• 대한기계학회논문집A
• /
• 제30권5호
• /
• pp.520-527
• /
• 2006

The design of major industrial facilities for the prevention of fatigue failure is customarily done by defining a set of transients and performing a calculation of cumulative usage factor. However, sometimes, the inherent conservatism or lack of details as well as unanticipated transients in old plant may cause maintenance problems. Even though several famous on-line monitoring and diagnosis systems have been developed world-widely, in this paper, a new system fur fatigue monitoring and life evaluation of crane is proposed to reduce customizing effort and purchasing cost. With regard to the system, at first, comprehensive operating transient data has been acquired at critical locations of crane. The real-time data were classified, by using adaptive resonance theory that is one of typical artificial neural network, into representative stress groups. Then the each classified stress pattern was mapped to calculated cumulative usage factor in accordance with ASME procedure. Thereby, promising results were obtained fur the crane and it is believed that the developed system can be applicable to other major facilities extensively.

• International Journal of Advanced Culture Technology
• /
• 제10권1호
• /
• pp.230-235
• /
• 2022

This study is to select an optimal object detection algorithm for designing a self-checkout counter to improve the inconvenience of payment systems for products without existing barcodes. To this end, a performance comparison analysis of YOLO v2, Tiny YOLO v2, and the latest YOLO v5 among deep learning-based object detection algorithms was performed to derive results. In this paper, performance comparison was conducted by forming learning data as an example of 'donut' in a bakery store, and the performance result of YOLO v5 was the highest at 96.9% of mAP. Therefore, YOLO v5 was selected as the artificial intelligence object detection algorithm to be applied in this paper. As a result of performance analysis, when the optimal threshold was set for each donut, the precision and reproduction rate of all donuts exceeded 0.85, and the majority of donuts showed excellent recognition performance of 0.90 or more. We expect that the results of this paper will be helpful as the fundamental data for the development of an automatic payment system using AI self-service technology that is highly usable in the non-face-to-face era.

• Smart Structures and Systems
• /
• 제3권3호
• /
• pp.341-356
• /
• 2007

A good understanding of normal modal variability of civil structures due to varying environmental conditions such as temperature and wind is important for reliable performance of vibration-based damage detection methods. This paper addresses the quantification of wind-induced modal variability of a cable-stayed bridge making use of one-year monitoring data. In order to discriminate the wind-induced modal variability from the temperature-induced modal variability, the one-year monitoring data are divided into two sets: the first set includes the data obtained under weak wind conditions (hourly-average wind speed less than 2 m/s) during all four seasons, and the second set includes the data obtained under both weak and strong (typhoon) wind conditions during the summer only. The measured modal frequencies and temperatures of the bridge obtained from the first set of data are used to formulate temperature-frequency correlation models by means of artificial neural network technique. Before the second set of data is utilized to quantify the wind-induced modal variability, the effect of temperature on the measured modal frequencies is first eliminated by normalizing these modal frequencies to a reference temperature with the use of the temperature-frequency correlation models. Then the wind-induced modal variability is quantitatively evaluated by correlating the normalized modal frequencies for each mode with the wind speed measurement data. It is revealed that in contrast to the dependence of modal frequencies on temperature, there is no explicit correlation between the modal frequencies and wind intensity. For most of the measured modes, the modal frequencies exhibit a slightly increasing trend with the increase of wind speed in statistical sense. The relative variation of the modal frequencies arising from wind effect (with the maximum hourly-average wind speed up to 17.6 m/s) is estimated to range from 1.61% to 7.87% for the measured 8 modes of the bridge, being notably less than the modal variability caused by temperature effect.

