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 : 전창범(C. B. Jeon) (검색결과 3 건)
- 무료
- 기관 내 무료
- 유료
-
시계열 특징과 전이학습을 활용한 딥러닝 기반의 중소형 유통사업장 수요예측 모델 개발
전창범(C. B. Jeon),정의연(U. Y. Jung),박건우(K. W. Park),김준(J. Kim),최원화(W. H. Choi),정홍진(H. J. Jeong),정용희(Y. H. Jung),김보현(B. H. Kim) Korean Society for Precision Engineering 2021 한국정밀공학회 학술발표대회 논문집 Vol.2021 No.11월
수요예측은 인공지능의 발전으로 즉각적 환경 변화에 대응이 가능한 딥러닝 수요예측 기법이 활용되는 추세이다. 특히 국내 유통사업장은 상품별로 최적화된 수요예측 알고리즘을 사용하여 판매량을 예측하고, 예측 결과를 발주관리와 연계하여 재고관리 비용을 줄이려는 시도를 하고 있다. 이러한 시도는 데이터 관리 체계가 갖춰진 대형 유통사업장에만 국한되며, 중소형 유통사업장에서는 데이터 관리 및 클라우드 기술의 부족으로 적용이 어려운 상황이다. 따라서 본 연구는 상품별로 최적화된 수요예측 알고리즘이 아닌 최소 개수의 수요예측 알고리즘으로 중소형 유통사업장의 취급 상품의 판매량을 모두 예측하기 위해, 상품의 시계열 특징과 전이학습을 활용한 딥러닝 기반의 수요예측 모델을 개발한다. 이를 위해 먼저 상품 특성에 맞는 수요예측 방법을 설계한다. 중소형 유통사업장의 취급 상품은 신선품과 공산품으로 나뉘어진다. 신선품은 유통기한이 짧고 발주 후 당일 입고되어 다음날 판매량 예측을 수행한다. 공산품은 유통기한이 상대적으로 길고 발주 후 입고까지 2-3 일의 기간이 소요되어 ‘발주와 입고 기간’ 사이의 판매량을 합을 예측한다. 또한, 상품 판매량의 시계열 데이터는 추세(Trend), 계절성(Seasonality), 잔차(Residual) 등의 특징으로 구성되는데, 이는 상품의 판매량 추이를 직접적으로 나타낸다. 이러한 시계열 특징을 기반으로 딥러닝 수요예측 모델을 개발한다. 수요예측 모델은 시계열 특징 중 하나인 잔차를 이용하여 상품 판매량의 무작위성을 분석하고, 이를 기반으로 상품에 적합한 수요예측 알고리즘 선정한다. 이때 수요예측 알고리즘의 성능 향상을 위해 상품 판매량의 추이를 반영하여 수요예측을 진행한다. 제안한 수요예측 모델은 분류된 상품군 안에서 전이학습을 통해 학습하고, 학습된 가중치를 학습에 참여하지 않은 상품에 적용 및 검증한다.
