http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 박훈석 (검색결과 4 건)
-
-
-
다변량 제조 시계열 데이터의 규칙 발견 및 패턴 분석 연구
데이터 마이닝, 인공 지능 분야의 데이터 기반 기법들을 생산 시스템에 도입하여 활용하는 사례들이 제조업에서 증가하고 있다. 세부적으로는 최적화, 품질 관리, 설비 예지 보전 등 다양한 분야에서의 개선이 이루어지고 있다. 그 중 공정 관리는 공정 변수들의 변동성의 관리에 관련된 문제를 다룬다. 특히, 공정 변수의 이상치는 제품의 품질에 영향을 줄 수 있기 때문에, 이상치 발생 패턴을 분석하는 문제는 중요하게 다루어야 한다. 공정 변수의 측정값은 생산 설비에 부착한 여러 센서들로부터 일정한 시간 간격으로 수집할 수 있다. 따라서, 공정 변수의 측정값을 시계열 데이터로 간주하고 데이터 기반 기법들을 적용할 수 있다. 본 논문에서는 제조 공정에서 수집할 수 있는 공정 변수들의 값을 다변량 시계열 데이터로 보았을 때, 이상치 발생에 대한 규칙을 발견하는 분석 방법론을 제안한다. 다변량 시계열 데이터로부터 효율적인 패턴 발견을 위해 Symbolic Aggregate approXimation(SAX)을 적용하여 차원 축소와 기호화 한다. 또한, 연관성 규칙 발견과 순차 규칙 발견에 효과적인 자료 구조인 Symbol baskets과 Symbol sequence baskets를 제안한다. 검증을 위해 제조 관련 실제 데이터에 본 방법론을 실험하였다. 그 결과 실험 데이터의 이상치와 관련된 유의미한 연관성 규칙들과 순차적 규칙들을 발견할 수 있었다. Data mining and artificial intelligence are increasingly being used in the manufacturing industry. In detail, improvements are being made in various area such as optimization, quality control, and predictive maintenance. Especially, the process control addresses the issues related to the variance and trend of process parameters affecting product quality. The process parameter data can be collected from various sensors attached to the production equipment and can be applied to data-driven techniques by considering them as time series. Since the deviated events of process parameter may affect the quality of the product, it is important that finding and analyzing the patterns of deviated events. In this paper, I propose a methodology to discover rules related to deviated events that can be generated from multivariate time series data collected in the manufacturing process. In the proposed methodology, the symbolic aggregate approximation is applied to multivariate time series data for efficient pattern discovery to dimensionality reduction and symbolization. I also propose the symbol baskets and the symbol sequence baskets as effective data structures for association rule discovery and sequential rule discovery. For the validation, this methodology was applied to real-life data related to manufacturing industry. As a result, I discovered meaningful association rules and sequential rules in multivariate manufacturing time series data.
-
Explainable Artificial Intelligence for Spatiotemporal Data Analysis
Explainable artificial intelligence (XAI) has arisen over the past years due to the expansion of applications based on machine learning (ML) and deep learning (DL) in many industries, such as neuroscience, healthcare, manufacturing, and logistics. For practical usage of XAI, characteristics of model behavior, data, and domain knowledge in those industries should be considered to deliver an informative explanation and insight to a user. With the advent of big data, analysis of spatiotemporal data collected across time with spatial information is arising as one of the important fields in industrial AI. However, many XAI methods and applications have focused on tabular, images, and text data because those data. However, there is still a lack of specialized XAI studies for spatiotemporal data analysis. With the advances of recent XAI methods on DL models, further expansions can be explored for spatiotemporal data analysis. This study addresses a framework to develop XAI methods for spatiotemporal data analysis using DL models. In the first part of this thesis, a framework including tasks, DL models, and XAI approaches is introduced according to three important domains in the spatiotemporal data such as space, time, and frequency. In the second and third parts of this thesis, example applications of XAI methods are proposed in two fields that use spatiotemporal data, such as brain-computer interface (BCI) and automated material handling system (AMHS). These XAI methods depend on each application due to the characteristics of data and domain knowledge in that application. An XAI method for BCI provides example-based explanations of motor imagery tasks using DL by combining influence estimation and input perturbations. In the AMHS application, model-specific explanations for travel time prediction are introduced with an embedding model for a railway network and a specialized DL model. These applications provide what should be considered for developing an effective XAI method for spatiotemporal data analysis. 설명가능한 인공지능(XAI: eXplainable Artificial intelligence)은 기계학습(machine learning)과 딥러닝(deep learning) 기반의 응용 사례들이 뇌과학, 의료, 제조, 물류 등 여러 산업군으로 확장되면서 지난 수년 동안 많은 주목을 받고 있다. XAI의 실제 적용을 위해서는 모형 작동, 데이터, 특정 산업 분야의 지식에 대한 특성을 고려하여 사용자에게 유용한 설명과 통찰을 제공해야 한다. 최근 빅데이터 분석기술이 발전함에 따라, 시간에 따른 공간 정보를 포함한 시공간 데이터의 분석이 산업인공지능에서 중요한 분야로 떠오르고 있다. 그러나 기존의 많은 XAI 기법들과 응용은 결과 해석과 이해가 용이한 정형 데이터, 이미지, 문자 데이터에 집중되어 있었다. 따라서 시공간 데이터 분석에 특화된 연구들은 부족한 실정이다. 딥러닝 모형에 대한 XAI 기법들의 많은 발전이 최근에 이루어지고 있다. 이들을 더욱 확장함으로써 시공간 데이터를 위한 XAI 기법의 개발이 가능할 것이다. 본 논문은 딥러닝 기반의 시공간 데이터 분석을 위한 XAI 기법들의 개발을 위한 체계들을 다룬다. 논문의 첫 번째 부분에서는 시공간 데이터의 중요한 세 가지 영역인 시간, 공간, 주파수에 따른 분석 과제, 딥러닝 모형, XAI 방법론들을 정리한 체계를 소개한다. 두 번째와 세 번째 부분에서는 시공간 데이터를 사용하는 뇌-컴퓨터 인터페이스(BCI: Brain-Computer Interface), 자동 자재관리 시스템(AMHS: Automated Material Handling System) 두 응용 분야에 대한 XAI 기법들을 제안한다. 제안된 XAI 기법들을 각 응용 분야의 전문지식과 데이터 특성에 의존한다. BCI를 위한 XAI 기법은 영향도 추정(influence estimation)와 입력 섭동(input perturbation)을 결합하여 운동 심상(motor imagery) 과제에 대한 예제 기반 설명을 제공한다. AMHS 사례에서는 반송 시간 예측을 위한 모형 종속 설명 기법을 소개한다. 해당 기법은 철도망에 대한 임베딩(embedding) 모형과 특화된 딥러닝 모형에 기반한다. 본 응용사례들을 통해 시공간 데이터 분석을 위한 효과적인 XAI 기법의 개발에서 고려해야 할 부분들을 제공한다.
연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
