지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 노동건
- 발행연도
- 2022
- 저작권
- 숭실대학교 논문은 저작권에 의해 보호받습니다.
이용수54
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
저온저장고는 농·수·축산물, 식품 및 제약품등 사회의 다양한 분야에서 필수적인 기반시설이 되어 가고 있다. 유통 분야에서는 물류 품질을 높이기 위해 콜드체인 시스템 도입이 점차 확대되면서 저온저장고의 필요성이 더욱 증대되고 있다. 그러나 저온저장고 운영업체에서는 시스템 운영을 전담하는 관리자가 공석인 경우가 많으며 있다 하더라도 전문성 부족 등으로 정밀한 분석이 어렵다.
본 논문에서는 저온저장고에 설치된 IoT 센서들을 통하여 온도, 습도, CO2, 진동, 소음 등의 다양한 데이터를 수집하고 이를 저장하고자 한다. 또한, 저장된 데이터를 활용하여 인공지능을 기반으로 하는 이상 탐지를 구현하고자 한다. 이상 탐지의 대상은 콤프레셔 팬모터로 가장 많은 고장이 발생하는 장비이다. 콤프레셔 팬모터의 진동값은 시계열 데이터이기에 이상 진단을 위한 알고리즘으로 LSTM를 사용하고자 한다. 또한, 정밀도-재현율 그래프를 사용하여 임계값 설정하였다.
인공지능을 통한 모델 학습은 많은 리소스를 필요로 하는데 로컬에 고사양의 시스템을 구축하는 것은 자원의 낭비를 초래할 수 있다. 따라서 효율적인 시스템을 유지하기 위해 Edge AI 구조를 적용하여 고사양의 클라우드 서버에서 모델 학습을 수행하고 로컬에서는 Edge 로컬 서버로 동작하며 데이터 수집과 실시간 확인 등을 수행할 것이다. 이를 통해 관리자가 최소한으로 시스템 운영에 개입하면서 저온저장고를 최적의 상태를 유지할 수 있는 저온저장고 관리 플랫폼을 제안하고자 한다.
본 논문에서는 저온저장고에 설치된 IoT 센서들을 통하여 온도, 습도, CO2, 진동, 소음 등의 다양한 데이터를 수집하고 이를 저장하고자 한다. 또한, 저장된 데이터를 활용하여 인공지능을 기반으로 하는 이상 탐지를 구현하고자 한다. 이상 탐지의 대상은 콤프레셔 팬모터로 가장 많은 고장이 발생하는 장비이다. 콤프레셔 팬모터의 진동값은 시계열 데이터이기에 이상 진단을 위한 알고리즘으로 LSTM를 사용하고자 한다. 또한, 정밀도-재현율 그래프를 사용하여 임계값 설정하였다.
인공지능을 통한 모델 학습은 많은 리소스를 필요로 하는데 로컬에 고사양의 시스템을 구축하는 것은 자원의 낭비를 초래할 수 있다. 따라서 효율적인 시스템을 유지하기 위해 Edge AI 구조를 적용하여 고사양의 클라우드 서버에서 모델 학습을 수행하고 로컬에서는 Edge 로컬 서버로 동작하며 데이터 수집과 실시간 확인 등을 수행할 것이다. 이를 통해 관리자가 최소한으로 시스템 운영에 개입하면서 저온저장고를 최적의 상태를 유지할 수 있는 저온저장고 관리 플랫폼을 제안하고자 한다.
목차
제 1 장 서론 11.1 연구 배경과 목적 11.2 연구 내용 및 방법 21.3 논문의 구성 3제 2 장 관련 연구 52.1 IoT 52.1.1 IoT 센서 62.1.2 글로벌 시장 동향 62.2 예측 정비 관련 연구 72.2.1 예측 정비 72.2.2 예측 정비 기술 82.2.3 예측 정비 프로그램 92.3 인공지능 기반 이상 탐지 관련 연구 112.3.1 비지도 방식의 이상 탐지 112.4 Edge AI 관련 연구 132.4.1 Edge AI의 장점 142.4.2 Edge AI 활용 15제 3 장 딥러닝을 활용한 이상 탐지 173.1 이상 탐지 알고리즘 173.1.1 K-Nearest Neighbor(KNN) 알고리즘 173.1.2 주성분 분석(PCA) 알고리즘 183.1.3 LSTM 알고리즘 203.2 데이터 수집 및 전처리 203.2.1 데이터 수집 203.2.2 전처리 방법 203.3 모델 학습 213.3.1 LSTM 모델 구성 213.3.2 학습 파라미터 213.3.3 학습 과정 223.3.4 임계값(Threshold) 설정 233.4 성능 평가 및 결과 분석 24제 4 장 저온저장고 관리 시스템 구현 274.1 시스템 개발 환경 274.2 구현 284.2.1 저온저장고 설치 284.2.2 로컬 Edge 서버 294.2.3 클라우드 서버 314.2.4 Edge AI 구현 32제 5 장 결론 및 추후 연구 34참고문헌 36
최근 본 자료
댓글(0)
0