-
K-means 및 헝가리안 알고리즘기반 중소형 유통사업장 배송지역 균등할당 알고리즘 개발
박건우(K. W. Park),전창범(C. B. Jeon),정의연(U. Y. Jung),최원화(W. H. Choi),정홍진(H. J. Jeong),김준(J. Kim),김보현(B. H. Kim) Korean Society for Precision Engineering 2021 한국정밀공학회 학술발표대회 논문집 Vol.2021 No.11월
최근 COVID-19 로 언택트 시대를 맞이하여 유통산업의 물류량은 급진적으로 증가하고 있는 추세이다. 따라서 유통산업은 효율적인 물류관리를 위해 배송 최적화에 노력하고 있다. 하지만 중소형 유통업체는 대형 유통업체에 비해 인력 및 비용의 한계로 배송 최적화에 어려움이 있다. 중소형 유통업체의 배송지 최적화의 이슈는 고객으로부터 접수한 주문의 배송지를 균등하게 할당하는 것이다. 따라서 본 연구는 중소형 유통업체의 배송 최적화를 위해 배송 인력과 배송 이동거리를 고려하여 배송 지역 균등할당 알고리즘을 개발한다. 배송 지역 균등할당 알고리즘은 배송지 밀집도의 특징을 고려하여 배송지를 가용 배송기사에게 균등 할당하는 것이다. 배송지 밀집도 특징을 도출하기 위해 밀도기반 클러스터링 기법인 DBSCAN 으로 배송지의 밀집도가 높은 권역과 낮은 권역으로 나누었다. 밀집도가 높은 권역은 배송 출발지에서 가까우며 배송지 수가 많은 특징을 가지고, 밀집도가 낮은 권역은 배송 출발지에서 멀리 떨어져 있으며 배송지 수가 적은 특징을 가진다. 밀집도가 낮은 권역은 이동거리의 편차가 더 커질 수 있기 때문에 K-means 알고리즘의 Elbow Method 를 사용하여 배송지를 할당한다. 밀집도가 높은 권역은 K-means 알고리즘으로 배송지 그룹을 나누고 그룹의 중심점과 그룹 간 배송지의 거리가 최소가 되게 헝가리안 알고리즘을 적용하여 배송지를 할당한다. 실 데이터를 사용하여 비교한 결과 본 연구에서 제안한 균등알고리즘은 이동거리의 편차와 배송지 수의 편차를 감소시킬 수 있는 것으로 나타났다.
-
CNC 공작기계 채터 검출을 위한 진동 신호 기반 비지도학습 모델 개발
최원화(W. H. Choi),정의연(U. Y. Jung),박건우(K. W. Park),전창범(C. B. Jeon),정홍진(H. J. Jeong),김준(J. Kim),김보현(B. H. Kim) Korean Society for Precision Engineering 2021 한국정밀공학회 학술발표대회 논문집 Vol.2021 No.11월
CNC (Computer Numerical Control) 공작기계가 제조업의 핵심기술로 자리 잡으며, 가공성 및 정밀도 향상의 필요성이 점차 커지고 있다. 특히 가공 소재와 공구 사이에서 발생하는 상대 진동인 채터의 발생은 공구의 수명을 단축시키고 가공 품질을 저하시키는 주요 요인 중 하나로, 지속적으로 관리의 필요성이 제기되고 있다. 하지만 가공 시 사용되는 공구와 시편의 특성 등에 따라 채터의 진단 기준이 상이하기 때문에 채터의 발생을 진단하고 예측하는 것은 도전적인 과제로 남아있다. 본 연구에서는 공작기계의 진동 센서 데이터를 활용하여 채터의 발생을 실시간으로 진단할 수 있는 비지도학습 모델을 제안한다. 특히 제안하는 모델은 Online 비지도학습을 통해 지속적으로 업데이트될 수 있도록 설계되어 가공되는 제품이나 공구의 종류에 따라 가변적으로 적용 가능하다. 본 연구에서는 모델의 학습 및 적용 프레임워크를 먼저 제시한 후 두산 CNC 공작기계를 활용한 케이스 스터디를 진행하여 모델의 활용성을 검증한다. 검증을 위해 두산 CNC 공작기계 스핀들에 2 축 가속도 센서를 부착하여 가공 시 발생하는 진동 데이터를 수집하고, 고속 푸리에 전환 알고리즘을 활용해 전처리를 진행하였다. 그 후 Time Window 별 진동 신호 특징들을 추출한 후 비지도학습의 일종인 군집화를 이용하여 정상 상황과 채터 발생 상황 군집으로 구분하였다. 채터 발생에 대한 정확한 기준이 공구와 제품에 따라 달라질 수 있으므로 군집화를 통해 상황 별로 정상 상태와 채터 발생 상태를 구분한다. 이러한 실시간 채터 진단 모델의 개발은 실시간으로 채터 발생에 대응하여 공작기계 가공의 정밀도 및 품질 향상에 기여할 것으로 기대된다.
연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
