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

논문 기본 정보

자료유형
학술저널
저자정보
김영자 (한양대학교) 최경현 (한양대학교)
저널정보
아태인문사회융합기술교류학회 아시아태평양융합연구교류논문지 Asia-pacific Journal of Convergent Research Interchange Vol.10 No.1
발행연도
2024.1
수록면
173 - 183 (11page)
DOI
http://dx.doi.org/10.47116/apjcri.2024.01.15

이용수

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

초록· 키워드

오류제보하기
Manufacturing systems face the fundamental challenge of efficient operation by leveraging vast amounts of real-time data collected through technological advancements such as artificial intelligence and machine learning. Maintenance systems have evolved to predict and manage equipment failures in advance, with data-driven fault detection being a crucial technology. However, most related research has been limited to single equipment for specific processes, making the direct application in actual manufacturing settings that use various equipment models or types challenging. When using multifacility models, the most crucial aspect is the analysis of variations and errors in the data collected from each facility. To mitigate the risk associated with a sole vendor, different models of equipment is used strategically, even for the same functionality. Consequently, collecting temporally mismatched data is prevalent. The current methodology, which has been predominantly focused on a single-facility approach, faces limitations in its application when dealing with unstructured, unlabeled data, or temporally mismatched data obtained across multiple facilities. This study employed the dynamic time warping (DTW) method to analyze discrepancies in time-series data obtained from multiple equipment groups by leveraging similarity analysis of data peak matching for anomaly detection. Specifically, an approach called auto time windowing is adopted to extract signal periods based on the detailed signal analysis results of the process, enabling the application of DTW. The auto time windowing allows for the accurate automated analysis of signal period by overcoming the limitations of analysis errors caused by noise in the existing data using the threshold of the actual signal. This methodology is validated for two different equipment groups involved in a real-world production process, where parts are attached to products. The results of this study demonstrated an improvement over conventional time-series analysis methods such as the Euclidean method, addressing errors that may occur. This research enhances the analysis theory using DTW for the actual problem of data discrepancies among multiple equipment groups in the manufacturing field, which is not previously considered in existing predictive maintenance (PdM) theories. This validation through case studies effectively contributes to expanding the utilization of PdM.
#Dynamic Time Warping #Predictive Maintenance #Anomaly Detection #Multiple Facilities

목차

등록된 정보가 없습니다.

참고문헌 (0)

참고문헌 신청
참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

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

최근 본 자료

전체보기

댓글(0)

0