• 대한안전경영과학회지
• /
• 제24권4호
• /
• pp.1-8
• /
• 2022

Elevators are the main means of transport in buildings. A malfunction of an elevator in operation may cause in convenience to users. Furthermore, fatal accidents, such as injuries and death, may occur to the passengers also. Therefore, it is important to prevent failure before accidents happen. In related studies, preventive measures are proposed through analyzing failures, and the lifespan of elevator components. However, these methods are limited to existing an elevator model and its surroundings, including operating conditions and installed environments. Vibration occurs when the elevator is operated. Experts have classified types of faults, which are symptoms for malfunctions (failures), via analyzing vibration. This study proposes an artificial intelligent model for classifying faults automatically with deep learning algorithms through elevator vibration data, hereby preventing failures before they occur. In this study, the vibration data of six elevators are collected. The proposed methodology in this paper removes "the measurement error data" with incorrect measurements and extracts operating sections from the input datasets for proceeding deep learning models. As a result of comparing the performance of training five deep learning models, the maximum performance indicates Accuracy 97% and F1 Score 97%, respectively. This paper presents an artificial intelligent model for detecting elevator fault automatically. The users' safety and convenience may increase by detecting fault prior to the fatal malfunctions. In addition, it is possible to reduce manpower and time by assisting experts who have previously classified faults.

• Nuclear Engineering and Technology
• /
• 제55권2호
• /
• pp.506-515
• /
• 2023

This study is to find a method to learn engine sound after the start-up of a diesel generator installed in nuclear power plant with an unsupervised deep learning algorithm (CNN autoencoder) and a new method to predict the failure of a diesel generator using it. In order to learn the sound of a diesel generator with a deep learning algorithm, sound data recorded before and after the start-up of two diesel generators was used. The sound data of 20 min and 2 h were cut into 7 s, and the split sound was converted into a spectrogram image. 1200 and 7200 spectrogram images were created from sound data of 20 min and 2 h, respectively. Using two different deep learning algorithms (CNN autoencoder and binary classification), it was investigated whether the diesel generator post-start sounds were learned as normal. It was possible to accurately determine the post-start sounds as normal and the pre-start sounds as abnormal. It was also confirmed that the deep learning algorithm could detect the virtual abnormal sounds created by mixing the unusual sounds with the post-start sounds. This study showed that the unsupervised anomaly detection algorithm has a good accuracy increased about 3% with comparing to the binary classification algorithm.

• 한국건설관리학회논문집
• /
• 제9권6호
• /
• pp.257-267
• /
• 2008

국내 건설 산업에서 실패정보는 사례중심의 비체계적인 문서형태로 관리되고, 통계적 분석결과 정보수준의 자료로 제시되고 있다. 이는 건설실패정보의 활용을 통하여 건설프로세스가 지속적으로 개선될 수 있다는 긍정적인 측면을 간과한 건설실무자의 인식의 부재에 기인한다. 이에 본 연구는 건설실패정보의 관리 및 활용에 대한 문제점을 인식하고, 반복적으로 발생되는 건설실패를 사전에 예방할 수 있도록 실패정보를 체계적으로 관리, 공유, 학습, 활용할 수 있는 웹 기반 건설실패사례 정보시스템을 구축하기 위한 목적으로 수행되었다. 본 연구에서 개발된 건설실패사례 정보시스템은 웹과 사례기반추론기법을 이용하여 가장 유사한 과거 사례가 검색될 수 있도록 구현하였으며, 건설실패정보를 체계적으로 관리할 수 있고, 실패사례를 통한 간접적 지식습득 및 미래의 건설프로젝트의 실패발생 예방대책을 수립하는데 활용될 수 있을 것이다.

• Structural Engineering and Mechanics
• /
• 제78권2호
• /
• pp.209-218
• /
• 2021

For engineering, there are two major challenges in reliability analysis. First, to ensure the accuracy of simulation results, mechanical products are usually defined implicitly by complex numerical models that require time-consuming. Second, the mechanical products are fortunately designed with a large safety margin, which leads to a low failure probability. This paper proposes an efficient and high-precision adaptive active learning algorithm based on the Kriging surrogate model to deal with the problems with low failure probability and time-consuming numerical models. In order to solve the problem with multiple failure regions, the adaptive kernel-density estimation is introduced and improved. Meanwhile, a new criterion for selecting points based on the current Kriging model is proposed to improve the computational efficiency. The criterion for choosing the best sampling points considers not only the probability of misjudging the sign of the response value at a point by the Kriging model but also the distribution information at that point. In order to prevent the distance between the selected training points from too close, the correlation between training points is limited to avoid information redundancy and improve the computation efficiency of the algorithm. Finally, the efficiency and accuracy of the proposed method are verified compared with other algorithms through two academic examples and one engineering application.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제17권8호
• /
• pp.2016-2029
• /
• 2023

