개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 발행연도
- 2022.9
- 수록면
- 1,315 - 1,325 (11page)
- DOI
- 10.5370/KIEE.2022.71.9.1315
이용수
초록· 키워드
오류제보하기
Various machine learning and deep learning methods were proposed to monitor and classify the bearing"s health state using vibration signals since bearing faults are one of the most causes of failure of rotationary machine. The process of diagnosing bearing faults using machine learning is as follows. First, the features, including the fault characteristic of the vibration signals, are extracted, and these features are selected to reduce the dimension of the features. These features are input into the machine learning classifier to diagnose the system"s health. In addition to machine learning methods, CNN, one of the deep learning methods, is widely used. Since the deep learning model extracts features by itself, only the preprocessing process of converting the bearing signals into 2D is needed. The fault classification accuracy of two vibration signal transformation methods as preprocessing methods for the CNN model was compared. This paper compares the bearing fault classification performance of several machine learning commonly used and the CNN model for the lab-made wind turbine machinery testbed. By comparing different feature extraction, feature selection, and classification methods, the most appropriate pipeline is selected for the testbed. Also, grad-cam, an explainable AI(XAI) technique, is applied to interpret the CNN based classification in terms of interested frequency bandwidth. The XAI analysis was verified by designing preprocessing filters based on the grad-cam outputs for enhancing classification performance.
목차
Abstract
1. 서론
2. 관련 연구
3. 하드웨어 및 데이터셋
4. 머신러닝 기반 고장진단 비교연구
5. 딥러닝 기반 고장진단 연구
6. Grad-CAM 결과 검증
7. Conclusion
References
참고문헌 (0)
참고문헌 신청함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
회전체 볼 베어링 결함 진단을 위한 CNN 모델 설계와 Grad-Cam을 이용한 진단결과 해석 연구
대한기계학회 춘추학술대회
2022 .05
-
머신러닝을 이용한 베어링 결함 진행 단계 파악
한국생산제조학회 학술발표대회 논문집
2024 .07
-
딥러닝 기반 회전기계 결함 진단 및 Grad-CAM++을 이용한 해석
대한전기학회 학술대회 논문집
2024 .07
-
Bearing Fault Signal Detection with Deep One-Class Classification
대한산업공학회 춘계공동학술대회 논문집
2022 .06
-
Analyze weeds classification with visual explanation based on Convolutional Neural Networks
스마트미디어저널
2019 .01
-
머신러닝 알고리즘을 활용한 베어링 고장 진단 모델 개발
한국생산제조학회 학술발표대회 논문집
2021 .12
-
Grad-CAM을 활용한 다중 채널 신호 기반의 해석 가능한 수면 단계 분류
한국정보과학회 학술발표논문집
2024 .06
-
Grad CAM 기반의 Noise 생성을 통한 전이 정보 최적화 기법
한국지능시스템학회 논문지
2021 .02
-
채널선택을 통한 Grad-CAM 시각화 성능 향상
한국정보과학회 학술발표논문집
2020 .12
-
능동학습과 Grad CAM을 활용한 고성능 분류 모델 연구
한국통신학회 학술대회논문집
2024 .11
-
Data Preprocessing and Machine Learning Techniques for Detection and Classification of Bearing Faults
한국소음진동공학회 학술대회논문집
2019 .10
-
딥러닝 기반 대장 용종 이미지 분류 및 Grad-CAM을 이용한 시각화
대한전자공학회 학술대회
2022 .06
-
XAI를 활용한 생산기간에 따른 치밀오일 생산성 예측 모델 개발 및 영향변수 설명
한국정보통신학회 종합학술대회 논문집
2022 .05
-
심혈관 질환 예측을 위한 XAI 활용 Key Feature Selection
한국정보과학회 학술발표논문집
2023 .06
-
일변량 시계열의 다중 특징 추출을 통한 시계열 예측 모델 설명
한국정보통신학회논문지
2023 .02
-
딥러닝 알고리즘을 이용한 매설 배관 피복 결함의 간접 검사 신호 진단에 관한 연구
한국압력기기공학회 논문집
2023 .12
-
설명가능한 인공지능 모델의 노이즈 강인성 비교
한국신뢰성학회 학술대회논문집
2023 .11
-
보안 분야에서의 XAI 활용에 대한 소고
Proceedings of KIIT Conference
2023 .06
-
Support Vector Machine Based Bearing Fault Diagnosis for Induction Motors Using Vibration Signals
Journal of Electrical Engineering & Technology
2015 .07
-
정보보호 분야의 XAI 기술 동향
정보보호학회지
2021 .10
이 논문의 저자 정보
이 논문과 함께 이용한 논문
서포트 벡터 머신을 이용한 유도전동기 고장진단
김민찬
,
이종현
,
왕동훈
외 2명
제어로봇시스템학회 국내학술대회 논문집
2022
.06
6상 영구자석 동기전동기의 고장진단 알고리즘 연구
강준규
,
시디키 무다시르 라자
,
허진
대한전기학회 학술대회 논문집
2022
.05
시간적 컨볼루션 네트워크를 이용한 불균형 회전체 고장진단
신민정
,
류하오
,
이재천
유공압건설기계학회 학술대회논문집
2022
.06
MCSA를 이용한 유도 전동기 부하불평형 고장진단 연구
이진
,
김형철
,
신승권
대한전기학회 학술대회 논문집
2019
.10
MCSA를 이용한 유도 전동기 회전자 바 고장진단 연구
이진
,
김형철
,
신승권
외 2명
대한전기학회 학술대회 논문집
2019
.04
최근 본 자료
댓글(0)
0
UCI(KEPA) : I410-ECN-0101-2022-560-001689168