• 한국정보통신학회논문지
• /
• 제25권12호
• /
• pp.1790-1796
• /
• 2021

영상 딥러닝을 위해서는 다량의 영상 데이터셋이 필요한데, 객체의 종류에 따라 영상을 구하고 영상 데이터셋을 구축하는 방법에 많은 차이가 있다. 본 논문에서는 딥러닝을 위한 영상 데이터셋을 구축하는 방법을 제시하고 추적하는 객체에 따라 달라지는 성능을 분석하였다. 제안하는 데이터셋 구축방법을 활용하여 객체를 회전시킨 후 동영상을 촬영, 분할하여 커스텀 데이터셋을 구축하고, 성능을 분석한 결과 95% 이상의 객체 검출률을 보였으며, 이동 시 객체의 형상 변화가 적은 경우에 더 높은 성능이 나타났다. 영상 데이터를 구하기 어렵고, 형태의 변화가 적은 객체를 동영상 내에서 추적하기 위한 상황을 위하여는 본 논문에서 제시한 데이터셋 구축방법을 활용하는 것이 효과적일 것으로 판단된다.

• Korean Chemical Engineering Research
• /
• 제58권2호
• /
• pp.248-256
• /
• 2020

본 연구에서는 폭발위험장소의 방폭설비 설치를 위해 필요한 가스폭발위험범위 예측모델 개발을 수행하였다. 이를 위해 12개의 가연성가스에 대한 1,200개의 폭발위험범위 데이터를 생성하였다. 가스폭발위험범위를 출력변수로 설정하였고 데이터 생성과정에서 필요한 12개의 변수를 입력변수로 설정하였다. 다중 회귀, 주성분 회귀, 인공신경망 기법을 이용해 예측모델을 개발하였다. 각각 모델의 예측 성능을 비교한 결과, 평균절대퍼센트오차(MAPE)는 각각 44.2%, 49.3%, 5.7%이고 평균제곱근오차(RMSE)는 1.389 m, 1.602 m, 0.203 m로 나타났다. 결과를 통해 인공신경망이 가장 우수한 성능을 보여주었고 가스폭발위험범위 예측을 위한 최적 모델이라는 것을 확인하였다.

• 한국융합학회논문지
• /
• 제12권8호
• /
• pp.47-53
• /
• 2021

4차 산업에 대한 관심이 증폭되면서 데이터를 활용한 과학적 방법론이 발전하고 있지만 부동산 분야에 대한 연구는 데이터 수집의 한계점을 내포하고 있다. 더불어 일반 시장 참여자들의 지식이 확장되면서 정성적인 심리가 부동산 시장에 미치는 영향이 커지고 있다. 때문에 본 연구에서는 기존의 원천 데이터가 아닌 심리적 부분을 반영한 정량 데이터를 텍스트마이닝과 k-meas 알고리즘을 통해 수집하는 방안을 제안하고 수집된 데이터를 바탕으로 인공신경망 학습을 통해 주택 지수의 방향성을 예측하고자 한다. 2012년부터 2019년까지의 데이터를 학습 기간으로 하고 2020년도를 예측 기간으로 설정하여 실험을 진행한 결과, 두 가지 CASE에서 예측 능력이 약 80% 이상으로 우수하였고 주택지수의 상승 구간에서의 예측 강도 또한 우수한 결과를 보였다. 본 연구를 통해서 의사결정에 있어서 부동산 시장 참여자들에게 인공신경망과 같은 과학적 방식의 활용도 증가 및 고전적 방식에서 벗어난 원천 데이터의 대체 데이터 확보 등에 대한 노력이 증진되기를 기대한다.

• Smart Structures and Systems
• /
• 제29권1호
• /
• pp.117-127
• /
• 2022

Data anomalies seriously threaten the reliability of the bridge structural health monitoring system and may trigger system misjudgment. To overcome the above problem, an efficient and accurate data anomaly detection method is desiderated. Traditional anomaly detection methods extract various abnormal features as the key indicators to identify data anomalies. Then set thresholds artificially for various features to identify specific anomalies, which is the artificial experience method. However, limited by the poor generalization ability among sensors, this method often leads to high labor costs. Another approach to anomaly detection is a data-driven approach based on machine learning methods. Among these, the bidirectional long-short memory neural network (BiLSTM), as an effective classification method, excels at finding complex relationships in multivariate time series data. However, training unprocessed original signals often leads to low computation efficiency and poor convergence, for lacking appropriate feature selection. Therefore, this article combines the advantages of the two methods by proposing a deep learning method with manual experience statistical features fed into it. Experimental comparative studies illustrate that the BiLSTM model with appropriate feature input has an accuracy rate of over 87-94%. Meanwhile, this paper provides basic principles of data cleaning and discusses the typical features of various anomalies. Furthermore, the optimization strategies of the feature space selection based on artificial experience are also highlighted.

