망을 훈련시키는 단계; 및상기 심층신경망의 훈련을 통하여 기계에서 발생하는 진동신호의 통계적 특성값을 이용하여 상기 기계의 결함여부를 판단하는 상기 비정상 데이터 판별 신경망을 저장하는 단계를 포함하는,훈련 데이터를 생성하고 검증하는 방법
|
5 |
5
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,훈련 데이터를 생성하고 검증하는 방법
|
6 |
6
삭제
|
7 |
7
삭제
|
8 |
8
삭제
|
9 |
9
제 1 항에 있어서,상기 비정상 데이터 판별 신경망의 정확도를 검증하는 단계는,상기 비정상 데이터 판별 신경망에 상기 제2 비정상 데이터 그룹과 상기 모사 비정상 데이터 그룹의 비율을 변경하면서 상기 비정상 데이터 판별 신경망의 출력값을 획득하는 단계;상기 비정상 데이터 판별 신경망의 출력값으로부터 비정상 데이터로 분류되는 정도인 정확도를 산출하는 단계; 및상기 비율 별로 상기 정확도를 비교하는 단계를 포함하는,훈련 데이터를 생성하고 검증하는 방법
|
10 |
10
제 1 항에 있어서,상기 훈련 데이터의 인증 여부를 결정하는 단계는,상기 검증의 결과, 상기 비율 모두에서 상기 비정상 데이터 판별 신경망의 정확도가 일정 범위 내에서 유사할 경우, 상기 모사 비정상 데이터 그룹에 대한 훈련 데이터 인증을 허여하는 단계; 및상기 검증의 결과, 상기 비율 별로 산출된 비정상 데이터 판별 신경망의 정확도들의 차이가 일정 범위를 벗어나는 경우, 상기 모사 비정상 데이터 그룹에 대한 훈련 데이터 인증을 불허하는 단계를 포함하는,훈련 데이터를 생성하고 검증하는 방법
|
11 |
11
제 10 항에 있어서,상기 검증의 결과, 상기 비율 별로 산출된 비정상 데이터 판별 신경망의 정확도들의 차이가 일정 범위를 벗어나는 경우, 상기 레이블링된 비정상 데이터 세트 중 적어도 다른 일부를 생성적 적대 신경망에 적용하여 모사(fake) 비정상 데이터를 생성하는 단계를 더 포함하는,훈련 데이터를 생성하고 검증하는 방법
|
12 |
12
컴퓨터를 이용하여 제 1 항 내지 제 5 항 및 제 9 항 내지 제 11 항의 방법 중 어느 한 항의 방법을 실행시키기 위한 컴퓨터 프로그램이 저장된 컴퓨터로 판독 가능한 기록매체
|
13 |
13
훈련 데이터를 생성하고 검증하는 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 레이블링된 정상 데이터 세트 및 레이블링된 비정상 데이터 세트를 로딩하고,상기 레이블링된 비정상 데이터 세트 중 제1 비정상 데이터 그룹과 상기 레이블링된 정상 데이터 세트를 이용하여 비정상 데이터 판별 신경망을 생성하고,상기 레이블링된 비정상 데이터 세트 중 적어도 일부를 생성적 적대 신경망(GAN: generative adversarial network)에 적용하여 모사(fake) 비정상 데이터 그룹을 생성하고,상기 레이블링된 비정상 데이터 세트 중 제2 비정상 데이터 그룹과 상기 모사 비정상 데이터 그룹의 비율을 변경하며 상기 비정상 데이터 판별 신경망의 정확도를 검증하고,상기 비정상 데이터 판별 신경망의 정확도를 검증한 결과를 기반으로 상기 모사 비정상 데이터 그룹에 대한 훈련 데이터 인증 여부를 결정하도록 야기하는 코드를 저장하고,상기 메모리는 상기 프로세서로 하여금, 상기 비정상 데이터 판별 신경망의 정확도를 검증할 때, 상기 비정상 데이터 판별 신경망에 상기 제2 비정상 데이터 그룹과 상기 모사 비정상 데이터 그룹을 제1 비율로 입력하여 제1 출력값을 획득하고,상기 비정상 데이터 판별 신경망에 상기 제2 비정상 데이터 그룹과 상기 모사 비정상 데이터 그룹을 제2 비율로 입력하여 제2 출력값을 획득하고,상기 제1 출력값과 상기 제2 출력값에서 비정상 판단의 비율을 비교하도록 야기하는 코드를 저장하고,상기 메모리는 상기 프로세서로 하여금,상기 훈련 데이터 인증 여부를 결정할 때, 상기 제1 출력값에서의 비정상 판단 비율과 상기 제2 출력값에서의 비정상 판단 비율의 차이가 미리 결정된 임계치 이하이면 상기 모사 비정상 데이터 그룹의 훈련 데이터 인증을 허여하고,상기 제1 출력값에서의 비정상 판단 비율과 상기 제2 출력값에서의 비정상 판단 비율의 차이가 미리 결정된 임계치를 초과하면 상기 모사 비정상 데이터 그룹의 훈련 데이터 인증을 불허하도록 야기하는 코드를 저장하고,상기 메모리는 상기 프로세서로 하여금,상기 제1 출력값에서의 비정상 판단 비율과 상기 제2 출력값에서의 비정상 판단 비율의 차이가 미리 결정된 임계치를 초과하면, 상기 레이블링된 비정상 데이터 세트 중 적어도 다른 일부를 생성적 적대 신경망에 적용하여 모사(fake) 비정상 데이터를 생성하도록 야기하는 코드를 더 저장하는,훈련 데이터를 생성하고 검증하는 장치
|
14 |
14
제 13 항에 있어서,상기 메모리는 상기 프로세서로 하여금,상기 데이터 세트를 로딩할 때, 정상 기계에서 발생하는 진동신호의 제1 통계적 특성값을 정상(normal) 상태로 레이블링하고, 비정상 기계에서 발생하는 진동신호의 제2 통계적 특성값을 비정상(broken) 상태로 레이블링 하도록 야기하는 코드를 저장하는,훈련 데이터를 생성하고 검증하는 장치
|
15 |
15
제 14 항에 있어서,상기 메모리는 상기 프로세서로 하여금,상기 기계에서 발생하는 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 하고,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 포함하도록 야기하는 코드를 저장하는,훈련 데이터를 생성하고 검증하는 장치
|
16 |
16
제 15 항에 있어서,상기 메모리는 상기 프로세서로 하여금,상기 비정상 데이터 판별 신경망을 생성할 때, 상기 제1 비정상 데이터 그룹과 상기 레이블링된 정상 데이터 세트를 훈련 데이터로 사용하여 심층신경망을 훈련시키고,상기 심층신경망의 훈련을 통하여 기계에서 발생하는 진동신호의 통계적 특성값을 이용하여 상기 기계의 결함여부를 판단하는 상기 비정상 데이터 판별 신경망을 저장하도록 야기하는 코드를 저장하는,훈련 데이터를 생성하고 검증하는 장치
|
17 |
17
제 13 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,훈련 데이터를 생성하고 검증하는 장치
|
18 |
18
삭제
|
19 |
19
삭제
|
20 |
20
삭제
|