Accurate prediction of critical illness is significant for ensuring the lives and health of patients. The selection of indicators affects the real-time capability and accuracy of the prediction for critical illness. However, the diversity and complexity of these indicators make it difficult to find potential connections between them and critical illnesses. For the first time, this study proposes an indicator analysis model to extract key indicators from the preoperative and intraoperative clinical indicators and laboratory results of critical illnesses. In this study, preoperative and intraoperative data of heart failure and respiratory failure are used to verify the model. The proposed model processes the datum and extracts key indicators through four parts. To test the effectiveness of the proposed model, the key indicators are used to predict the two critical illnesses. The classifiers used in the prediction are light gradient boosting machine (LightGBM) and eXtreme Gradient Boosting (XGBoost). The predictive performance using key indicators is better than that using all indicators. In the prediction of heart failure, LightGBM and XGBoost have sensitivities of 0.889 and 0.892, and specificities of 0.939 and 0.937, respectively. For respiratory failure, LightGBM and XGBoost have sensitivities of 0.709 and 0.689, and specificity of 0.936 and 0.940, respectively. The proposed model can effectively analyze the correlation between indicators and postoperative critical illness. The analytical results make it possible to find the key indicators for postoperative critical illnesses. This model is meaningful to assist doctors in extracting key indicators in time and improving the reliability and efficiency of prediction.

• 전자공학회논문지B
• /
• 제30B권11호
• /
• pp.74-83
• /
• 1993

This paper presents methodology which enables the derivation of goal ordering rules from the analysis of problem failures. We examine all the possible ways of taking actions that lead to failures. If there are restrictions imposed by a problem state on possible actions to be taken, the restrictions manifest themselves in the form of a restricted set of possible operator bindings. Our method makes use of this observation to derive general control rules which are guaranteed to be correct. The overhead involved in learning is very low because this methodology needs only small amount of data to learn from namely, the goal stacks from the leaf nodes of a failure search tree. Empirical tests show that the rules derived by our system PAL couperform those derived by other systems such as PRODIGY and STATIC.

• 한국콘텐츠학회:학술대회논문집
• /
• 한국콘텐츠학회 2005년도 춘계 종합학술대회 논문집
• /
• pp.36-50
• /
• 2005

지난 수년 동안 우리나라에서 이 러닝은 특히 기업을 중심으로 빠른 시간에 확산이 되었으며, 양적으로 팽창한 만큼 질적인 부분에 대한 의구심이 팽배한 것이 사실이다. 기존의 오프라인 교육에 비하여 이 러닝의 질적 수준을 분석하는 이유는 그 동안 급속도로 발전된 이 러닝이 학습자들에게 훌륭한 학습경험을 주지 못하였고, 생각보다 결과가 저조하였으며, 무엇보다 투자된 비용에 비해 효과성이 저조하였다는 지적이 많기 때문이다 . 그동안 이 러닝에서의 많은 경험은 오랜 세월동안 익숙해왔던 오프라인수업을 중심으로 구성되어왔으며, 이 러닝에 종사하는 많은 전문가들도 대부분 오프라인에서의 교수-학습에 대한 경험을 바탕으로 이 러닝의 체제를 이해하여 왔다. Dublin&Cross (2003)에 의하면 과연 얼마나 많은 사람들이 이 러닝에 대한 공통된 개념을 가지고 있으며, 학습자들이 단지 문제없이 이 러닝에 접속하여 끝까지 기술적인 문제없이 도달하는데서 끝나지 않고 얼마나 효과적이고 효율적으로 이 러닝이 의도한 학습과정에 흡수되는 가를 분석해 낼 수 있는가에 따라 이 러닝의 성공여부가 달려 있다고 한다. 본 논문은 이 러닝의 확산속도에 맞추어 질적 향상이 쉽게 이루어지지 않는 이 러닝의 현상을 분석해보고 이 러닝의 질적 발전을 위하여 고려하여야 하는 요소들은 무엇이 있으며 이들이 어떻게 조화를 이루어야 이 러닝이 질적으로 우수성을 가질 수 있는지에 대한 방안을 제시해 보고자 한다.

