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
- 강철구
- 발행연도
- 2023
- 저작권
- 건국대학교 논문은 저작권에 의해 보호받습니다.
이용수2
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
철도차량 공기압축기는 철도차량의 안전한 운행을 위해 적절한 유지보수가 필수적인 장치이다. 최근 철도차량의 효율적인 유지보수를 위해 예측정비가 많은 관심을 받고 있으며 이를 위한 머신러닝을 활용한 고장예지에 관한 연구가 많이 진행되고 있다.
이 연구에서는 LSTM-AE의 고장예지 성능을 개선하기 위해 이상점수 방식에 따른 고장예지 성능을 비교한다. LSTM-AE를 이용한 고장예지는 오토인코더의 입력값과 출력값의 차이를 이상점수로 이용하여 수행한다. MAE, MSE, 마할라노비스 거리, 동적시간왜곡 방법을 사용하여 두 데이터 사이의 차이를 측정하여 각 방법에 따른 정확도를 비교하여 고장예지 성능을 비교한다.
이상점수에 따른 고장예지 성능 비교 결과 정상 데이터에서는 모두 비슷한 성능을 보였으나, 이상 데이터에 대해서는 동적 시간 왜곡이 가장 높은 성능을 보여 이상점수 방법을 교체함으로써 LSTM-AE모델을 이용한 고장예지의 성능을 개선할 수 있음을 보였다.
이 연구에서는 LSTM-AE의 고장예지 성능을 개선하기 위해 이상점수 방식에 따른 고장예지 성능을 비교한다. LSTM-AE를 이용한 고장예지는 오토인코더의 입력값과 출력값의 차이를 이상점수로 이용하여 수행한다. MAE, MSE, 마할라노비스 거리, 동적시간왜곡 방법을 사용하여 두 데이터 사이의 차이를 측정하여 각 방법에 따른 정확도를 비교하여 고장예지 성능을 비교한다.
이상점수에 따른 고장예지 성능 비교 결과 정상 데이터에서는 모두 비슷한 성능을 보였으나, 이상 데이터에 대해서는 동적 시간 왜곡이 가장 높은 성능을 보여 이상점수 방법을 교체함으로써 LSTM-AE모델을 이용한 고장예지의 성능을 개선할 수 있음을 보였다.
목차
제1장 서론 11.1 연구 배경 11.2 연구 목표 2제2장 철도차량 공기압축기 32.1 철도차량 공기압축기 종류와 특징 32.2 스크루 공기압축기 4제3장 고장예지를 위한 머신러닝 73.1 인공신경망 73.2 오토인코더 83.3 LSTM(long short-term memory) 9제4장 이상탐지 로직 설계 124.1 데이터 수집 및 전처리 124.2 하이퍼 파라미터 결정 174.3 MSE & MAE 204.4 마할라노비스 거리 214.5 동적시간왜곡 22제5장 시험 결과 235.1 학습결과 235.2 이상점수에 따른 LSTM-AE 성능 평가 26제6장 결론 32참고문헌 33부록 35국문초록 47
최근 본 자료
댓글(0)
0