도메인 적응 기반 준지도 학습을 활용한 에어컨 냉매 충전량 분류 모델 개선 :Improvement of Classification Model on A/C Refrigerant Charge Level using Domain Adaptation based Semi Supervised Learning

김재희

추천

검색

자료유형: 학위논문

저자정보: 김재희 (부산대학교, 부산대학교 대학원)

지도교수: 노유정

발행연도: 2023

저작권: 부산대학교 논문은 저작권에 의해 보호받습니다.

이용수1

이 논문의 연구 히스토리 (3)

2023

도메인 적응 기반 준지도 학습을 활용한 에어컨 냉매 충전량 분류 모델 개선

김재희 기계공학부 2023.01 학위논문

2022

군집화 기반 정상상태 식별을 활용한 시스템 에어컨의 냉매 충전량 분류 모델 개발

김재희 , 노유정 , 정종환 외 2명 한국전산구조공학회논문집 2022.12 학술저널

도메인 적응 기법을 적용한 냉각 용량에 따른 에어컨 냉매량 분류

김재희 , 노유정 , 강영진 외 3명 대한기계학회 춘추학술대회 2022.11 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

냉매 누설은 에어컨에서 빈번하게 발생하는 고장 모드 중 하나이다. 적정 충전량 대비 누설 및 과충전 모두 제품의 열교환 능력을 저하시키는 만큼, 누설 정도를 효과적으로 판단하는 것이 중요하다. 이에 따라, 냉매 누설 정도를 진단하기 위한 여러 연구가 진행되었으며, 최근에는 기계 학습을 포함한 인공지능 모델들을 활용한 연구 결과들이 발표되고 있다. 그럼에도 불구하고, 기존의 연구들은 누설 진단 모델 개발을 위한 정상 및 비정상 데이터를 단일 제품으로부터 수집하였다는 한계가 존재한다.
에어컨은 사용 목적 및 설치 환경에 따라 서로 다른 구성요소 및 냉방 용량으로 설계된다. 서로 다른 제품의 경우, 동일한 운전 조건 속에서도 상이한 인자 값들이 센서를 통해 기록되며, 이러한 현상을 도메인 불일치라고 정의한다. 도메인 불일치 문제는 다양한 산업계에서 빈번하게 발생하는 현상으로 이를 해결하기 위한 도메인 적응 기법들이 연구되었다. 하지만, 기존의 도메인 적응 기법들은 서로 다른 두 도메인의 분포를 일치시키는 것을 목표로 할 뿐, 결정 경계를 일치시키는 과정이 아니다. 각 도메인은 수집되는 정보량에 따라 고유한 결정 경계를 가지는 만큼, 새로운 도메인에서 모델의 성능을 확보하기 위해서는 두 도메인이 공통된 잠재공간에서 유사한 결정 경계를공유하도록 변환할 필요가 있다.
본 연구에서는 이러한 기존의 한계들을 고려한 채 서로 다른 도메인에 대해 개선된 분류 정확도를 확보하기 위해 LDA-Whitening 기반 레이블 확산 모델을 적용하고자 한다. 먼저, 도메인 불일치에 따른 모델의 분류 성능 저하와 도메인 적응의 필요성을 확인하기 위해, 서로 다른 도메인으로부터 수집된 에어컨 운전 데이터를 활용하여 지도 학습 기반의 SVM 모델을 학습하였다. 이후, 모델 개선을 위해 LDA를 활용하여 서로 다른 두 도메인을 클래스 간 높은 분리도의 축으로 매핑시켰으며, 화이트닝 변환을 통해 두 도메인의 상관성을 제거함과 동시에 정규화된 공간에서 분포를 일치시켰다. 일치된 두 도메인에 대해 1-NN 알고리즘을 통해 레이블 확산 모델에 필요한 정보만을 소스 도메인으로부터 추출하였으며, 추출된 레이블 정보를 활용한 레이블 확산 모델을 통해 타겟 도메인을 분류하였다. LDA-Whitening 기반 레이블 확산 모델의 분류 개선정도를 확인하기 위해 SVM 모델과 더불어 기존의 도메인 적응 기법들과 분류 결과를비교하였으며, 최대 58.16%의 정확도 개선이 이뤄졌음을 확인하였다.

Leakage of refrigerant is one of common fault modes in air conditioner. Since, both leakage and overcharge degrade the heat exchanging performance of products, it is important to accurately determine the leakage level of refrigerant. Various researches have been conducted for diagnosing the leakage level, including artificial intelligence models such as machine learning. Nevertheless, there are limits that existing studies have collected normal and abnormal data from a single product for the development of a leakage diagnosis model.
Based on the purpose of use and the installation environment, air conditioners can be varied with different components and cooling capacities. Operation data collected from different products can be differed even under the same operation conditions, and this is defined as domain mismatch. Since, domain mismatch is one of a common problems in various industries, domain adaptation techniques have been proposed to deal with mismatching problem. However, existing domain adaptation techniques aim to match the distributions of two different domains, while doesn’t considering the match of decision boundaries. Since each domain has its own decision boundaries depending on the amount of information, it is necessary to transform both domains into
shared subspace to have similar decision boundaries.
In this study, LDA-Whitening based label spreading model has been proposed to obtain improved classification accuracy for different domains, while considering existing limits. First, to identify the degradation of model performance according to domain mismatch and the need for domain adaptation, supervised learning based SVM model has been trained using operation data from two different domains. Afterwards, by using LDA, both domains have been mapped to an axis having high separation between classes. Continuously, whitening transformation have been conducted to remove the correlation and match the distributions in a standardized feature space. Among two matched distributions, label spreading model trained by specific information, extracted from the source domain via 1-NN algorithm, has been used to classify the labels of target domain. Eventually, by using proposed method, classification accuracy has been improved maximum 58.16% compared to SVM model and conventional domain adaptation methods.

#에어컨[air conditioner] #냉매[冷媒] #도메인[domain]

1. 서론 1
2. 데이터 수집 4
3. 데이터 전처리 8
3.1 특징 엔지니어링 8
3.2 퍼지 군집 기반 정상상태 식별 11
3.3 최소-최대 정규화 17
4. 다중 분류 모델 개발 18
4.1 mRMR 알고리즘 기반 특징 선택 18
4.2 Support Vector Machine 23
4.3 모델 최적화 및 다중 분류 결과 27
5. 모델 성능 개선을 위한 도메인 적응 기반 준지도 학습 34
5.1 도메인 적응 35
5.2 LDA-Whitening 40
5.3 Label Spreading 46
5.4 1-NN 기반 정보 추출 및 다중 분류 결과 49
5.5 분류 정확도 개선 결과 분석 53
6. 결론 57
참고문헌 59
ABSTRACT 62

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (3)

초록· 키워드

목차

최근 본 자료

댓글(0)