• 한국컴퓨터정보학회논문지
• /
• 제25권4호
• /
• pp.19-27
• /
• 2020

본 논문에서는 정압기의 이상 상태 진단을 위한 기계학습 방법을 제안한다. 일반적으로 설비의 이상 상태 탐지를 위한 기계학습 모델 구현에는 관련 센서의 설치와 데이터 수집 과정이 동반되나, 정압기는 설비 특성상 안전문제에 매우 민감하여 추가적인 센서 설치가 매우 까다롭다. 이에 본 논문에서는 센서의 추가 설치 없이 정압기 설비에서 자체 수집되는 유량과 유압 데이터만을 가지고 정압기의 이상 상태를 조기에 판단하는 기계학습 모델을 제안한다. 본 논문에서는 정압기의 비정상데이터가 충분하지 않은 관계로, 모델 학습 시 오버 샘플링(Over-Sampling)을 적용하여 모델이 모든 클래스에 균형적으로 학습하도록 하였다. 또한, 그레이디언트 부스팅(Gradient Boosting), 1차원 합성곱 신경망(1D Convolutional Neural Networks), LSTM(Long Short-Term Memory) 등의 기계학습 알고리즘을 적용하여 정압기의 이상 상태를 판단하는 분류모델을 구현하였고, 실험 결과 그레이디언트 부스팅 알고리즘이 정확도 99.975%로 가장 성능이 우수함을 확인하였다.

• 기술혁신연구
• /
• 제29권2호
• /
• pp.1-30
• /
• 2021

급변하는 환경에서 지속 가능한 경쟁우위를 확보하기 위해 기업들은 끊임없이 새로운 지식을 획득해야 한다. 인수합병이나, 지식재산권의 구매 등이 이를 위한 대표적인 수단이나, 합작회사의 설립도 보완자산을 내재화하기 위한 효과적인 지식 획득 방법으로 주목받고 있다. 그러나 모든 합작회사가 새로운 지식을 성공적으로 획득하는 것은 아닌데, 이는 기업들이 획득하고자 하는 지식의 특성에 맞는 적절한 학습전략 및 조직 구조를 갖추지 못했기 때문인 경우가 많다. 본 연구는 이 같은 문제의식 하에 상황이론 관점에서 지식의 특성을 다차원 적으로 구분하고 지식 특성에 맞는 학습전략과 조직구조의 필요성을 자동차 부품분야의 국제 합작회사 사례를 통해 살펴보았다. 하드웨어 기술에 최적화된 사례 회사(국제합작회사)는 다른 성격의 지식인 소프트웨어 기술을 습득하기 위해 차별화된 학습 전략과 조직구조를 갖추지 못했고, 이러한 미스매치로 인해 합작회사를 통한 새로운 지식(엔진제어시스템 기술)의 흡수에 실패하였다. 본 연구는 기업이 성공적 지식흡수를 위해 고려해야 할 요소들을 이론적 프레임워크를 통해 제시하고 실증분석을 통해 이를 검증함으로써 합작회사 설립, 인수합병 등 조직 변화를 통해 동태적 역량을 확보하고자 하는 기업들에게 실무적 시사점을 제공하고 있다.

• International journal of thyroidology
• /
• 제11권2호
• /
• pp.130-136
• /
• 2018

Background and Objectives: Intraoperative neural monitoring (IONM) of recurrent laryngeal nerve (RLN) in thyroid surgery has been employed worldwide to identify and preserve the nerve as an adjunct to visual identification. The aims of this study was to evaluate the efficacy of IONM and difficulties in the learning curve. Materials and Methods: We studied 63 patients who underwent thyroidectomy with IONM during last 2 years. The standard IONM procedure was performed using NIM 3.0 or C2 Nerve Monitoring System. Patients were divided into two chronological groups based on the success rate of IONM (33 cases in the early period and 30 cases in the late period), and the outcomes were compared between the two groups. Results: Of 63 patients, 32 underwent total thyroidectomy and 31 thyroid lobectomy. Failure of IONM occurred in 9 cases: 8 cases in the early period and 1 case in the late period. Loss of signal occurred in 8 nerves of 82 nerves at risk. The positive predictive value increased from 16.7% in the early period to 50% in the late period. The mean amplitude of the late period was higher than that of the early period (p<0.001). Conclusion: IONM in thyroid surgery is effective to preserve the RLN and to predict postoperative nerve function. However, failure of IONM and high false positive rate can occur in the learning curve, and the learning curve was about 30 cases based on the results of this study.