• 한국전자통신학회논문지
• /
• 제7권4호
• /
• pp.905-915
• /
• 2012

본 논문은 해양 USN 환경에서 수질환경의 온라인 정상 비정상 상태를 구분하기 위한 기법을 제안한다. 해양 수질 환경 인자의 정상 상태 집합을 정의하기 위해 정상 비정상 구분 특성을 갖는 인공면역시스템의 부정선택 알고리즘을 활용한다. 비정상 상태 구분을 위해 해양 USN 환경에서 센서를 통해 수집된 해양 수질 환경의 정상 집합 생성이 필요하다. 이를 위해 각 측정 인자에 대한 단위 데이터의 돌연변이와 해양 수질 상태를 각 요소의 논리곱적 관점에서 상태 데이터의 돌연변이를 기반으로 정상 집합을 생성한다. 생성된 정상 집합을 활용하여 비정상 상태를 구분한다. 이 과정을 가우시안 함수를 기반으로 돌연변이 된 정상 집합에 대하여 모의 실험을 제시한다. 이렇게 제안된 기법을 해양 수질 센서 로거단에 설치함으로써, 온라인으로 해양 수질 환경의 정상 인자를 모니터링 할 수 있다.

• Journal of Welding and Joining
• /
• 제11권2호
• /
• pp.27-41
• /
• 1993

The estimation of nugget sizes was attempted by utilizing the artificial neural networks method. Artificial neural networks is a highly simplified model of the biological nervous system. Artificial neural networks is composed of a large number of elemental processors connected like biological neurons. Although the elemental processors have only simple computation functions, because they are connected massively, they can describe any complex functional relationship between an input-output pair in an autonomous manner. The electrode head movement signal, which is a good indicator of corresponding nugget size was determined by measuring the each test specimen. The sampled electrode movement data and the corresponding nugget sizes were fed into the artificial neural networks as input-output pairs to train the networks. In the training phase for the networks, the artificial neural networks constructs a fuctional relationship between the input-output pairs autonomusly by adjusting the set of weights. In the production(estimation) phase when new inputs are sampled and presented, the artificial neural networks produces appropriate outputs(the estimates of the nugget size) based upon the transfer characteristics learned during the training mode. Experimental verification of the proposed estimation method using artificial neural networks was done by actual destructive testing of welds. The predicted result by the artifficial neural networks were found to be in a good agreement with the actual nugget size. The results are quite promising in that the real-time estimation of the invisible nugget size can be achieved by analyzing the process variable without any conventional destructive testing of welds.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2019년도 춘계학술발표대회
• /
• pp.511-514
• /
• 2019

인공지능이 정형화된 수치 데이터뿐만 아니라 비정형 데이터까지도 인식해야하는 시대가 왔다. 보안 분야 이외에도 사회 전반에서 숫자 인식을 활용하고 점차 확대되고 있다. 숫자인식을 위해 인공신경망을 이용하였다. 인공신경망은 입력 층, 중간 층, 출력 층으로 이루어져 있다. 각 층은 노드와 노드들을 연결하는 가중치로 구성되어 있다. data set을 입력 값으로 하여 각각의 가중치를 곱한다. 오차역전파법을 이용하여 가중치 값을 갱신한다. 갱신하는 과정에서 학습률과 가중치 조정을 통해 결과 값의 정확도를 연구한다. 궁극적으로 학습된 data set과 인공신경망 알고리즘을 이용하여 손 글씨로 된 숫자를 인식한다. 실험에서 학습률과 중간층의 노드 개수를 조정하여 인식률을 높여간다.