http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
시계열 데이터의 LSTM-RNN 기반 디노이징 모델의 적용을 통한 잔여수명 추정
채선규,배석주 한국품질경영학회 2021 한국품질경영학회 학술대회 Vol.2021 No.-
무기체계 소프트웨어는 방위사업청의 [무기체계 소프트웨어 개발 및 관리 매뉴얼]을 따라 개발 프로세스가 진행되며 크게 요구사항 분석, 소프트웨어 설계, 소프트웨어 구현 과정을 거- 소프트웨어 통합 및 시험 단계를 끝으로 규격화 된다. 소프트웨어 시험 단계에서는 소프트웨어 신뢰성시험을 통해 소프트웨어가 일으킬 수 있는 잠재적인 결함을 사전에 식별하는 과정을 거친다. 신뢰성시험은 코딩규칙 검증, 취약점 점검 및 소스코드 메트릭 점검으로 구성된 정적시험과 소프트웨어를 실제 하드웨어에 탐재한 상태에서 코드의 실행률(Coverage)을 점검하는 동적시험으로 구분한다. 이 중 정적시험은 소스코드가 특정한 규칙을 준수하는지를 확인하며, 코딩규칙 검증에는 MISRA C/C++(C/C++), Code conventions for the Java Programming Language(JAVA), C# Coding Conventions(C#) 등의 표준을 활용하고 있다. 취약점 점검에는 보안취약일반유형(CWE)으로 정의된 CWE-658/659/660(C/C++/JAVA)을 활용하고 있으며, 소스코드 메트릭 점검은 순환복잡도(Cyclomatic Complexity) 등 6가지 측정기준의 준수를 확인한다. C# 언어로 개발된 무기체계 소프트웨어의 경우 CWE-658/659/660(C/C++/JAVA)과 같이 C# 언어 전용의 CWE 항목이 별도로 정의되어 있지 않아 기준 설정에 어려움이 있어 취약점 점검을 수행하지 않고 있다. 이를 개선하기 위해 본 연구는 코딩규칙 검증에 사용되는 C# Coding Conventions 규칙을 분석하고 C# 언어와 유사한 객체지향언어에 적용되는 CWE-659/660(C++/JAVA) 항목과 연계해 C# 언어로 개발된 무기체계 소프트웨어의 취약점 점검에 적용 가능한 CWE 항목을 제시한다.
Denoising CNN 기반 시계열 데이터의 스펙트로그램 이미지를 이용한 리튬 이온 배터리 잔여수명 예측
채선규,배석주 한국품질경영학회 2021 한국품질경영학회 학술대회 Vol.2021 No.-
많은 산업 분야에서 시스템 또는 구성 요소 고장을 방지하는 것이 중요하며, 갑작스러운 고장을 방지하기 위하여 기존의 정기적 보수를 통한 방식이 널리 사용되지만 효율성 및 신뢰성의 요구를 충족하지 못한다. 이에 따라 지능형 예지보전 (PHM) 기술이 중요하며, 해당 분야의 주요영역 중 하나는 잔여수명 (RUL)의 추정이다. 통상적으로, RUL의 추정은 물리적 속성에 대한 충분한 사전 지식에 달려 있으나, 구성 요소에 대한 사전 지식을 얻는 것은 복잡하거나 많은 경우에 불가능하기 때문에, 확 보된 데이터만을 사용하여 잔여 수명을 예측하는 데이터 중심 접근법이 많은 영역에서 제안되고 있다. 그러나 데이터 중심의 접근 방식을 사용하여 구성 요소의 수명을 예측하는 것은 과적합 문제와 모델의 학습 과정에서 과도한 리소스를 사용하기 때문에 한계가 존재한다. 학습과 현장에서의 적용 사이의 정확성과 학습 시간에 영향을 끼치는 이러한 문제를 극복하기 위하여 본 논문에서는 1차원 시계열 데이터를 2차원 스펙트로그램으로 변환하고, 변환된 데이터에 기반한 노이즈 제거 단계와 잔여수명 추정 단계로 구성된 CNN 모델을 제안한다. 본 연구를 통하여 노이즈를 제거하고 고장 신호만을 포함한 스펙트로그램 데이터를 출력할 수 있도록 학습된 CNN 을 통하여 리튬 이온 배터리의 잔여 수명 추정 문제에 접근함으로써 빠르고 정확한 추정이 가능함을 시사한다.
시계열 데이터의 Denoising CNN 적용을 통한 물리 모델 기반의 베어링 잔여수명 추정
채선규,배석주 한국품질경영학회 2020 한국품질경영학회 학술대회 Vol.2020 No.-
많은 산업 분야에서 시스템 또는 구성 요소 고장을 방지하는 것이 중요하며, 갑작스러운 고장을 방지하기 위해 기존의 정기적 보수를 통한 방식이 널리 사용되지만 효율성 및 신뢰성 요구를 충족하지 못한다. 이에 따라서 지능형 예지보전 (PHM) 기술이 중요해지고 있으며, 해당 분야의 가장 주요영역 중 하나는 잔여수명 (RUL) 추정이다. 전통적으로, RUL의 추정은 물리적 속성에 대한 충분한 사전 지식에 달려 있으나, 구성 요소에 대한 사전 지식을 얻는 것은 복잡하거나 많은 경우에 불가능하기 때문에, 확보된 데이터만을 사용하여 잔여 수명을 예측하는 데이터 중심 접근법이 많은 영역에서 제안되고 있다. 그러나 데이터 중심의 접근 방식을 사용하여 구성 요소의 수명을 예측하는 것은 과적합 문제와 모델의 학습 과정에서 과도한 리소스를 사용하기 때문에 한계가 존재한다. 학습과 현장에서의 적용사이의 정확성과 학습 시간에 영향을 끼치는 이러한 문제를 극복하기 위하여 본 논문에서는 노이즈 제거 단계와 잔여 수명 추정 단계로 구성된 CNN 모델을 제안한다. 본 연구를 통하여 물리 모델 기반의 시뮬레이션 데이터를 통하여 고장 신호만을 출력할 수 있도록 학습된 CNN을 통하여 베어링의 잔여수명 문제에 접근함으로써 빠르고 정확한 추정이 가능함을 시사한다