http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
기기 이상 감지를 위한 LSTM Autoencoder 구현
전승현(Jeon S.H.),박채린(Park C.L.),이규원(Lee G.W.),김성종(Kim S.J.),구본근(Gu B.G.) 한국정보기술학회 2022 Proceedings of KIIT Conference Vol.2022 No.12
산업 기기의 고장 여부를 미리 알 수 있다면 인력적으로나 경제적으로도 손실을 막을 수 있을 것이다. 실제 장비고장 예측을 위한 많은 기계학습 알고리즘이 연구되고 있지만, 기계의 이상 데이터가 많지 않아 모델을 학습시키기에 어렵다는 문제점이 있다. 본 논문에서는 산업 기기의 고장을 탐지할 수 있는 모델을 제안하고 정상들 사이에 고장 값이 섞여 있는 비슷한 데이터를 가져와 직접 시험해 본다. 모델 학습의 준비작업으로 비지도 학습 방법론 중 하나인 LSTM Autoencoder를 사용해 펌프 센서 데이터의 이상을 탐지하는 모델을 생성했고, 최종 실험 결과는 분류문제에 대한 성능을 측정할 수 있는 AUC(Area Under the Curve)가 0.834, 테스트 정확도가 0.999587을 보였다. If industrial equipment failure can be known in advance, loss in manpower and economically can be prevented. Many machine learning algorithms for predicting actual equipment failure are being studied, but there is a problem that it is difficult to train the model because there is not much abnormal data of the machine. In this paper, we propose a model that can detect failures of industrial equipment and test them directly by bringing similar data with failure values mixed between normals. As a preparation for model learning, a model that detects anomalies in pump sensor data is implemented using LSTM Autoencoder, one of the unsupervised learning, and results of the experiments showed that, the accuracy of AUC (Area Under the Curve) is 0.834, and the accuracy of test data is 0.9996.