Professional Documents
Culture Documents
고장 패턴 추출을 위한 Dynamic time segment 기반의 다변량 이산화 기법
고장 패턴 추출을 위한 Dynamic time segment 기반의 다변량 이산화 기법
고장 패턴 추출을 위한 Dynamic time segment 기반의 다변량 이산화 기법
Multivariate discretization via dynamic time segment for fault pattern extraction
전처리 기법으로 많이 사용되었다. 이산화 데이터에 적절한 전처리 과정이 필요하다 [2].
1751
2. 관련 연구 Step 3. 추가 Time segment(ΔW) 내의 신호의
평균을 계산한다.
Fixed time segment를 이용하여 이산화 기법은 Step 4.1 W0와 ΔW의 평균값이 데이터
고정된 Time segment 길이에 맞추어 전체 Amplitude 축의 같은 구간에 존재한다면 𝑊0 +
데이터를 유한한 구간의 데이터로 변환하는 ∆𝑊를 W0로 변환한 후 Step 3를 진행한다.
방법이다. 이는 매우 간단한 방법인 반면 Step 4.2 두 평균 값이 다르다면, 현재까지
사전에 정해진 Time segment의 길이에 영향을 W0까지를 이산화한 후 Step 2부터 재 시행한다.
많이 받고 고정된 길이로 의해 원본 데이터의
Multivariate time series에 본 기법을
변동을 놓치거나 다르게 해석할 수 있다 [3].
적용하게 될 경우 각각의 센서 데이터에 따라
Sliding window를 이용한 Time 다른 Time segment set을 가지고 있어 Sensor
segmentation 기법은 이러한 문제를 해결하기 fusion을 진행하는 데 있어 어려움이 발생한다.
위한 방법 중 하나로써 Time segment 내의 그러므로 본 논문에서는 이를 간단하게
최신 데이터가 다음 Time segment에 중복되어 해결하고자, Multivariate time series에서 발생한
이산화 기법을 수행한다 [4]. 본 방법의 경우 모든 Time segment sets의 합집합을 이용하여
Time segment에 의해 끊어져 데이터 내의 최종 Time segmentation 결과로 사용하였다.
패턴이 손실될 확률은 낮으나, 연산할
데이터의 양이 많아지는 단점이 있다.
3.2 고장 패턴 추출 결과
Dynamic time segment의 경우
기본(최소) Time segment를 기반으로 시작하여 최종 성능에 영향을 미치는 네 가지 이산화
Growing time segment만큼 점점 Time segment의 파라미터의 값을 아래의 Table 1과 같이
길이를 사용자가 정의한 기준까지 늘려나가는 다르게 설정하여 고장 패턴 추출 성능을 비교
방법이다 [5]. Dynamic time segment를 사용할 분석하였다. 다변량 이산화 기법 및 고장 패턴
경우 데이터 내의 패턴이 Time segment에 의해 추출 과정에 의해 도출되는 결론은 확정적
끊어질 확률이 낮으면서 Sliding window (Deterministic) 수치이므로 반복 실험을
기법에 비해 연산할 데이터 양이 비교적 적다. 진행하지는 않았다.
1752
상태에서도 모두 발견되었음을 의미한다. 민감도 분석 결과를 정량적으로
평가하기 위하여 Kolmogorov-Smirnov (KS)
다변량 이산화 기법을 응용한
거리를 측정하였다 [7]. 그 결과 Bin width
파라미터 중 Bin width threshold의 경우 고장
threshold는 고장 패턴 추출에 가장 민감하게
패턴 추출의 결과가 좋은 경우와 나쁜 경우,
영향을 미치는 반면, Δw 는 유의한 영향을
모두에서 뚜렷하게 차이가 나는 양상을
미치지 않았다.
보였다. Bin width threshold를 80%로 설정할
경우 고장 패턴에 도움을 주었으나, 10% 또는 Table 4 KS distance obtained by MPSA method
90%로 설정할 경우 오히려 부정적인 영향을 Discretization
Δw b bw linearT
미쳤다. parameters
Table 2 Discretization parameter levels which KS distance 0.03 0.31 0.67 0.08
produces an acceptable/good performance
(acceptable performance ≥80%)
4. 결론
Δw b bw linearT
1 3, 5, 7 80 False
2 3, 5, 7 80 False 본 연구에서는 고장 패턴 추출을 위해서
5 5, 7 80 False Amplitude의 변화에 따라 Time segment의
10 3, 5, 7 80 False 길이를 조정하는 Dynamic time segment를
이용한 다변량 이산화 기법을 적용하였다. 그
Table 3 Discretization parameter levels which
produces a worst performance (worst 결과, 고장 패턴 추출에 Dynamic time
performance ≤ 5%) segment의 길이는 통계적으로 유의한 영향을
미치지 않은 반면, Labelling에 영향을 미치는
Δw b bw linearT
파라미터는 패턴 추출에 민감하게 작용하였다.
1 3 10, 20, 30 False
그러므로 본 연구에서 고안된 기법을 사용할
2 3 10, 20 False 경우, Time segmentation보다 Labelling이 최종
10 3 60 False 고장 패턴 추출에 더 유의한 영향을 미치고
1, 2, 5, 10 3, 5, 7 90 False 있음을 확인하였다.
1753
참고 문헌
1754