메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
정승환 (부산대학교) 김민석 (부산대학교) 이한수 (부산대학교) 김종근 (부산대학교) 김성신 (부산대학교)
저널정보
한국정보통신학회 한국정보통신학회논문지 한국정보통신학회논문지 제24권 제2호
발행연도
2020.2
수록면
192 - 197 (6page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
대규모 발전소나 화학공정과 같은 다변량 공정은 매우 위험한 환경에서 운전되기 때문에 고장이 발생하면 심각한 인적 · 물적 손실이 발생할 수 있다. 따라서 시스템의 고장을 사전에 탐지할 수 있는 온라인 모니터링 기술이 필수적이다. 본 논문에서는 세 가지의 다른 다변량 공정 데이터에 ICA를 적용하여 고장탐지를 수행하였고, PCA와 성능을 비교하였다. ICA 기반의 고장탐지 절차는 크게 오프라인 과정과 온라인 과정으로 나뉜다. 오프라인 과정에서는 시스템이 정상일 때 계측된 데이터를 이용하여 고장판별을 위한 문턱 값을 설정한다. 그리고 온라인 과정에서는 실시간으로 계측되는 질의벡터에 대한 통계량을 계산한 후, 계산된 통계량과 사전에 정의된 문턱 값과 비교하여 고장을 판별한다. 본 논문에서 이용한 세 가지의 다변량 공정 데이터에 실험한 결과, ICA 기반 고장탐지 방법이 시스템의 고장을 사전에 탐지하였고, PCA 보다 우수한 고장탐지 성능을 보여주었다.
#고장탐지 #공정 모니터링 #독립성분분석 #다변량 공정 #fault detection #process monitoring #independent component analysis #multivariate process

목차

요약
ABSTRACT
Ⅰ. 서론
Ⅱ. 고장탐지방법
Ⅲ. 대상 시스템: 다변량 공정 모델
Ⅳ. 실험 결과
Ⅴ. 결론
REFERENCES

참고문헌 (12)

참고문헌 신청
J. S. Oh, “Straight Line Detection Using PCA and Hough transform,” Journal of the Korea Institute of Information and Communication Engineering, vol. 22, no. 7, pp. 227-232, Feb. 2018. google schola J. M. Lee, C. K. Yoo, and I. B. Lee, “Statistical monitoring of dynamic processes based on dynamic independent component analysis,” Chemical Engineering Science, vol. 59, pp. 2995-3006, Jul. 2004. google schola W. Ku, R. H. Storer, and C. Georgakis, “Disturbance detection and isolation by dynamic principal component analysis,” Chemometrics and Intelligent Laboratory System, vol. 30, pp. 179-196, 1995. google schola M. Kano, S. Hasebe, I. Hashimoto, and H. Ohno, “A new multivariate statistical process monitoring method using principal component analysis,” Computer and Chemical Engineering, vol. 25, pp. 1103- 1113, 2001. google schola M. Z. Sheriff, M. Mansouri, M. N. Karim, H. Nounou, and M. Nounou, “Fault detection using multiscale PCA-based moving window GLRT,” Journal of Process Control, vol. 54, pp. 47-64, 2017. google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

머신 러닝을 이용한 중유 화력 열병합 발전소 보일러의 고장 예지
강새별 ,  이현희 ,  오정석 외 1명 대한기계학회 논문집 B권 2020 .05
효율적인 태양광 발전시스템 운용을 위한 인공신경망 기반 일사량 예측에 관한 연구
김민석 ,  정승환 ,  김종근 외 3명 한국지능시스템학회 논문지 2019 .12
주성분분석을 이용한 고압급수가열기의 고장탐지 및 진단
정승환 ,  김민석 ,  장재열 외 2명 한국지능시스템학회 논문지 2018 .04
나이브 베이지안 네트워크를 이용한 채프에코 탐지 및 제거 방법
이한수 ,  유정원 ,  박지철 외 1명 제어로봇시스템학회 논문지 2013 .10

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2020-004-000454044